Підвищення точності керування в багатозв'язних цифрових системах
Анотація
Представлене наукове дослідження є актуальним, оскільки в даний час необхідно розробляти та впроваджувати сучасні системи керування технологічними процесами. Це дозволяє підвищити точність керування в багатозв'язних цифрових системах, математичні моделі яких побудовані на платформі методу простору станів. Метою даного дослідження є розробка нового методу підвищення точності керування в багатозв'язних цифрових системах. Методологічна основа даного дослідження, визначена безпосередньо для якісного вирішення поставленої задачі, включала аналітичні вирази, які функціонально не тільки усувають вплив кожного стану та керування на інші, але й забезпечують високу точність процесів керування. В даному науковому дослідженні отримані результати, що становлять методичний підхід до синтезу векторно-матричних моделей регуляторів з використанням зворотного зв'язку за станом. Сформовано векторно-матричну модель регулятора, що поєднує функцію контролю та управління зі зворотним зв'язком за станом. З використанням обчислювальних можливостей математичного апарату, прийнятого в дослідженні, розраховано матриці регуляторів системи та коефіцієнти корекції. Сформульовані висновки зачіпають різні аспекти практичного застосування методу визначення матриці зворотного зв'язку за станом, виведення аналітичної формули для визначення коефіцієнтів корекції для забезпечення нульової помилки усталеного керування, а також виконання декомпозиції цифрової системи з визначенням векторно-матричної моделі регулятора, що поєднує функції регулювання та контролю. Матеріали та методи роботи повністю відповідають заявленій тематиці і можуть слугувати якісною методологічною основою для наступних досліджень у цьому напрямі
Ключові слова
метод простору станів, якість процесів управління, векторно-матричні моделі, зворотні зв'язки
[1] Azar, A. (2021). Modeling and control of drug delivery systems. Oxford: Woodhead Publishing. doi: 10.1016/C2019-0-02506-X.
[2] Bhogaraju, I., Farasat, M., Malisoff, M., & Krstic, M. (2021). Sequential predictors for delay-compensating feedback stabilization of bilinear systems with uncertainties. Systems & Control Letter, 152, article number 104933. doi: 10.1016/j.sysconle.2021.104933.
[3] Convertino, M., Annis, A., & Nardi, F. (2019). Information-theoretic portfolio decision model for optimal flood management. Environmental Modelling & Software, 119, 258-274. doi: 10.1016/j.envsoft.2019.06.013.
[4] De Souza, C., Leite, V.J.S., Tarbouriech, S., & Castelan, E.B. (2021). Event-triggered policy for dynamic output stabilization of discrete-time LPV systems under input constraints. Systems & Control Letters, 153, article number 104950. doi: 10.1016/j.sysconle.2021.104950.
[5] Fadali, M.S., & Visioli, A. (2019). Digital control engineering. Oxford: Elsevier. doi: 10.1016/B978-0-12-374498-2.X0001-X.
[6] Fang, W., Zamani, M., & Chen, Z. (2021). Secure and privacy preserving consensus for second-order systems based on Paillier encryption. Systems & Control Letters, 148, article number 104869. doi: 10.1016/j.sysconle.2020.104869.
[7] Giraud, F., & Giraud-Audine, C. (2019). Piezoelectric actuators: Vector control method. London: Academic Press. doi: 10.1016/C2016-0-05052-0.
[8] Haidekker, M. (2020). Linear feedback controls. London: Academic Press. doi: 10.1016/C2012-0-02826-8.
[9] Isermann, R. (2018). “Model-based fault-detection and diagnosis – Status and applications”. Annual Reviews in Control, 29, 71–85. doi: 10.1016/j.arcontrol.2004.12.002.
[10] Kim, D-K., & Kang, D-H. (2021). Investigation of a new UVC LEDs array continuous type water disinfection system for inactivating Escherichia coli O157:H7 according to flow rate and electrical energy efficiency analysis. Food Control, 119, article number 107470. doi: 10.1016/j.foodcont.2020.107470.
[11] Lenzen, A., & Vollmering, M. (2020). Mechanical system scaling based on output only identification and mass perturbations by state projections. Mechanical Systems and Signal Processing, 144, article number 106863. doi: 10.1016/j.ymssp.2020.106863.
[12] Medus, L.D., Saban, M., Frances-Villora, J.V., Bataller-Mompean, M., & Rosaldo-Munoz, A. (2021). Hyperspectral image classification using CNN: Application to industrial food packaging. Food Control, 125, article number 107962. doi: 10.1016/j.foodcont.2021.107962.
[13] Mollay, C., Kimanya, M., Kassim, N., & Stoltzfus, R. (2021). Main complementary food ingredients contributing to aflatoxin exposure to infants and young children in Kongwa, Tanzania. Food Control, 23, article number 108709. doi: 10.1016/j.foodcont.2021.108709.
[14] Repnikova, N.B. (2017). Synthesis of digital control systems with a given position of the poles. International Scientific Journal Internauka, 8(30), 304-324.
[15] Szederkenyi, G., Magyar, A., & Hangos, K. (2018). Analysis and control of polynomial dynamic models with biological applications. Oxford: Woodhead Publishing.
[16] Vamvoudakis, K., & Jagannathan, S. (2016). Control of complex systems. London: Academic Press. doi: 10.1016/C2015-0-02422-4.
[17] Van Horssen, E.P., Janssen, B.J., Kumar, A., Antunes, D., & Heemels, W.P.M.H. (2020). Image-based feedback control for drift compensation in an electron microscope. IFAC Journal of Systems and Control, 11, article number 100074. doi: 10.1016/j.ifacsc.2020.100074.
[18] Wen, J., Nasiri, A., Nguang, S.K., & Almakhles, D. (2019). Non-monotonic approach to robust H∞ control of multi-model systems. Norwich: William Andrew.
[19] Wu, K. (2016). Power converters with digital filter feedback control. Oxford: Woodhead Publishing.
[20] Yang, C., & Sun, B. (2021). Modeling, optimization, and control of zinc hydrometallurgical purification process. London: Academic Press.