Model Predictive Control: Classical, Robust and Stochastic

برای اولین بار، کتاب درسی که کنترل پیش‌بینی کلاسیک را با تکنیک‌های به‌روز و قوی و تصادفی گرد هم می‌آورد.

کنترل پیش‌بینی مدل < /i> توسعه الگوریتم‌های قابل حمل را برای سیستم‌های نامشخص، تصادفی و محدود توصیف می‌کند. نقطه شروع، کنترل پیش‌بینی کلاسیک و فرمول‌بندی مناسب اهداف و محدودیت‌های عملکرد برای ارائه تضمین‌هایی برای ثبات و عملکرد حلقه بسته است. با حرکت به سمت کنترل پیش‌بینی قوی، متن توضیح می‌دهد که چگونه تضمین‌های مشابهی ممکن است برای مواردی به دست آید که در آن مدل توصیف‌کننده دینامیک سیستم در معرض اختلالات افزایشی و عدم قطعیت‌های پارامتری است. بهینه‌سازی حلقه باز و بسته در نظر گرفته می‌شود و وضعیت هنر در روش‌های محاسباتی قابل حمل مبتنی بر لوله‌های عدم قطعیت برای سیستم‌هایی با عدم قطعیت مدل افزایشی ارائه شده است. در نهایت، چارچوب لوله نیز برای مدل‌سازی مشکلات کنترل پیش‌بینی شامل محدودیت‌های سخت یا احتمالی برای موارد عدم قطعیت مدل ضربی و تصادفی اعمال می‌شود. این کتاب ارائه می دهد:

• استفاده گسترده از مثال های گویا؛
• مشکلات نمونه. و
• بحث در مورد کاربردهای کنترلی جدید مانند تخصیص منابع برای توسعه پایدار و کنترل پره‌های توربین برای حداکثر جذب توان با کاهش خطر آسیب ناشی از تلاطم به طور همزمان.

دانشجویان فارغ التحصیل دوره هایی را در زمینه کنترل پیش بینی مدل یا به طور کلی در کنترل پیشرفته یا فرآیند و دانشجویان ارشد که نیاز به درمان تخصصی دارند، کنترل پیش بینی مدل راهنمای ارزشمندی برای پیشرفت هنر در این موضوع مهم خواهند یافت. . برای مربی یک منبع معتبر برای ساخت دوره ها فراهم می کند.

For the first time, a textbook that brings together classical predictive control with treatment of up-to-date robust and stochastic techniques.

Model Predictive Control describes the development of tractable algorithms for uncertain, stochastic, constrained systems. The starting point is classical predictive control and the appropriate formulation of performance objectives and constraints to provide guarantees of closed-loop stability and performance. Moving on to robust predictive control, the text explains how similar guarantees may be obtained for cases in which the model describing the system dynamics is subject to additive disturbances and parametric uncertainties. Open- and closed-loop optimization are considered and the state of the art in computationally tractable methods based on uncertainty tubes presented for systems with additive model uncertainty. Finally, the tube framework is also applied to model predictive control problems involving hard or probabilistic constraints for the cases of multiplicative and stochastic model uncertainty. The book provides:

• extensive use of illustrative examples;
• sample problems; and
• discussion of novel control applications such as resource allocation for sustainable development and turbine-blade control for maximized power capture with simultaneously reduced risk of turbulence-induced damage.

Graduate students pursuing courses in model predictive control or more generally in advanced or process control and senior undergraduates in need of a specialized treatment will find Model Predictive Control an invaluable guide to the state of the art in this important subject. For the instructor it provides an authoritative resource for the construction of courses.