فصل سوم
-
مروری بر فعالیتهای پیشین
-
- مقدمه
-
در این فصل مروری بر مقالات و کارهای انجام شده قبلی جهت پیادهسازی روشهای کنترل مدل پیش بین روی PLC ها ارائه می شود. در این فصل مقالات سالهای اخیر تحلیل و بررسی میشوند.
-
-
-
- پیادهسازی روش کنترل مدل پیش بین روی PLC
-
-
در یکی از مقالات سال ۲۰۱۰ [۱۱]، برای پروسه ای که با PLC S7-200 کنترل می شود از روش کنترل مدل پیشبین برای کنترل دمای هیتر J-type استفاده شده است. در این مقاله با این که مدل سیستم درجه بالاتر از یک دارد، با یک مدل درجه اول همراه با تاخیر تخمین زده شده است که تاخیر آن به صورت تجربی تعیین می شود. با روش حداقل مربعات بازگشتی دو پارامتر دیگر سیستم شناسایی و مدل شناسایی شده و خطایی که تولید می شود برای طراحی کنترل مدل پیشبین استفاده می شود. PLC استفاده شده مدل CPU226CN شرکت زیمنس است. اجزای سیستم شامل یک هیتر ،ترموکوپل برای سنجش دما، اتصال سرد جبرانساز و مدارهای پردازش سیگنال و رلههای حالت جامد است. خروجی روش کنترل مدل پیشبین موج PWM[27] است که از آن برای کنترل جریان هیتر (روشن و خاموش کردن هیتر) استفاده می شود تا دمای آن در محدوده مورد نظر کنترل شود. کنترل پیشبین خروجی را به دمای مورد نظر به خوبی میرساند و وضعیت سیستم را در یک حالت پایدار مناسب نگه می دارد.
( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
Valencia Palomo و Rossiter در سال ۲۰۱۰ [۱۲]، روش کنترل پیشبین تعمیم یافته[۲۸] را روی PLC از نوع Allen Bradley که قابلیت برنامهنویسی و طراحی به صورت نردبانی، طراحی توابع بلاکی و دستورات نوشتاری را دارد، عملی کرده اند. در این کار تحقیقی، الگوریتم GPC تا حد امکان برای غلبه بر مشکل کمبود حافظه و قدرت پردازشی پایین ساده شده اند و روی دو فرایند مختلف، یکی فرایند کنترل دما و دیگری کنترل دور موتور پیادهسازی شده اند. در این الگوریتم افق کنترل برابر ۳ و افق پیشبین برابر ۱۰ در نظر گرفته شده است که پیادهسازی آن فضای ۱۰،۱۱۳،۷۵۲ بایت از فضای حافظه PLC (15 درصد) را به خود اختصاص داده است.
سال ۲۰۱۰ در مقاله [۱۳] پیادهسازی زمان حقیقی روش کنترل مدل پیشبین برای یک فرایند گرمایشی با به کارگیری PLC تحقیق می شود. در این مقاله در گام اول مسئله MPC با به کارگیری تکنیکهای برنامهنویسی پارامتری حل می شود و سپس چگونگی پیادهسازی این الگوریتم روی دستگاههایی که دارای حافظه محدود هستند بررسی می شود. در این مقاله با بهره گرفتن از جعبهابزار آماده،[۲۹]MPT ضرایب و طراحیهای لازمه از قبل صورت گرفته است و در یک جدول Look Up برای پیادهسازی روی PLC ذخیره شده است. مزیت حل پارامتری مسئله این است که سیگنال کنترل بهینه می تواند به سادگی و به صورت زمان حقیقی با ارزیابی جدول Look Up محاسبه شود. در این تحقیق از CPU222 استفاده شده است که با توجه به محدودیت حافظهای (۱۰۲۴ بایت) PLC موجود، با محاسبه و حل مساله بهینه سازی MPC از قبل با شرایط اولیه معلوم و خاص، نتایج ذخیره و بر مشکل کمبود حافظه PLC فایق آمده است. زبان برنامهنویسی دیاگرام نردبانی برای پیادهسازی این روش مورد استفاده قرار گرفته است. در مقالهای دیگر [۱۴]، همین روش برای یک فرایند کنترل سطح در مخزن با بهره گرفتن از PLC مشابه در سال ۲۰۱۰ صورت گرفته بود.
Valencia Palomo و Rossiter در ادامه کار خود، در مقالهای دیگر [۱۵] در سال۲۰۱۱، ابتدا روش کنترل مدل پیشبین مبتنی بر قیود را برای حلقههای کنترل سطح پایین و چگونگی پیادهسازی آن روی PLC را بررسی کردند. سپس یک روش خود تنظیم کنترل مدل پیشبین را برای فرآیندهایی که اطلاعات محدودی از آنها در دسترس است (این اطلاعات می تواند توسط اپراتور و تکنسین جمعآوری گردد و نیاز به الگوریتمهای حداقل مربعات که دارای پیچیدگی ابعادی بالاست نمی باشد. این اطلاعات شامل زمان صعود، زمان نشست، بالازدگی، بهره حالت ماندگار و زمان مرده میباشد)، تحقیق و روی PLC از نوع آلن بردلی که الگوریتم پیشنهادی با افق کنترل ۵، ۱۷ درصد از فضای حافظه موجود را به خود اختصاص میدهد و پس از آن نتایج حاصل از پیادهسازی این روش را با روش سنتی PID برای دو فرایند، کنترل دما و کنترل سرعت موتور مقایسه کردند.
در مقاله [۱۶] در سال ۲۰۱۱، از PLC نوع میتسوبیشی به عنوان ماژول MPC برای کنترل سرعت یک موتور DC استفاده شده است. در این مقاله تمرکز بر حل مسئله QP بسیار ساده با محاسبات اندک و تعداد تکرارهای بالا برای فرآیندهایی که نیاز به سرعت همگرایی بیشتری دارند، میباشد. این روش با در نظر گرفتن افق کنترل و پیش بین برابر با ۲ و تعداد تکرار ۴ روی PLC پیادهسازی و نتایج با روش کنترل کننده سنتی PI مقایسه شده است. نتایج برتری چندان این روش نسبت به روش PI را نشان نمیدهد. برای دستیابی به عملکرد بهتر افقهای بالاتر که محاسبات پیچیدهتر را نتیجه می دهند، باید در نظر گرفته شوند.
در سالهای اخیر کارهای تحقیقی فراوانی برای پیادهسازی MPC روی PLC انجام گرفته که همگی بر روی استراتژی های MPC با قابلیت اجرای سریع تمرکز دارند. در مواقعی که زمان مناسب برای حل مسئله استاندارد MPC وجود داشته باشد حل مسئله بهینهسازی می تواند به صورن زمان حقیقی انجام گیرد. در مقاله [۱۷] در سال ۲۰۰۷ ذکر می شود که برای سیستمهای MIMO با ابعاد بالا استفاده از روشهایی که نیاز به جستجوی پارامترهای کنترل در یک جدول Look up دارند، مناسب نیست و استفاده از روشهای زمان حقیقی QP پیشنهاد می شود. مقاله [۱۸] در سال ۲۰۱۲ کاربرد مسئله QP را به صورت زمان حقیقی برای پیادهسازی روی PLC، برای یک فرایند دو ورودی تک خروجی (MISO) تحقیق می کند. دو الگوریتم زمان حقیقی QP (Hildreth QP, qpOASES) در این مقاله بررسی می شود. کنترل کننده مورد استفاده در این تحقیق از نوع زیمنس به مدل CPU319-3DP/PN و دارای حافظه ۸ مگا بیت میباشد. بیشینه زمان اجرای OB در این حالت ۶ ثانیه میباشد. فرایند مورد آزمایش یک مجموعه کنترل دما با دو متغیر ورودی میباشد. نتایج موفقیت روش فوق را برای فرایند مورد آزمایش با دینامیک آهسته نشان میدهد.
در مقاله [۱۹] در سال ۲۰۱۲، پیادهسازی روش کنترل مدل پیشبین همراه با قیود مبتنی بر توابع لاگر و مسئله QP چندمتغیره (mp-QP) مورد بررسی قرار گرفته است. در این تحقیق در ابتدا نشان داده می شود که چگونه توابع لاگر در ترکیب با mp-QP میتوانند محاسبات زمان حقیقی و حجم حافظه را کاهش دهند در حالی که نواحی feasible برای حل مسئله بهینهسازی MPC می تواند افزایش یابد. سپس پیادهسازی این الگوریتم روی PLC از نوع آلن بردلی با حافظه ۶۴ مگابایت با قابلیت اجرای هر بیت به مدت زمان ۳۷/۰ میکروثانیه، بررسی می شود که حجم حافظه مورد نیاز برای اجرا و پیادهسازی الگوریتم پیشنهادی ۱۳،۴۵۱،۷۸۲ بایت و مدت زمان مورد نیاز برای اجرای آن حداکثر ۴۳۲/۱۰۰ میلیثانیه میباشد.
مقاله [۲۰] در سال ۲۰۱۴، پیادهسازی الگوریتم کنترل مدل پیشبین غیر خطی مبتنی بر گرادیان را روی PLC بررسی می کند. الگوریتم پیشنهادی برای سیستمهای غیرخطی با زمان نمونهبرداری در حد میلیثانیه مناسب است که قابلیت مدیریت قید روی ورودی را دارد. فرایند مورد مطالعه یک جرثقیل آزمایشگاهی با دو متغیر ورودی، یک متغیر خروجی و ۶ حالت و PLC مورد استفاده از نوع فستو به مدل CECX-X-C1 با حافظه ۶۴ مگابایت میباشد.
در سال ۲۰۱۴ مقاله [۲۱]، روش کنترل مدل پیشبین به صورت کنترل کننده ای ساده بدون نیاز به حل مسئله بهینهسازی به صورت زمان حقیقی توصیف و پیادهسازی آن روی PLC بررسی می شود. برای این منظور یک مسئله QP چندپارامتری مبتنی بر روش Binary Search Tree (BST) به کار گرفته می شود. مقادیر بهینه پارامترهای کنترل به صورت آفلاین برای تمامی حالات ممکن محاسبه و در قالب یک جدول مناسب ذخیره می شود در حالیکه محاسبه حالات کنونی سیستم و جستجو برای سیگنال کنترل خروجی به صورت زمان حقیقی انجام میگیرد. در واقع در این روش از حل مسئله بهینهسازی به صورت زمان حقیقی اجتناب می کند بنابراین برای سیستمهای چندمتغیره با ابعاد بالا تعداد نواحی توصیف شده برای حل مسئله بهینهسازی افزایش و در نتیجه زمان مورد نیاز برای جستجو در جدول افزایش پیدا می کند بنابراین باید مصالحهای بین تعداد نواحی توصیف شده و عملکرد کنترلی این الگوریتم انجام گیرد. هدف در این مقاله کنترل دمای یک انکوباتور با بهره گرفتن از یک کنترل کننده برنامهپذیر Modicon نوع M340 میباشد که در آن کنترل کننده در جهت گرم کردن دما طراحی و کاهش دما به صورت طبیعی و بدون سیستم خنک کننده انجام میگیرد. این نوع PLC دارای حافظه داخلی ۲۵۶ کیلوبایت میباشد که قابلیت ذخیره کردن ۱۱۲۵ ناحیه را دارد. در این تحقیق ۹ ناحیه توصیف و حافظه مورد نیاز برای پیادهسازی کنترل کننده MPC 2016 بایت میباشد که نتایج، موفقیت پیادهسازی این روش را با این تعداد نواحی نشان میدهد.
کارهایی که در زمینه پیادهسازی MPC روی PLC از سال ۲۰۱۰ تا کنون انجام گرفته است را می توان به دو دسته تقسیم کرد، دسته اول روشهایی که به صورت آنلاین مسئله بهینهسازی روش MPC را حل می کنند و دسته دوم روشهایی هستند که مسئله MPC را به صورت آفلاین حل می کنند، که بیشتر کارهای انجام شده تاکنون از دسته اول هستند. در روشهای آنلاین به حجم حافظه بیشتری برای حل مسئله بهینهسازی نیاز است و در نتیجه پیادهسازی روی PLC های با حافظه کاری بالا که قدرت پردازشی بالایی دارند، صورت گرفته است. از طرف دیگر اکثر کارهای انجام شده در این زمینه روی فرآیندهای ساده تک ورودی تک خروجی یا دو ورودی تک خروجی پیادهسازی شده اند. در حالی که در این پایان نامه پیادهسازی الگوریتم MPC روی یک فرایند دو ورودی دو خروجی بررسی شده است و نشان داده می شود که این الگوریتم به راحتی برای سیستمهای با ابعاد بالاتر قابل پیادهسازی خواهد بود. در تعدادی از این مقالات از تاخیر زمانی فرایند برای کاهش حجم محاسبات صرف نظر شده است در حالی که در روش پیشنهادی تاخیر زمانی فرایند نیز در نظر گرفته شده است. از طرف دیگر از آنجا که این الگوریتم به صورت آفلاین پارامترهای کنترل را محاسبه می کند و در یک جدول Look Up ذخیره می کند، افق کنترل و پیش بین بزرگ برای الگوریتم پیشنهادی می تواند در نظر گرفته شود.
فصل چهارم
-
روش کنترل مدل پیشبین (MPC)
-
- مقدمه
-
ایدۀ روشهای کنترل پیش بین اولین بار در اواخردهۀ ١٩٧٠ مطرح گردید و از آن پس به صورت قابل توجهی پیشرفت کرد. روش کنترل مدل پیش بین یک استراتژی مشخص کنترل را معرفی نمیکند بلکه گستره وسیعی از روشهای کنترلی را که از مدل صریح سیستم برای کمینه کردن یک تابع هدف استفاده میکنند. الگوریتمهای متفاوت MPC تنها در مدلی که برای پیش بینی خروجیهای آینده استفاده می شود، سیگنال نویز و تابع هزینهای که باید کمینه گردد متفاوت هستند. این کنترل کننده درجه آزادی زیادی در اختیار میگذارد که موجب گستردگی کاربرد آن در دانشگاهها و صنایع شده است. تعداد زیادی از کاربردهای روش کنترل پیش بین در حال حاضر با موفقیت نه تنها در صنعت پیادهسازی شده اند بلکه کنترل محدوده وسیعی از فرآیندها همچون رباتیک [۲۲] و بیهوشی [۲۳] را در بر گرفتهاند. کاربردهای این روش در صنایع سیمان، برجهای خشککن، بازوهای ربات در [۲۴] توصیف شده اند، در حالی که توسعه این روش در برجهای تقطیر، سیستمهای PVC، دستگاههای تولید کننده بخار یا سروموتورها در مقالات [۲۵] و [۲۶] نشان داده شده اند. عملکرد خوب کاربردهای ذکر شده ظرفیت روش کنترل مدل پیش بین را برای دستیابی به سیستمهای کنترل با بازده بالا نشان میدهد. از اواخر دهه ۱۹۷۰ تعداد مقالات در این زمینه افزایش یافت، از جمله در مقالات Richalet و همکارانش الگوریتم MPHC[30]که با عنوان (MAC [۳۱]) شناخته می شود، ارائه شد [۲۶، ۲۷]. مدل پاسخ ضربه در این الگوریتم جهت پیش بینی خروجیهای آینده مورد استفاده قرار گرفته است. در سال ۱۹۸۰، Culter و Ramakter الگوریتم DMC[32] را پیشنهاد نمودند [۲۸]. مدل دینامیکی بکار رفته در این الگوریتم، مدل پاسخ پله بود که از این مدل برای پیش بینی اثر سیگنالهای کنترل آینده روی خروجی استفاده می شود.
روش MPC، به علت سادگی الگوریتم و کاربرد پاسخ پله و ضربه، به سرعت معروف و به صنایع شیمیایی راه یافت. گزارش کامل کاربرد این روش در صنایع پتروشیمی در [۲۹] آورده شده است. کاربرد روش کنترل مدل پیش بین در ایدههای کنترل تطبیقی نیز راه یافت، از جمله [۳۰-۳۲]. روش GPC[33] که از ایدهی روش مینیمم واریانس تعمیم یافته [۳۳] استفاده می کند، اولین باردر سال ۱۹۸۷ توسط کلارک و همکاران وی پیشنهاد گردید [۳۴] و یکی از محبوب ترین روشهای کنترل پیش بین در زمان کنونی میباشد. از آن پس کنترلرهای پیش بین متعددی بر پایۀ ایدۀ اولیۀ مشترک پیشنهاد گردید، از آن جمله Multistep Multivariable Adaptive Control (MUSMAR) [35]، Multi-predictor Receding Horizon Adaptive Control (MURHAC) [36]، Predictive Functional Control (PFC) [37] و Unified Predictive Control(UPC) [38].
در دهه ۱۹۹۰تمرکز بر روشهای کنترل مدل پیش بین جدیدی بود که پایداری را تضمین کند. در مقالات [۳۹، ۴۰] دو روش به صورت مستقل طراحی و ثابت شد در حضور قیود در افق محدود پایداری را تضمین می کنند. با در نظر داشتن تابع هدف یکسان روش GPC پایدار در مقاله [۴۱] با فرمولبندیهایی که پایداری سیستم حلقه بسته را تضمین می کند، ارائه شد. اساسیترین فرمولبندی که پایداری را تضمین می کند در مرجع [۴۲] آورده شده و شرایط کافی جهت طراحی الگوریتم MPC پایدار در حضور قید ارائه میکند.
هزاران کاربرد دیگر از روش MPC در صنایع وجود دارد، عمده این کاربردها در زمینه تصفیه و پالایش میباشد [۴۳، ۴۴]. شمار زیادی از این کاربردها در صنایع شیمیایی و پتروشیمی یافت می شود. کاربرد این روش در صنایع غذایی، هوا و فضا، صنایع چاپ و کاغذ، معادن، کوره، استخراج و ذوب فلزات، گاز و پتروشیمی و … نیز گسترش یافته است [۴۵]. در چند سال اخیر کاربرد MPC در سیستمهای پیچیدهای نظیر سیستمهای غیرخطی، هیبریدی و یا فرآیندهای سریع مورد توجه قرار گرفته است [۴۶، ۴۷].
-
-
-
- توصیف روش کنترل مدل پیشبین
-
-