Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "model predictive control" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    A computationally efficient stable dual-mode type nonlinear predictive control algorithm
    Autorzy:
    Ławryńczuk, M.
    Tadej, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/971003.pdf
    Data publikacji:
    2008
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    linearyzacja
    optymalizacja
    stabilność
    nonlinear model predictive control
    dual-mode model predictive control
    process control
    linearisation
    optimisation
    quadratic programming
    stability
    constraints
    terminal set
    Opis:
    This paper describes a computationally efficient (sub-optimal) nonlinear predictive control algorithm. The algorithm uses a modified dual-mode approach which guarantees closed-loop stability. In order to reduce the computational burden, instead of online nonlinear optimisation used in the classical dual-mode control scheme, a nonlinear model of the plant is linearised on-line and a quadratic programming problem is solved. Calculation of the terminal set and implementation steps of the algorithm are detailed, especially for input-output models, which are widely used in practice.
    Źródło:
    Control and Cybernetics; 2008, 37, 1; 99-132
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Elman neural network for modeling and predictive control of delayed dynamic systems
    Autorzy:
    Wysocki, A.
    Ławryńczuk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/229646.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    dynamic models
    process control
    model predictive control
    neural networks
    Elman neural network
    delayed systems
    Opis:
    The objective of this paper is to present a modified structure and a training algorithm of the recurrent Elman neural network which makes it possible to explicitly take into account the time-delay of the process and a Model Predictive Control (MPC) algorithm for such a network. In MPC the predicted output trajectory is repeatedly linearized on-line along the future input trajectory, which leads to a quadratic optimization problem, nonlinear optimization is not necessary. A strongly nonlinear benchmark process (a simulated neutralization reactor) is considered to show advantages of the modified Elman neural network and the discussed MPC algorithm. The modified neural model is more precise and has a lower number of parameters in comparison with the classical Elman structure. The discussed MPC algorithm with on-line linearization gives similar trajectories as MPC with nonlinear optimization repeated at each sampling instant.
    Źródło:
    Archives of Control Sciences; 2016, 26, 1; 117-142
    1230-2384
    Pojawia się w:
    Archives of Control Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Efektywny obliczeniowo algorytm wielowymiarowej regulacji predykcyjnej dla modeli typu wejście-wyjście
    A computationally efficient multivariable predictive control algorithm for input-output models
    Autorzy:
    Ławryńczuk, M.
    Tatjewski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/154561.pdf
    Data publikacji:
    2003
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    regulacja predykcyjna
    modele liniowe
    metoda najmniejszych kwadratów
    model predictive control
    least squares method
    Opis:
    W pracy przedstawiono kompletne wyprowadzenie algorytmu regulacji predykcyjnej wielowymiarowych procesów liniowych modelowanych za pomocą dyskretnych równań różnicowych. W przeciwieństwie do algorytmu GPC, prognozowana trajektoria wymuszona i swobodna sygnałów wyjściowych wyznaczana jest bez potrzeby rozwiązania macierzowego równania diofantycznego. W przypadku braku ograniczeń zmiennych procesowych zadanie optymalizacji funkcji kryterialnej rozwiązuje się numerycznie efektywną metodą najmniejszych kwadratów. Omówiono również sposób wyprowadzenia analitycznego przwa regulacji.
    This paper develops a predictive control algorithm for multivariable processes modelled by means of linear input-output models. Unlike the GPC algorithm, predicted forced and free trajectories are calculated without the necessity of solving a matrix Diophantine equation. In the unconstrained case the optimal input profile, using a numerically reliable least-squares method, is derived as an analytical formula, calculated beforehand.
    Źródło:
    Pomiary Automatyka Kontrola; 2003, R. 49, nr 9, 9; 10-14
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Efficient nonlinear predictive control based on structured neural models
    Autorzy:
    Ławryńczuk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/907652.pdf
    Data publikacji:
    2009
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sterowanie procesami
    sterowanie predykcyjne
    sieć neuronowa
    optymalizacja
    linearyzacja
    process control
    model predictive control
    neuron network
    optimisation
    linearisation
    Opis:
    This paper describes structured neural models and a computationally efficient (suboptimal) nonlinear Model Predictive Control (MPC) algorithm based on such models. The structured neural model has the ability to make future predictions of the process without being used recursively. Thanks to the nature of the model, the prediction error is not propagated. This is particularly important in the case of noise and underparameterisation. Structured models have much better long-range prediction accuracy than the corresponding classical Nonlinear Auto Regressive with eXternal input (NARX) models. The described suboptimal MPC algorithm needs solving on-line only a quadratic programming problem. Nevertheless, it gives closed-loop control performance similar to that obtained in fully-fledged nonlinear MPC, which hinges on online nonconvex optimisation. In order to demonstrate the advantages of structured models as well as the accuracy of the suboptimal MPC algorithm, a polymerisation reactor is studied.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2009, 19, 2; 233-246
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Nonlinear predictive control based on neural multi-models
    Autorzy:
    Ławryńczuk, M.
    Tatjewski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/907773.pdf
    Data publikacji:
    2010
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sterowanie procesami
    sterowanie predykcyjne
    sieć neuronowa
    optymalizacja
    linearyzacja
    process control
    model predictive control
    neural networks
    optimisation
    linearisation
    Opis:
    This paper discusses neural multi-models based on Multi Layer Perceptron (MLP) networks and a computationally efficient nonlinear Model Predictive Control (MPC) algorithm which uses such models. Thanks to the nature of the model it calculates future predictions without using previous predictions. This means that, unlike the classical Nonlinear Auto Regressive with eXternal input (NARX) model, the multi-model is not used recurrently in MPC, and the prediction error is not propagated. In order to avoid nonlinear optimisation, in the discussed suboptimal MPC algorithm the neural multi-model is linearised on-line and, as a result, the future control policy is found by solving of a quadratic programming problem.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2010, 20, 1; 7-21
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An infinite horizon predictive control algorithm based on multivariable input-output models
    Autorzy:
    Ławryńczuk, M.
    Tatjewski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/907410.pdf
    Data publikacji:
    2004
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sterowanie predykcyjne
    horyzont nieskończony
    programowanie kwadratowe
    model predictive control
    stability
    infinite horizon
    singular value decomposition
    quadratic programming
    Opis:
    In this paper an infinite horizon predictive control algorithm, for which closed loop stability is guaranteed, is developed in the framework of multivariable linear input-output models. The original infinite dimensional optimisation problem is transformed into a finite dimensional one with a penalty term. In the unconstrained case the stabilising control law, using a numerically reliable SVD decomposition, is derived as an analytical formula, calculated off-line. Considering constraints needs solving on-line a quadratic programming problem. Additionally, it is shown how free and forced responses can be calculated without the necessity of solving a matrix Diophantine equation.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2004, 14, 2; 167-180
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Nonlinear state-space predictive control with on-line linearisation and state estimation
    Autorzy:
    Ławryńczuk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/330330.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    process control
    model predictive control
    nonlinear state space model
    extended Kalman filter
    online linearization
    proces sterowania
    model sterowania predykcyjnego
    model przestrzeni stanów
    rozszerzony filtr Kalmana
    Opis:
    This paper describes computationally efficient model predictive control (MPC) algorithms for nonlinear dynamic systems represented by discrete-time state-space models. Two approaches are detailed: in the first one the model is successively linearised on-line and used for prediction, while in the second one a linear approximation of the future process trajectory is directly found on-line. In both the cases, as a result of linearisation, the future control policy is calculated by means of quadratic optimisation. For state estimation, the extended Kalman filter is used. The discussed MPC algorithms, although disturbance state observers are not used, are able to compensate for deterministic constant-type external and internal disturbances. In order to illustrate implementation steps and compare the efficiency of the algorithms, a polymerisation reactor benchmark system is considered. In particular, the described MPC algorithms with on-line linearisation are compared with a truly nonlinear MPC approach with nonlinear optimisation repeated at each sampling instant.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2015, 25, 4; 833-847
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Soft computing in model-based predictive control
    Autorzy:
    Tatjewski, P.
    Ławryńczuk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/908473.pdf
    Data publikacji:
    2006
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sterowanie procesami
    sterowanie predykcyjne
    system nieliniowy
    system rozmyty
    sieć neuronowa
    process control
    model predictive control
    nonlinear systems
    fuzzy systems
    neural networks
    Opis:
    The application of fuzzy reasoning techniques and neural network structures to model-based predictive control (MPC) is studied. First, basic structures of MPC algorithms are reviewed. Then, applications of fuzzy systems of the Takagi-Sugeno type in explicit and numerical nonlinear MPC algorithms are presented. Next, many techniques using neural network modeling to improve structural or computational properties of MPC algorithms are presented and discussed, from a neural network model of a process in standard MPC structures to modeling parts or entire MPC controllers with neural networks. Finally, a simulation example and conclusions are given.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2006, 16, 1; 7-26
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies