Computationally Efficient Model Predictive Control Algorithms: A Neural Network Approach

ویرایش: 1 
نویسندگان: Maciej Ławryńczuk (auth.)  
سری: Studies in Systems, Decision and Control 3 
ISBN (شابک) : 9783319042282, 9783319042299 
ناشر: Springer International Publishing 
سال نشر: 2014 
تعداد صفحات: 336 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 57,000



این کتاب به طور کامل تکنیک‌های کنترل پیش‌بینی مدل (MPC) کارآمد محاسباتی (نابهینه) مبتنی بر مدل‌های عصبی را مورد بحث قرار می‌دهد. موضوعاتی که تحت درمان قرار می‌گیرند عبارتند از:

· چند نوع الگوریتم MPC غیربهینه که در آنها یک تقریب خطی از مدل یا مسیر پیش‌بینی‌شده به‌طور متوالی به‌صورت آنلاین محاسبه شده و برای پیش‌بینی استفاده می‌شود.

· جزئیات پیاده‌سازی الگوریتم‌های MPC برای مدل‌های عصبی پرسپترون پیش‌خور، مدل‌های هامرشتاین عصبی، مدل‌های عصبی وینر و مدل‌های عصبی فضای حالت.

· الگوریتم‌های MPC مبتنی بر چند مدل عصبی (الهام‌گرفته از ایده کنترل پیش‌بینی).

· الگوریتم‌های MPC با تقریب عصبی بدون خطی‌سازی آنلاین.

· الگوریتم‌های MPC با ثبات و استحکام تضمین‌شده.

به لطف خطی‌سازی (یا تقریب عصبی)، الگوریتم‌های زیربهینه ارائه‌شده نیازی به بهینه‌سازی غیرخطی آنلاین ندارند. نتایج شبیه‌سازی ارائه‌شده دقت و کارایی محاسباتی الگوریتم‌ها را نشان می‌دهد. برای چند فرآیند معیار غیرخطی معرف، مانند راکتورهای شیمیایی و ستون تقطیر، که الگوریتم‌های MPC کلاسیک مبتنی بر مدل‌های خطی به درستی کار نمی‌کنند، مسیرهای به‌دست‌آمده در الگوریتم‌های MPC کمتر از حد بهینه بسیار شبیه به آنچه که توسط «` است، است. الگوریتم MPC ideal'' با بهینه‌سازی غیرخطی آنلاین که در هر لحظه نمونه‌برداری تکرار می‌شود. در عین حال، الگوریتم‌های MPC غیربهینه به طور قابل‌توجهی از نظر محاسباتی کمتر نیاز دارند.

This book thoroughly discusses computationally efficient (suboptimal) Model Predictive Control (MPC) techniques based on neural models. The subjects treated include:

· A few types of suboptimal MPC algorithms in which a linear approximation of the model or of the predicted trajectory is successively calculated on-line and used for prediction.

· Implementation details of the MPC algorithms for feed forward perceptron neural models, neural Hammerstein models, neural Wiener models and state-space neural models.

· The MPC algorithms based on neural multi-models (inspired by the idea of predictive control).

· The MPC algorithms with neural approximation with no on-line linearization.

· The MPC algorithms with guaranteed stability and robustness.

· Cooperation between the MPC algorithms and set-point optimization.

Thanks to linearization (or neural approximation), the presented suboptimal algorithms do not require demanding on-line nonlinear optimization. The presented simulation results demonstrate high accuracy and computational efficiency of the algorithms. For a few representative nonlinear benchmark processes, such as chemical reactors and a distillation column, for which the classical MPC algorithms based on linear models do not work properly, the trajectories obtained in the suboptimal MPC algorithms are very similar to those given by the ``ideal'' MPC algorithm with on-line nonlinear optimization repeated at each sampling instant. At the same time, the suboptimal MPC algorithms are significantly less computationally demanding.

Front Matter....Pages 1-21
MPC Algorithms....Pages 1-30
MPC Algorithms Based on Double-Layer Perceptron Neural Models: the Prototypes....Pages 31-98
MPC Algorithms Based on Neural Hammerstein and Wiener Models....Pages 99-138
MPC Algorithms Based on Neural State-Space Models....Pages 139-166
MPC Algorithms Based on Neural Multi-Models....Pages 167-188
MPC Algorithms with Neural Approximation....Pages 189-209
Stability and Robustness of MPC Algorithms....Pages 211-249
Cooperation between MPC Algorithms and Set-Point Optimisation Algorithms....Pages 251-284
Concluding Remarks and Further Research Directions....Pages 285-290
Back Matter....Pages 291-316