Stochastic Distribution Control System Design: A Convex Optimization Approach

سیستم های کنترل توزیع تصادفی (SDC) به طور گسترده در فرآیندهای صنعتی عملی دیده می شوند، هدف از طراحی کنترل کننده، تولید توابع چگالی احتمال خروجی برای سیستم های غیر گاوسی است. نمونه هایی از فرآیندهای SDC عبارتند از: کنترل توزیع اندازه ذرات در مهندسی شیمی، کنترل توزیع شعله در تولید انرژی و موتورهای احتراق، تولید فولاد و فیلم، تولید کاغذ و کنترل توزیع داده های با کیفیت کلی برای صنایع مختلف. SDC با فرم‌های توسعه‌یافته کنترل تصادفی مانند کنترل حداقل واریانس و کنترل خطی درجه دوم-گاوسی متفاوت است، که در آن هدف به طراحی کنترل‌کننده‌هایی برای میانگین خروجی و واریانس محدود می‌شود.

یک نکته مهم. توسعه اخیر در مسائل مربوط به SDC، ایجاد مدل‌های هوشمند SDC و استفاده فشرده از روش‌های بهینه‌سازی محدب مبتنی بر نابرابری ماتریس خطی (مبتنی بر LMI) است. در این چارچوب نظری، تعیین پارامتر کنترلی را می توان طراحی کرد و پایداری و استحکام سیستم های حلقه بسته را می توان تحلیل کرد. طراحی سیستم کنترل توزیع تصادفی چارچوب جدید طراحی سیستم SDC را تشریح می کند و توصیف جامعی از مدل سازی ابزارهای طراحی کنترلر و اجرای بلادرنگ آنها را ارائه می دهد. این کتاب با مروری بر تحقیقات جاری در مورد SDC شروع می‌شود و به برخی از تکنیک‌های اساسی برای مدل‌سازی و طراحی کنترل‌کننده سیستم‌های SDC می‌پردازد. در ادامه توضیحاتی درباره طراحی کنترل‌کننده برای سیستم‌های SDC با ساختار کنترل ثابت، کنترل PDF برای سیستم‌های ارائه‌شده با ورودی و خروجی عمومی، طراحی‌های فیلتر، و تشخیص و تشخیص خطا (FDD) برای سیستم‌های SDC ارائه می‌شود. بسیاری از تکنیک‌های جدید LMI که برای سیستم‌های SDC توسعه می‌یابند، دارای اهمیت نظری مستقل برای کنترل قوی و مسائل FDD هستند.

این تک‌نگاره برای محققان دانشگاهی در زمینه‌های آماری، کنترل قوی و فرآیند، و FDD مورد توجه قرار خواهد گرفت. مهندسین فرآیند و کنترل کیفیت که در صنعت و به عنوان مرجعی برای دانشجویان کنترل تحصیلات تکمیلی کار می کنند.

Stochastic distribution control (SDC) systems are widely seen in practical industrial processes, the aim of the controller design being generation of output probability density functions for non-Gaussian systems. Examples of SDC processes are: particle-size-distribution control in chemical engineering, flame-distribution control in energy generation and combustion engines, steel and film production, papermaking and general quality data distribution control for various industries. SDC is different from well-developed forms of stochastic control like minimum-variance and linear-quadratic-Gaussian control, in which the aim is limited to the design of controllers for the output mean and variances.

An important recent development in SDC-related problems is the establishment of intelligent SDC models and the intensive use of linear-matrix-inequality-based (LMI-based) convex optimization methods. Within this theoretical framework, control parameter determination can be designed and stability and robustness of closed-loop systems can be analyzed. Stochastic Distribution Control System Design describes the new framework of SDC system design and provides a comprehensive description of the modelling of controller design tools and their real-time implementation. The book starts with a review of current research on SDC and moves on to some basic techniques for modelling and controller design of SDC systems. This is followed by a description of controller design for fixed-control-structure SDC systems, PDF control for general input- and output-represented systems, filtering designs, and fault detection and diagnosis (FDD) for SDC systems. Many new LMI techniques being developed for SDC systems are shown to have independent theoretical significance for robust control and FDD problems.

This monograph will be of interest to academic researchers in statistical, robust and process control, and FDD, process and quality control engineers working in industry and as a reference for graduate control students.