چکیده
در این مقاله یک الگوریتم بهینه‌سازی عملکرد برای پیکربندی مجدد کنترلر در کنترل پیش‌بینی مدل توزیع‌شده با تحمل‌پذیری خطا برای سیستم‌های بزرگ مقیاس ارائه شده است. پس از تشخیص خطا در سیستم، چند پیکربندی دیگر برای کنترلر به‌عنوان اقدامات اصلاحی برای جبران خسارت خطا انجام می‌گیرد. راه‌حلِ مجموعه‌ای از مسائل بهینه‌سازی محدود با فعال‌کننده‌های مختلف استفاده از یک رویکرد اصلی و بهره‌برداری از اطلاعات مربوط به محدودیت فعال در زیرسیستم‌های غیرمعیوب است. بنابراین، مسئله بهینه‌سازی به دو زیر مسئله بهینه‌سازی تقسیم می‌شود، که انجام محاسبات آنلاین تا حد زیادی کاهش می‌یابد. پس از آن، کارآیی پیکربندی‌های مختلف محاسبه شده و از میان آن‌ها پیکربندی با اجرای بهتر انتخاب شده و برای جبران خطا به کار گرفته شده است. تاثیر رویکرد پیشنهاد شده با استفاده از رویکرد Alkylation of benzene، نشان داده شده است که یک فرآیند معیار برای کنترل پیش‌بینی مدل توزیع‌شده است.
1. معرفی
افزایش رقابت جهانی، نیاز به محصولات با کیفیت بالاتر و مقررات زیست محیطی، روند صنعت را مجبور می‌کند تا به‌طور مداوم بهره‌وری و سودآوری بهینه شود. استراتژی‌های پیشرفته کنترل، از جمله کنترل پیش‌بینی مدل (MPC)، این امکان را به وجود آورده‌اند که اجرای فرآیندها نزدیک به کیفیت و محدودیت‌های ایمنی با افزایش سودآوری و اطمینان از کیفیت بهتر محصول نهایی و افزایش ایمنی باشند [26]. در مهندسی، معمولا MPC متمرکز نمی‌تواند کل فرایند در مقیاس بزرگ را مدیریت کند. در عوض، ممکن است MPC ها با هم و به‌صورت توزیع‌شده به تبادل اطلاعات هر سیستم برای دستیابی به اهداف کنترل عمل کنند. برای این منظور، روش‌های کنترل توزیع‌شده‌ی کارآمد بسیاری در دهه‌های گذشته توسعه یافته‌اند. به‌عنوان مثال، Scheu و Marquardt [28] یک روش کنترل پیش‌بینی مدل توزیع‌شده (DMPC) براساس الگوریتم بهینه‌سازی توزیع‌شده ارائه داده‌اند که به هماهنگی در استفاده از حساسیت‌های مرتبه اول توابع هدف سیستم‌های همسایه متکی است. DMPC پیشنهاد شده می‌تواند به‌طور موثر بار محاسباتی را کاهش دهد و بر محدودیت‌های ارتباطی ممکن است در MPC متمرکز غلبه کند. طرح‌های DMPC دیگری براساس نظریه بازی [19]، نظریه بازی چانه‌زنی [1]، و تجزیه پی در پی مسئله متمرکز، طراحی شده‌اند [22]. DMPC ها به‌طور گسترده در سیستم‌های کنترل مختلفی، از جمله فرآیند جدا کردن راکتور، alkylation of benzene [15]، فرآیندهای خنک‌کننده [42]، فرآیند خنک‌کننده تست شتاب دکل [41]، شبکه‌های حمل‌و‌نقل [22] و شکل‌گیری ربات‌های تک چرخه [8] مورد استفاده قرار گرفته‌اند. بنابراین، به یک روش معمول برای استفاده از استراتژی DMPC در فرآیندهای بزرگ مقیاس تبدیل شده‌اند (به [4،27،23] نگاه کنید).
طرح‌های کنترل معمولی بنا به این فرض که سنسورها و فعال‌کننده ها عاری از خطا هستند توسعه یافته‌اند. بااین‌حال، وقوع خطا موجب افت کارآیی می‌شود و همچنین بر ایمنی، بهره‌وری و اقتصاد گیاهی تاثیر می‌گذارد. به‌عنوان نتیجه، پژوهش حاضر به تغییر مدیریت پیشرفته‌ی شرایط غیرطبیعی مانند اختلال و خطا متمرکز است، که هنوز هم فرصت عالی برای بهبود بیشتر کارآیی فراهم می‌کند. برای این منظور، در سال‌های اخیر کنترل تحمل‌پذیری خطا (FTC) توجه زیادی را در علوم مهندسی به خود جلب کرده است (به [2،20،40] مراجعه کنید). در این مقاله، کنترل پیش‌بینی مدل تحمل‌پذیر خطا (FTMPC)، که خواص تحمل‌پذیری خطا را در MPC جای داده است، بسیار مورد مطالعه قرار گرفته است [18]. اقدامات اصلاحی FTC را می‌توان به دو دسته طبقه‌بندی کرد: تطبیق خطا و پیکربندی دوباره کنترلر، که تفاوت آن‌ها در تغییرات تنظیمات کنترلر برای جبران خطا نهفته است. به‌طورخاص، Pranatyasto و Qin [25] FTC مبتنی بر داده‌ها را با کاتالیزور سیال شبیه‌سازی‌شده، مورد مطالعه قرار داده‌اند، که در آن سنسور خطا توسط اصول تحلیل مولفه و جایگزینی در MPC تشخیص داده شده است. در Prakash و همکارانش [24]، یک سیستم FTC تطبیق خطا براساس اطلاعات ارائه شده توسط روش نسبت عمومی احتمال توسعه داده شده است. در Kettunen و همکارانش [14]، Sourander و همکارانش [30] و Kettunen و Jämsä-Jounela [13]، راه‌حل‌های مختلفی، از جمله FTMPC مبتنی بر داده با تطبیق خطا، در یک فرایند پیچیده پیشنهاد و تست شده است.
این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان تحمل پذیری خطا در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
