Optimal Fractional-order Predictive PI Controllers: For Process Control Applications with Additional Filtering

این کتاب مطالعه را برای طراحی، توسعه و پیاده‌سازی تکنیک‌های بهبود یافته کنترل PI با استفاده از جبران زمان مرده، بهبود ساختار، توابع یادگیری و پارامترهای ترتیب کسری ارائه می‌کند. دو کنترل کننده PI مرتبه کسری پیشنهاد و طراحی شده اند: PI پیش بینی کننده مرتبه کسری و کنترل کننده PI پیش بینی کننده مرتبه کسری مبتنی بر یادگیری تکراری ترکیبی. علاوه بر این، استراتژی‌ها و فیلترهای کنترل مرتبه کسری پیشنهادی بر روی مدل‌های فرآیند معیار مرتبه اول و دوم شبیه‌سازی شده‌اند و با استفاده از آزمایش بلادرنگ کارخانه فرآیند فشار آزمایشی اعتبار بیشتری دارند.

در این کتاب، پنج فصل با یک جریان متوالی مناسب از جزئیات ساختار یافته است تا درک بهتری برای خوانندگان فراهم کند. مقدمه‌ای کلی بر کنترل‌کننده‌ها، فیلترها و تکنیک‌های بهینه‌سازی در فصل 1 ارائه شده است. بررسی‌های خانواده کنترل‌کننده‌های PI و اصلاحات آن‌ها در قسمت ابتدایی فصل 2 نشان داده شده است، و به دنبال آن، PI پیش‌بینی‌کننده مرتبه کسری پیشنهادی (FOPPI) ارائه شده است. ) کنترل کننده با قابلیت جبران زمان مرده. در قسمت اول فصل 3، مروری بر کنترل کننده های یادگیری تکراری مبتنی بر PI، ساختارهای اصلاح شده ILC و اصلاحات آنها ارائه شده است. سپس، طراحی ترکیبی پیشنهادی مبتنی بر کنترل‌کننده یادگیری تکراری مبتنی بر کنترل‌کننده PI پیش‌بینی‌کننده مرتبه کسری بر اساس ساختار بازخورد چرخه‌ای فعلی ارائه می‌شود. در نهایت، نتایج و بحث از کنترل‌کننده پیشنهادی بر روی مدل‌های فرآیند معیار و آزمایش بلادرنگ نیروگاه فرآیند فشار آزمایشی ارائه می‌شود. فصل 4 توسعه تکنیک های فیلترینگ پیشنهادی و مقایسه عملکرد آنها با روش های مرسوم را ارائه می کند. فصل 5 بهبود الگوریتم کسینوس سینوسی موجود (SCA) و الگوریتم بهینه‌سازی حسابی (AOA) را پیشنهاد می‌کند تا یک الگوریتم بهینه‌سازی حسابی-مثلثی جدید (ATOA) را برای تسریع نرخ همگرایی در تکرارهای کمتر با کاهش به سمت گرفتار شدن در آن، تشکیل دهد. موقعیت محلی تجزیه و تحلیل عملکرد الگوریتم بهینه سازی بر روی توابع تست معیار و کارخانه فرآیند فشار بلادرنگ انجام خواهد شد.

This book presents the study to design, develop, and implement improved PI control techniques using dead-time compensation, structure enhancements, learning functions and fractional ordering parameters. Two fractional-order PI controllers are proposed and designed: fractional-order predictive PI and hybrid iterative learning based fractional-order predictive PI controller. Furthermore, the proposed fractional-order control strategies and filters are simulated over first- and second-order benchmark process models and further validated using the real-time experimentation of the pilot pressure process plant. 

In this book, five chapters are structured with a proper sequential flow of details to provide a better understanding for the readers. A general introduction to the controllers, filters and optimization techniques is presented in Chapter 1. Reviews of the PI controllers family and their modifications are shown in the initial part of Chapter 2, followed by the development of the proposed fractional-order predictive PI (FOPPI) controller with dead-time compensation ability. In the first part of chapter 3, a review of the PI based iterative learning controllers, modified structures of the ILC and their modifications are presented. Then, the design of the proposed hybrid iterative learning controller-based fractional-order predictive PI  controller based on the current cyclic feedback structure is presented. Lastly, the results and discussion of the proposed controller on benchmark process models and the real-time experimentation of the pilot pressure process plant are given. Chapter 4 presents the development of the proposed filtering techniques and their performance comparison with the conventional methods. Chapter 5 proposes the improvement of the existing sine cosine algorithm (SCA) and arithmetic optimization algorithm (AOA) to form a novel arithmetic-trigonometric optimization algorithm (ATOA) to accelerate the rate of convergence in lesser iterations with mitigation towards getting caught in the same local position. The performance analysis of the optimization algorithm will be carried out on benchmark test functions and the real-time pressure process plant.