Spatio-Temporal Modeling of Nonlinear Distributed Parameter Systems: A Time/Space Separation Based Approach

هدف این جلد ارائه مروری مختصر از کار قبلی در مورد کاهش مدل و شناسایی سیستم‌های پارامتر توزیع‌شده (DPS)، و توسعه مدل‌های مکانی-زمانی جدید و رویکردهای شناسایی مرتبط آن‌ها است. /p>

در این کتاب ابتدا یک مرور کلی و طبقه بندی سیستماتیک در مورد مدل سازی DPS ارائه شده است که شامل کاهش مدل، تخمین پارامتر و شناسایی سیستم می باشد. در مرحله بعد، یک کلاس از سیستم‌های غیرخطی بلوک‌گرا در سیستم‌های پارامتری توده‌ای سنتی (LPS) به DPS گسترش می‌یابد که منجر به سیستم‌های فضایی-زمانی Wiener و Hammerstein و روش‌های شناسایی آنها می‌شود. سپس، مدل سنتی Volterra به DPS گسترش می‌یابد که منجر به مدل مکانی-زمانی Volterra و الگوریتم شناسایی آن می‌شود. همه این روش ها بر اساس جداسازی زمان/مکان خطی هستند. گاهی اوقات، جداسازی غیرخطی زمان/مکان می‌تواند نقش بهتری در مدل‌سازی فرآیندهای بسیار پیچیده داشته باشد.

بنابراین، یک مدل‌سازی عصبی مبتنی بر جداسازی زمان/مکان غیرخطی نیز برای کلاسی از DPS با دینامیک پیچیده‌تر ارائه می‌شود. . در نهایت، تمام این روش‌های مدل‌سازی با موفقیت در فرآیندهای حرارتی صنعتی، از جمله میله کاتالیزوری، راکتور با بستر بسته‌بندی و کوره کیورینگ سریع اعمال می‌شوند. این کار با ارائه یک نمای یکپارچه از جدایی زمان / مکان ارائه شده است. این کتاب همچنین کاربردهای فرآیندهای حرارتی در بسته‌بندی الکترونیک و صنایع شیمیایی را نشان می‌دهد. این جلد دانش پایه در مورد سیستم های پارامترهای توزیع شده، مدل سازی سیستم و شناسایی را فرض می کند. این برای محققان، دانشجویان فارغ التحصیل و مهندسین علاقه مند به سیستم های پارامترهای توزیع شده، سیستم های غیرخطی، و مدل سازی و کنترل فرآیند در نظر گرفته شده است.

The purpose of this volume is to provide a brief review of the previous work on model reduction and identifi cation of distributed parameter systems (DPS), and develop new spatio-temporal models and their relevant identifi cation approaches.

In this book, a systematic overview and classifi cation on the modeling of DPS is presented fi rst, which includes model reduction, parameter estimation and system identifi cation. Next, a class of block-oriented nonlinear systems in traditional lumped parameter systems (LPS) is extended to DPS, which results in the spatio-temporal Wiener and Hammerstein systems and their identifi cation methods. Then, the traditional Volterra model is extended to DPS, which results in the spatio-temporal Volterra model and its identification algorithm. All these methods are based on linear time/space separation. Sometimes, the nonlinear time/space separation can play a better role in modeling of very complex processes.

Thus, a nonlinear time/space separation based neural modeling is also presented for a class of DPS with more complicated dynamics. Finally, all these modeling approaches are successfully applied to industrial thermal processes, including a catalytic rod, a packed-bed reactor and a snap curing oven. The work is presented giving a unifi ed view from time/space separation. The book also illustrates applications to thermal processes in the electronics packaging and chemical industry. This volume assumes a basic knowledge about distributed parameter systems, system modeling and identifi cation. It is intended for researchers, graduate students and engineers interested in distributed parameter systems, nonlinear systems, and process modeling and control.