Тадқиқот формулаи Model Predictive Control (MPC)-и бар асоси вуруд–баромадро, ки Difference Equation Matrix Model (DEMM) ном дорад, тавсиф намуда, ин усулро ба идоракунии бисёртағйирёбандаи сутуни дистилятсияи бинарӣ татбиқ мекунад. Хусусияти асосии DEMM дар он аст, ки баромадҳои ояндаи системаро на аз ҷадвали классикии step-response, балки бо ёрии матритсаҳое ҳисоб мекунад, ки мустақиман аз муодилаҳои фарқии дискретии муайяншуда ҳосил шудаанд. Тағйироти вурудҳои гузашта, баромадҳои гузашта ва тағйироти идоракунии ояндаи банақшагирифташуда дар як prediction model муттаҳид мешаванд; сипас функсияи хароҷоти quadratic ба таври таҳлилӣ минимизатсия шуда, ҳаракатҳои идоракунии оянда ҳисоб карда мешаванд.

Кор DEMM-ро бо яке аз равишҳои маъмули саноатии predictive-control, яъне Dynamic Matrix Control (DMC), аз ҷиҳати сохторӣ муқоиса мекунад. Дар мисоли шарҳдиҳандаи SISO-и дараҷаи сеюм, ки муаллифон овардаанд, DEMM бо шаш параметри динамикӣ ифода мешавад, дар ҳоле ки барои DMC 60 параметри step-response қабул мегардад. Агар барои ҳар параметр тақрибан 10 намунаи муайянсозӣ фарз карда шавад, ин мисол мутаносибан ба тақрибан 60 ва 600 намунаи маълумот мувофиқ меояд. Дар мисоли \(h=20\) prediction horizon дар матритсаҳои DMC ҷамъан 1580 ва дар модели DEMM 640 коэффициент мавҷуд аст. Ин рақамҳо нишон медиҳанд, ки DEMM метавонад ифодаи фишурдатар таъмин кунад; аммо мақола онҳоро ҳамчун далели мустақими бартарии вақти ҳисоб ё performance-и ҳалқаи пӯшида истифода намекунад.

Дар қисми татбиқ сутуни классикии Wood–Berry binary distillation истифода шудааст. Ду баромади идорашаванда таркиби дистилляти маҳсулоти болоӣ \(X_d\) ва таркиби маҳсулоти поёнӣ \(X_b\) мебошанд. Вурудҳои идоракунӣ reflux flow rate \(L_R\) ва steam flow rate \(G_v\), ки ба reboiler дода мешавад, мебошанд. Feed flow rate \(F\) бошад, ҳамчун ихтилолгари беруна ба модел ворид мешавад. Дар нуқтаи кори номиналии тадқиқот таркиби дистиллят %96,25 mol, таркиби маҳсулоти поёнӣ %0,5 mol, ҷараёни reflux 0,0147 kg/s, ҷараёни буғ 0,0129 kg/s ва ҷараёни feed 0,0185 kg/s мебошад.

Моделҳои дискретии вуруд–баромади зарурӣ барои DEMM бо татбиқи сигналҳои excitation-и садои сафеди тақсимоти \(N(0,0.1)\) ба система ва гузаронидани муайянсозии least-squares сохта шудаанд. Барои модели дистиллят mean squared prediction error 0,048 ва барои модели маҳсулоти поёнӣ 0,051 ёфт шудааст. Садои сафед дар ин марҳилаи муайянсозӣ набояд бо сенарияи садое омехта шавад, ки баъдан дар арзёбии robustness-и ҳалқаи пӯшида ба feed disturbance илова мешавад.

Дар идоракунии сутуни дистилятсия prediction horizon \(h=15\), барои дистиллят \(Q_{Xd}=I\), барои маҳсулоти поёнӣ \(Q_{Xb}=10I\) ва барои ҳаракати идоракунӣ \(R=5I\) истифода шудааст. Ба feed flow дар дақиқаи 50-ум +%5 step disturbance татбиқ шудааст; илова бар ин, сенарияи feed бо садои \(N(0,0.1)\) ва тағйироти пайдарпайи setpoint бо андозаи 0,1 дар reference-ҳои таркибҳо баррасӣ шудаанд. Манба хабар медиҳад, ки дар ин шароит DEMM ихтилолҳоро пахш карда, тағйироти reference-ро ҳамвор пайгирӣ мекунад. Бо вуҷуди ин, дар мақола индексҳои ададии performance-и муқоисавӣ, ба монанди IAE, ISE, settling time ё overshoot дода нашудаанд.

Маҳдудияти муҳими тадқиқот он аст, ки натиҷаҳо дар як корхонаи воқеии кимиёӣ ё дар сутуни лаборатории дистилятсия ба даст оварда нашудаанд. Модели интиқоли Wood–Berry модели классикии равандест, ки аз маълумоти истифодаи саноатӣ ҳосил шудааст; кори мавҷуда ин моделро истифода бурда, симулятсияи компютерӣ анҷом медиҳад. Ҳамчунин татбиқи DEMM unconstrained аст; дар корхонаи воқеӣ маҳдудиятҳои насос, клапан, steam-flow ё composition-и маҳсулот мустақиман ба масъалаи optimization дохил карда нашудаанд.

Арзёбӣ аз нигоҳи Туркия: Равиши DEMM метавонад дар корҳои коркарди нафт, петрохимия, кимиё, энергетика ва автоматикунонии равандҳо дар Туркия, махсусан барои равандҳои бисёртағйирёбандае, ки модели онҳо аз маълумоти вуруд–баромад зуд сохта мешавад, ҳамчун як алтернативаи MPC-и қобили таҳқиқ арзёбӣ шавад. Сохтори фишурдаи параметрҳо метавонад бори model identification ва нигоҳдорӣ дар PLC/edge-controller-ро коҳиш диҳад. Аммо кори мавҷуда вақти commissioning-и корхонаи воқеӣ, истифодаи протсессор ё performance-и саҳроиро нисбат ба DMC-и тиҷоратӣ чен накардааст. Барои интиқол ба равандҳои воқеии Туркия муайянсозии дубора бо маълумоти корхона, илова кардани маҳдудиятҳои клапан ва actuator ба масъалаи optimization, model drift, филтри ченкунӣ, safety interlock-ҳо ва тасдиқи дарозмуддати саҳроӣ зарур аст.

DEMM дақиқ чист?

DEMM равиши вуруд–баромади Model Predictive Control аст, ки барои пешгӯии рафтори ояндаи раванд муодилаҳои фарқиро, ки аз намунаҳои гузаштагони вуруд ва баромад сохта шудаанд, мустақиман ба шакли матритса табдил медиҳад.

Тадқиқот DEMM-ро ҳамчун як парадигмаи комилан нави predictive-control тавсиф намекунад. Ба гуфтаи муаллифон, усул дар дохили оилаи MPC-и бар асоси вуруд–баромад қарор дорад, монанди transfer-function, ARX ва Generalized Predictive Control. Саҳми аслӣ сохтани predictive model тавассути discrete difference equations дар сохтори матритсаи равшан ва фишурда мебошад.

Муодилаи асосии фарқии SISO чӣ гуна сохта мешавад?

Барои як системаи SISO баромади ҷорӣ вобаста ба вурудҳо ва баромадҳои гузашта чунин ифода мешавад:

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

Дар ин ҷо:

• \(x_i\): вуруди идоракунӣ,
• \(y_i\): баромади ченшудаи система,
• \(m\): хотираи динамикии модел,
• \(\alpha_i\) ва \(\beta_i\): коэффициентҳои модели муайяншаванда мебошанд.

Манба барои содда кардани пешниҳод дараҷаи таъхири вуруд ва баромадро бо ҳамон \(m\) нишон медиҳад; аммо DEMM арзишҳои гуногуни input/output lag order ва explicit time delay-ро низ дастгирӣ мекунад.

Чаро шакли incremental-и тағйири вуруд истифода мешавад?

Вақте ки вуруди идоракунӣ чунин навишта мешавад:

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

муодилаи фарқӣ ба як модели incremental табдил меёбад.

Ин сохтор аз нигоҳи MPC ду вазифа дорад. Якум, тағйирёбандаи оптимизатсияро ба ҷои вуруди мутлақи идоракунӣ ба тағйироти ҳаракати идоракунӣ табдил медиҳад. Дуюм, ба кам кардани steady-state offset ва беҳтар кардани рафтори disturbance rejection кумак мекунад. Манба махсус таъкид мекунад, ки ин кафолати perfect offset elimination нест.

Уфуқи пешгӯӣ ба модел чӣ гуна илова мешавад?

Барои пешгӯии \(h\) баромади оянда ба ҷои танҳо як намунаи навбатӣ, муодилаҳои фарқӣ болои ҳам навишта шуда:

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

муодилаи матритсаӣ сохта мешавад.

Вақте истилоҳҳои гузашта ва оянда ҷудо карда мешаванд:

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

ба даст меояд.

Азбаски матритсаи \(B_f\) боло-секунҷа буда, унсурҳои диагоналиаш 1 мебошанд:

\[ \det(B_f)=1 \]

ва баръакси он мавҷуд аст. Ҳамин тавр, вектори баромади оянда ба шакли:

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

кам карда мешавад.

\(F_x\), \(P_x\) ва \(P_y\) чиро ифода мекунанд?

Се матритсаи асосии модел чунин муайян мешаванд:

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

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

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

• \(F_x\): таъсири тағйироти идоракунии дар оянда банақшагирифташуда ба баромадҳои оянда,
• \(P_x\): таъсири тағйироти идоракунии гузашта ба баромадҳои оянда,
• \(P_y\): интиқоли output dynamics-и гузашта ба оянда мебошад.

Prediction horizon чӣ гуна бояд интихоб шавад?

Манба аз нигоҳи тарҳи идоракунӣ дар умум чунин интихобро тавсия мекунад:

\[ h\geq m \]

Ба ин тартиб prediction horizon метавонад тамоми хотираи динамикии модели системаро фаро гирад.

Агар таъхири холиси вуруд \(d\) sample бошад:

\[ h>d \]

бояд бошад. Дар акси ҳол таъсири ҳаракати идоракунии ҳисобшуда дар дохили prediction horizon бар output намоён намешавад ва controller натиҷаи ин таъсирро арзёбӣ карда наметавонад.

Функсияи хароҷоти MPC чист?

Controller-и DEMM функсияи хароҷоти зеринро истифода мекунад:

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

Дар ин ҷо:

• \(r\): reference trajectory дар тӯли prediction horizon,
• \(Q\): вазни output tracking error,
• \(R\): вазни control increment мебошад.

Сохтор ба функсияи хароҷоти LQR монанд аст; фарқи асосӣ дар он аст, ки ба ҷои хатои ҳолат future output tracking error ҷазо дода мешавад.

Ҳаракати оптималии идоракунӣ чӣ гуна ёфт мешавад?

Азбаски дар тадқиқот explicit constraints вуҷуд надоранд, minimum-и analytical-и хароҷоти quadratic мустақиман ҳисоб карда мешавад:

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

Матритсаи control gain чунин муайян мешавад:

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

Барои unique minimum, Hessian:

\[ F_x^TQF_x+R \]

бояд positive definite бошад. Дар тадқиқот гуфта мешавад, ки ин бо интихоби positive definite барои \(Q\) ва \(R\) таъмин мегардад.

Free response чист?

Агар вуруди идоракунии оянда тағйир дода нашавад, баромаде, ки модел пешгӯӣ мекунад, чунин муайян мешавад:

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

Ин бузургӣ ҷавоби саволи “агар controller дигар тағйироти нав накунад, бо назардошти гузаштаи ҷории раванд чӣ мешавад?” мебошад.

Controller баъдан пайдарпаии \(\Delta x_f\)-ро ҳисоб мекунад, ки фарқи байни reference ва ин free response-ро кам кунад.

Барои хатои модел чӣ гуна correction татбиқ мешавад?

Фарқи байни output-и ҷории ченшуда ва пешгӯии модел дар ҳамон лаҳза:

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

ҳамчун correction ба пешгӯии free-response илова мешавад.

Манба ин арзиши ҷории prediction mismatch-ро дар тамоми prediction horizon ҳамчун як bias-и якхела мебарад. Kalman filter, observer ё dedicated noise filter-и ҷудогона истифода нашудааст.

Принсипи receding-horizon чӣ гуна татбиқ мешавад?

Гарчанде optimizer барои оянда як пайдарпаии control increment тавлид мекунад, тамоми он якбора татбиқ намешавад. Танҳо:

аввалин тағйири идоракунии пайдарпаии ҳисобшуда

ба раванд фиристода мешавад.

Вақте ченкунии нав гирифта мешавад, модел бо маълумоти гузаштаи нав аз нав арзёбӣ мегардад, optimization дубора ҳал мешавад ва prediction horizon як sample ба пеш меғеҷад. Ин механизми классикии receding-horizon MPC мебошад.

Алгоритми онлайни DEMM

Тартиби амалиёти додаи манба чунин аст:

1. Output-и ченшуда гирифта мешавад.
2. Output-и ҷорӣ аз модел пешгӯӣ мешавад.
3. Free response ҳисоб карда мешавад.
4. Prediction mismatch-и ҷорӣ ҳамчун correction илова мешавад.
5. Дар тӯли prediction horizon reference trajectory сохта мешавад.
6. Corrected free-response error ҳисоб карда мешавад.
7. Вектори future control increment ҳисоб карда мешавад.
8. Танҳо control increment-и аввал татбиқ мешавад.
9. Дар sample-и навбатӣ раванд такрор мегардад.

DEMM ба системаҳои MIMO чӣ гуна васеъ мешавад?

Ҳангоми мавҷуд будани чанд вуруд ва баромад, модел ба шакли зерин васеъ мегардад:

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

Off-diagonal blocks дар матритсаҳои \(F_x\) ва \(P_x\) interaction-ҳои динамикии байни ҷуфтҳои гуногуни input ва output-ро мебаранд. Ин хусусият дар равандҳое мисли сутунҳои дистилятсия, ки як тағйири input ба якчанд product composition таъсир мерасонад, аҳамияти муҳим дорад.

Нуқтаи муштараки DEMM ва DMC чист?

Ҳар ду равиш:

• аз маълумоти вуруд–баромад модел месозанд,
• output-ҳои ояндаи равандро пешгӯӣ мекунанд,
• prediction horizon истифода мекунанд,
• past input contribution ва future control contribution-ро ҷудо мекунанд,
• принсипи receding-horizon-ро татбиқ мекунанд.

Фарқи асосӣ дар он аст, ки plant model чӣ гуна сохта мешавад.

Модели DMC чӣ гуна сохта мешавад?

DMC коэффициентҳои step response-и равандро истифода мекунад:

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

Баромад чунин ифода мешавад:

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

Барои он ки модел resolution-и хуб дошта бошад, дар тӯли step response шумораи зиёди sample метавонад лозим шавад.

Иддаои фишурдагии DEMM ба кадом мисол асос меёбад?

Мақола барои як модели DEMM-и SISO-и дараҷаи сеюм, бо се input ва се output dynamics coefficient, мисоли 6 параметри динамикӣ-ро медиҳад.

Барои DMC, манба мегӯяд, ки одатан 50–80 step-response sample истифода шуда метавонад ва барои муқоисаи сохторӣ 60 параметр-ро интихоб мекунад.

Аз ин рӯ рақамҳои 6 ва 60 як мисоли муайяни муқоиса мебошанд; дар ҳамаи равандҳо собит нестанд.

Тамоюли асосии ҷадвал он аст, ки DEMM дар мисоли мақола метавонад бо параметрҳои камтар ва сохтори хурдтари матритсаи динамикаи гузашта ифода шавад. Манба ин натиҷаро ҳамчун далели таҷрибавии execution time-и камтар ё performance-и беҳтари ҳалқаи пӯшида пешниҳод намекунад.

Оё барои DMC 600 sample воқеан ҳатмист?

Не. Рақами 600 дар мақола арзиши шарҳдиҳандаест, ки аз 60 параметри модел ва фарзияи тақрибан 10 намунаи муайянсозӣ барои ҳар параметр бармеояд.

Ниёзи воқеии маълумот ба омилҳои зерин вобаста аст:

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

Мақола ҳам ин рақамро ҳамчун стандарти қатъии DMC пешниҳод намекунад.

Оё DEMM ва DMC аз ҷиҳати performance муқоиса шуданд?

Не. Ин тадқиқот DEMM ва DMC-ро дар як distillation model, бо tuning-и якхела ва шароити disturbance-и якхела иҷро карда, мустақиман муқоиса накардааст.

Манба махсус қайд мекунад, ки метрикаҳои зерин ба кори оянда гузошта шудаанд:

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

Аз ин рӯ, аз ин мақола натиҷаи “DEMM аз DMC тезтар аст” ё “DEMM аз DMC беҳтар идора мекунад” бароварда намешавад.

Чаро сутуни дистилятсия масъалаи хуби MIMO test аст?

Дар сутуни дистилятсия як manipulated variable, монанди reflux ё reboiler steam, танҳо ба як output таъсир намерасонад. Бо сабаби vapor–liquid equilibrium ва material transfer дар дохили сутун, таркибҳои маҳсулоти болоӣ ва поёнӣ ба ҳамдигар вобастаанд.

Илова бар ин, равандҳо метавонанд:

• time constant-и дароз,
• input delay,
• cross-coupling-и қавӣ,
• nonlinear behavior

нишон диҳанд. Аз ин рӯ distillation column яке аз соҳаҳои маъмули benchmark барои усулҳои multivariable predictive-control мебошад.

Модели Wood–Berry чист?

Тадқиқот модели классикии Wood–Berry binary distillation-ро истифода мекунад:

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

Дар ин ҷо:

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

Нуқтаи кори номиналӣ чист?

Ин нуқтаи корӣ равандеро ифода мекунад, ки дар атрофи transfer function-ҳои модели Wood–Berry истифода мешавад.

Model identification чӣ гуна анҷом дода шуд?

Барои муайянсозӣ ба plant inputs чунин сигнал дода шуд:

\[ N(0,0.1) \]

Gaussian white-noise excitation татбиқ шудааст.

Дар ин ҷо миёна 0 ва инҳирофи стандартӣ 0,1 аст.

Ин excitation танҳо барои model identification мебошад. Озмоиши баъдии closed-loop feed-noise марҳилаи дигари арзёбӣ аст.

Муодилаи фарқии муайяншуда барои дистиллят

Манба барои модели дистиллят ба чунин муодила мерасад:

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

Mean squared prediction error:

0,048

гузориш шудааст.

Муодилаи фарқии муайяншуда барои маҳсулоти поёнӣ

Модели маҳсулоти поёнӣ чунин аст:

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

Mean squared prediction error:

0,051

дода шудааст.

Model quality то чӣ андоза васеъ тасдиқ шуд?

Ҳадафи тадқиқот гузаронидани comprehensive system identification campaign нест, балки ба даст овардани predictive model-и қобили истифода барои controller мебошад.

Аз ин рӯ, сифати модел бо prediction error арзёбӣ шудааст. Дар манба:

• residual analysis,
• cross-validation,
• statistical consistency test,
• тасдиқи мустақили hold-out

гузориш нашудааст.

Натиҷаҳое, ки тадқиқот дастгирӣ мекунад

• Difference equations метавонанд мустақиман ба MPC prediction matrices табдил дода шаванд.
• DEMM метавонад input ва output delay-ҳоро дар сохтори модел ифода кунад.
• DEMM дар системаҳои MIMO interaction-ҳои cross-input/output-ро тавассути блокҳои \(F_x\) ва \(P_x\) баён карда метавонад.
• Дар муқоисаи сохтории намунавии мақола DEMM нисбат ба DMC model parameterization-и фишурдатар истифода мекунад.
• Ду discrete model барои Wood–Berry column арзишҳои prediction MSE-и 0,048 ва 0,051 тавлид кардаанд.
• Дар симулятсия DEMM пас аз +%5 feed step disturbance ду product composition-ро ба reference-ҳои номиналӣ баргардондааст.
• Дар сенарияе, ки ба feed disturbance Gaussian noise илова шудааст, рафтори closed-loop қобили қабул боқӣ мондааст.
• Дар шароити successive setpoint changes, distillate ва bottom compositions тағйироти reference-ро пайгирӣ кардаанд.
• Incremental control formulation ва current prediction-error correction ба кам кардани таъсири model mismatch мусоидат кардаанд.

Натиҷаҳое, ки тадқиқот дастгирӣ ё озмоиш накардааст

• Нишон дода нашудааст, ки DEMM нисбат ба DMC performance-и беҳтари closed-loop идоракуниро таъмин мекунад.
• Чен карда нашудааст, ки DEMM дар CPU-и воқеӣ нисбат ба DMC тезтар кор мекунад.
• Бо маълумоти саҳроӣ исбот нашудааст, ки DEMM нисбат ба системаи тиҷоратии DMC вақти кӯтоҳтари commissioning талаб мекунад.
• Дар сутуни воқеии дистилятсия ё корхонаи кимиёӣ таҷриба анҷом дода нашудааст.
• Actuator, input-rate ё output constraints ба controller-и мавҷуда ворид карда нашудаанд.
• Formal closed-loop stability guarantee пешниҳод нашудааст.
• Offset-free MPC disturbance-state estimator таҳия нашудааст.
• Таҳлили васеи parameter/model uncertainty robustness анҷом дода нашудааст.
• Тақсимоти омории robustness тавассути repeated stochastic realizations сохта нашудааст.
• Бо DMC, GPC, PID ё fuzzy controller дар шароити якхела performance benchmark-и мустақим гузаронида нашудааст.
• Моделҳои identification бо residual analysis ва independent cross-validation васеъ тасдиқ нашудаанд.

Усул ва натиҷаҳои тадқиқот

Раванди идоракунии DEMM

Мисоли андозаи матритсаи DEMM–DMC

Дар мисоли \(h=20\)-и тадқиқот барои DMC:

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

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

истифода шуда, ҷамъан 1580 coefficient ба даст меояд.

Барои DEMM:

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

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

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

мебошад ва шумораи умумии coefficient 640 аст.

Ин рақамҳо танҳо барои мисоли сохтории мақола мебошанд; real implementation memory ва execution time ҷудогона чен нашудаанд.

Input delay-ҳо дар модели distillation

Discrete equations-и муайяншуда ба таври амалӣ нишон медиҳанд, ки DEMM метавонад input delay-ҳои гуногунро дар бар гирад.

Махсусан таъхири дарозтари ҷараёни reflux дар bottom composition нишон медиҳад, ки роҳҳои гуногуни input–output маҷбур нестанд delay structure-и якхела дошта бошанд.

Танзимоти controller

Ба composition-и маҳсулоти поёнӣ нисбат ба дистиллят output weight-и баландтар дода шудааст. Мақола намегӯяд, ки ин tuning аз натиҷаи systematic global optimization ба даст омадааст.

Озмоиши +%5 feed disturbance

Дар сенарияи аввалини closed-loop:

t = 50 дақиқа

ба feed-flow disturbance \(F\):

+%5 step change

татбиқ шудааст.

Дар Расми 4 ҳам \(X_d\) ва ҳам \(X_b\) пас аз нишон додани каҷравии кӯтоҳмуддат ба минтақаҳои composition-и номиналӣ бармегарданд. Ҳамзамон reflux ва steam control actions низ ҳаракатҳои муваққатии ислоҳӣ тавлид мекунанд.

Манба ин рафторро satisfactory disturbance rejection меномад; аммо барои settling time ва peak deviation арзишҳои дақиқи ҷадвалӣ намедиҳад. Аз ин рӯ, аз график рақамҳои тахминӣ ҳосил карда нашудаанд.

Озмоиши Gaussian feed-noise

Дар санҷиши дуюми ҳалқаи пӯшида ба feed-flow disturbance:

\[ N(0,0.1) \]

Gaussian white noise илова шудааст.

Дар Расми 6 таркибҳои маҳсулот ва ду manipulated flow signal дар шароити садо тағйир меёбанд, аммо системаи closed-loop ба кор идома медиҳад.

Манба онро ҳамчун acceptable closed-loop performance дар tested noise conditions шарҳ медиҳад. Азбаски танҳо як noise realization нишон дода шудааст, натиҷа далели васеи stochastic robustness нест.

Озмоиши setpoint-tracking

Дар сенарияи сеюм ба distillate ва bottom-product reference signals:

тағйироти пайдарпайи step бо андозаи 0,1

татбиқ шудааст.

Расми 7 нишон медиҳад, ки DEMM барои пайгирии тағйироти reference-и ҳам \(X_d\) ва ҳам \(X_b\), вурудҳои идоракунии \(L_R\) ва \(G_v\)-ро тағйир медиҳад.

Манба натиҷаҳоро ҳамчун reasonable trade-off байни smooth reference tracking ва disturbance rejection тавсиф мекунад; ҷадвали дақиқи overshoot ё tracking index пешниҳод намекунад.

Натиҷаҳои identification

Барои ду output prediction error дар сатҳи наздик ба ҳам қарор дорад. Бо вуҷуди ин, тадқиқот ин моделҳоро бо independent cross-validation ё residual whiteness tests васеъ насанҷидааст.

Ҷиҳатҳои қавии тадқиқот

• Гузариши DEMM аз муодилаи фарқӣ ба матритсаҳои MPC-ро бо шакли равшани математикӣ ҳосил мекунад.
• Input delay ва сохторҳои гуногуни lag-ро ба формула дохил мекунад.
• Васеъшавии block-matrix аз SISO ба MIMO-ро медиҳад.
• Ба шарофати closed-form unconstrained control law сохтори online optimization-ро содда мекунад.
• Барои prediction mismatch механизми соддаи bias-correction истифода мекунад.
• Фарқҳои модели сохторӣ ва андозаи матритсаҳоро бо DMC бо мисолҳои ададии равшан нишон медиҳад.
• Усулро ба модели классикии distillation-column, ки cross-coupling ва time delay-и қавӣ дорад, татбиқ мекунад.
• Се сенарияи гуногуни closed-loop — disturbance, noise ва setpoint-change — нишон медиҳад.

Маҳдудиятҳои асосии методологӣ

• Татбиқи distillation-column симулятсия аст.
• Бо DMC direct closed-loop benchmark анҷом дода нашудааст.
• Бо GPC benchmark-и муфассал анҷом дода нашудааст.
• Constraint handling вуҷуд надорад.
• Formal stability analysis вуҷуд надорад.
• Формулаи offset-free disturbance-estimator MPC вуҷуд надорад.
• Барои model uncertainty campaign-и васеи robustness анҷом дода нашудааст.
• Арзёбии noise repeated Monte Carlo ё stochastic realization-ҳои сершуморро дар бар намегирад.
• Identification residual analysis ва cross-validation-ро дар бар намегирад.
• Bias correction ҳамон current error-ро ба тамоми prediction horizon мебарад; observer ё noise filter-и ҷудогона вуҷуд надорад.
• Рақамҳои parameter/sample дар муқоисаи DMC ба assumptions-и шарҳдиҳанда вобастаанд.
• Processor-dependent timing ва PLC resource usage чен нашудаанд.

Ёддошти манба ва усул

Номи пурраи кори аслӣ: A Difference Equation Matrix Model Predictive Control Approach Applied to a Distillation Column

Муаллифон: Basil Mohammed Al-Hadithi, Javier Blanco Rico ва Agustín Jiménez.

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

Муаллифи масъул: Javier Blanco Rico.

Саҳми баробар/муаллифи якуми баробар: Дар манба чунин баёния вуҷуд надорад.

Муассисаҳо:

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.

Маҷалла: Actuators.

Нашриёт: MDPI, Basel, Switzerland.

Маълумоти библиографӣ: Actuators 2026, 15, 347.

DOI:10.3390/act15060347

Пайванди расмии нашр:MDPI – Actuators 15(6), 347

Санаи нашр: 18 июни 2026. Кор 15 апрели 2026 гирифта шуда, 7 июни 2026 бозбинӣ ва 16 июни 2026 қабул шудааст.

Навъи манба ва ҳолати ҳакамӣ: Мақолаи тадқиқотии ҳакамӣшуда мебошад, ки дар маҷаллаи Actuators нашр шудааст. Қисми татбиқи илмӣ бар моделсозии математикӣ, system identification ва closed-loop simulation асос ёфтааст.

Иҷозатнома: Creative Commons Attribution (CC BY).

Муҳаррири академӣ: Guanghong Yang.

Молиягузорӣ: Кор дар доираи лоиҳаи R&D бо истиноди PID2024-155948OB-C54 аз ҷониби MICIU/AEI/10.13039/501100011033 ва ERDF/EU маблағгузорӣ шудааст.

Кумитаи ахлоқ: Татбиқшаванда нест.

Ризоияти огоҳона: Татбиқшаванда нест.

Дастрасии маълумот: Муаллифон қайд мекунанд, ки маълумот дар дохили мақола мавҷуд аст.

Ихтилофи манфиатҳо: Муаллифон изҳор кардаанд, ки ихтилофи манфиатҳо вуҷуд надорад.

Доираи илмӣ: Тадқиқот predictive model-и вуруд–баромадро, ки мустақиман аз муодилаҳои фарқӣ ҳосил шудааст, бо quadratic unconstrained MPC control law муттаҳид мекунад ва ин усулро ба модели Wood–Berry binary distillation-column татбиқ менамояд.

Сарҳади муқоисаи DMC: Муқоисаи DEMM ва DMC дар сатҳи structural parameterization, андозаи identification-data ва matrix dimensions мебошад. Closed-loop performance benchmark дар зери plant ва tuning-и якхела анҷом дода нашудааст. Мақола муқоисаҳои IAE, ISE, ITAE, settling time, overshoot ва execution-time-ро ҳамчун кори оянда мегузорад.

Сарҳади шумораи параметрҳо: 6 параметри модел барои DEMM ва 60 параметр барои DMC ба мисоли шарҳдиҳандаи SISO-и дараҷаи сеюм, ки дар тадқиқот истифода шудааст, тааллуқ доранд. Қимати 60 барои DMC аз диапазони тақрибии 50–80 step-response parameter, ки дар манба гуфта шудааст, бо мақсади муқоиса интихоб шудааст.

Сарҳади маълумоти муайянсозӣ: Қиматҳои тақрибан 60 sample барои DEMM ва тақрибан 600 sample барои DMC ҳисоби шарҳдиҳандаи rule-of-thumb мебошанд, ки барои ҳар параметр тақрибан 10 sample қабул мекунад; ин як маҷбурияти умумии system-identification нест.

Сарҳади андозаи матритса: Натиҷаи 1580 coefficient барои DMC ва 640 coefficient барои DEMM ба \(h=20\) ва ба арзишҳои model memory/step-response-и интихобшуда дар тадқиқот вобаста аст. Ин фарқ нисбати execution-time-и мустақим ченшуда нест.

Сарҳади татбиқ: Гарчанде модели Wood–Berry як reference model-и классикӣ аст, ки аз рафтори воқеии distillation-column саноатӣ ҳосил шудааст, натиҷаҳои disturbance, noise ва setpoint дар тадқиқоти мавҷуда симулятсияи компютерӣ мебошанд. DEMM implementation дар корхонаи физикӣ анҷом дода нашудааст.

Сарҳади model identification: Арзишҳои MSE-и discrete models барои \(X_d\) ва \(X_b\) мутаносибан 0,048 ва 0,051 мебошанд. Тадқиқот residual analysis, cross-validation ва statistical-consistency campaign-и васеъ анҷом надодааст.

Сарҳади constraint: DEMM analytical control law-и мавҷуда барои unconstrained optimization мебошад. Quadratic-programming-based optimization барои actuator, control-rate ва output constraints ҳамчун самти кори оянда нишон дода шудааст.

Сарҳади устуворӣ: Мақола formal closed-loop stability guarantee пешниҳод намекунад. Formal stability analysis, offset-free MPC ва сохторҳои disturbance-estimation дар байни мавзӯъҳои кори оянда қарор доранд.

Сарҳади robustness: Санҷишҳои noise ва +%5 feed disturbance рафтори controller-ро нишон медиҳанд; model uncertainty-и васеъ, repeated stochastic realization ва comparative robustness benchmarking анҷом дода нашудаанд.

Модели математикӣ, рақамҳои муқоисаи DEMM–DMC, параметрҳои сутуни дистилятсия, хатогиҳои муайянсозӣ ва натиҷаҳои симулятсия дар ин муҳтавои Verianla ба тадқиқоти баррасишуда асос ёфтаанд. Санҷиши беруна танҳо барои тафтиши шахсияти библиографии расмии нашри мақола истифода шудааст.