Tadqiqot Difference Equation Matrix Model (DEMM) deb ataladigan kirish–chiqish asosidagi Model Predictive Control (MPC) formulatsiyasini ta’riflaydi va usulni ikkilik distillatsiya kolonnasining ko‘p o‘zgaruvchili boshqaruviga qo‘llaydi. DEMMning asosiy xususiyati kelajakdagi tizim chiqishlarini klassik step-response jadvalidan emas, balki bevosita aniqlangan diskret farq tenglamalaridan hosil qilingan matritsalar yordamida hisoblashidir. O‘tgan kirish o‘zgarishlari, o‘tgan chiqishlar va rejalashtirilgan kelajak boshqaruv o‘zgarishlari bitta prediction modelida birlashtiriladi; so‘ng quadratic xarajat funksiyasi analitik ravishda minimallashtirilib, kelajakdagi boshqaruv harakatlari hisoblanadi.

Ish DEMMni keng tarqalgan sanoat predictive-control yondashuvlaridan Dynamic Matrix Control (DMC) bilan strukturaviy jihatdan taqqoslaydi. Mualliflar bergan tushuntiruvchi uchinchi darajali SISO misolida DEMM oltita dinamik parametr bilan ifodalanadi, DMC uchun esa 60 ta step-response parametri qabul qilinadi. Har bir parametr uchun taxminan 10 ta identifikatsiya namunasi faraz qilinsa, bu misol mos ravishda taxminan 60 va 600 ma’lumot namunasiga to‘g‘ri keladi. \(h=20\) prediction horizon misolida DMC matritsalarida jami 1580, DEMM modelida esa 640 koeffitsiyent mavjud. Bu sonlar DEMM yanada ixcham ifoda berishi mumkinligini ko‘rsatadi; biroq maqola ularni hisoblash vaqti yoki yopiq kontur performance ustunligining bevosita dalili sifatida ishlatmaydi.

Qo‘llash bo‘limida klassik Wood–Berry ikkilik distillatsiya kolonnasi ishlatilgan. Boshqariladigan ikkita chiqish yuqori mahsulotning distillat tarkibi \(X_d\) va pastki mahsulot tarkibi \(X_b\) hisoblanadi. Boshqaruv kirishlari reflux flow rate \(L_R\) va reboilerga beriladigan steam flow rate \(G_v\)dir. Feed flow rate \(F\) esa tashqi buzuvchi sifatida modelga kiradi. Ishning nominal ish nuqtasida distillat tarkibi %96,25 mol, pastki mahsulot tarkibi %0,5 mol, reflux oqimi 0,0147 kg/s, bug‘ oqimi 0,0129 kg/s va feed oqimi 0,0185 kg/s.

DEMM uchun zarur diskret kirish–chiqish modellari tizimga \(N(0,0.1)\) taqsimotli oq shovqin excitation signallari qo‘llanib va least-squares identifikatsiyasi bajarilib tuzilgan. Distillat modeli uchun mean squared prediction error 0,048, pastki mahsulot modeli uchun 0,051 topilgan. Bu identifikatsiya bosqichidagi oq shovqin keyinchalik yopiq kontur robustness baholashida feed disturbance ustiga qo‘shilgan shovqin ssenariysi bilan aralashtirilmasligi kerak.

Distillatsiya kolonnasi boshqaruvida prediction horizon \(h=15\), distillat uchun \(Q_{Xd}=I\), pastki mahsulot uchun \(Q_{Xb}=10I\) va boshqaruv harakati uchun \(R=5I\) ishlatilgan. Feed flow ustiga 50-daqiqada +%5 step disturbance qo‘llangan; shuningdek \(N(0,0.1)\) shovqinli feed ssenariysi va tarkib reference qiymatlarida 0,1 kattalikdagi ketma-ket setpoint o‘zgarishlari ko‘rib chiqilgan. Manba bu sharoitlarda DEMM buzuvchilarni bostirganini va reference o‘zgarishlarini silliq kuzatganini bildiradi. Biroq maqolada IAE, ISE, settling time yoki overshoot kabi qiyosiy sonli performance indekslari berilmagan.

Ishning muhim chegarasi — natijalar haqiqiy kimyo zavodida yoki laboratoriya distillatsiya kolonnasida olinmagan. Wood–Berry transfer modeli ekspluatatsiya ma’lumotlaridan hosil qilingan klassik jarayon modelidir; mavjud ish ushbu modeldan foydalanib kompyuter simulyatsiyasini bajaradi. Bundan tashqari DEMM qo‘llanmasi unconstrained hisoblanadi; haqiqiy zavodda nasos, klapan, steam-flow yoki mahsulot composition chegaralari bevosita optimization muammosiga kiritilmagan.

Turkiya nuqtayi nazaridan baholash: DEMM yondashuvi Turkiyadagi neftni qayta ishlash, neft-kimyo, kimyo, energetika va jarayonlarni avtomatlashtirish ishlarida, ayniqsa modeli kirish–chiqish ma’lumotidan tez qurilishi mumkin bo‘lgan ko‘p o‘zgaruvchili jarayonlar uchun tadqiq etishga arziydigan MPC muqobilini yaratishi mumkin. Yanada ixcham parametr tuzilmasi model identification va PLC/edge-controller ustida saqlash yukini kamaytirish salohiyatiga ega. Biroq mavjud ish haqiqiy zavod commissioning muddatini, protsessor ishlatilishini yoki tijoriy DMCga nisbatan dala performanceini o‘lchamagan. Turkiyadagi real jarayonlarga ko‘chirish uchun zavod ma’lumoti bilan qayta identifikatsiya, klapan va actuator cheklovlarini optimization muammosiga qo‘shish, model drift, o‘lchov filtri, xavfsizlik interlocklari va uzoq muddatli dala tasdig‘i talab qilinadi.

DEMM aynan nima?

DEMM kelajakdagi jarayon xatti-harakatini bashorat qilish uchun o‘tgan kirish va chiqish namunalaridan tuzilgan farq tenglamalarini bevosita matritsa shakliga aylantiradigan kirish–chiqish Model Predictive Control yondashuvidir.

Ish DEMMni butunlay yangi predictive-control paradigmasi sifatida ta’riflamaydi. Mualliflar ifodasiga ko‘ra, usul transfer-function, ARX va Generalized Predictive Control kabi kirish–chiqish asosidagi MPC oilasi ichidadir. Asl hissa predictive modelning discrete difference equations orqali aniq va ixcham matritsa tuzilmasida qurilishidir.

Asosiy SISO farq tenglamasi qanday quriladi?

Bir SISO tizim uchun joriy chiqish o‘tgan kirish va chiqishlarga bog‘liq holda:

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

ko‘rinishida ifodalanadi.

Bu yerda:

• \(x_i\): boshqaruv kirishi,
• \(y_i\): o‘lchangan tizim chiqishi,
• \(m\): modelning dinamik xotirasi,
• \(\alpha_i\) va \(\beta_i\): aniqlanishi kerak bo‘lgan model koeffitsiyentlari.

Manba taqdimotni soddalashtirish uchun kirish va chiqish kechikish darajasini bir xil \(m\) bilan ko‘rsatadi; biroq DEMM turli input/output lag order va explicit time delay qiymatlarini ham qo‘llab-quvvatlaydi.

Nega kirish o‘zgarishining incremental shakli ishlatiladi?

Boshqaruv kirishi:

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

ko‘rinishida o‘zgarish sifatida yozilganda farq tenglamasi incremental modelga aylanadi.

Bu tuzilma MPC nuqtayi nazaridan ikki vazifani bajaradi. Birinchisi, optimizatsiya o‘zgaruvchisini mutlaq boshqaruv kirishi o‘rniga boshqaruv harakatidagi o‘zgarish holiga keltiradi. Ikkinchisi, steady-state offsetni kamaytirishga va disturbance rejection xatti-harakatini yaxshilashga hissa qo‘shadi. Manba bu perfect offset elimination kafolati emasligini alohida ta’kidlaydi.

Bashorat ufqi modelga qanday qo‘shiladi?

Faqat bitta keyingi sample o‘rniga kelajakda \(h\) ta chiqishni bashorat qilish uchun farq tenglamalari ustma-ust yozilib:

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

matritsa tenglamasi hosil qilinadi.

O‘tgan va kelajak hadlari ajratilganda:

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

olinadi.

\(B_f\) matritsasi yuqori uchburchakli va diagonal elementlari 1 bo‘lgani uchun:

\[ \det(B_f)=1 \]

va teskarisi mavjud. Shunday qilib kelajak chiqish vektori:

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

ko‘rinishiga keltiriladi.

\(F_x\), \(P_x\) va \(P_y\) nimani ifodalaydi?

Modelning uch asosiy matritsasi:

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

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

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

ko‘rinishida ta’riflanadi.

• \(F_x\): kelajakda rejalashtirilgan boshqaruv o‘zgarishlarining kelajak chiqishlarga ta’siri,
• \(P_x\): o‘tgan boshqaruv o‘zgarishlarining kelajak chiqishlarga ta’siri,
• \(P_y\): o‘tgan output dynamicsning kelajakka ko‘chirilishidir.

Prediction horizon qanday tanlanishi kerak?

Manba boshqaruv dizayni nuqtayi nazaridan umuman:

\[ h\geq m \]

tanlanishini tavsiya qiladi. Shu orqali prediction horizon tizim modelining to‘liq dinamik xotirasini qamrab olishi mumkin.

Sof kirish kechikishi \(d\) sample bo‘lsa:

\[ h>d \]

bo‘lishi kerak. Aks holda hisoblangan boshqaruv harakatining ta’siri prediction horizon ichida output ustida ko‘rinmagani uchun controller bu ta’sir natijasini baholay olmaydi.

MPC xarajat funksiyasi nima?

DEMM controlleri:

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

xarajat funksiyasidan foydalanadi.

Bu yerda:

• \(r\): prediction horizon davomida reference trajectory,
• \(Q\): output tracking error og‘irligi,
• \(R\): control increment og‘irligi.

Tuzilma LQR xarajat funksiyasiga o‘xshaydi; asosiy farq holat xatosi o‘rniga future output tracking error jazolanishidir.

Optimal boshqaruv harakati qanday topiladi?

Ishda explicit constraints yo‘qligi sababli quadratic xarajatning analytical minimumi bevosita hisoblanadi:

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

Control gain matritsasi:

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

deb ta’riflanadi.

Unique minimum uchun Hessian:

\[ F_x^TQF_x+R \]

positive definite bo‘lishi kerak. Ishda bu \(Q\) va \(R\) positive definite tanlanishi bilan ta’minlanishi aytiladi.

Free response nima?

Kelajakdagi boshqaruv kirishi o‘zgartirilmasa, model bashorat qiladigan chiqish:

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

deb ta’riflanadi.

Bu kattalik jarayonning mavjud o‘tmishiga ko‘ra “controller hech qanday yangi o‘zgarish qilmasa nima bo‘ladi?” degan savolning javobidir.

Controller keyin reference bilan ushbu free response o‘rtasidagi farqni kamaytiradigan \(\Delta x_f\) ketma-ketligini hisoblaydi.

Model xatosi uchun qanday correction qo‘llanadi?

Joriy o‘lchangan output bilan modelning shu paytdagi bashorati orasidagi farq:

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

free-response bashoratiga correction sifatida qo‘shiladi.

Manba ushbu joriy prediction mismatch qiymatini butun prediction horizon davomida bir xil bias sifatida olib boradi. Alohida Kalman filter, observer yoki dedicated noise filter ishlatilmagan.

Receding-horizon prinsipi qanday qo‘llanadi?

Optimizer kelajak uchun control increment ketma-ketligini ishlab chiqarsa ham, tizimning hammasi bir vaqtda qo‘llanmaydi. Faqat:

hisoblangan ketma-ketlikning birinchi boshqaruv o‘zgarishi

jarayonga yuboriladi.

Yangi o‘lchov olinganda model yana dolzarb o‘tgan ma’lumotlar bilan baholanadi, optimization qayta yechiladi va prediction horizon bir sample oldinga suriladi. Bu klassik receding-horizon MPC mexanizmidir.

DEMMning onlayn algoritmi

Manba bergan ish tartibi quyidagicha:

1. O‘lchangan output olinadi.
2. Joriy output modeldan bashorat qilinadi.
3. Free response hisoblanadi.
4. Joriy prediction mismatch correction sifatida qo‘shiladi.
5. Prediction horizon davomida reference trajectory yaratiladi.
6. Corrected free-response error hisoblanadi.
7. Future control increment vektori hisoblanadi.
8. Faqat birinchi control increment qo‘llanadi.
9. Keyingi sampleda jarayon takrorlanadi.

DEMM MIMO tizimlarga qanday kengaytiriladi?

Bir nechta kirish va chiqish bo‘lganda model:

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

ko‘rinishiga kengaytiriladi.

\(F_x\) va \(P_x\) matritsalaridagi off-diagonal blocks turli input va output juftlari orasidagi dinamik interactionlarni olib yuradi. Bu xususiyat distillatsiya kolonnalari kabi bitta input o‘zgarishi bir nechta product composition ustida ta’sir ko‘rsatadigan jarayonlarda juda muhim.

DEMM va DMCning umumiy jihati nima?

Ikkala yondashuv ham:

• kirish–chiqish ma’lumotidan model tuzadi,
• kelajakdagi jarayon outputlarini bashorat qiladi,
• prediction horizon ishlatadi,
• past input contribution va future control contributionni ajratadi,
• receding-horizon prinsipini qo‘llaydi.

Asosiy farq plant modelining qanday qurilishidadir.

DMC modeli qanday quriladi?

DMC jarayonning step response koeffitsiyentlarini:

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

ishlatadi.

Chiqish:

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

ko‘rinishida ifodalanadi. Model yaxshi aniqlikka ega bo‘lishi uchun step response davomida ko‘p sonli sample kerak bo‘lishi mumkin.

DEMMning ixchamlik da’vosi qaysi misolga asoslanadi?

Maqola uchinchi darajali SISO DEMM modeli uchun uch input va uch output dynamics coefficient, ya’ni 6 dinamik parametr misolini beradi.

DMC uchun manba odatda 50–80 step-response sample ishlatilishi mumkinligini bildiradi va strukturaviy taqqoslash maqsadida 60 parametrni tanlaydi.

Shu sababli 6 va 60 sonlari muayyan taqqoslash misolidir; barcha jarayonlarda doimiy emas.

Jadvaldagi asosiy tendensiya DEMM maqoladagi misolda kamroq parametr va kichikroq o‘tgan-dinamik matritsa tuzilmasi bilan ifodalanishi mumkinligini ko‘rsatadi. Manba bu natijani pastroq real execution time yoki yaxshiroq yopiq kontur performancening eksperimental dalili sifatida taqdim etmaydi.

DMC uchun 600 sample haqiqatan majburiymi?

Yo‘q. Maqoladagi 600 soni 60 model parametri va har parametr uchun taxminan 10 identifikatsiya namunasi farazidan kelib chiqqan tushuntiruvchi qiymatdir.

Haqiqiy ma’lumot ehtiyoji:

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

kabi omillarga bog‘liq. Maqola ham bu sonni qat’iy DMC standarti sifatida taqdim etmaydi.

DEMM va DMC performance jihatidan taqqoslandimi?

Yo‘q. Bu ish DEMM va DMCni ayni distillation modelida, ayni tuning va ayni disturbance sharoitlarida ishlatib bevosita taqqoslamagan.

Manba ayniqsa quyidagi metrikalar kelajak ishga qoldirilganini bildiradi:

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

Shuning uchun “DEMM DMCdan tezroq” yoki “DEMM DMCdan yaxshiroq boshqaradi” degan xulosani bu maqoladan chiqarib bo‘lmaydi.

Nega distillatsiya kolonnasi yaxshi MIMO test muammosi?

Distillatsiya kolonnasida reflux yoki reboiler steam kabi bitta manipulated variable faqat bitta outputga ta’sir qilmaydi. Kolonna ichidagi vapor–liquid equilibrium va material transfer sababli yuqori va pastki mahsulot tarkiblari o‘zaro bog‘langan.

Bundan tashqari jarayonlar:

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

ko‘rsatishi mumkin. Shu sababli distillation column multivariable predictive-control usullarining keng tarqalgan benchmark sohalaridan biridir.

Wood–Berry modeli nima?

Ish klassik Wood–Berry binary distillation modelidan foydalanadi:

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

Bu yerda:

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

Nominal ish nuqtasi nima?

Bu ish nuqtasi Wood–Berry modelidagi transfer funksiyalar atrofida ishlatiladigan nominal jarayonni ifodalaydi.

Model identification qanday amalga oshirildi?

Identifikatsiya uchun plant inputs ustiga:

\[ N(0,0.1) \]

Gaussian white-noise excitation qo‘llangan.

Bu yerda o‘rtacha 0 va standart og‘ish 0,1.

Bu excitation faqat model identification uchundir. Keyingi closed-loop feed-noise tajribasi boshqa baholash bosqichidir.

Distillat uchun aniqlangan farq tenglamasi

Manba distillat modeli uchun:

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

tenglamasiga erishgan.

Mean squared prediction error:

0,048

deb xabar qilingan.

Pastki mahsulot uchun aniqlangan farq tenglamasi

Pastki mahsulot modeli:

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

ko‘rinishidadir.

Mean squared prediction error:

0,051

deb berilgan.

Model quality qanchalik keng tasdiqlandi?

Ishning maqsadi comprehensive system identification campaign yuritish emas, controller uchun ishlatish mumkin bo‘lgan predictive model olishdir.

Shu sababli model sifati prediction error bilan baholangan. Manbada:

• residual analysis,
• cross-validation,
• statistical consistency test,
• mustaqil hold-out tasdig‘i

xabar qilinmagan.

Ish qo‘llab-quvvatlagan natijalar

• Difference equations bevosita MPC prediction matrices holiga aylantirilishi mumkin.
• DEMM kirish va output delaylarini model tuzilmasida ifodalashi mumkin.
• DEMM MIMO tizimlarda cross-input/output interactionlarni \(F_x\) va \(P_x\) bloklari orqali ifodalay oladi.
• Maqoladagi misol strukturaviy taqqoslashida DEMM DMCga qaraganda ixchamroq model parameterization ishlatadi.
• Wood–Berry column uchun aniqlangan ikki discrete model 0,048 va 0,051 prediction MSE qiymatlarini bergan.
• DEMM simulyatsiyada +%5 feed step disturbance so‘ng ikki product compositionni nominal reference qiymatlarga qayta yo‘naltirgan.
• Feed disturbance ustiga Gaussian noise qo‘shilgan ssenariyda closed-loop xatti-harakati qabul qilinarli bo‘lib qolgan.
• Successive setpoint changes ostida distillate va bottom compositions reference o‘zgarishlarini kuzatgan.
• Incremental control formulation va current prediction-error correction model mismatch ta’sirini kamaytirishga yordam bergan.

Ish qo‘llab-quvvatlamagan yoki sinamagan natijalar

• DEMM DMCdan yaxshiroq closed-loop boshqaruv performanceini ta’minlashi ko‘rsatilmagan.
• DEMM real CPU ustida DMCdan tezroq ishlashi o‘lchanmagan.
• DEMM tijoriy DMC tizimidan qisqaroq commissioning muddati talab qilishi dala ma’lumoti bilan isbotlanmagan.
• Haqiqiy distillatsiya kolonnasida yoki kimyo zavodida tajriba bajarilmagan.
• Actuator, input-rate yoki output constraints mavjud controllerga kiritilmagan.
• Formal closed-loop stability guarantee taqdim etilmagan.
• Offset-free MPC disturbance-state estimator ishlab chiqilmagan.
• Keng parameter/model uncertainty robustness tahlili bajarilmagan.
• Repeated stochastic realizations orqali statistik robustness taqsimoti yaratilmagan.
• DMC, GPC, PID yoki fuzzy controller bilan bir xil sharoitlarda bevosita performance benchmark bajarilmagan.
• Identification modellari residual analysis va independent cross-validation bilan keng tasdiqlanmagan.

Ishning usuli va natijalari

DEMM boshqaruv jarayoni

DEMM–DMC matritsa o‘lchami misoli

Ishning \(h=20\) misolida DMC uchun:

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

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

ishlatiladi va jami 1580 coefficient olinadi.

DEMM uchun:

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

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

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

bo‘lib, jami coefficient soni 640.

Bu sonlar faqat maqoladagi strukturaviy misol uchundir; real implementation memory va execution time alohida o‘lchanmagan.

Distillation modelidagi input delaylar

Aniqlangan discrete equations DEMM turli input delaylarni ko‘tara olishini amaliy ravishda ko‘rsatadi.

Ayniqsa reflux oqimining bottom composition ustidagi uzoqroq kechikishi turli input–output yo‘llari bir xil delay structurega ega bo‘lishi shart emasligini ko‘rsatadi.

Controller sozlamalari

Pastki mahsulot compositioniga distillatga qaraganda yuqoriroq output weight berilgan. Maqola bu tuning tizimli global optimization natijasida olinganini bildirmaydi.

+%5 feed disturbance tajribasi

Birinchi closed-loop ssenariyda:

t = 50 daqiqa

paytida feed-flow disturbance \(F\)ga:

+%5 step change

qo‘llangan.

4-rasmda \(X_d\) ham, \(X_b\) ham qisqa muddatli og‘ish ko‘rsatgandan so‘ng nominal composition hududlariga qayta yo‘naladi. Shu paytda reflux va steam control actions ham vaqtinchalik tuzatish harakatlarini hosil qiladi.

Manba bu xatti-harakatni satisfactory disturbance rejection deb ta’riflaydi; biroq settling time va peak deviation uchun aniq jadval qiymatlarini bermaydi. Shu sababli grafikdan taxminiy sonlar hosil qilinmagan.

Gaussian feed-noise tajribasi

Ikkinchi yopiq kontur sinovida feed-flow disturbance ustiga:

\[ N(0,0.1) \]

Gaussian white noise qo‘shilgan.

6-rasmda mahsulot tarkiblari va ikki manipulated flow signal shovqin ostida tebransa ham closed-loop tizim ishlashda davom etadi.

Manba buni tested noise conditions ostida acceptable closed-loop performance deb izohlaydi. Faqat bitta noise realization ko‘rsatilgani uchun natija keng qamrovli stochastic robustness dalili emas.

Setpoint-tracking tajribasi

Uchinchi ssenariyda distillate va bottom-product reference signalsga:

0,1 kattalikdagi ketma-ket step o‘zgarishlari

qo‘llangan.

7-rasm DEMM \(X_d\) va \(X_b\) reference o‘zgarishlarini kuzatish uchun \(L_R\) va \(G_v\) boshqaruv kirishlarini o‘zgartirganini ko‘rsatadi.

Manba natijalarni smooth reference tracking va disturbance rejection o‘rtasida reasonable trade-off sifatida tavsiflaydi; aniq overshoot yoki tracking index jadvalini taqdim etmaydi.

Identification natijalari

Ikki output uchun prediction error bir-biriga yaqin darajada. Shunga qaramay ish bu modellarni independent cross-validation yoki residual whiteness testlari bilan keng tekshirmagan.

Ishning kuchli jihatlari

• DEMMning farq tenglamasidan MPC matritsalariga o‘tishini aniq matematik shaklda keltirib chiqaradi.
• Input delay va turli lag tuzilmalarini formulatsiyaga kiritadi.
• SISOdan MIMOga blok-matritsa kengaytmasini beradi.
• Closed-form unconstrained control law tufayli online optimization tuzilmasini soddalashtiradi.
• Prediction mismatch uchun oddiy bias-correction mexanizmidan foydalanadi.
• DMC bilan strukturaviy model va matritsa kattaligi farqlarini aniq sonli misollar bilan ko‘rsatadi.
• Usulni kuchli cross-coupling va time delayga ega klassik distillation-column modeliga qo‘llaydi.
• Disturbance, noise va setpoint-change bo‘yicha uch xil closed-loop ssenariyni ko‘rsatadi.

Asosiy metodologik cheklovlar

• Distillation-column qo‘llanmasi simulyatsiyadir.
• DMC bilan direct closed-loop benchmark bajarilmagan.
• GPC bilan batafsil benchmark bajarilmagan.
• Constraint handling mavjud emas.
• Formal stability analysis yo‘q.
• Offset-free disturbance-estimator MPC formulatsiyasi yo‘q.
• Model uncertainty uchun keng robustness campaign bajarilmagan.
• Noise baholash repeated Monte Carlo yoki ko‘p stochastic realizationni o‘z ichiga olmaydi.
• Identification residual analysis va cross-validationni o‘z ichiga olmaydi.
• Bias correction butun prediction horizonga bir xil current errorni olib boradi; alohida observer yoki noise filter yo‘q.
• DMC taqqoslashidagi parameter/sample sonlari tushuntiruvchi assumptionsga bog‘liq.
• Processor-dependent timing va PLC resource usage o‘lchanmagan.

Manba va usul qaydi

To‘liq asl ish nomi: A Difference Equation Matrix Model Predictive Control Approach Applied to a Distillation Column

Mualliflar: Basil Mohammed Al-Hadithi, Javier Blanco Rico va Agustín Jiménez.

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

Mas’ul muallif: Javier Blanco Rico.

Teng hissa/teng birinchi mualliflik: Manbada bunday bayonot yo‘q.

Muassasalar:

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.

Noshir: MDPI, Basel, Switzerland.

Bibliografik ma’lumot: Actuators 2026, 15, 347.

DOI:10.3390/act15060347

Rasmiy nashr havolasi:MDPI – Actuators 15(6), 347

Nashr sanasi: 18-iyun 2026. Ish 15-aprel 2026da olingan, 7-iyun 2026da qayta ko‘rib chiqilgan va 16-iyun 2026da qabul qilingan.

Manba turi va hakamlik holati: Actuators jurnalida chop etilgan hakamli tadqiqot maqolasi. Ilmiy qo‘llash qismi matematik modellashtirish, system identification va closed-loop simulationga asoslangan.

Litsenziya: Creative Commons Attribution (CC BY).

Akademik muharrir: Guanghong Yang.

Moliyalashtirish: Ish PID2024-155948OB-C54 referensli R&D loyihasi doirasida MICIU/AEI/10.13039/501100011033 va ERDF/EU tomonidan moliyalashtirilgan.

Etika qo‘mitasi: Qo‘llanilmaydi.

Xabardor qilingan rozilik: Qo‘llanilmaydi.

Ma’lumotlar mavjudligi: Mualliflar ma’lumotlar maqola ichida mavjudligini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bayon qilgan.

Ilmiy qamrov: Ish farq tenglamalaridan bevosita hosil qilingan kirish–chiqish predictive modelini quadratic unconstrained MPC control law bilan birlashtiradi va usulni Wood–Berry binary distillation-column modeliga qo‘llaydi.

DMC taqqoslash chegarasi: DEMM va DMC taqqoslanishi structural parameterization, identification-data kattaligi va matrix dimensions darajasidadir. Ayni plant va tuning ostida closed-loop performance benchmark bajarilmagan. Maqola IAE, ISE, ITAE, settling time, overshoot va execution-time taqqoslashlarini kelajak ish sifatida qoldiradi.

Parametr soni chegarasi: DEMM uchun 6 va DMC uchun 60 model parametri ishda ishlatilgan tushuntiruvchi uchinchi darajali SISO misoliga tegishli. DMC uchun 60 qiymati manbada ko‘rsatilgan taxminan 50–80 step-response parameter oralig‘idan taqqoslash maqsadida tanlangan.

Identifikatsiya ma’lumoti chegarasi: DEMM uchun taxminan 60 va DMC uchun taxminan 600 sample qiymati har parametr uchun taxminan 10 sample qabul qilingan tushuntiruvchi rule-of-thumb hisobidir; umumiy system-identification majburiyati emas.

Matritsa o‘lchami chegarasi: DMC uchun 1580 va DEMM uchun 640 coefficient natijasi \(h=20\) va ishda tanlangan model memory/step-response qiymatlariga bog‘liq misoldir. Bu farq bevosita o‘lchangan execution-time nisbati emas.

Qo‘llash chegarasi: Wood–Berry modeli real sanoat distillation-column xatti-harakatidan hosil qilingan klassik reference model bo‘lsa-da, mavjud tadqiqotning disturbance, noise va setpoint natijalari kompyuter simulyatsiyasidir. Fizik zavod ustida DEMM implementation bajarilmagan.

Model identification chegarasi: \(X_d\) va \(X_b\) discrete modellarining MSE qiymatlari mos ravishda 0,048 va 0,051. Ish keng residual analysis, cross-validation va statistical-consistency campaign bajarmagan.

Constraint chegarasi: Mavjud DEMM analytical control law unconstrained optimization uchundir. Actuator, control-rate va output constraints uchun quadratic-programming-based optimization kelajak ish yo‘nalishi sifatida ko‘rsatilgan.

Barqarorlik chegarasi: Maqola formal closed-loop stability guarantee taqdim etmaydi. Formal stability analysis, offset-free MPC va disturbance-estimation tuzilmalari kelajak ish mavzulari orasidadir.

Robustness chegarasi: Noise va +%5 feed disturbance testlari controller xatti-harakatini ko‘rsatadi; keng model uncertainty, repeated stochastic realization va comparative robustness benchmarking bajarilmagan.

Ushbu Verianla mazmunidagi matematik model, DEMM–DMC taqqoslash sonlari, distillatsiya kolonnasi parametrlari, identifikatsiya xatolari va simulyatsiya natijalari ko‘rib chiqilgan ishga asoslangan. Tashqi tasdiqlash faqat maqolaning rasmiy bibliografik nashr identifikatsiyasini tekshirish maqsadida ishlatilgan.