Developments in Model-Based Optimization and Control: Distributed Control and Industrial Applications

این کتاب به روش‌های بهینه‌سازی به عنوان ابزاری برای تصمیم‌گیری و کنترل در حضور عدم قطعیت مدل می‌پردازد. جهت گیری آن در استفاده از این ابزارها در مهندسی، به ویژه در طراحی کنترل خودکار با تمام اجزای آن است: تجزیه و تحلیل سیستم های دینامیکی، مشکلات شناسایی، و طراحی کنترل بازخورد.

توسعه ها در مدل مبتنی بر مدل. بهینه‌سازی و کنترلاز فرمول‌بندی‌های مبتنی بر بهینه‌سازی برای اهداف طراحی بازخورد کلاسیک مانند پایداری، عملکرد و امکان‌سنجی استفاده می‌کند که توسط مجموعه‌ای از نتایج و متدولوژی‌هایی که تئوری کنترل بهینه را تشکیل می‌دهند، ارائه می‌شوند. به طور خاص از فرمول‌بندی محبوبی که به‌عنوان کنترل پیش‌بینی یا بهینه‌سازی افق عقب‌نشینی شناخته می‌شود، استفاده می‌کند.

مشارکت‌های منفرد در این جلد از نظر موضوع بسیار گسترده است، اما در یک ساختار پنج‌بخشی که مطالبی را پوشش می‌دهد، هماهنگ شده‌اند:

· پیچیدگی و ساختار در کنترل پیش بینی مدل (MPC)؛

· MPC مشارکتی؛

· MPC توزیع شده؛

· بهینه سازی تجزیه و تحلیل و طراحی مبتنی بر و

· برنامه‌های کاربردی برای فرآیندهای زیستی، سیستم‌های چند وسیله نقلیه یا مدیریت انرژی.

مشارکت‌های مختلف طیف موضوعی از جمله بهینه‌سازی معکوس و فرمول‌های مدرن‌تر غیرمتمرکز و مشارکتی کنترل بهینه افق عقب‌نشینی را پوشش می‌دهند. خوانندگان چهارده فصل را پیدا خواهند کرد که به ابزارهای مبتنی بر بهینه‌سازی برای تجزیه و تحلیل استحکام و تصمیم‌گیری در رابطه با مکانیسم‌های بازخورد (مثلاً تشخیص خطا) اختصاص داده شده است و سه فصل برنامه‌هایی را ارائه می‌کنند که در آن بهینه‌سازی مبتنی بر مدل دیدگاه جدیدی را به ارمغان می‌آورد. p>

توسعه‌ها در بهینه‌سازی و کنترل مبتنی بر مدل مجموعه‌ای از مشارکت‌هایی است که از کارگاه‌های کنترل و تخمین مبتنی بر بهینه‌سازی که در نوامبر ۲۰۱۳ و نوامبر برگزار شد، گسترش یافته و به‌روزرسانی شده است. 2014. این یک منبع مفید برای محققان دانشگاهی و دانشجویان فارغ التحصیل علاقه مند به وضعیت هنر در کنترل پیش بینی است. مهندسان کنترلی که در بهینه‌سازی و کنترل مبتنی بر مدل، به‌ویژه در کاربردهای فرآیند زیستی آن کار می‌کنند، این مجموعه را آموزنده می‌دانند.

This book deals with optimization methods as tools for decision making and control in the presence of model uncertainty. It is oriented to the use of these tools in engineering, specifically in automatic control design with all its components: analysis of dynamical systems, identification problems, and feedback control design.

Developments in Model-Based Optimization and Control takes advantage of optimization-based formulations for such classical feedback design objectives as stability, performance and feasibility, afforded by the established body of results and methodologies constituting optimal control theory. It makes particular use of the popular formulation known as predictive control or receding-horizon optimization.

The individual contributions in this volume are wide-ranging in subject matter but coordinated within a five-part structure covering material on:

· complexity and structure in model predictive control (MPC);

· collaborative MPC;

· distributed MPC;

· optimization-based analysis and design; and

· applications to bioprocesses, multivehicle systems or energy management.

The various contributions cover a subject spectrum including inverse optimality and more modern decentralized and cooperative formulations of receding-horizon optimal control. Readers will find fourteen chapters dedicated to optimization-based tools for robustness analysis, and decision-making in relation to feedback mechanisms—fault detection, for example—and three chapters putting forward applications where the model-based optimization brings a novel perspective.

Developments in Model-Based Optimization and Control is a selection of contributions expanded and updated from the Optimisation-based Control and Estimation workshops held in November 2013 and November 2014. It forms a useful resource for academic researchers and graduate students interested in the state of the art in predictive control. Control engineers working in model-based optimization and control, particularly in its bioprocess applications will also find this collection instructive.