Изилдөө Difference Equation Matrix Model (DEMM) деп аталган кириш–чыгышка негизделген Model Predictive Control (MPC) формулировкасын аныктап, бул ыкманы бинардык дистилляция колоннасын көп өзгөрмөлүү башкарууга колдонот. DEMMнин негизги өзгөчөлүгү — келечектеги система чыгыштарын классикалык step-response таблицасынан эмес, түздөн-түз аныкталган дискреттик айырма теңдемелеринен чыгарылган матрицалардын жардамы менен эсептөөсү. Өткөн кириш өзгөрүүлөрү, өткөн чыгыштар жана пландалган келечектеги башкаруу өзгөрүүлөрү бир prediction model ичинде бириктирилет; андан соң quadratic чыгым функциясы аналитикалык түрдө минималдаштырылып, келечектеги башкаруу аракеттери эсептелет.

Иш DEMMни кеңири колдонулган өнөр жай predictive-control ыкмаларынын бири болгон Dynamic Matrix Control (DMC) менен структуралык жактан салыштырат. Авторлор берген түшүндүрмөлүү үчүнчү даражадагы SISO мисалында DEMM алты динамикалык параметр менен көрсөтүлсө, DMC үчүн 60 step-response параметри кабыл алынат. Ар бир параметрге болжол менен 10 идентификация мисалы алынат деп эсептелсе, бул мисал тиешелүүлүгүнө жараша болжол менен 60 жана 600 маалымат үлгүсүнө туура келет. \(h=20\) prediction horizon мисалында DMC матрицаларында жалпы 1580, DEMM моделинде болсо 640 коэффициент бар. Бул сандар DEMM көбүрөөк компакттуу көрсөтүүнү бере аларын көрсөтөт; бирок макала муну эсептөө убактысынын же жабык циклдеги performance артыкчылыгынын түз далили катары колдонбойт.

Колдонмо бөлүмүндө классикалык Wood–Berry бинардык дистилляция колоннасы колдонулган. Башкарылган эки чыгыш — үстүңкү продуктунун дистиллят курамы \(X_d\) жана түпкү продуктунун курамы \(X_b\). Башкаруу кириштери reflux flow rate \(L_R\) жана reboilerга берилген steam flow rate \(G_v\). Feed flow rate \(F\) болсо модельге тышкы бузуучу катары кирет. Иштин номиналдык иштөө чекитинде дистиллят курамы %96,25 mol, түпкү продукт курамы %0,5 mol, reflux агымы 0,0147 kg/s, буу агымы 0,0129 kg/s жана feed агымы 0,0185 kg/s деп берилген.

DEMM үчүн керектүү дискреттик кириш–чыгыш моделдери системага \(N(0,0.1)\) бөлүштүрүлүшүндөгү ак ызы-чуу excitation сигналдарын колдонуу жана least-squares идентификациясын жүргүзүү аркылуу түзүлгөн. Дистиллят модели үчүн mean squared prediction error 0,048, түпкү продукт модели үчүн 0,051 табылган. Бул идентификация этабындагы ак ызы-чуу кийин жабык циклдеги robustness баалоосунда feed disturbance үстүнө кошулган ызы-чуу сценарийи менен чаташтырылбашы керек.

Дистилляция колоннасын башкарууда prediction horizon \(h=15\), дистиллят үчүн \(Q_{Xd}=I\), түпкү продукт үчүн \(Q_{Xb}=10I\) жана башкаруу кыймылы үчүн \(R=5I\) колдонулган. Feed flow үстүнө 50-мүнөттө +%5 step disturbance берилген; ошондой эле \(N(0,0.1)\) ызы-чуу кошулган feed сценарийи жана курам referenceтеринде 0,1 чоңдугундагы ырааттуу setpoint өзгөрүүлөрү изилденген. Булак бул шарттарда DEMM бузуучуларды басаарын жана reference өзгөрүүлөрүн жылмакай ээрчий турганын билдирет. Бирок макалада IAE, ISE, settling time же overshoot сыяктуу салыштырмалуу сандык performance индекстер берилген эмес.

Иштин маанилүү чеги — натыйжалардын чыныгы химиялык заводдо же лабораториялык дистилляция колоннасында алынбагандыгы. Wood–Berry transfer модели иштетүү маалыматтарынан чыгарылган классикалык процесс модели; бул иш ошол моделди колдонуп компьютердик симуляция жүргүзөт. Мындан тышкары DEMM колдонмосу unconstrained болуп саналат; чыныгы заводдо насос, клапан, steam-flow же продукт курамынын чектери түздөн-түз optimization маселесине киргизилген эмес.

Түркия жагынан баалоо: DEMM ыкмасы Түркиядагы мунай иштетүү, петрохимия, химия, энергетика жана процесс автоматташтыруу иштеринде, айрыкча модели кириш–чыгыш маалыматынан тез түзүлө алган көп өзгөрмөлүү процесстер үчүн изилдөөгө арзый турган MPC альтернативасын түзө алат. Көбүрөөк компакттуу параметр түзүмү model identification жана PLC/edge-controller үстүндө сактоо жүгүн азайтуу потенциалына ээ. Бирок бул иш чыныгы завод commissioning убактысын, процессор колдонулушун же коммерциялык DMCге салыштырмалуу талаа performanceин өлчөгөн эмес. Түркиядагы чыныгы процесстерге өткөрүү үчүн завод маалыматтары менен кайра идентификациялоо, клапан жана actuator чектерин optimization маселесине кошуу, model drift, өлчөө фильтри, коопсуздук interlockтору жана узак мөөнөттүү талаа тастыктамасы зарыл.

DEMM так эмне?

DEMM келечектеги процесс жүрүм-турумун болжолдоо үчүн өткөн кириш жана чыгыш үлгүлөрүнөн түзүлгөн айырма теңдемелерин түздөн-түз матрица формасына айланткан кириш–чыгыш Model Predictive Control ыкмасы.

Иш DEMMни таптакыр жаңы predictive-control парадигмасы катары мүнөздөбөйт. Авторлордун айтымында, метод transfer-function, ARX жана Generalized Predictive Control сыяктуу кириш–чыгышка негизделген MPC үй-бүлөсүнүн ичинде турат. Өзгөчө салым — predictive modelди discrete difference equations аркылуу ачык жана компакттуу матрица түзүмүндө куруу.

Негизги SISO айырма теңдемеси кантип курулат?

Бир SISO система үчүн азыркы чыгыш өткөн кириш жана чыгыштарга жараша:

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

түрүндө берилет.

Бул жерде:

• \(x_i\): башкаруу кириши,
• \(y_i\): өлчөнгөн система чыгышы,
• \(m\): моделдин динамикалык эс тутуму,
• \(\alpha_i\) жана \(\beta_i\): аныкталышы керек болгон модель коэффициенттери.

Булак сунуштоону жеңилдетүү үчүн кириш жана чыгыш кечигүү даражасын бир эле \(m\) менен көрсөтөт; бирок DEMM ар башка input/output lag order жана explicit time delay маанилерин да колдойт.

Эмне үчүн кириш өзгөрүүсүнүн incremental формасы колдонулат?

Башкаруу кириши:

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

деп өзгөрүү түрүндө жазылганда айырма теңдемеси incremental моделге айланат.

Бул түзүм MPC жагынан эки милдет аткарат. Биринчиси, оптималдаштыруу өзгөрмөсүн абсолюттук башкаруу кириши эмес, башкаруу кыймылындагы өзгөрүү кылат. Экинчиси, steady-state offsetти азайтууга жана disturbance rejection жүрүм-турумун жакшыртууга жардам берет. Булак мунун perfect offset elimination кепилдиги эмес экенин өзгөчө белгилейт.

Болжолдоо горизонту модельге кантип кошулат?

Бир гана кийинки sample эмес, келечекте \(h\) даана чыгышты болжолдоо үчүн айырма теңдемелери үстү-үстүнө жазылып:

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

матрицалык теңдеме түзүлөт.

Өткөн жана келечектеги мүчөлөр бөлүнгөндө:

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

алынат.

\(B_f\) матрицасы жогорку үч бурчтуу болуп, диагоналдык элементтери 1 болгондуктан:

\[ \det(B_f)=1 \]

жана тескериси бар. Ошентип келечектеги чыгыш вектору:

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

түрүнө келтирилет.

\(F_x\), \(P_x\) жана \(P_y\) эмнени билдирет?

Моделдин үч негизги матрицасы:

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

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

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

деп аныкталат.

• \(F_x\): келечекте пландалган башкаруу өзгөрүүлөрүнүн келечектеги чыгыштарга таасири,
• \(P_x\): өткөн башкаруу өзгөрүүлөрүнүн келечектеги чыгыштарга таасири,
• \(P_y\): өткөн output dynamicsтин келечекке ташылышы.

Prediction horizon кантип тандалышы керек?

Булак башкаруу дизайны жагынан жалпысынан:

\[ h\geq m \]

деп тандоону сунуштайт. Ошентип prediction horizon система моделинин толук динамикалык эс тутумун камтый алат.

Таза кириш кечигүүсү \(d\) sample болсо:

\[ h>d \]

болушу керек. Болбосо эсептелген башкаруу аракетинин таасири prediction horizon ичинде output үстүндө көрүнбөгөндүктөн controller бул таасирдин натыйжасын баалай албайт.

MPC чыгым функциясы эмне?

DEMM controllerи:

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

чыгым функциясын колдонот.

Бул жерде:

• \(r\): prediction horizon боюнча reference trajectory,
• \(Q\): output tracking error салмагы,
• \(R\): control increment салмагы.

Түзүм LQR чыгым функциясына окшош; негизги айырма — абал катасынын ордуна future output tracking error жазаланат.

Оптималдуу башкаруу кыймылы кантип табылат?

Иште explicit constraints жок болгондуктан quadratic чыгымдын analytical minimumу түз эсептелет:

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

Control gain матрицасы:

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

деп аныкталат.

Unique minimum үчүн Hessian:

\[ F_x^TQF_x+R \]

positive definite болушу керек. Иште бул \(Q\) жана \(R\) positive definite тандалганда камсыздалаары айтылат.

Free response деген эмне?

Келечектеги башкаруу кириши өзгөртүлбөсө, моделдин болжолдогон чыгышы:

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

деп аныкталат.

Бул чоңдук процесстин учурдагы өткөнүнө жараша “controller эч кандай жаңы өзгөртүү жасабаса эмне болот?” деген суроонун жообу.

Controller андан кийин reference менен ушул free response ортосундагы айырманы азайта турган \(\Delta x_f\) тизмегин эсептейт.

Модель катасы үчүн кандай correction колдонулат?

Учурда өлчөнгөн output менен моделдин ошол эле учурдагы болжолу ортосундагы айырма:

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

free-response болжолуна correction катары кошулат.

Булак бул учурдагы prediction mismatch маанисин бүт prediction horizon боюнча бир эле bias катары алып жүрөт. Өзүнчө Kalman filter, observer же dedicated noise filter колдонулган эмес.

Receding-horizon принциби кантип колдонулат?

Optimizer келечек үчүн control increment тизмегин чыгарса да, анын баары бир учурда колдонулбайт. Бир гана:

эсептелген тизмектин биринчи башкаруу өзгөрүүсү

процесске жөнөтүлөт.

Жаңы өлчөм алынганда модель кайрадан актуалдуу өткөн маалыматтар менен бааланат, optimization кайра чечилет жана prediction horizon бир sample алдыга жылдырылат. Бул классикалык receding-horizon MPC механизми.

DEMMнин онлайн алгоритми

Булак берген иш тартиби төмөнкүчө:

1. Өлчөнгөн output алынат.
2. Учурдагы output модель аркылуу болжолдонот.
3. Free response эсептелет.
4. Учурдагы prediction mismatch correction катары кошулат.
5. Prediction horizon боюнча reference trajectory түзүлөт.
6. Corrected free-response error эсептелет.
7. Future control increment вектору эсептелет.
8. Бир гана биринчи control increment колдонулат.
9. Кийинки sampleда процесс кайталанат.

DEMM MIMO системаларга кантип кеңейтилет?

Бир нече кириш жана чыгыш болгондо модель:

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

формасына кеңейтилет.

\(F_x\) жана \(P_x\) матрицаларындагы off-diagonal blocks ар башка input жана output жуптары ортосундагы динамикалык interactionдорду алып жүрөт. Бул өзгөчөлүк дистилляция колонналары сыяктуу бир input өзгөрүүсү бир нече product compositionго таасир берген процесстерде өтө маанилүү.

DEMM менен DMCнин жалпы жактары эмнелер?

Эки ыкма тең:

• кириш–чыгыш маалыматынан модель түзөт,
• келечектеги процесс outputтарын болжолдойт,
• prediction horizon колдонот,
• past input contribution жана future control contribution бөлүп карайт,
• receding-horizon принципти колдонот.

Негизги айырма plant model кандай түзүлгөнүндө.

DMC модели кантип түзүлөт?

DMC процесстин step response коэффициенттерин:

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

колдонот.

Чыгыш:

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

түрүндө көрсөтүлөт. Модель жакшы чечимдүүлүккө ээ болушу үчүн step response боюнча көп sample талап кылынышы мүмкүн.

DEMMдин компакттуулук дооматы кайсы мисалга негизделет?

Макала үчүнчү даражадагы бир SISO DEMM модели үчүн үч input жана үч output dynamics coefficient болуп 6 динамикалык параметр мисалын берет.

DMC үчүн булак адатта 50–80 step-response sample колдонулушу мүмкүн экенин айтып, структуралык салыштыруу максатында 60 параметр тандайт.

Ошондуктан 6 жана 60 сандары белгилүү бир салыштыруу мисалы; бардык процесстер үчүн туруктуу эмес.

Таблицадагы негизги тенденция DEMM макаладагы мисалда азыраак параметр жана кичирээк өткөн-динамикалык матрица түзүмү менен көрсөтүлө аларын билдирет. Булак бул жыйынтыкты төмөн реалдуу execution time же жакшы жабык цикл performance үчүн эксперименттик далил катары сунуштабайт.

DMC үчүн 600 sample чындап эле милдеттүүбү?

Жок. Макаладагы 600 саны 60 модель параметри жана ар бир параметрге болжол менен 10 идентификация мисалы божомолунан чыккан түшүндүрмөлүү сан.

Чыныгы маалымат муктаждыгы:

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

сыяктуу факторлорго көз каранды. Макала да бул санды катуу DMC стандарты катары бербейт.

DEMM менен DMC performance жагынан салыштырылдыбы?

Жок. Бул иш DEMM жана DMCни бир эле distillation моделинде, бирдей tuning жана бирдей disturbance шарттарында иштетип түз салыштырган эмес.

Булак өзгөчө төмөнкү метрикалар келечектеги ишке калтырылганын билдирет:

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

Ошондуктан “DEMM DMCден тезирээк” же “DEMM DMCден жакшыраак башкарат” деген жыйынтык бул макаладан чыгарылбайт.

Дистилляция колоннасы эмне үчүн жакшы MIMO тест маселеси?

Дистилляция колоннасында reflux же reboiler steam сыяктуу бир гана manipulated variable жалгыз outputту эле таасирлентпейт. Колонна ичиндеги vapor–liquid equilibrium жана material transfer себептүү үстүңкү жана төмөнкү продукт курамдары өз ара байланышкан.

Мындан тышкары процесстер:

• узун time constant,
• input delay,
• күчтүү cross-coupling,
• nonlinear behavior

көрсөтүшү мүмкүн. Ошондуктан distillation column multivariable predictive-control методдорунун кеңири колдонулган benchmark аймактарынын бири.

Wood–Berry модели эмне?

Иш классикалык Wood–Berry binary distillation моделин колдонот:

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

Бул жерде:

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

Номиналдык иштөө чекити эмне?

Бул иштөө чекити Wood–Berry моделиндеги transfer functionдардын айланасында колдонулган номиналдык процессти билдирет.

Model identification кантип жүргүзүлдү?

Идентификация үчүн plant inputs үстүнө:

\[ N(0,0.1) \]

Gaussian white-noise excitation колдонулган.

Бул жерде орточо 0 жана стандарттык четтөө 0,1.

Бул excitation бир гана model identification үчүн. Кийинки closed-loop feed-noise эксперименти башка баалоо этабы.

Дистиллят үчүн аныкталган айырма теңдемеси

Булак дистиллят модели үчүн:

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

теңдемесине жеткен.

Mean squared prediction error:

0,048

деп берилген.

Түпкү продукт үчүн аныкталган айырма теңдемеси

Түпкү продукт модели:

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

түрүндө.

Mean squared prediction error:

0,051

деп көрсөтүлгөн.

Model quality канчалык кеңири тастыкталды?

Иштин максаты comprehensive system identification campaign жүргүзүү эмес, controller үчүн колдонууга боло турган predictive model алуу.

Ошондуктан модель сапаты prediction error менен бааланган. Булакта:

• residual analysis,
• cross-validation,
• statistical consistency test,
• көз карандысыз hold-out тастыктоо

берилген эмес.

Иш колдогон натыйжалар

• Difference equations түздөн-түз MPC prediction matrices формасына айлантылышы мүмкүн.
• DEMM кириш жана output delayлерин модель түзүмүндө көрсөтө алат.
• DEMM MIMO системаларда cross-input/output interactionдорду \(F_x\) жана \(P_x\) блоктору аркылуу билдире алат.
• Макаладагы мисалдык структуралык салыштырууда DEMM DMCге караганда компакттуу model parameterization колдонот.
• Wood–Berry column үчүн аныкталган эки discrete model 0,048 жана 0,051 prediction MSE маанилерин берген.
• DEMM симуляцияда +%5 feed step disturbance кийин эки product compositionду номиналдык referenceтерге кайра багыттаган.
• Feed disturbance үстүнө Gaussian noise кошулган сценарийде closed-loop жүрүм-турум кабыл алына турган бойдон калган.
• Successive setpoint changes шартында distillate жана bottom compositions reference өзгөрүүлөрүн ээрчиген.
• Incremental control formulation жана current prediction-error correction model mismatch таасирин азайтууга жардам берген.

Иш колдобогон же тест кылбаган натыйжалар

• DEMM DMCден жакшыраак closed-loop башкаруу performanceин камсыздай турганы көрсөтүлгөн эмес.
• DEMM реалдуу CPU үстүндө DMCден тез иштей турганы өлчөнгөн эмес.
• DEMM коммерциялык DMC системасына караганда кыскараак commissioning убактысын талап кылаары талаа маалыматы менен далилденген эмес.
• Чыныгы дистилляция колоннасында же химиялык заводдо эксперимент жасалган эмес.
• Actuator, input-rate же output constraints учурдагы controllerге кошулган эмес.
• Formal closed-loop stability guarantee берилген эмес.
• Offset-free MPC disturbance-state estimator иштелип чыккан эмес.
• Кеңири parameter/model uncertainty robustness анализи жасалган эмес.
• Repeated stochastic realizations аркылуу статистикалык robustness бөлүштүрүлүшү түзүлгөн эмес.
• DMC, GPC, PID же fuzzy controller менен бирдей шарттарда түз performance benchmark жүргүзүлгөн эмес.
• Identification моделдери residual analysis жана independent cross-validation аркылуу кеңири тастыкталган эмес.

Иштин методу жана натыйжалары

DEMM башкаруу процесси

DEMM–DMC матрица өлчөмү мисалы

Иштин \(h=20\) мисалында DMC үчүн:

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

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

колдонулуп, жалпы 1580 coefficient алынат.

DEMM үчүн:

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

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

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

болуп, жалпы coefficient саны 640.

Бул сандар макаладагы структуралык мисал үчүн гана; real implementation memory жана execution time өзүнчө өлчөнгөн эмес.

Distillation моделиндеги input delayлер

Аныкталган discrete equations DEMM ар башка input delayлерди алып жүрө аларын практикалык түрдө көрсөтөт.

Айрыкча reflux агымынын bottom composition үстүндөгү узагыраак кечигүүсү ар башка input–output жолдорунун бирдей delay structureга ээ болууга милдеттүү эмес экенин көрсөтөт.

Controller жөндөөлөрү

Түпкү product compositionга дистиллятка караганда жогору output weight берилген. Макала бул tuning системалуу global optimization натыйжасында алынганын билдирбейт.

+%5 feed disturbance эксперименти

Биринчи closed-loop сценарийде:

t = 50 мүнөт

учурунда feed-flow disturbance \(F\) үчүн:

+%5 step change

колдонулган.

4-сүрөттө \(X_d\) да, \(X_b\) да кыска мөөнөттүү четтөө көрсөткөндөн кийин номиналдык composition аймактарына кайра багытталат. Ошол эле учурда reflux жана steam control actions да убактылуу түзөтүү кыймылдарын чыгарат.

Булак бул жүрүм-турумду satisfactory disturbance rejection деп сүрөттөйт; бирок settling time жана peak deviation үчүн так таблица маанилерин бербейт. Ошондуктан графиктен болжолдуу сандар чыгарылган эмес.

Gaussian feed-noise эксперименти

Экинчи жабык цикл тестинде feed-flow disturbance үстүнө:

\[ N(0,0.1) \]

Gaussian white noise кошулган.

6-сүрөттө продукт курамдары жана эки manipulated flow signal ызы-чуу алдында толкундаса да closed-loop система иштей берет.

Булак муну tested noise conditions астындагы acceptable closed-loop performance катары түшүндүрөт. Бир гана noise realization көрсөтүлгөндүктөн жыйынтык кеңири stochastic robustness далили эмес.

Setpoint-tracking эксперименти

Үчүнчү сценарийде distillate жана bottom-product reference signals үчүн:

0,1 чоңдугунда ырааттуу step өзгөрүүлөр

берилген.

7-сүрөт DEMM \(X_d\) жана \(X_b\) reference өзгөрүүлөрүн ээрчиш үчүн \(L_R\) жана \(G_v\) башкаруу кириштерин өзгөртөрүн көрсөтөт.

Булак натыйжаларды smooth reference tracking жана disturbance rejection ортосундагы reasonable trade-off катары мүнөздөйт; так overshoot же tracking index таблицасын бербейт.

Identification натыйжалары

Эки output үчүн prediction error бири-бирине жакын деңгээлде. Ошентсе да иш бул моделдерди independent cross-validation же residual whiteness тесттери менен кеңири текшерген эмес.

Иштин күчтүү жактары

• DEMMдин айырма теңдемесинен MPC матрицаларына өтүүсүн ачык математикалык түрдө чыгарат.
• Input delay жана ар башка lag түзүмдөрүн формулировкага кошот.
• SISOдон MIMOго блок-матрица кеңейүүсүн берет.
• Closed-form unconstrained control law аркылуу online optimization түзүмүн жөнөкөйлөтөт.
• Prediction mismatch үчүн жөнөкөй bias-correction механизмин колдонот.
• DMC менен структуралык модель жана матрица өлчөмдөрүнүн айырмаларын ачык сандык мисалдар менен көрсөтөт.
• Методду күчтүү cross-coupling жана time delay камтыган классикалык distillation-column моделине колдонот.
• Disturbance, noise жана setpoint-change болуп үч ар башка closed-loop сценарийди көрсөтөт.

Негизги методологиялык чектөөлөр

• Distillation-column колдонмосу симуляция болуп саналат.
• DMC менен direct closed-loop benchmark жасалган эмес.
• GPC менен деталдуу benchmark жасалган эмес.
• Constraint handling жок.
• Formal stability analysis жок.
• Offset-free disturbance-estimator MPC формулировкасы жок.
• Model uncertainty үчүн кеңири robustness campaign жасалган эмес.
• Noise баалоосу repeated Monte Carlo же көп stochastic realization камтыбайт.
• Identification residual analysis жана cross-validation камтыбайт.
• Bias correction бүт prediction horizonга бир эле current errorду алып барат; өзүнчө observer же noise filter жок.
• DMC салыштыруусундагы parameter/sample сандары түшүндүрмөлүү assumptionsка көз каранды.
• Processor-dependent timing жана PLC resource usage өлчөнгөн эмес.

Булак жана метод эскертүүсү

Толук оригиналдуу иштин аталышы: A Difference Equation Matrix Model Predictive Control Approach Applied to a Distillation Column

Авторлор: Basil Mohammed Al-Hadithi, Javier Blanco Rico жана Agustín Jiménez.

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

Жооптуу автор: Javier Blanco Rico.

Бирдей салым/бирдей биринчи авторлук: Булакта мындай билдирүү жок.

Мекемелер:

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.

Журнал: Actuators.

Басмакана: MDPI, Basel, Switzerland.

Библиографиялык маалымат: Actuators 2026, 15, 347.

DOI:10.3390/act15060347

Расмий жарыя шилтемеси:MDPI – Actuators 15(6), 347

Жарыяланган күнү: 18-июнь 2026. Иш 15-апрель 2026да алынган, 7-июнь 2026да кайра каралган жана 16-июнь 2026да кабыл алынган.

Булак түрү жана рецензия абалы: Actuators журналында жарыяланган рецензияланган изилдөө макаласы. Илимий колдонмо бөлүгү математикалык моделдөө, system identification жана closed-loop simulation негизинде курулган.

Лицензия: Creative Commons Attribution (CC BY).

Академиялык редактор: Guanghong Yang.

Каржылоо: Иш PID2024-155948OB-C54 шилтемелүү R&D долбоорунун алкагында MICIU/AEI/10.13039/501100011033 жана ERDF/EU тарабынан каржыланган.

Этика комитети: Колдонулбайт.

Маалыматтуу макулдук: Колдонулбайт.

Маалымат жеткиликтүүлүгү: Авторлор маалыматтар макаланын ичинде бар экенин билдиришет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Илимий көлөм: Иш айырма теңдемелеринен түз чыгарылган кириш–чыгыш predictive modelди quadratic unconstrained MPC control law менен бириктирип, ыкманы Wood–Berry binary distillation-column моделине колдонот.

DMC салыштыруу чеги: DEMM жана DMC салыштыруусу structural parameterization, identification-data көлөмү жана matrix dimensions деңгээлинде. Бир эле plant жана tuning астында closed-loop performance benchmark жүргүзүлгөн эмес. Макала IAE, ISE, ITAE, settling time, overshoot жана execution-time салыштырууларын келечектеги иш катары калтырат.

Параметр санынын чеги: DEMM үчүн 6 жана DMC үчүн 60 модель параметри иште колдонулган түшүндүрмөлүү үчүнчү даражадагы SISO мисалына тиешелүү. DMC үчүн 60 мааниси булакта айтылган болжол менен 50–80 step-response parameter аралыгынан салыштыруу максатында тандалган.

Идентификация маалымат чеги: DEMM үчүн болжол менен 60 жана DMC үчүн болжол менен 600 sample мааниси ар бир параметрге болжол менен 10 sample кабыл алынган түшүндүрмөлүү rule-of-thumb эсеби; жалпы system-identification милдети эмес.

Матрица өлчөмү чеги: DMC үчүн 1580 жана DEMM үчүн 640 coefficient натыйжасы \(h=20\) жана иште тандалган model memory/step-response маанилерине көз каранды мисал. Бул айырма түз өлчөнгөн execution-time катышы эмес.

Колдонмо чеги: Wood–Berry модели чыныгы өнөр жай distillation-column жүрүм-турумунан алынган классикалык reference model болсо да, бул изилдөөнүн disturbance, noise жана setpoint натыйжалары компьютердик симуляция. Физикалык заводдо DEMM implementation жасалган эмес.

Model identification чеги: \(X_d\) жана \(X_b\) discrete моделдеринин MSE маанилери тиешелүүлүгүнө жараша 0,048 жана 0,051. Иш кеңири residual analysis, cross-validation жана statistical-consistency campaign жүргүзгөн эмес.

Constraint чеги: Учурдагы DEMM analytical control law unconstrained optimization үчүн. Actuator, control-rate жана output constraints үчүн quadratic-programming-based optimization келечектеги иш багыты катары көрсөтүлгөн.

Туруктуулук чеги: Макала formal closed-loop stability guarantee бербейт. Formal stability analysis, offset-free MPC жана disturbance-estimation түзүмдөрү келечектеги иш темаларынын арасында.

Robustness чеги: Noise жана +%5 feed disturbance тесттери controller жүрүм-турумун көрсөтөт; кеңири model uncertainty, repeated stochastic realization жана comparative robustness benchmarking жасалган эмес.

Бул Verianla мазмунундагы математикалык модель, DEMM–DMC салыштыруу сандары, дистилляция колоннасынын параметрлери, идентификация каталары жана симуляция натыйжалары каралган ишке негизделген. Тышкы тастыктоо макаланын расмий библиографиялык жарыя идентификациясын текшерүү максатында гана колдонулган.