Dynamic Modeling, Predictive Control and Performance Monitoring: A Data-driven Subspace Approach

یک روش طراحی معمولی برای کنترل پیش‌بینی مدل یا نظارت بر عملکرد کنترل شامل موارد زیر است: 1. شناسایی یک مدل پارامتری یا ناپارامتریک. 2. استخراج پیش بینی کننده خروجی از مدل. 3. طراحی قانون کنترل یا محاسبه شاخص های عملکرد بر اساس پیش بینی کننده.

هر دو مشکل طراحی نیاز به یک فرم مدل صریح دارند و هر دو به این روش طراحی سه مرحله ای نیاز دارند. آیا می توان این روش طراحی را ساده کرد؟ آیا می توان از یک مدل صریح اجتناب کرد؟ با در نظر گرفتن این سؤالات، نویسندگان مرحله اول و دوم روش طراحی فوق را حذف می‌کنند، یک رویکرد «داده محور» به این معنا که هیچ مدل پارامتری سنتی استفاده نمی‌شود. از این رو، ماتریس‌های زیرفضای میانی، که از داده‌های فرآیند به‌دست می‌آیند و در غیر این صورت به عنوان اولین مرحله در روش‌های شناسایی زیرفضا شناسایی می‌شوند، مستقیماً برای طراحی‌ها استفاده می‌شوند. بدون استفاده از یک مدل صریح، روش طراحی ساده شده و خطای مدل‌سازی ناشی از پارامترسازی حذف می‌شود.

A typical design procedure for model predictive control or control performance monitoring consists of: 1. identification of a parametric or nonparametric model; 2. derivation of the output predictor from the model; 3. design of the control law or calculation of performance indices according to the predictor.

Both design problems need an explicit model form and both require this three-step design procedure. Can this design procedure be simplified? Can an explicit model be avoided? With these questions in mind, the authors eliminate the first and second step of the above design procedure, a “data-driven” approach in the sense that no traditional parametric models are used; hence, the intermediate subspace matrices, which are obtained from the process data and otherwise identified as a first step in the subspace identification methods, are used directly for the designs. Without using an explicit model, the design procedure is simplified and the modelling error caused by parameterization is eliminated.