Tədqiqat Difference Equation Matrix Model (DEMM) adlanan giriş–çıxış əsaslı Model Predictive Control (MPC) formulyasiyasını təsvir edir və metodu ikili distillə kolonunun çoxdəyişənli idarə edilməsinə tətbiq edir. DEMM-nin əsas xüsusiyyəti gələcək sistem çıxışlarını klassik step-response cədvəlindən deyil, birbaşa müəyyən edilmiş ayrıq fərq tənliklərindən törədilən matrislər vasitəsilə hesablamaqdır. Keçmiş giriş dəyişmələri, keçmiş çıxışlar və planlaşdırılan gələcək idarəetmə dəyişmələri tək bir prediction modelində birləşdirilir; daha sonra quadratic bir xərc funksiyası analitik olaraq minimallaşdırılaraq gələcək idarəetmə hərəkətləri hesablanır.

Çalışma DEMM-ni geniş yayılmış sənaye predictive-control yanaşmalarından Dynamic Matrix Control (DMC) ilə struktur baxımından müqayisə edir. Müəlliflərin verdiyi izahlı üçüncü dərəcəli SISO nümunəsində DEMM altı dinamik parametrlə təmsil olunduğu halda DMC üçün 60 step-response parametri qəbul edilir. Hər parametr üçün təxminən 10 identifikasiya nümunəsi fərz edilərsə, bu nümunə müvafiq olaraq təxminən 60 və 600 məlumat nümunəsinə uyğun gəlir. \(h=20\) prediction horizon nümunəsində DMC matrislərində ümumilikdə 1580, DEMM modelində isə 640 əmsal vardır. Bu rəqəmlər DEMM-nin daha kompakt təmsil təmin edə biləcəyini göstərir; lakin məqalə bunları hesablama müddəti və ya qapalı çevrim performans üstünlüyünün birbaşa sübutu kimi istifadə etmir.

Tətbiq bölməsində klassik Wood–Berry ikili distillə kolonu istifadə edilmişdir. İdarə olunan iki çıxış üst məhsulun distillat tərkibi \(X_d\) ilə dib məhsulu tərkibi \(X_b\)-dir. İdarəetmə girişləri reflux flow rate \(L_R\) və reboiler-a verilən steam flow rate \(G_v\)-dir. Feed flow rate \(F\) isə xarici pozucu kimi modelə daxil olur. Çalışmanın nominal iş nöqtəsində distillat tərkibi %96,25 mol, dib məhsulu tərkibi %0,5 mol, reflux axını 0,0147 kg/s, buxar axını 0,0129 kg/s və qidalanma axını 0,0185 kg/s-dir.

DEMM üçün lazım olan ayrıq giriş–çıxış modelləri sistemə \(N(0,0.1)\) paylanmalı ağ səs-küy excitation siqnalları tətbiq edilərək və least-squares identifikasiyası aparılaraq qurulmuşdur. Distillat modeli üçün mean squared prediction error 0,048, dib məhsulu modeli üçün 0,051 tapılmışdır. Bu identifikasiya mərhələsindəki ağ səs-küy sonradan qapalı çevrim robustness qiymətləndirməsində feed disturbance üzərinə əlavə edilən səs-küy ssenarisi ilə qarışdırılmamalıdır.

Distillə kolonu idarəetməsində prediction horizon \(h=15\), distillat üçün \(Q_{Xd}=I\), dib məhsulu üçün \(Q_{Xb}=10I\) və idarəetmə hərəkəti üçün \(R=5I\) istifadə edilmişdir. Feed flow üzərinə 50-ci dəqiqədə +%5 step disturbance tətbiq edilmiş; əlavə olaraq \(N(0,0.1)\) səs-küylü feed ssenarisi və tərkib istinadlarında 0,1 böyüklüyündə ardıcıl setpoint dəyişmələri araşdırılmışdır. Mənbə bu şərtlərdə DEMM-nin pozucuları bastırdığını və istinad dəyişmələrini hamar şəkildə izlədiyini bildirir. Bununla belə, məqalədə IAE, ISE, settling time və ya overshoot kimi müqayisəli sayısal performans indeksləri verilməmişdir.

Çalışmanın mühüm məhdudiyyəti nəticələrin real kimya zavodunda və ya laboratoriya distillə kolonunda əldə edilməmiş olmasıdır. Wood–Berry transfer modeli istismar məlumatlarından törədilmiş klassik proses modelidir; mövcud çalışma bu modeli istifadə edərək kompüter simulyasiyası aparır. Bundan başqa, DEMM tətbiqi unconstrained-dir; real zavodda nasos, klapan, steam-flow və ya məhsul kompozisiyası sərhədləri birbaşa optimization probleminə daxil edilməmişdir.

Türkiyə baxımından qiymətləndirmə: DEMM yanaşması Türkiyədəki neftayırma, petrokimya, kimya, enerji və proses avtomatlaşdırması işlərində xüsusilə modeli giriş–çıxış məlumatından sürətlə qurula bilən çoxdəyişənli proseslər üçün tədqiqata dəyər bir MPC alternativi yarada bilər. Daha kompakt parametr quruluşu model identifikasiyası və PLC/edge-controller üzərində saxlama yükünü azaltma potensialı daşıyır. Lakin mövcud çalışma real zavod commissioning müddətini, prosessor istifadəsini və ya kommersiya DMC-yə qarşı sahə performansını ölçməmişdir. Türkiyədəki real proseslərə aktarım üçün zavod məlumatı ilə yenidən identifikasiya, klapan və aktüator məhdudiyyətlərinin optimization probleminə əlavə edilməsi, model drift, ölçmə filtri, təhlükəsizlik interlock-ları və uzunmüddətli sahə doğrulaması lazımdır.

DEMM tam olaraq nədir?

DEMM gələcək proses davranışını proqnozlaşdırmaq üçün keçmiş giriş və çıxış nümunələrindən qurulan fərq tənliklərini birbaşa matris formasına çevirən giriş–çıxış Model Predictive Control yanaşmasıdır.

Çalışma DEMM-ni tamamilə yeni bir predictive-control paradigması kimi təqdim etmir. Müəlliflərin ifadəsinə görə, metod transfer-function, ARX və Generalized Predictive Control kimi giriş–çıxış əsaslı MPC ailəsinin içindədir. Orijinal töhfə predictive modelin discrete difference equations üzərindən açıq və kompakt matris quruluşunda qurulmasıdır.

Əsas SISO fərq tənliyi necə qurulur?

Bir SISO sistem üçün mövcud çıxış keçmiş giriş və çıxışlara bağlı olaraq:

\[ y_p= \alpha_0+ \left( \alpha_1x_{p-1}+\cdots+\alpha_mx_{p-m} \right) - \left( \beta_1y_{p-1}+\cdots+\beta_my_{p-m} \right) \]

şəklində ifadə edilir.

Burada:

• \(x_i\): idarəetmə girişi,
• \(y_i\): ölçülən sistem çıxışı,
• \(m\): modelin dinamik yaddaşı,
• \(\alpha_i\) və \(\beta_i\): müəyyən edilməli model əmsallarıdır.

Mənbə təqdimatı sadələşdirmək üçün giriş və çıxış gecikmə dərəcəsini eyni \(m\) ilə göstərir; lakin DEMM fərqli input/output lag order və explicit time delay dəyərlərini də dəstəkləyir.

Niyə giriş dəyişməsi incremental formada istifadə olunur?

İdarəetmə girişi:

\[ \Delta x_i=x_i-x_{i-1} \]

şəklində dəyişmə baxımından yazıldıqda fərq tənliyi incremental bir modelə çevrilir.

Bu struktur MPC baxımından iki funksiyanı yerinə yetirir. Birincisi, optimallaşdırma dəyişənini mütləq idarəetmə girişi yerinə idarəetmə hərəkətindəki dəyişmə halına gətirir. İkincisi, steady-state offset-i azaltmağa və disturbance rejection davranışını yaxşılaşdırmağa töhfə verir. Mənbə bunun perfect offset elimination zəmanəti olmadığını xüsusilə bildirir.

Təxmin üfüqü modelə necə əlavə edilir?

Tək bir növbəti nümunə yerinə gələcəkdə \(h\) ədəd çıxışın proqnozlaşdırılması üçün fərq tənlikləri üst-üstə yazılaraq:

\[ B\,y=A\,\Delta x \]

matris tənliyi yaradılır.

Keçmiş və gələcək terminlər ayrıldıqda:

\[ B_fy_f+B_py_p = A_f\Delta x_f+A_p\Delta x_p \]

əldə edilir.

\(B_f\) matrisi yuxarı üçbucaqlı və diaqonal elementləri 1 olduğundan:

\[ \det(B_f)=1 \]

və tərsi mövcuddur. Beləliklə, gələcək çıxış vektoru:

\[ y_f= F_x\Delta x_f+ P_x\Delta x_p+ P_yy_p \]

formasına endirilir.

\(F_x\), \(P_x\) və \(P_y\) nəyi təmsil edir?

Modelin üç əsas matrisi:

\[ F_x=B_f^{-1}A_f \]

\[ P_x=B_f^{-1}A_p \]

\[ P_y=-B_f^{-1}B_p \]

şəklində müəyyən edilir.

• \(F_x\): gələcəkdə planlaşdırılan idarəetmə dəyişmələrinin gələcək çıxışlara təsiri,
• \(P_x\): keçmiş idarəetmə dəyişmələrinin gələcək çıxışlara təsiri,
• \(P_y\): keçmiş output dynamics-in gələcəyə daşınmasıdır.

Prediction horizon necə seçilməlidir?

Mənbə idarəetmə dizaynı baxımından ümumilikdə:

\[ h\geq m \]

seçilməsini tövsiyə edir. Beləliklə, prediction horizon sistem modelinin tam dinamik yaddaşını əhatə edə bilər.

Saf giriş gecikməsi \(d\) nümunədirsə:

\[ h>d \]

olmalıdır. Əks halda hesablanan idarəetmə hərəkətinin təsiri prediction horizon daxilində output üzərində görünmədiyindən controller bu təsirin nəticəsini qiymətləndirə bilməz.

MPC xərc funksiyası nədir?

DEMM controller-i:

\[ J= (r-y_f)^TQ(r-y_f) + \Delta x_f^TR\Delta x_f \]

xərc funksiyasını istifadə edir.

Burada:

• \(r\): prediction horizon boyunca reference trajectory,
• \(Q\): output tracking error çəkisi,
• \(R\): control increment çəkisidir.

Struktur LQR xərc funksiyasına bənzəyir; əsas fərq durum xətası yerinə future output tracking error-un cəzalandırılmasıdır.

Optimal idarəetmə hərəkəti necə tapılır?

Çalışmada explicit constraints olmadığından quadratic xərcin analytical minimumu birbaşa hesablana bilir:

\[ \Delta x_f= \left( F_x^TQF_x+R \right)^{-1} F_x^TQ \left( r-P_x\Delta x_p-P_yy_p \right) \]

Control gain matrisi:

\[ M= \left( F_x^TQF_x+R \right)^{-1} F_x^TQ \]

kimi müəyyən edilir.

Unique minimum üçün Hessian:

\[ F_x^TQF_x+R \]

positive definite olmalıdır. Çalışmada bunun \(Q\) və \(R\)-nin positive definite seçilməsi ilə təmin edildiyi bildirilir.

Free response nədir?

Gələcək idarəetmə girişi dəyişdirilməzsə modelin proqnozlaşdırdığı çıxış:

\[ y_l= P_x\Delta x_p+P_yy_p \]

kimi müəyyən edilir.

Bu böyüklük prosesin mövcud keçmişinə görə “controller heç bir yeni dəyişiklik etməsə nə olacaq?” sualının cavabıdır.

Controller daha sonra reference ilə bu free response arasındakı fərqi azaldacaq \(\Delta x_f\) ardıcıllığını hesablayır.

Model xətası üçün necə correction tətbiq edilir?

Mövcud ölçülən output ilə modelin eyni andakı təxmini arasındakı fərq:

\[ y_p^{measured}-y_p^{predicted} \]

free-response təxmininə correction kimi əlavə edilir.

Mənbə bu mövcud prediction mismatch dəyərini bütün prediction horizon boyunca eyni bias kimi daşıyır. Ayrı Kalman filter, observer və ya dedicated noise filter istifadə edilməmişdir.

Receding-horizon prinsipi necə tətbiq olunur?

Optimizer gələcək üçün bir control increment ardıcıllığı yaratsa da sistemin hamısı bir dəfədə tətbiq edilmir. Yalnız:

hesablanan ardıcıllığın ilk idarəetmə dəyişməsi

prosesə göndərilir.

Yeni ölçüm alındıqda model yenidən aktual keçmiş məlumatlarla qiymətləndirilir, optimization yenidən həll edilir və prediction horizon bir sample irəli sürüşdürülür. Bu, klassik receding-horizon MPC mexanizmidir.

DEMM-nin çevrim içi algoritmi

Mənbənin verdiyi əməliyyat ardıcıllığı belədir:

1. Ölçülən output alınır.
2. Mövcud output modeldən təxmin edilir.
3. Free response hesablanır.
4. Mövcud prediction mismatch correction kimi əlavə edilir.
5. Prediction horizon boyunca reference trajectory yaradılır.
6. Corrected free-response error hesablanır.
7. Future control increment vektoru hesablanır.
8. Yalnız ilk control increment tətbiq edilir.
9. Növbəti sample-da əməliyyat təkrarlanır.

DEMM MIMO sistemlərə necə genişləndirilir?

Birdən çox giriş və çıxış olduqda model:

\[ Y_f= F_x\Delta X_f+ P_x\Delta X_p+ P_yY_p \]

formasına genişləndirilir.

\(F_x\) və \(P_x\) matrislərindəki off-diagonal blocks fərqli input və output cütləri arasındakı dinamik interaction-ları daşıyır. Bu xüsusiyyət distillə kolonları kimi bir input dəyişməsinin birdən çox product composition üzərində təsirli olduğu proseslərdə kritik əhəmiyyət daşıyır.

DEMM ilə DMC-nin ortaq nöqtəsi nədir?

Hər iki yanaşma:

• giriş–çıxış məlumatından model qurur,
• gələcək proses output-larını proqnozlaşdırır,
• prediction horizon istifadə edir,
• past input contribution və future control contribution ayırır,
• receding-horizon prinsipini tətbiq edir.

Əsas fərq plant modelinin necə qurulmasıdır.

DMC modeli necə qurulur?

DMC prosesin step response əmsallarını:

\[ g_1,g_2,\ldots,g_N \]

istifadə edir.

Çıxış:

\[ y(k)= \sum_{i=1}^{\infty} g_i\Delta x(k-i) \]

formasında təmsil olunur. Modelin yaxşı çözünürlü olması üçün step response boyunca çox sayda sample tələb oluna bilər.

DEMM-nin kompaktlıq iddiası hansı nümunəyə əsaslanır?

Məqalə üçüncü dərəcəli bir SISO DEMM modeli üçün üç input və üç output dynamics coefficient olmaqla 6 dinamik parametr nümunəsi verir.

DMC üçün mənbə adətən 50–80 step-response sample istifadə edilə bildiyini ifadə edir və struktur müqayisə məqsədilə 60 parametr seçir.

Bu səbəbdən 6 və 60 rəqəmləri müəyyən müqayisə nümunəsidir; bütün proseslərdə sabit deyil.

Cədvəldəki əsas tendensiya DEMM-nin məqalədəki nümunədə daha az parametr və daha kiçik keçmiş-dinamik matris strukturu ilə təmsil edilə bilməsidir. Mənbə bu nəticəni daha aşağı real icra müddətinin və ya daha yaxşı qapalı çevrim performansın eksperimental sübutu kimi təqdim etmir.

DMC üçün 600 sample həqiqətən məcburidirmi?

Xeyr. Məqalədəki 600 rəqəmi 60 model parametri və hər parametr üçün təxminən 10 identifikasiya nümunəsi fərziyyəsindən çıxan izahlı bir dəyərdir.

Real məlumat ehtiyacı:

• process dynamics,
• signal-to-noise ratio,
• identifiability,
• sampling period,
• model order,
• estimation yöntemi

kimi amillərdən asılıdır. Məqalə də bu rəqəmi qəti bir DMC standardı kimi təqdim etmir.

DEMM ilə DMC performans baxımından müqayisə edildimi?

Xeyr. Bu çalışma DEMM və DMC-ni eyni distillation modelində eyni tuning və eyni disturbance şərtlərində işlədərək birbaşa müqayisə etməmişdir.

Mənbə xüsusilə aşağıdakı metriklərin gələcək işə saxlandığını bildirir:

• IAE,
• ISE,
• ITAE,
• settling time,
• overshoot,
• processor-dependent execution time.

Buna görə “DEMM DMC-dən daha sürətlidir” və ya “DEMM DMC-dən daha yaxşı idarə edir” nəticəsi bu məqalədən çıxarıla bilməz.

Distillə kolonu niyə yaxşı bir MIMO test problemidir?

Distillə kolonunda reflux və ya reboiler steam kimi tək bir manipulated variable yalnız bir output-u təsirləndirmir. Kolon daxilindəki vapor–liquid equilibrium və material transfer səbəbindən üst və alt məhsul tərkibləri bir-birinə bağlıdır.

Bundan əlavə proseslər:

• uzun time constant,
• input delay,
• güclü cross-coupling,
• nonlinear behavior

göstərə bilər. Buna görə distillation column multivariable predictive-control metodlarının geniş yayılmış benchmark sahələrindən biridir.

Wood–Berry modeli nədir?

Çalışma klassik Wood–Berry binary distillation modelini istifadə edir:

\[ \begin{bmatrix} X_d(s)\\ X_b(s) \end{bmatrix} = \begin{bmatrix} \dfrac{12.8e^{-s}}{16.7s+1} & \dfrac{-18.9e^{-3s}}{21s+1}\\ \dfrac{6.6e^{-7s}}{10.9s+1} & \dfrac{-19.4e^{-3s}}{14.4s+1} \end{bmatrix} \begin{bmatrix} L_R(s)\\ G_v(s) \end{bmatrix} + \begin{bmatrix} \dfrac{3.8e^{-8.1s}}{14.9s+1}\\ \dfrac{4.9e^{-3.4s}}{13.2s+1} \end{bmatrix} F(s) \]

Burada:

• \(X_d\): distillate composition,
• \(X_b\): bottom-product composition,
• \(L_R\): reflux flow rate,
• \(G_v\): reboiler steam-flow rate,
• \(F\): feed-flow disturbance-dır.

Nominal iş nöqtəsi nədir?

Bu iş nöqtəsi Wood–Berry modelindəki transfer funksiyalarının ətrafında istifadə olunan nominal prosesi təmsil edir.

Model identification necə həyata keçirildi?

Identifikasiya üçün plant inputs üzərinə:

\[ N(0,0.1) \]

Gaussian white-noise excitation tətbiq edilmişdir.

Burada orta 0 və standart sapma 0,1-dir.

Bu excitation yalnız model identification üçündür. Sonrakı closed-loop feed-noise təcrübəsi fərqli bir qiymətləndirmə mərhələsidir.

Distillat üçün müəyyən edilən fərq tənliyi

Mənbə distillat modeli üçün:

\[ X_{d,k} -1.0458X_{d,k-1} +0.0965X_{d,k-2} = 4.9182 +0.0056L_{R,k-2} -0.0006L_{R,k-3} -0.0066G_{v,k-4} +0.0007G_{v,k-5} \]

tənliyinə çatmışdır.

Mean squared prediction error:

0,048

kimi raporlanmışdır.

Dib məhsulu üçün müəyyən edilən fərq tənliyi

Dib məhsulu modeli:

\[ X_{b,k} -1.3862X_{b,k-1} +0.4322X_{b,k-2} = 0.6295 +0.0044L_{R,k-8} -0.0021L_{R,k-9} -0.0098G_{v,k-4} +0.0045G_{v,k-5} \]

şəklindədir.

Mean squared prediction error:

0,051

kimi verilmişdir.

Model quality nə qədər kapsamlı doğrulandı?

Çalışmanın məqsədi comprehensive system identification campaign aparmaq deyil, controller üçün istifadə oluna bilən predictive model əldə etməkdir.

Buna görə model keyfiyyəti prediction error ilə qiymətləndirilmişdir. Mənbədə:

• residual analysis,
• cross-validation,
• statistical consistency test,
• müstəqil hold-out doğrulaması

raporlanmamışdır.

Çalışmanın dəstəklədiyi nəticələr

• Difference equations birbaşa MPC prediction matrices formasına çevrilə bilir.
• DEMM giriş və output delay-lərini model strukturunda təmsil edə bilir.
• DEMM MIMO sistemlərdə cross-input/output interaction-ları \(F_x\) və \(P_x\) blokları üzərindən ifadə edə bilir.
• Məqalədəki nümunə struktur müqayisəsində DEMM DMC-dən daha kompakt model parameterization istifadə edir.
• Wood–Berry column üçün müəyyən edilən iki discrete model 0,048 və 0,051 prediction MSE dəyərləri yaratmışdır.
• DEMM simulyasiyada +%5 feed step disturbance sonrasında iki product composition-ı nominal reference-lara geri yönəltmişdir.
• Feed disturbance üzərinə Gaussian noise əlavə edilən ssenaridə closed-loop davranış qəbul edilə bilən qalmışdır.
• Successive setpoint changes altında distillate və bottom compositions reference dəyişmələrini izləmişdir.
• Incremental control formulation və current prediction-error correction model mismatch təsirini azaltmağa kömək etmişdir.

Çalışmanın dəstəkləmədiyi və ya test etmədiyi nəticələr

• DEMM-nin DMC-dən daha yaxşı closed-loop idarəetmə performansı təmin etdiyi göstərilməmişdir.
• DEMM-nin real CPU üzərində DMC-dən daha sürətli işlədiyi ölçülməmişdir.
• DEMM-nin kommersiya DMC sistemindən daha qısa commissioning müddəti tələb etdiyi sahə məlumatı ilə sübut olunmamışdır.
• Real distillə kolonunda və ya kimya zavodunda təcrübə aparılmamışdır.
• Actuator, input-rate və ya output constraints mövcud controller-a daxil edilməmişdir.
• Formal closed-loop stability guarantee təqdim edilməmişdir.
• Offset-free MPC disturbance-state estimator inkişaf etdirilməmişdir.
• Kapsamlı parameter/model uncertainty robustness analizi aparılmamışdır.
• Repeated stochastic realizations üzərindən statistik robustness paylanması yaradılmamışdır.
• DMC, GPC, PID və ya fuzzy controller ilə eyni şərtlərdə birbaşa performance benchmark aparılmamışdır.
• Identification modelləri residual analysis və independent cross-validation ilə geniş şəkildə doğrulanmamışdır.

Çalışmanın Metodu və Bulguları

DEMM idarəetmə prosesi

DEMM–DMC matris ölçüsü nümunəsi

Çalışmanın \(h=20\) nümunəsində DMC üçün:

\[ G_p\in R^{20\times59} \]

\[ G_f\in R^{20\times20} \]

istifadə edilir və ümumilikdə 1580 coefficient əldə olunur.

DEMM üçün:

\[ F_x\in R^{20\times20} \]

\[ P_x\in R^{20\times5} \]

\[ P_y\in R^{20\times7} \]

olub ümumi coefficient sayı 640-dır.

Bu rəqəmlər yalnız məqalədəki struktur nümunəsi üçündür; real implementation memory və execution time ayrıca ölçülməmişdir.

Distillation modelində input delay-ləri

Müəyyən edilmiş discrete equations DEMM-nin fərqli input delay-lərini daşıya bildiyini tətbiqi olaraq göstərir.

Xüsusilə reflux axınının bottom composition üzərindəki daha uzun gecikməsi fərqli input–output yollarının eyni delay structure-a sahib olmaq məcburiyyətində olmadığını göstərir.

Controller ayarları

Dib məhsulu composition-ına distillatdan daha yüksək output weight verilmişdir. Məqalə bu tuning-in sistematik global optimization nəticəsində əldə edildiyini bildirmir.

+%5 feed disturbance təcrübəsi

İlk closed-loop ssenaridə:

t = 50 dəqiqə

anında feed-flow disturbance \(F\)-yə:

+%5 step change

tətbiq edilmişdir.

Şəkil 4-də həm \(X_d\), həm də \(X_b\) qısa müddətli sapma göstərdikdən sonra nominal composition bölgələrinə geri yönəlir. Eyni zamanda reflux və steam control actions da keçici düzəltmə hərəkətləri yaradır.

Mənbə bu davranışı satisfactory disturbance rejection kimi təsvir edir; lakin settling time və peak deviation üçün dəqiq cədvəl dəyərləri vermir. Buna görə qrafikdən təxmini rəqəmlər törədilməmişdir.

Gaussian feed-noise təcrübəsi

İkinci qapalı çevrim testində feed-flow disturbance üzərinə:

\[ N(0,0.1) \]

Gaussian white noise əlavə edilmişdir.

Şəkil 6-da məhsul tərkibləri və iki manipulated flow signal səs-küy altında dalğalansa da closed-loop sistem işləməyə davam edir.

Mənbə bunu tested noise conditions altında acceptable closed-loop performance kimi şərh edir. Tək noise realization göstərildiyindən nəticə geniş kapsamlı stochastic robustness sübutu deyil.

Setpoint-tracking təcrübəsi

Üçüncü ssenaridə distillate və bottom-product reference signals-a:

0,1 böyüklüyündə ardıcıl step dəyişmələri

tətbiq edilmişdir.

Şəkil 7 DEMM-nin həm \(X_d\), həm də \(X_b\) reference dəyişmələrini izləmək üçün \(L_R\) və \(G_v\) idarəetmə girişlərini dəyişdirdiyini göstərir.

Mənbə nəticələri smooth reference tracking və disturbance rejection arasında reasonable trade-off kimi səciyyələndirir; dəqiq overshoot və ya tracking index cədvəli təqdim etmir.

Identification nəticələri

İki output üçün prediction error bir-birinə yaxın səviyyədədir. Bununla belə çalışma bu modelləri independent cross-validation və ya residual whiteness testləri ilə geniş şəkildə sınamamışdır.

Çalışmanın güclü tərəfləri

• DEMM-nin fərq tənliyindən MPC matrislərinə keçidini açıq riyazi formada törədir.
• Input delay və fərqli lag strukturlarını formulyasiyaya daxil edir.
• SISO-dan MIMO-ya blok-matris genişlənməsini verir.
• Closed-form unconstrained control law sayəsində online optimization strukturunu sadələşdirir.
• Prediction mismatch üçün sadə bias-correction mexanizmi istifadə edir.
• DMC ilə struktur model və matris böyüklüyü fərqlərini açıq sayısal nümunələrlə göstərir.
• Metodu güclü cross-coupling və time delay ehtiva edən klassik distillation-column modelinə tətbiq edir.
• Disturbance, noise və setpoint-change olmaqla üç fərqli closed-loop ssenari göstərir.

Başlıca metodoloji məhdudiyyətlər

• Distillation-column tətbiqi simulyasiyadır.
• DMC ilə direct closed-loop benchmark aparılmamışdır.
• GPC ilə ətraflı benchmark aparılmamışdır.
• Constraint handling mövcud deyil.
• Formal stability analysis yoxdur.
• Offset-free disturbance-estimator MPC formulyasiyası yoxdur.
• Model uncertainty üçün geniş robustness campaign aparılmamışdır.
• Noise qiymətləndirməsi repeated Monte Carlo və ya çoxlu stochastic realization ehtiva etmir.
• Identification residual analysis və cross-validation ehtiva etmir.
• Bias correction bütün prediction horizon-a eyni current error-u daşıyır; ayrı observer və ya noise filter yoxdur.
• DMC müqayisəsindəki parameter/sample rəqəmləri izahlı assumptions-a bağlıdır.
• Processor-dependent timing və PLC resource usage ölçülməmişdir.

Mənbə və Metod Qeydi

Tam orijinal çalışma adı: A Difference Equation Matrix Model Predictive Control Approach Applied to a Distillation Column

Müəlliflər: Basil Mohammed Al-Hadithi, Javier Blanco Rico və Agustín Jiménez.

Müəllif sırası: 1. Basil Mohammed Al-Hadithi; 2. Javier Blanco Rico; 3. Agustín Jiménez.

Məsul müəllif: Javier Blanco Rico.

Bərabər töhfə/bərabər birinci müəlliflik: Mənbədə belə bir bəyan yoxdur.

Qurumlar:

1. Intelligent Control Group, Centre for Automation and Robotics UPM-CSIC, Universidad Politécnica de Madrid, Madrid, Spain.
2. Department of Electrical, Electronics, Control Engineering and Applied Physics, School of Industrial Design and Engineering, Universidad Politécnica de Madrid, Madrid, Spain.
3. Escuela Técnica Superior de Ingenieros Industriales, Universidad Politécnica de Madrid, Madrid, Spain.

Jurnal: Actuators.

Nəşriyyat: MDPI, Basel, Switzerland.

Biblioqrafik məlumat: Actuators 2026, 15, 347.

DOI:10.3390/act15060347

Rəsmi yayın bağlantısı:MDPI – Actuators 15(6), 347

Yayın tarixi: 18 iyun 2026. Çalışma 15 aprel 2026-da alınmış, 7 iyun 2026-da revizə edilmiş və 16 iyun 2026-da qəbul edilmişdir.

Mənbə növü və rəyçilik vəziyyəti: Actuators jurnalında yayımlanmış rəyli tədqiqat məqaləsidir. Elmi tətbiq hissəsi riyazi modelləşdirmə, system identification və closed-loop simulation üzərində qurulmuşdur.

Lisenziya: Creative Commons Attribution (CC BY).

Akademik redaktor: Guanghong Yang.

Maliyyələşmə: Çalışma PID2024-155948OB-C54 istinadlı Ar-Ge layihəsi çərçivəsində MICIU/AEI/10.13039/501100011033 və ERDF/EU tərəfindən maliyyələşdirilmişdir.

Etik komitə: Tətbiq edilə bilməz.

Məlumatlandırılmış razılıq: Tətbiq edilə bilməz.

Məlumatların əlçatanlığı: Müəlliflər məlumatların məqalə daxilində olduğunu bildirirlər.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişdir.

Elmi kapsam: Çalışma fərq tənliklərindən birbaşa törədilən giriş–çıxış predictive modelini quadratic unconstrained MPC control law ilə birləşdirir və metodu Wood–Berry binary distillation-column modelinə tətbiq edir.

DMC müqayisə sərhədi: DEMM və DMC müqayisəsi structural parameterization, identification-data böyüklüyü və matrix dimensions səviyyəsindədir. Eyni plant və tuning altında closed-loop performance benchmark həyata keçirilməmişdir. Məqalə IAE, ISE, ITAE, settling time, overshoot və execution-time müqayisələrini gələcək iş kimi saxlayır.

Parametr sayı sərhədi: DEMM üçün 6 və DMC üçün 60 model parametri çalışmada istifadə olunan izahlı üçüncü dərəcəli SISO nümunəsinə aiddir. DMC üçün 60 dəyəri mənbədə göstərilən təxminən 50–80 step-response parameter aralığından müqayisə məqsədilə seçilmişdir.

İdentifikasiya məlumatı sərhədi: DEMM üçün təxminən 60 və DMC üçün təxminən 600 sample dəyəri hər parametr üçün təxminən 10 sample qəbul edilən izahlı rule-of-thumb hesabıdır; ümumi bir system-identification məcburiyyəti deyil.

Matris ölçüsü sərhədi: DMC üçün 1580 və DEMM üçün 640 coefficient nəticəsi \(h=20\) və çalışmada seçilən model memory/step-response dəyərlərinə bağlı nümunədir. Bu fərq birbaşa ölçülmüş execution-time nisbəti deyil.

Tətbiq sərhədi: Wood–Berry modeli real sənaye distillation-column davranışından törədilmiş klassik bir referans model olsa da mövcud tədqiqatın disturbance, noise və setpoint nəticələri kompüter simulyasiyasıdır. Fiziki zavod üzərində DEMM implementation aparılmamışdır.

Model identification sərhədi: \(X_d\) və \(X_b\) discrete modellərinin MSE dəyərləri müvafiq olaraq 0,048 və 0,051-dir. Çalışma geniş residual analysis, cross-validation və statistical-consistency campaign aparmamışdır.

Constraint sərhədi: Mövcud DEMM analytical control law unconstrained optimization üçündür. Actuator, control-rate və output constraints üçün quadratic-programming-based optimization gələcək çalışma istiqaməti kimi göstərilmişdir.

Sabitlik sərhədi: Məqalə formal closed-loop stability guarantee təqdim etmir. Formal stability analysis, offset-free MPC və disturbance-estimation strukturları gələcək iş başlıqları arasındadır.

Robustness sərhədi: Noise və +%5 feed disturbance testləri controller davranışını göstərir; geniş model uncertainty, repeated stochastic realization və comparative robustness benchmarking aparılmamışdır.

Bu Verianla məzmunundakı riyazi model, DEMM–DMC müqayisə rəqəmləri, distillə kolonu parametrləri, identifikasiya xətaları və simulyasiya nəticələri incələnən çalışmaya əsaslanır. Xarici doğrulama yalnız məqalənin rəsmi biblioqrafik yayın kimliyini yoxlamaq məqsədilə istifadə edilmişdir.