طراحي كنترل كننده داده محور تطبيقي پيش‌بين براي سيستم‌هاي غيرخطي ناشناخته در حضور پديده اشباع خروجي

The design of Data-Driven Adaptive Predictive Controller for a class of unknown no-linear system featuring output saturation

امروزه سيستم­هاي صنعتي همواره با محدوديت­هاي متنوعي همراه هستند. پديده اشباع خروجي و عدم دسترسي به مدل دقيق سيستم، نمونه­اي از اين محدوديت­ها مي­باشند. در اين مقاله يك كنترل كننده داده محور تطبيقي­ پيش­بين براي گروه خاصي از سيستم­هاي غيرخطي ناشناخته در حضور پديده اشباع خروجي ارائه مي­شود. طراحي سيگنال كنترلي تنها وابسته به داده­هاي ورودي و خروجي سيستم مي­باشد و از مدل سيستم هيچ استفاده­اي نمي‌شود. به همين منظور يك مدل جديد خطي ديناميكي از سيستم نامعلوم توسعه مي­يابد كه اثر اشباع خروجي در آن لحاظ شده است. سپس با استفاده از مدل خطي ديناميكي بدست آمده يك ساختار داده محور تطبيقي پيش­بين ارائه و اثبات مي‌شود كه با گذشت زمان براي سيگنال مرجع ثابت يا متغير با زمان، خطاي تعقيب به ترتيب به صفر و يك مقدار محدود همگرا مي‌شود. با توجه به عدم وابستگي روش پيشنهادي به مدل سيستم، روش پيشنهاد شده نسبت به روش­هاي كنترلي مبتني بر مدل در برابر تغييرات سيستم مقاوم­تر است. همچنين شبيه سازي­هاي انجام شده كارايي روش پيشنهادي را نسبت به چند روش كنترلي داده محور مشخص مي­نمايد.

Nowadays, industrial systems deal with a wide range of constraints. Output saturation and lack of system model are two types of these constraints. In this paper, a Data-Driven Adaptive Predictive Control (DDAPC) is propounded for a family of unknown non-linear systems featuring output saturation. The design of the control signal only dependent on the input and output data of the system. In this regard, a new adaptive predictive control scheme is suggested using the new developed dynamic linearization model. The stability analysis of the proposed method is provided by proving the boundedness of the tracking error for both time varying and constant desired reference signal and considering the output saturation data, which is a common physical constraint in industrial systems. Furthermore, the proposed method is more robust against the model uncertainties and nonlinearities, in comparison with the common model-based adaptive methods, since its controller design procedures as well as the stability analysis are independent of plant model. To verify the efficiency and applicability of the suggested approach some applicational and numerical simulation examples are provided.