Explicit Nonlinear Model Predictive Control: Theory and Applications

ویرایش: 1 
نویسندگان: Alexandra Grancharova. Tor Arne Johansen (auth.)  
سری: Lecture Notes in Control and Information Sciences 429 
ISBN (شابک) : 9783642287794, 9783642287800 
ناشر: Springer-Verlag Berlin Heidelberg 
سال نشر: 2012 
تعداد صفحات: 240 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 78,000



کنترل پیش‌بینی مدل غیرخطی (NMPC) به روشی پذیرفته شده برای حل مسائل کنترلی پیچیده مرتبط با صنایع فرآیند تبدیل شده است. انگیزه اصلی پشت صریح NMPC این است که یک قانون بازخورد حالت صریح از نیاز به اجرای الگوریتم بهینه سازی عددی در زمان واقعی اجتناب می کند. مزایای یک راه حل صریح ، علاوه بر محاسبات آنلاین کارآمد، شامل قابلیت تأیید پیاده سازی و امکان طراحی سیستم های کنترل جاسازی شده با پیچیدگی نرم افزاری و سخت افزاری کم است.

< p>این کتاب رویکردهای برنامه‌نویسی غیرخطی چند پارامتری (mp-NLP) را برای صریحNMPC تقریبی سیستم‌های غیرخطی محدود، توسعه‌یافته توسط نویسندگان، و همچنین کاربردهای آنها در نظر می‌گیرد. به فرمول های مختلف مشکل NMPC و چندین مطالعه موردی. انواع زیر از سیستم‌های غیرخطیدر نظر گرفته شده‌اند که منجر به فرمول‌بندی‌های مختلف مسئله NMPC می‌شود:

Ø غیرخطیسیستم‌های توصیف‌شده توسط مدل‌های اصول اول و سیستم‌های غیرخطی توصیف‌شده توسط مدل‌های جعبه سیاه؛

- سیستم‌های غیرخطیبا ورودی‌های کنترل پیوسته و سیستم‌های غیرخطیبا ورودی‌های کنترل کوانتیزه؛< /p>

- سیستم‌های غیرخطیبدون عدم قطعیت و غیرخطیسیستم‌های دارای عدم قطعیت (شرح چندوجهی عدم قطعیت و توصیف تصادفی عدم قطعیت)؛

- سیستم‌های غیرخطی، متشکل از سیستم‌های فرعی غیرخطیبه‌هم‌پیوسته.

رویکردهای پیشنهادی mp-NLP با کاربردهایی برای چندین مطالعه موردی نشان داده شده‌اند. از مناطق مختلف مانند مکاترونیک خودرو، کنترل کمپرسور، کنترل نیروگاه احتراق، کنترل راکتور، کنترل سیستم حفظ pH، کنترل سیستم چرخ دستی و فنر، و کامپیوترهای غواصی.

Nonlinear Model Predictive Control (NMPC) has become the accepted methodology to solve complex control problems related to process industries. The main motivation behind explicit NMPC is that an explicit state feedback law avoids the need for executing a numerical optimization algorithm in real time. The benefits of an explicit solution, in addition to the efficient on-line computations, include also verifiability of the implementation and the possibility to design embedded control systems with low software and hardware complexity.

This book considers the multi-parametric Nonlinear Programming (mp-NLP) approaches to explicit approximate NMPC of constrained nonlinear systems, developed by the authors, as well as their applications to various NMPC problem formulations and several case studies. The following types of nonlinear systems are considered, resulting in different NMPC problem formulations:

Ø Nonlinear systems described by first-principles models and nonlinear systems described by black-box models;

- Nonlinear systems with continuous control inputs and nonlinear systems with quantized control inputs;

- Nonlinear systems without uncertainty and nonlinear systems with uncertainties (polyhedral description of uncertainty and stochastic description of uncertainty);

- Nonlinear systems, consisting of interconnected nonlinear sub-systems.

The proposed mp-NLP approaches are illustrated with applications to several case studies, which are taken from diverse areas such as automotive mechatronics, compressor control, combustion plant control, reactor control, pH maintaining system control, cart and spring system control, and diving computers.

Front Matter....Pages 1-12
Multi-parametric Programming....Pages 1-37
Nonlinear Model Predictive Control....Pages 39-69
Explicit NMPC Using mp-QP Approximations of mp-NLP....Pages 71-85
Explicit NMPC via Approximate mp-NLP....Pages 87-110
Explicit MPC of Constrained Nonlinear Systems with Quantized Inputs....Pages 111-125
Explicit Min-Max MPC of Constrained Nonlinear Systems with Bounded Uncertainties....Pages 127-156
Explicit Stochastic NMPC....Pages 157-186
Explicit NMPC Based on Neural Network Models....Pages 187-207
Semi-explicit Distributed NMPC....Pages 209-231
Back Matter....Pages 0--1