کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
171996 458512 2016 9 صفحه PDF سفارش دهید دانلود رایگان
عنوان انگلیسی مقاله ISI
Iterative learning model predictive control for constrained multivariable control of batch processes
ترجمه فارسی عنوان
کنترل پیش بینی کننده ایده آل برای کنترل محدودیت های چند متغیره فرآیندهای دسته ای
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت
خدمات تولید محتوا

این مقاله ISI می تواند منبع ارزشمندی برای تولید محتوا باشد.

  • تولید محتوا برای سایت و وبلاگ
  • تولید محتوا برای کتاب
  • تولید محتوا برای نشریات و روزنامه ها
  • و...

پایگاه «دانشیاری» آمادگی دارد با همکاری مجموعه «شهر محتوا» با استفاده از این مقاله علمی، برای شما به زبان فارسی، تولید محتوا نماید.

تولید محتوا
با 10 درصد تخفیف ویژه دانشیاری
کلمات کلیدی
کنترل یادگیری تندرو؛ کنترل پیش بینی مدل؛ رد اختلال؛ کنترل بدون افست؛ محدودیت کنترل چند متغیره؛ کنترل پیش بینی کننده مدل یادگیری تکراری
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی مهندسی شیمی (عمومی)
چکیده انگلیسی


• We propose a MPC technique combined with ILC for constrained multivariable control.
• The proposed ILMPC formulation is based on general MPC and incorporates an iterative learning function into MPC.
• We provide sufficient conditions for asymptotic and monotonic convergences of the proposed ILMPC.
• Simulation examples are provided to show the effectiveness of the proposed technique.

In this paper, we propose a model predictive control (MPC) technique combined with iterative learning control (ILC), called the iterative learning model predictive control (ILMPC), for constrained multivariable control of batch processes. Although the general ILC makes the outputs converge to reference trajectories under model uncertainty, it uses open-loop control within a batch; thus, it cannot reject real-time disturbances. The MPC algorithm shows identical performance for all batches, and it highly depends on model quality because it does not use previous batch information. We integrate the advantages of the two algorithms. The proposed ILMPC formulation is based on general MPC and incorporates an iterative learning function into MPC. Thus, it is easy to handle various issues for which the general MPC is suitable, such as constraints, time-varying systems, disturbances, and stochastic characteristics. Simulation examples are provided to show the effectiveness of the proposed ILMPC.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Chemical Engineering - Volume 93, 4 October 2016, Pages 284–292
نویسندگان
,,
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
سفارش ترجمه تخصصی
با تضمین قیمت و کیفیت