‫ﻓﺼﻞ ‪1‬‬

‫ﻣﻘﺪﻣﻪ اي ﺑﺮ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪل‬

‫ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ )ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪل( ﮐﻪ ﺑﻪ اﺧﺘﺼﺎر ‪ MPC‬ﯾﺎ ‪ MBPC‬ﺧﻮاﻧﺪه ﻣﯿﺸﻮد؛ در اواﺧﺮ دﻫﻪ ﻫﻔﺘﺎد اﯾﺠﺎد ﺷﺪ و از آن زﻣﺎن ﺗﺎ‬
‫ﮐﻨﻮن ﺑﻪ ﺷﮑﻞ ﭼﺸﻢ ﮔﯿﺮي ﮔﺴﺘﺮش ﯾﺎﻓﺘﻪ اﺳﺖ‪ .‬اﺻﻄﻼح ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺑﻪ ﻣﻌﻨﺎي ﮐﺎرﺑﺮد ﯾﮏ روش ﮐﻨﺘﺮﻟﯽ واﺣﺪ ﻧﯿﺴﺖ؛ ﺑﻠﮑﻪ‬
‫اﯾﻦ روﻧﺪ ﻣﺘﺸﮑﻞ از داﻣﻨﻪ وﺳﯿﻌﯽ از روش ﻫﺎي ﮐﻨﺘﺮﻟﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﻣﻨﻈﻮر دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ ﺳﯿﮕﻨﺎل ﮐﻨﺘﺮل و ﺑﺎ ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﺗﺎﺑﻊ‬
‫ﻫﺪف‪ ،‬ﺑﻪ ﺷﮑﻠﯽ ﺻﺮﯾﺢ از ﻣﺪل ﻓﺮآﯾﻨﺪ اﺳﺘﻔﺎده ﻣﯿﮑﻨﺪ‪ .‬ﮐﺎرﺑﺮد اﯾﻦ روش ﻫﺎي ﻃﺮاﺣﯽ ﻣﻨﺠﺮ ﺑﻪ دﺳﺘﯿﺎﺑﯽ ﺑﻪ ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎي ﺧﻄﯽ‬
‫ﻣﯿﺸﻮد ﮐﻪ از ﻟﺤﺎظ ﻋﻤﻠﯽ ﺳﺎﺧﺘﺎري ﻣﺸﺎﺑﻪ داﺷﺘﻪ و ﻣﯿﺰان آزادي ‪ 1‬اراﺋﻪ ﺷﺪه ﺗﻮﺳﻂ آﻧﻬﺎ در ﺣﺪ ﻣﻄﻠﻮب اﺳﺖ‪ .‬ﻫﻤﻪ اﯾﺪه ﻫﺎﯾﯽ ﮐﻪ ﭼﻪ‬
‫در ﻣﻘﯿﺎس ﺑﺰرﮔﺘﺮ و ﭼﻪ در ﻣﻘﯿﺎس ﮐﻮﭼﮑﺘﺮ در ﺧﺎﻧﻮاده روش ﻫﺎي ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺑﻮﺟﻮد ﻣﯽ آﯾﻨﺪ داراي ﺧﻮاص اوﻟﯿﻪ زﯾﺮ ﻫﺴﺘﻨﺪ‪:‬‬

‫*ﺑﻬﺮه ﮔﯿﺮي از ﯾﮏ ﻣﺪل ﺑﻪ ﻣﻨﻈﻮر ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮوﺟﯽ ﻓﺮآﯾﻨﺪ در ﺑﺎزه ﻫﺎي زﻣﺎﻧﯽ آﺗﯽ)اﻓﻖ ‪(2‬‬

‫*ﻣﺤﺎﺳﺒﻪ ﯾﮏ ﺗﻮاﻟﯽ ﮐﻨﺘﺮﻟﯽ ﮐﻪ ﺗﺎﺑﻊ ﻫﺪف را ﺑﻪ ﺣﺪاﻗﻞ ﻣﯿﺮﺳﺎﻧﺪ‪.‬‬

‫*ﺑﻪ ﮐﺎر ﺑﺮدن اﺳﺘﺮاﺗﮋي ﺧﺰﺷﯽ ‪ 3‬ﺑﺪﯾﻦ ﻣﻨﻈﻮر ﮐﻪ در ﻫﺮ ﻟﺤﻈﻪ‪ ،‬اﻓﻖ ﻓﺮآﯾﻨﺪ در راﺳﺘﺎي آﯾﻨﺪه ﺟﺎﺑﻪ ﺟﺎ ﺷﻮد‪ ،‬اﻟﺒﺘﻪ ﺑﺮاي اﯾﻦ ﻣﻬﻢ ﺑﻪ‬
‫ﮐﺎرﮔﯿﺮي اوﻟﯿﻦ ﺳﯿﮕﻨﺎل ﮐﻨﺘﺮﻟﯽ ﺗﻮاﻟﯽ ﮐﻪ در ﻫﺮ ﻗﺪم ﻣﺤﺎﺳﺒﻪ ﻣﯿﺸﻮد ﺿﺮوري اﺳﺖ‪.‬‬

‫ﺗﻔﺎوت اﺻﻠﯽ ﻣﯿﺎن اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻣﺨﺘﻠﻒ ‪) MPC‬ﻫﻤﺎﻧﻨﺪ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ دراز ﻣﺪت ﯾﺎ ‪ (LRPC‬در ﻣﺪل ﻣﻮرد اﺳﺘﻔﺎده ﺑﺮاي اراﺋﻪ‬
‫ﻓﺮآﯾﻨﺪ و ﻧﻮﯾﺰ و ﺗﻮاﺑﻊ ﻫﺰﯾﻨﻪ اي اﺳﺖ ﮐﻪ ﺑﺎﯾﺴﺘﯽ ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﻨﺪ‪ .‬اﯾﻦ ﻧﻮع از ﮐﻨﺘﺮل را "ﮐﻨﺘﺮل ﺑﺎ ﻣﺎﻫﯿﺖ آزاد"‪ 4‬ﻣﯽ ﻧﺎﻣﻨﺪ ﮐﻪ در‬
‫ﺑﻄﻦ آن ﮐﺎرﻫﺎي زﯾﺎدي اﻧﺠﺎم ﺷﺪه اﺳﺖ‪ .‬ﺟﻮاﻣﻊ آﮐﺎدﻣﯿﮏ و ﺻﻨﻌﺘﯽ ﻧﯿﺰ اﻗﺒﺎل ﺧﻮﺑﯽ در ﺑﺮاﺑﺮ اﯾﻦ ﻧﻮع از روش ﻫﺎ ﻧﺸﺎن داده اﻧﺪ‪ .‬در‬
‫ﺣﺎل ﺣﺎﺿﺮ‪ ،‬ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﮐﺎرﺑﺮد ﻫﺎي ﻓﺮاوان و ﻣﻮﻓﻘﯽ ﻧﻪ ﺗﻨﻬﺎ در ﺻﻨﺎﯾﻊ ﻓﺮآﯾﻨﺪ ﺑﻠﮑﻪ در زﻣﯿﻨﻪ ﻫﺎﯾﯽ ﻫﻤﭽﻮن ﻫﺪاﯾﺘﮕﺮ ﻫﺎي‬
‫روﺑﺎت ﻫﺎ]‪ [63‬و ﺑﯿﻬﻮﺷﯽ ﺑﺎﻟﯿﻨﯽ ]‪ [67‬دارد‪ .‬ﮐﺎرﺑﺮد ﻫﺎي اﯾﻦ روش در ﺻﻨﻌﺖ ﺳﯿﻤﺎن و ﺑﺘﻮن‪ ،‬ﺑﺮج ﻫﺎي ﺧﺸﮏ ﮐﻨﻨﺪه و ﺑﺎزو روﺑﺎت‬
‫ﻫﺎ در ]‪ [31‬ﻣﻄﺮح ﺷﺪه و ﭘﯿﺸﺮﻓﺖ ﻫﺎي اﻧﺠﺎم ﮔﺮﻓﺘﻪ در زﻣﯿﻨﻪ ﻫﺎي ﺳﺘﻮن ﻫﺎي ﺗﻘﻄﯿﺮ‪ ،‬ﺗﺠﻬﯿﺰات ﭘﯽ وي ﺳﯽ‪ ،‬دﯾﮓ ﻫﺎي ﺑﺨﺎر ﯾﺎ‬
‫ﻓﺮﻣﺎن ﯾﺎر ﻫﺎ در ﺑﺨﺶ ﻫﺎي ]‪ [102‬و ]‪ [105‬ﺑﯿﺎن ﻣﯿﺸﻮﻧﺪ‪ .‬ﻋﻤﻠﮑﺮد ‪ 5‬ﻗﺎﺑﻞ ﻗﺒﻮل در ﮐﺎرﺑﺮدﻫﺎي ﺑﺎﻻ ﻧﺸﺎن دﻫﻨﺪه ﻇﺮﻓﯿﺖ ﻫﺎي‬

‫‪1‬‬
‫‪degree of freedom‬‬
‫‪2‬‬
‫‪Horizon‬‬
‫‪3‬‬
‫‪Receding strategy‬‬
‫‪4‬‬
‫‪Open nature‬‬
‫‪5‬‬
‫‪Performance‬‬
‫ﮔﺴﺘﺮده ‪ MPC‬ﺑﺮاي دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ ﺳﯿﺴﺘﻢ ﻫﺎي ﮐﻨﺘﺮﻟﯽ اﺳﺖ ﮐﻪ ﻣﯿﺘﻮاﻧﻨﺪ ﺑﺮاي ﻣﺪت ﻫﺎي ﻃﻮﻻﻧﯽ و ﺗﻘﺮﯾﺒﺎ ﺑﺪون ﻫﯿﭻ ﮔﻮﻧﻪ اﺧﺘﻼﻟﯽ‬
‫ﺑﻪ ﮐﺎر ﺧﻮد اداﻣﻪ دﻫﺪ‪.‬‬

‫روش ‪ MPC‬ﻣﺰﯾﺖ ﻫﺎي ﻓﺮاواﻧﯽ ﻧﺴﺒﺖ ﺑﻪ دﯾﮕﺮ روش ﻫﺎ داﺷﺘﻪ ﮐﻪ از ﻣﯿﺎن آﻧﻬﺎ ﻣﯿﺘﻮان ﺑﻪ ﻣﻮارد زﯾﺮ اﺷﺎره ﮐﺮد‪:‬‬

‫*اﯾﻦ روش ﺣﺘﯽ ﺑﺮاي اﻓﺮادي ﮐﻪ از داﻧﺶ ﮐﻨﺘﺮﻟﯽ ﺑﺎﻻﯾﯽ ﺑﺮﺧﻮردار ﻧﯿﺴﺘﻨﺪ ﺟﺬاب اﺳﺖ ﭼﺮاﮐﻪ ﻣﻔﺎﻫﯿﻢ ﻣﻮﺟﻮد در آن در ﻋﯿﻦ‬
‫ﺷﻬﻮدي ﺑﻮدن ﺑﺴﯿﺎر ﺳﺎده ﺗﻨﻈﯿﻢ ﻣﯿﺸﻮﻧﺪ‪.‬‬

‫*از اﯾﻦ روش ﻣﯿﺘﻮان ﺑﺮاي ﮐﻨﺘﺮل رﻧﺞ وﺳﯿﻌﯽ از ﺳﺎزوﮐﺎرﻫﺎ از ﺳﯿﺴﺘﻢ ﻫﺎﯾﯽ ﺑﺎ رواﺑﻂ ﺳﺎده ﮔﺮﻓﺘﻪ ﺗﺎ ﺳﯿﺴﺘﻢ ﻫﺎي ﭘﯿﭽﯿﺪه‪ ،‬و‬
‫ﻫﻤﭽﻨﯿﻦ از ﺳﯿﺴﺘﻢ ﻫﺎي ﺑﺎ ﻣﺪت زﻣﺎن ﺗﺎﺧﯿﺮ ﺑﺎﻻ ﯾﺎ ﻧﺎﻣﯿﻨﯿﻤﻢ ﻓﺎز ﺗﺎ ﺳﯿﺴﺘﻢ ﻫﺎي ﻧﺎﭘﺎﯾﺪار اﺳﺘﻔﺎده ﮐﺮد‪.‬‬

‫*ﺑﺎ ﺑﻬﺮه ﮔﯿﺮي ازاﯾﻦ روش ﻣﯿﺘﻮان ﺑﻪ راﺣﺘﯽ ﺑﺎ ﺳﯿﺴﺘﻢ ﻫﺎي ﭼﻨﺪ ﻣﺘﻐﯿﺮه)‪ (MIMO6‬ﮐﺎر ﮐﺮد‪.‬‬

‫* اﯾﻦ ﺳﯿﺴﺘﻢ ذاﺗﺎً ﻗﺎﺑﻠﯿﺖ ﺟﺒﺮان زﻣﺎن ﻫﺎي ﻣﺮده ‪ 7‬را دارد‪.‬‬

‫*اﯾﻦ ﺳﯿﺴﺘﻢ ﺑﻪ ﺷﮑﻠﯽ ﻃﺒﯿﻌﯽ ورودي ﮐﻨﺘﺮﻟﯽ)ﮐﻨﺘﺮل ﭘﯿﺶ ﺧﻮر ‪ (8‬را ﺑﻪ ﮔﻮﻧﻪ اي ﻓﺮاﻫﻢ ﻣﯿﮑﻨﺪ ﮐﻪ ﻗﺎﺑﻠﯿﺖ ﺟﺒﺮان اﻏﺘﺸﺎﺷﺎت ﻗﺎﺑﻞ‬
‫اﻧﺪازه ﮔﯿﺮي ﺑﻮﺟﻮد آﯾﺪ‪.‬‬

‫* ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﺣﺎﺻﻠﻪ‪ ،‬ﯾﮏ ﻗﺎﻧﻮن ﮐﻨﺘﺮل ﺧﻄﯽ ﺳﺎده را ﺑﺮاي ﭘﯿﺎده ﺳﺎزي اراﺋﻪ ﻣﯽ دﻫﺪ‪.‬‬

‫*ﮔﺴﺘﺮش روش ﭘﯿﺶ ﺑﯿﻦ ﺑﻪ ﻣﻨﻈﻮر در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺤﺪودﯾﺖ ﻫﺎ از ﻟﺤﺎظ ﻣﻔﻬﻮﻣﯽ ﺳﺎده ﺑﻮده و ﻗﺎﺑﻠﯿﺖ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺤﺪودﯾﺖ ﻫﺎ‬
‫ﺑﻪ ﺻﻮرت ﺳﯿﺴﺘﻤﺎﺗﯿﮏ در ﻃﺮاﺣﯽ را ﻓﺮاﻫﻢ ﻣﯿﮑﻨﺪ‪.‬‬

‫*در ﺻﻮرت ﻣﻌﻠﻮم ﺑﻮدن ورودي ﻣﺮﺟﻊ در زﻣﺎن ﻫﺎي آﯾﻨﺪه )ﻣﺜﻞ ﻋﻠﻢ روﺑﺎﺗﯿﮏ ﯾﺎ ﻓﺮآﯾﻨﺪﻫﺎي ﺧﻮدﮐﺎر(اﺳﺘﻔﺎده از اﯾﻦ روش ﺑﺴﯿﺎر‬
‫ﻣﺜﻤﺮ ﺛﻤﺮ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬

‫*روش ﺷﻨﺎﺳﯽ روﯾﮑﺮد ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺑﻪ ﺷﮑﻞ ﺑﺎز و ﺑﺮ ﭘﺎﯾﻪ اﺻﻮﻟﯽ ﻣﺸﺨﺺ ﻃﺮاﺣﯽ ﺷﺪه ﮐﻪ اﻣﮑﺎن ﮔﺴﺘﺮش اﯾﻦ روش در آﯾﻨﺪه‬
‫را ﻣﯿﺴﺮ ﻣﯿﺴﺎزد‪.‬‬

‫روش ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ در ﻋﯿﻦ ﻣﻨﻄﻘﯽ ﺑﻮدن‪ ،‬اﺷﮑﺎﻻت ﺧﺎص ﺧﻮد را ﻧﯿﺰ دارد‪ .‬ﯾﮑﯽ از ﻣﻌﺎﯾﺐ آن اﯾﻦ اﺳﺖ ﮐﻪ ﺑﺎوﺟﻮد اﺟﺮاي آﺳﺎن‬
‫ﻗﺎﻧﻮن ﮐﻨﺘﺮل ﺧﺮوﺟﯽ وﻋﺪم ﻧﯿﺎز ﺑﻪ اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت زﯾﺎد‪ ،‬ﻧﺘﯿﺠﻪ ﮔﯿﺮي )‪ (Derivation‬از اﯾﻦ روش ﭘﯿﭽﯿﺪه ﺗﺮ از ﻧﺘﯿﺠﻪ ﮔﯿﺮي از‬
‫ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎي ﮐﻼﺳﯿﮏ ‪ PID‬اﺳﺖ‪ .‬در ﺻﻮرت ﻋﺪم ﺗﻐﯿﯿﺮ دﯾﻨﺎﻣﯿﮏ ﻓﺮآﯾﻨﺪ‪ ،‬ﻣﯽ ﺗﻮان ﻗﺒﻞ از اﺟﺮاي ﻓﺮآﯾﻨﺪ ﻧﺘﯿﺠﻪ ﮔﯿﺮي را اﻧﺠﺎم‬
‫داد؛ اﻣﺎ در روش ﮐﻨﺘﺮل ﺗﻄﺒﯿﻘﯽ ﺑﺎﯾﺴﺘﯽ در ﻫﺮ ﻣﺮﺣﻠﻪ از ﻧﻤﻮﻧﻪ ﺑﺮداري ﺗﻤﺎﻣﯽ ﻣﺤﺎﺳﺒﺎت را اﺟﺮا ﮐﺮد‪ .‬ﻋﻼوه ﺑﺮاﯾﻦ‪ ،‬ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ‬

‫‪6‬‬
‫‪Multi input-Multi output‬‬
‫‪7‬‬
‫‪Dead times‬‬
‫‪8‬‬
‫‪Feed forward control‬‬
‫ﻣﺤﺪودﯾﺖ ﻫﺎ‪ ،‬ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت ﺑﯿﺶ از ﭘﯿﺶ ﺧﻮاﻫﺪ ﺷﺪ‪ .‬ﻫﺮﭼﻨﺪ‪ ،‬ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻗﺪرت ﻣﺤﺎﺳﺒﺎﺗﯽ ﻣﻮﺟﻮد در ﺑﺎزار‪ ،‬اﯾﻦ ﯾﮏ ﻣﺸﮑﻞ‬
‫اﺳﺎﺳﯽ ﺑﻪ ﺷﻤﺎر ﻧﻤﯽ آﯾﺪ‪ ،‬اﻣﺎ ﺑﺎﯾﺪ ﺑﻪ ﺧﺎﻃﺮ داﺷﺖ ﮐﻪ ﺑﺴﯿﺎري از ﮐﺎﻣﭙﯿﻮﺗﺮﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﮐﻨﺘﺮل ﻓﺮآﯾﻨﺪ ﻫﺎي ﺻﻨﻌﺘﯽ ﻧﻤﯿﺘﻮاﻧﻨﺪ‬
‫ﺣﺪاﮐﺜﺮ ﻗﺪرت ﻣﺤﺎﺳﺒﺎﺗﯽ را ﻓﺮاﻫﻢ ﮐﻨﻨﺪ و ﻣﻬﻤﺘﺮ از آن اﯾﻨﮑﻪ ﺑﯿﺸﺘﺮ زﻣﺎن ﻣﻮﺟﻮد در ﻓﺮآﯾﻨﺪ ﻣﺤﺎﺳﺒﻪ و ﮐﻨﺘﺮل‪ ،‬ﺻﺮف اﻧﺠﺎم ﮐﺎرﻫﺎﯾﯽ‬
‫ﺑﻪ ﺟﺰ ﮐﻨﺘﺮل ﺧﻮد اﻟﮕﻮرﯾﺘﻢ)ﻫﻤﺎﻧﻨﺪ ﺑﺮﻗﺮاري ارﺗﺒﺎط ﺑﺎ اﭘﺮاﺗﻮر‪ ،‬ﻫﺸﺪار دﻫﯽ‪ ،‬ﺛﺒﺖ وﻗﺎﯾﻊ و ﻏﯿﺮه( ﻣﯿﺸﻮد‪ .‬ﺣﺘﯽ در ﺻﻮرت رﻓﻊ ﻣﺸﮑﻼت‬
‫ﺑﺎﻻ‪ ،‬ﺑﺰرﮔﺘﺮﯾﻦ ﻣﺸﮑﻞ اﯾﻦ روش ﻧﯿﺎز ﺑﻪ ﯾﮏ ﻣﺪل ﻣﻨﺎﺳﺐ و ﻣﻮﺟﻮد از ﻓﺮآﯾﻨﺪ اﺳﺖ‪ .‬اﻟﮕﻮرﯾﺘﻢ ﻃﺮاﺣﯽ ﺑﺮﭘﺎﯾﻪ ﯾﮏ داﻧﺶ اﺑﺘﺪاﯾﯽ و اوﻟﯿﻪ‬
‫از ﻣﺪل ﻃﺮاﺣﯽ ﺷﺪه و از ﻣﺪل ﭘﺮوﺳﺲ ﻣﺴﺘﻘﻞ اﺳﺖ‪ ،‬اﻣﺎ ﭘﺮ واﺿﺢ اﺳﺖ ﮐﻪ ﻣﺰﯾﺖ ﻫﺎي ﺑﺪﺳﺖ آﻣﺪه ﺑﻪ ﺷﮑﻞ ﻣﺴﺘﻘﯿﻢ ﺗﺤﺖ ﺗﺎﺛﯿﺮ‬
‫اﺧﺘﻼف ﻣﯿﺎن ﻓﺮآﯾﻨﺪ واﻗﻌﯽ و ﻣﺪل ﻣﻮرد اﺳﺘﻔﺎده اﺳﺖ‪.‬‬

‫روش ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﻋﻠﯿﺮﻏﻢ اﯾﻨﮑﻪ از ﮐﻤﺒﻮد ﻧﺘﺎﯾﺞ ﻧﻈﺮي درﻣﻮرد ﺑﺮﺧﯽ ﺣﻮزه ﻫﺎي ﺣﯿﺎﺗﯽ ﻫﻤﺎﻧﻨﺪ ﭘﺎﯾﺪاري ﯾﺎ ﻣﻘﺎوم ﺑﻮدن ﻣﯿﺒﺮد‪،‬‬
‫اﻣﺎ در ﻋﻤﻞ ﺑﻪ ﻋﻨﻮان ﯾﮏ اﺳﺘﺮاﺗﮋي ﻣﻌﻘﻮل ﺑﺮاي ﻓﺮآﯾﻨﺪ ﮐﻨﺘﺮل ﺻﻨﻌﺘﯽ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯿﺸﻮد‪.‬‬

‫‪1,1‬اﺳﺘﺮاﺗﮋي ‪MPC‬‬

‫روش ﺷﻨﺎﺳﯽ ﺗﻤﺎﻣﯽ ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎي ﻣﺘﻌﻠﻖ ﺑﻪ ﺧﺎﻧﻮاده ‪ MPC‬ﺑﺎ اﺳﺘﻔﺎده از اﺳﺘﺮاﺗﮋي زﯾﺮ ﮐﻪ در ﺷﮑﻞ ‪ 1,1‬ﻧﯿﺰ آﻣﺪه اﺳﺖ‪ ،‬ﻗﺎﺑﻞ‬
‫ﺗﻌﯿﯿﻦ اﺳﺖ‪:‬‬
‫‪.1‬ﺧﺮوﺟﯽ ﻫﺎي آﯾﻨﺪه ﺑﺮاي ﯾﮏ اﻓﻖ ﻣﺸﺨﺺ ‪ N‬ﮐﻪ اﻓﻖ ﭘﯿﺶ ﺑﯿﻨﯽ ‪ 9‬ﻧﺎﻣﯿﺪه ﻣﯿﺸﻮد‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻓﺮآﯾﻨﺪ در ﻫﺮ زﻣﺎن ‪ t‬ﭘﯿﺶ‬
‫ﺑﯿﻨﯽ ﻣﯽ ﺷﻮﻧﺪ‪ .‬اﯾﻦ ﺧﺮوﺟﯽ ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه )‪ y(t+k|t‬ﺑﺮاي ‪ k=1…N‬واﺑﺴﺘﻪ ﺑﻪ ﻣﻘﺎدﯾﺮ ﻣﺸﺨﺺ ﺗﺎ ‪) t‬ﺧﺮوﺟﯽ و ورودي ﻫﺎي‬
‫ﮔﺬﺷﺘﻪ( و ﺳﯿﮕﻨﺎل ﻫﺎي آﺗﯽ ‪ u(t+k|t), k=0…N-1‬ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﯾﻦ ﺳﯿﮕﻨﺎل ﻫﺎ در واﻗﻊ ورودي ﻫﺎﯾﯽ ﻫﺴﺘﻨﺪ ﮐﻪ ﻗﺮار اﺳﺖ ﺑﻪ‬
‫ﺳﯿﺴﺘﻢ ارﺳﺎل ﺷﻮﻧﺪ و ﺗﻮﺳﻂ روش ﮐﻨﺘﺮﻟﯽ ﻣﺤﺎﺳﺒﻪ ﻣﯿﺸﻮﻧﺪ‪ .‬در ﻧﺸﺎن ﮔﺬاري ﺑﺎﻻ‪ y(t+k|t) ،‬ﻣﻘﺪار ﭘﯿﺶ ﺑﯿﻦ ﺷﺪه ﻣﺘﻐﯿﺮ ‪ y‬را در‬
‫ﻟﺤﻈﻪ ‪ t+k‬ﻣﯽ ﺑﺎﺷﺪ‪ ،‬در ﺻﻮرﺗﯽ ﮐﻪ در ﻟﺤﻈﻪ ‪ t‬ﻗﺮار داﺷﺘﻪ ﯾﺎﺷﯿﻢ‬

‫‪.2‬ﻣﺠﻤﻮﻋﻪ ﺳﯿﮕﻨﺎل ﻫﺎي ﮐﻨﺘﺮﻟﯽ آﺗﯽ ﺑﻮاﺳﻄﻪ اﺻﻼح ﯾﮏ ﻣﻌﯿﺎر ﻣﺸﺨﺺ‪ ،‬ﺑﻪ ﻣﻨﻈﻮر ﻧﺰدﯾﮏ ﮐﺮدن ﻫﺮﭼﻪ ﺑﯿﺸﺘﺮ ﺧﺮوﺟﯽ ﻓﺮآﯾﻨﺪ ﺑﻪ‬
‫)‪ ،w(t+k‬ﻣﺤﺎﺳﺒﻪ ﻣﯽ ﺷﻮد‪ w(t+k) .‬ﻣﯽ ﺗﻮاﻧﺪ ﻣﺴﯿﺮ ﻣﺮﺟﻊ ‪ 10‬و ﯾﺎ ﯾﮏ ﺗﻘﺮﯾﺐ ﻧﺰدﯾﮏ ﺑﻪ ﻣﺴﯿﺮ ﻣﺮﺟﻊ ﺑﺎﺷﺪ‪ .‬اﯾﻦ ﻣﻌﯿﺎر ﻋﻤﻮﻣﺎ ﺑﻪ‬
‫ﺷﮑﻞ ﺗﺎﺑﻊ درﺟﻪ دوم ‪ 11‬از ﺧﻄﺎﻫﺎي رخ داده ﻣﯿﺎن ﺳﯿﮕﻨﺎل ﺧﺮوﺟﯽ ﺗﺨﻤﯿﻨﯽ و ﻣﺴﯿﺮ ﻣﺮﺟﻊ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﺪه اﺳﺖ‪ .‬در اﮐﺜﺮ ﻣﻮارد ﻧﯿﺰ‬
‫ﺗﻼش ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺗﺮم در ﺗﺎﺑﻊ ﻫﺪف ﺗﻌﺮﯾﻒ ﻣﯽ ﺷﻮد‪ .‬در ﺻﻮرت درﺟﻪ دو ﺑﻮدن ﻣﻌﯿﺎر‪ ،‬ﺧﻄﯽ ﺑﻮدن ﻣﺪل و ﻋﺪم وﺟﻮد‬
‫ﻣﺤﺪودﯾﺖ‪ ،‬راه ﺣﻠﯽ ﺻﺮﯾﺢ ﺑﺪﺳﺖ ﺧﻮاﻫﺪ آﻣﺪ‪ ،‬اﻣﺎ در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﺑﺎﯾﺴﺘﯽ از ﯾﮏ روش ﺑﻬﯿﻨﻪ ﺳﺎزي ﺗﮑﺮاري اﺳﺘﻔﺎده ﮐﺮد‪ .‬در‬
‫ﺑﺮﺧﯽ ﻣﻮارد در ﻣﻮرد ﺳﺎﺧﺘﺎر ﻗﺎﻧﻮن ﮐﻨﺘﺮﻟﯽ آﺗﯽ ﺣﺪس ﻫﺎﯾﯽ زده ﻣﯿﺸﻮد‪ ،‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل اﺣﺘﻤﺎل ﻣﯿﺮود اﯾﻦ ﻗﺎﻧﻮن ﭘﺲ از ﯾﮏ زﻣﺎن‬
‫ﻣﺸﺨﺺ ﺣﺎﻟﺖ ﺛﺎﺑﺖ ﺑﻪ ﺧﻮد ﮔﯿﺮد‪.‬‬

‫‪.3‬ﺳﯿﮕﻨﺎل ﮐﻨﺘﺮﻟﯽ )‪ u(t|t‬ﺑﻪ ﻓﺮآﯾﻨﺪ ارﺳﺎل ﻣﯽ ﺷﻮد در ﺣﺎﻟﯽ ﮐﻪ ﺳﯿﮕﻨﺎل ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﺑﻌﺪي دور رﯾﺨﺘﻪ ﻣﯽ ﺷﻮد‪ .‬در زﻣﺎن ﻧﻤﻮﻧﻪ‬
‫ﺑﺮداري ﺑﻌﺪي‪ y(t+1) ،‬ﻣﻌﻠﻮم ﺑﻮده و ﻣﺮﺣﻠﻪ ‪ 1‬ﺑﺎ اﯾﻦ ﻣﻘﺎدﯾﺮ ﺟﺪﯾﺪ ﺗﮑﺮار و ﻧﺘﺎﯾﺞ ﺑﺮﭘﺎﯾﻪ آﻧﻬﺎ ﺑﻪ روز ﻣﯽ ﺷﻮﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﯾﻦ‪u(t+1 | ،‬‬
‫)‪) t+1‬ﮐﻪ در اﺻﻞ و ﺑﻪ دﻟﯿﻞ وﺟﻮد اﻃﻼﻋﺎت ﺟﺪﯾﺪ‪ ،‬ﻣﺘﻔﺎوت از )‪ u(t+1 | t‬اﺳﺖ( ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﻣﻔﻬﻮم اﻓﻖ ﺧﺰﺷﯽ ‪ 12‬ﻣﺤﺎﺳﺒﻪ‬
‫ﻣﯿﺸﻮد‪.‬‬

‫ﺑﺮاي اﺟﺮاي اﯾﻦ اﺳﺘﺮاﺗﮋي‪ ،‬ﺳﺎﺧﺘﺎر ﭘﺎﯾﻪ اي ﻣﻮﺟﻮد در ﺷﮑﻞ ‪ 1,2‬ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯿﮕﯿﺮد‪ .‬از ﯾﮏ ﻣﺪل ﺑﺮاي ﭘﯿﺶ ﺑﯿﻨﯽ ﺧﺮوﺟﯽ‬
‫ﻫﺎي آﺗﯽ ﭘﻼﻧﺖ ﺑﺮﭘﺎﯾﻪ ﻣﻘﺎدﯾﺮ ﭘﯿﺸﯿﻦ و ﮐﻨﻮﻧﯽ و ﻧﯿﺰ ﺑﺮ اﺳﺎس اﻋﻤﺎل ﮐﻨﺘﺮﻟﯽ آﺗﯽ ﺑﻬﯿﻨﻪ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺘﻔﺎده ﻣﯿﮕﺮدد‪ .‬اﯾﻦ ﮐﺎر‬
‫ﺗﻮﺳﻂ ﺑﻬﯿﻨﻪ ﺳﺎز و ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ) ﮐﻪ در آن ﺧﻄﺎي ﺗﺮاﮐﯿﻨﮓ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ( و ﻧﯿﺰ ﻣﺤﺪودﯾﺖ ﻫﺎ ﻣﺤﺎﺳﺒﻪ‬
‫ﻣﯽ ﺷﻮﻧﺪ‪.‬‬

‫‪9‬‬
‫‪Prediction horizon‬‬
‫‪10‬‬
‫‪Set point‬‬
‫‪11‬‬
‫‪Quadratic Function‬‬
‫‪12‬‬
‫‪Receding Horizon‬‬
‫در ﻧﺘﯿﺠﻪ ﻣﺪل ﻓﺮآﯾﻨﺪ ﻧﻘﺸﯽ ﺗﻌﯿﯿﻦ ﮐﻨﻨﺪه در ﮐﻨﺘﺮل ﮐﻨﻨﺪه اﯾﻔﺎ ﻣﯿﮑﻨﺪ‪ .‬ﻣﺪل اﻧﺘﺨﺎﺑﯽ در ﻋﯿﻦ ﺳﺎدﮔﯽ در اﺟﺮا و آﺳﺎن ﻓﻬﻢ ﺑﻮدن ﺑﺎﯾﺪ‬
‫ﺗﻮاﻧﺎﯾﯽ درﯾﺎﻓﺖ دﯾﻨﺎﻣﯿﮏ ﻓﺮآﯾﻨﺪ را داﺷﺘﻪ ﺑﺎﺷﺪ ﺗﺎ ﺑﺘﻮاﻧﺪ ﺧﺮوﺟﯽ ﻫﺎي آﺗﯽ را ﺑﻪ دﻗﺖ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ‪ .‬ﺑﺎﯾﺪ ﺗﻮﺟﻪ داﺷﺖ ﮐﻪ ‪MPC‬‬
‫ﯾﮏ ﺗﮑﻨﯿﮏ ﻣﻨﺤﺼﺮ ﺑﻪ ﻓﺮد ﻧﺒﻮده‪ ،‬ﺑﻠﮑﻪ دﺳﺘﻪ اي از روش ﻫﺎي ﻣﺘﻔﺎوت اﺳﺖ ﮐﻪ ﮔﺴﺘﺮه ﻣﺪل ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده و ﻓﺮﻣﻮل ﻫﺎي‬
‫ﻣﺤﺎﺳﺒﺎﺗﯽ آن ﺑﺴﯿﺎر وﺳﯿﻊ اﺳﺖ‪.‬‬

‫ﯾﮑﯽ از راﯾﺞ ﺗﺮﯾﻦ ﻣﺪل ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در ﺻﻨﻌﺖ‪ ،‬ﻣﺪل ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺑﺮﯾﺪه ﺷﺪه ‪ 13‬اﺳﺖ‪ .‬ﺑﺮاي دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ اﯾﻦ ﻣﺪل ﮐﺎﻓﯽ اﺳﺖ‬
‫ﺧﺮوﺟﯽ ﻓﺮآﯾﻨﺪ را در زﻣﺎﻧﯽ ﮐﻪ ﯾﮏ ورودي ﺿﺮﺑﻪ آن را ﺗﺤﺮﯾﮏ ﻣﯿﮑﻨﺪ‪ ،‬اﻧﺪازه ﮔﯿﺮي ﮐﻨﯿﻢ‪ .‬اﯾﻦ ﻣﺪل ﺑﻪ دﻟﯿﻞ ﻣﺎﻫﯿﺖ ﺷﻬﻮدي ﺧﻮد و‬
‫ﻗﺎﺑﻠﯿﺖ اﺟﺮا ﺑﺮاي ﻓﺮآﯾﻨﺪﻫﺎي ﭼﻨﺪﻣﺘﻐﯿﺮي‪ ،‬ﺑﺮاي ﮐﺎرﺑﺮدﻫﺎي ﺻﻨﻌﺘﯽ ﺑﺴﯿﺎر ﻣﻮرد اﺳﺘﻘﺒﺎل ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ‪ ،‬ﻫﺮﭼﻨﺪ ﻣﻮاردي ﻫﻤﭽﻮن‬
‫ﺗﻌﺪاد ﺑﺎﻻي ﭘﺎراﻣﺘﺮﻫﺎي ﻣﻮرد ﻧﯿﺎز و ﻣﺤﺪود ﺑﻮدن ﺑﻪ ﻓﺮآﯾﻨﺪ ﻫﺎي ﭘﺎﯾﺪار ﺣﻠﻘﻪ ﺑﺎز ‪ 14‬از ﻧﻘﺎط ﺿﻌﻒ اﺻﻠﯽ اﯾﻦ روش ﻣﺤﺴﻮب ﻣﯿﺸﻮﻧﺪ‪.‬‬
‫ﻣﺪل ﭘﺎﺳﺦ ﭘﻠﻪ اي ‪15‬ﮐﻪ در آن ورودي ﯾﮏ ﭘﻠﻪ اﺳﺖ‪ ،‬ﯾﮑﯽ از ﻣﺪل ﻫﺎي ﺑﺴﯿﺎر ﻧﺰدﯾﮏ ﺑﻪ ﻣﺪل ﻣﺬﮐﻮر اﺳﺖ‪.‬‬

‫ﺑﻪ اﺣﺘﻤﺎل ﻗﺮﯾﺐ ﺑﻪ ﯾﻘﯿﻦ‪ ،‬ﻣﺪل ﺗﺎﺑﻊ اﻧﺘﻘﺎل راﯾﺞ ﺗﺮﯾﻦ ﻣﺪل در ﺑﯿﻦ ﺟﺎﻣﻌﻪ آﮐﺎدﻣﯿﮏ ﺑﻮده و در ﺗﻤﺎﻣﯽ روش ﻫﺎي ﻃﺮاﺣﯽ ﮐﻨﺘﺮل‬
‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯿﮕﯿﺮد‪ ،‬ﭼﺮا ﮐﻪ اﯾﻦ ﻣﺪل ﺗﻨﻬﺎ ﺑﻪ ﺗﻌﺪاد اﻧﺪﮐﯽ ﭘﺎراﻣﺘﺮ ﻧﯿﺎز داﺷﺘﻪ و ﺑﺮاي ﺗﻤﺎﻣﯽ ﻓﺮآﯾﻨﺪ ﻫﺎ ﭘﺎﺳﺨﮕﻮ ﻣﯽ ﺑﺎﺷﺪ‪ .‬ﻣﺪل‬
‫ﻓﻀﺎي ﺣﺎﻟﺖ ﻧﯿﺰ در ﺑﻌﻀﯽ ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬اﯾﻦ ﻣﺪل ﺑﻪ راﺣﺘﯽ ﭘﺮوﺳﺲ ﻫﺎي ﭼﻨﺪ ﻣﺘﻐﯿﯿﺮه را ﺗﻮﺻﯿﻒ‬
‫ﻣﯽ ﮐﻨﺪ‪.‬‬

‫‪13‬‬
‫‪Truncated Impulse Response‬‬
‫‪14‬‬
‫‪Open Loop‬‬
‫‪15‬‬
‫‪Step Response Model‬‬
‫ﺑﻬﯿﻨﻪ ﺳﺎز)ﺑﻬﯿﻨﻪ ﮐﻨﻨﺪه( ﯾﮑﯽ دﯾﮕﺮ از ﻗﺴﻤﺖ ﻫﺎي اﺳﺎﺳﯽ اﺳﺘﺮاﺗﮋي اﺳﺖ ﭼﺮاﮐﻪ اﻋﻤﺎل ﮐﻨﺘﺮﻟﯽ را ﻣﻤﮑﻦ ﻣﯽ ﺳﺎزد‪ .‬اﮔﺮ ﺗﺎﺑﻊ ﻫﺰﯾﻨﻪ‬
‫درﺟﻪ ‪ 2‬ﺑﺎﺷﺪ‪ ،‬ﻣﯿﻨﯿﻤﻢ آن ﺑﻪ ﻋﻨﻮان ﺗﺎﺑﻌﯽ ﺻﺮﯾﺢ )ﺧﻄﯽ( از ورودي و ﺧﺮوﺟﯽ ﻫﺎي ﭘﯿﺸﯿﻦ و ﻣﺴﯿﺮ ﻣﺮﺟﻊ آﺗﯽ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯿﺸﻮد‪.‬‬
‫در ﺻﻮرت وﺟﻮد ﻣﺤﺪودﯾﺖ ﻫﺎي ﻧﺎﻣﺴﺎوي ‪ ،16‬ﺑﻪ دﺳﺖ آوردن راه ﺣﻞ‪ ،‬ﻧﯿﺎزﻣﻨﺪ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ﻋﺪدي ﺑﺎ اﻧﺠﺎم ﻣﺤﺎﺳﺒﺎت‬
‫ﺑﯿﺸﺘﺮ اﺳﺖ‪ .‬ﺳﺎﯾﺰ ﻣﺴﺎﻟﻪ ﺑﻬﯿﻨﻪ ﺳﺎزي واﺑﺴﺘﻪ ﺑﻪ ﺗﻌﺪاد ﻣﺘﻐﯿﺮ ﻫﺎ و اﻓﻖ ﻫﺎي ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﻮرد اﺳﺘﻔﺎده ﺑﻮده و ﻋﻤﻮﻣﺎ ﺑﻪ آن اﻧﺪازه ﺣﺎد‬
‫ﻧﯿﺴﺘﻨﺪ ﮐﻪ ﻧﯿﺎزﻣﻨﺪ ﻣﺤﺎﺳﺒﺎﺗﯽ ﭘﯿﭽﯿﺪه ﺑﺎﺷﻨﺪ‪ .‬ﺑﺎاﯾﻦ وﺟﻮد‪ ،‬زﻣﺎن ﻣﻮرد ﻧﯿﺎز ﺑﺮاي ﻣﺪل ﻫﺎي ﺑﺎ وﺟﻮد ﻣﺤﺪودﯾﺖ و ﻣﻘﺎوم ﺑﻪ ﺷﮑﻞ ﻗﺎﺑﻞ‬
‫ﺗﻮﺟﻬﯽ ﺑﯿﺸﺘﺮ از زﻣﺎن ﻣﺸﺎﺑﻪ ﺑﺮاي ﻣﺪل ﻫﺎي ﺑﺪون ﻣﺤﺪودﯾﺖ ﺑﻮده و ﭘﻬﻨﺎي ﺑﺎﻧﺪ ﭘﺮوﺳﺴﯽ ﮐﻪ ‪ MPC‬ﺑﺎ وﺟﻮد ﻣﺤﺪودﯾﺖ ﺑﺮ روي آن‬
‫اﻋﻤﺎل ﻣﯿﺸﻮد‪ ،‬ﺷﺪﯾﺪا ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ‪.‬‬

‫ذﮐﺮ اﯾﻦ ﻧﮑﺘﻪ ﻻزم اﺳﺖ ﮐﻪ اﺳﺘﺮاﺗﮋي ‪ MPC‬ﺑﺴﯿﺎر ﺷﺒﯿﻪ ﺑﻪ روش ﮐﻨﺘﺮل ﯾﮏ وﺳﯿﻠﻪ ﻧﻘﻠﯿﻪ اﺳﺖ‪ .‬راﻧﻨﺪه از ﻣﺴﯿﺮ ﻣﺮﺟﻊ ﻣﻄﻠﻮب ﺑﺮاي‬
‫ﯾﮏ اﻓﻖ ﮐﻨﺘﺮﻟﯽ ﻣﺤﺪود آﮔﺎه اﺳﺖ و ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺸﺨﺼﺎت وﺳﯿﻠﻪ ﻧﻘﻠﯿﻪ )ﻣﺪل ذﻫﻨﯽ از وﺳﯿﻠﻪ ﻧﻘﻠﯿﻪ( ﺗﺼﻤﯿﻢ ﻣﯽ ﮔﯿﺮد از ﮐﺪام‬
‫روش ﮐﻨﺘﺮﻟﯽ )ﺳﺮﻋﺖ ﮔﺮﻓﺘﻦ‪ ،‬ﺗﺮﻣﺰ زدن ﯾﺎ ﺗﻐﯿﯿﺮ ﺟﻬﺖ دادن( ﺑﺮاي دﻧﺒﺎل ﮐﺮدن ﻣﺴﯿﺮ ﻣﺮﺟﻊ اﺳﺘﻔﺎده ﮐﻨﺪ‪ .‬در ﻫﺮ ﺑﺎزه زﻣﺎﻧﯽ ﺗﻨﻬﺎ‬
‫اﻋﻤﺎل ﮐﻨﺘﺮﻟﯽ اوﻟﯿﻪ اﻧﺠﺎم ﺷﺪه و ﺑﺮاي ﺗﺼﻤﯿﻤﺎت ﮐﻨﺘﺮﻟﯽ ﺑﻌﺪي ﻫﻤﯿﻦ روﻧﺪ و ﺑﺎ ﺣﺎﻟﺖ اﻓﻘﯽ ﺧﺰﺷﯽ ﺗﮑﺮار ﻣﯿﺸﻮد‪ .‬ﺑﺎﯾﺪ ﺗﻮﺟﻪ داﺷﺖ‬
‫در زﻣﺎن اﺳﺘﻔﺎده از روش ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﮐﻼﺳﯿﮏ ﻫﻤﺎﻧﻨﺪ ‪PID‬ﻫﺎ‪ ،‬اﻋﻤﺎل ﮐﻨﺘﺮﻟﯽ ﺑﺮﭘﺎﯾﻪ اﺷﺘﺒﺎﻫﺎت ﭘﯿﺸﯿﻦ اﺗﺨﺎذ ﻣﯿﺸﻮﻧﺪ‪ .‬اﮔﺮ ﻣﺜﺎل‬
‫ﮐﻨﺘﺮل وﺳﯿﻠﻪ ﻧﻘﻠﯿﻪ را ﺑﺴﻂ دﻫﯿﻢ‪ ،‬ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﯾﮑﯽ از ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪﮔﺎن ‪ MPC‬در ﺗﺒﻠﯿﻐﺎت ﺧﻮد اﯾﻨﮑﺎر را اﻧﺠﺎم داده ﺑﻮدﻧﺪ ]‪،[71‬‬
‫ﮐﻨﺘﺮل وﺳﯿﻠﻪ ﻧﻘﻠﯿﻪ ﺑﺎ روش ‪ PID‬ﺑﺮاﺑﺮ راﻧﺪن ﯾﮏ اﺗﻮﻣﻮﺑﯿﻞ ﺑﺎ اﺳﺘﻔﺎده از آﯾﯿﻨﻪ ﻋﻘﺐ ﺧﻮاﻫﺪ ﺑﻮد)ﺷﮑﻞ ‪ .(1,3‬ﻣﻘﺎﯾﺴﻪ اﯾﻦ روش ﺑﻪ‬
‫‪ PID‬ﻋﺎدﻻﻧﻪ ﻧﯿﺴﺖ ﭼﺮاﮐﻪ ‪ MPC‬از اﻃﻼﻋﺎت ﺑﯿﺸﺘﺮي اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ‪ .‬ﺑﺎﯾﺪ ﺗﻮﺟﻪ داﺷﺖ ﮐﻪ در ﺻﻮرت در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﯾﮏ ﻧﻘﻄﻪ در‬
‫آﯾﻨﺪه )ﺑﻪ ﻋﻨﻮان ﻧﻘﻄﻪ ﻣﺸﺨﺺ ﮐﻨﻨﺪه ﻣﺴﯿﺮ ﻣﺮﺟﻊ( ﺑﺮاي ‪ ،PID‬ﺗﻔﺎوت ﻫﺎي ﻣﻮﺟﻮد ﻣﯿﺎن اﺳﺘﺮاﺗﮋي ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﻣﺬﮐﻮر ﮐﻢ رﻧﮓ‬
‫ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬

‫‪16‬‬
‫‪Inequality Constraint‬‬
 ‫‪2,1‬دﯾﺪﮔﺎه ﺗﺎرﯾﺨﯽ‬

‫از اواﺧﺮ دﻫﻪ ‪ 70‬ﻣﯿﻼدي ﻣﻘﺎﻟﻪ ﻫﺎﯾﯽ ﺑﻪ ﭼﺎپ رﺳﯿﺪ ﮐﻪ در آﻧﻬﺎ اﻗﺒﺎل ﻧﻮﭘﺎي ﺟﺎﻣﻌﻪ ﺻﻨﻌﺘﯽ ﻧﺴﺒﺖ ﺑﻪ ‪ MPC‬ﮐﺎﻣﻼ ﻫﻮﯾﺪا ﺑﻮد‪ .‬از ﺟﻤﻠﻪ‬
‫اﯾﻦ ﻣﻘﺎﻟﻪ ﻫﺎ‪ ،‬ﺗﺤﻘﯿﻖ رﯾﭽﺎﻟﺖ و ﻫﻤﮑﺎران ﭼﺎپ ﻫﺎي ]‪[104‬و ]‪ [105‬ﮐﻪ ﺑﻪ ﮐﻨﺘﺮل اﺑﺘﮑﺎري ﭘﯿﺶ ﺑﯿﻦ ﻣﺪل )‪ (MPHC 17‬اﺧﺘﺼﺎص‬
‫داﺷﺖ )ﭼﺎپ ‪ 105‬ﺑﻪ ﻋﻨﻮان ﮐﻨﺘﺮل اﻟﮕﻮرﯾﺘﻤﯽ ﻣﺪل)‪ (MAC 18‬ﻣﺸﻬﻮر اﺳﺖ(‪ .‬و ﮐﻮﺗﻠﻮ و رﯾﻤﺎرﮐﺘﺮ ]‪ [37‬ﮐﻪ درﺑﺎره ﮐﻨﺘﺮل ﻣﺎﺗﺮﯾﺲ‬
‫ﭘﻮﯾﺎ ) ‪ (DMC19‬ﺑﻮد ﻗﺎﺑﻞ ذﮐﺮ اﺳﺖ‪ .‬ﯾﮏ ﻣﺪل ﻓﺮآﯾﻨﺪ دﯾﻨﺎﻣﯿﮑﯽ ﺑﻪ ﺷﮑﻠﯽ ﺻﺮﯾﺢ در ﻫﺮ دو اﻟﮕﻮرﯾﺘﻢ ﭘﺎﺳﺦ ﺿﺮﺑﻪ و ﭘﺎﺳﺦ ﭘﻠﻪ اﺳﺘﻔﺎده‬
‫ﻣﯿﺸﻮد ﺗﺎ ﺗﺎﺛﯿﺮ ورودي ﻫﺎي ﮐﻨﺘﺮﻟﯽ آﺗﯽ را ﺑﺮ ﺧﺮوﺟﯽ ﻫﺎ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﺪ‪ .‬اﯾﻦ ورودي ﻫﺎ ﺑﺎ ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﺧﻄﺎﻫﺎي ﺗﺨﻤﯿﻨﯽ ﺑﺎ‬
‫ﺗﻮﺟﻪ ﺑﻪ ﻣﺤﺪودﯾﺖ ﻫﺎي ﺳﯿﺴﺘﻢ ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮﻧﺪ‪ .‬ﻓﺮآﯾﻨﺪ ﺑﻬﯿﻨﻪ ﺳﺎزي در ﻫﺮ ﻣﻘﻄﻊ از ﻧﻤﻮﻧﻪ ﺑﺮداري و ﺑﺎ اﻃﻼﻋﺎت ﺑﻪ روز ﺷﺪه درﺑﺎره‬
‫ﻓﺮآﯾﻨﺪ اﺻﻠﯽ ﺗﮑﺮار ﻣﯽ ﺷﻮد‪ .‬اﯾﻦ ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎ اﺑﺘﮑﺎري و اﻟﮕﻮرﯾﺘﻤﯽ ﺑﻮدﻧﺪ و ﻣﯽ ﺗﻮاﻧﺴﺘﻨﺪ از ﭘﺘﺎﻧﺴﯿﻞ رو ﺑﻪ اﻓﺰاﯾﺶ ﻣﺤﺎﺳﺒﺎت‬
‫دﯾﺠﯿﺘﺎل در آن زﻣﺎن ﺑﻬﺮه ﺑﺒﺮﻧﺪ‪.‬‬

‫اﯾﻦ ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎ ﺑﻪ ﺷﮑﻠﯽ ﻧﺰدﯾﮏ ﺑﺎ ﻣﺴﺎﻟﻪ ﮐﻨﺘﺮل ﺑﻬﯿﻨﻪ زﻣﺎن ﺑﺎ زﻣﺎن ﻣﯿﻨﯿﻤﻢ و ﺑﺮﻧﺎﻣﻪ ﻧﻮﯾﺴﯽ ﺧﻄﯽ در ارﺗﺒﺎط ﺑﻮدﻧﺪ‪ .‬اﺻﻞ اﻓﻖ‬
‫ﺧﺰﺷﯽ ﮐﻪ ﯾﮑﯽ از اﯾﺪه ﻫﺎي ﭘﺎﯾﻪ اي ‪ MPC‬اﺳﺖ‪ ،‬در ﺳﺎل ‪ 1963‬ﺗﻮﺳﻂ ﭘﺮوﭘﻮي ﭘﯿﺸﻨﻬﺎد ﺷﺪ]‪ .[97‬اﯾﻦ اﺻﻞ در ﭼﻬﺎرﭼﻮب "ﻓﯿﺪﺑﮏ‬
‫ﺑﻬﯿﻨﻪ ﺣﻠﻘﻪ ﺑﺎز" در دﻫﻪ ‪ 70‬ﺑﻪ ﺷﮑﻠﯽ وﺳﯿﻊ ﻣﻮرد ﺑﺤﺚ واﻗﻊ ﺷﺪ‪.‬‬

‫‪17‬‬
‫‪Model Predictive Heuristic Control‬‬
‫‪18‬‬
‫‪Model Algorithmic Control‬‬
‫‪19‬‬
‫‪Dynamic Matrix Control‬‬
‫روش ‪ MPC‬ﺑﻪ ﺧﺎﻃﺮ ﺳﺎدﮔﯽ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ و اﺳﺘﻔﺎده از ﻣﺪل ﻫﺎي ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﯾﺎ ﭘﻠﻪ ﮐﻪ ﻋﻠﯿﺮﻏﻢ داﺷﺘﻦ ﭘﺎراﻣﺘﺮﻫﺎي ﺑﯿﺸﺘﺮي ﻧﺴﺒﺖ‬
‫ﺑﻪ ﻓﺮآﯾﻨﺪ ﻫﺎي ﻓﺮﻣﻮل ﺑﻨﺪي ﻣﻮﺟﻮد در ﺣﯿﻄﻪ ﻓﻀﺎي ﺣﺎﻟﺖ ﯾﺎ ﺣﻮﺿﻪ ورودي‪-‬ﺧﺮوﺟﯽ‪ ،‬ﺑﻪ ﻋﻠﺖ ﺷﻬﻮدي ﺑﻮدن و ﻧﯿﺎز ﮐﻤﺘﺮ ﺑﻪ اﻃﻼﻋﺎت‬
‫ﺑﺮاي ﺷﻨﺎﺳﺎﯾﯽ‪ ،‬ﺑﺎ اﻗﺒﺎل ﺑﯿﺸﺘﺮي ﻣﻮاﺟﻪ ﻣﯽ ﺷﺪﻧﺪ‪ .‬ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ ‪ MPC‬در ﺣﻮزه ﻫﺎي ﻣﺨﺘﻠﻒ ﺻﻨﻌﺖ از ﺟﻤﻠﻪ ﺻﻨﺎﯾﻊ ﺷﯿﻤﺎﯾﯽ ﺑﻪ‬
‫ﺳﺮﻋﺖ رواج ﭘﯿﺪا ﮐﺮد‪ .‬ﮔﺰارش ﮐﺎﻣﻠﯽ از ﮐﺎرﺑﺮدﻫﺎي اﯾﻦ روش در ﺑﺨﺶ ﭘﺘﺮوﺷﯿﻤﯽ در دﻫﻪ ‪ 80‬ﻣﯿﻼدي در ]‪ [43‬ﻣﻮﺟﻮد اﺳﺖ‪ .‬ﺑﺨﺶ‬
‫اﻋﻈﻢ اﯾﻦ ﮐﺎرﺑﺮدﻫﺎ در ﺳﯿﺴﺘﻢ ﻫﺎي ﭼﻨﺪﻣﺘﻐﯿﺮه ﮐﻪ داراي ﻣﺤﺪودﯾﺖ ﻫﺎﯾﯽ ﻧﯿﺰ ﺑﻮدﻧﺪ‪ ،‬ﻣﺸﺎﻫﺪه ﻣﯽ ﺷﻮد‪ .‬ﺑﺮﺧﻼف اﯾﻦ ﻣﻮﻓﻘﯿﺖ‪ ،‬اﯾﻦ‬
‫ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎ ﻓﺎﻗﺪ ﺗﺌﻮري ﻫﺎﯾﯽ ﺑﻮدﻧﺪ ﺗﺎ ﭘﺎﯾﺪاري و ﻣﻘﺎوم ﺑﻮدن ﻧﺘﺎﯾﺞ آﻧﻬﺎ را ﺗﺎﯾﯿﺪ ﮐﻨﺪ‪ .‬در ﺣﻘﯿﻘﺖ‪ ،‬ﺗﺤﻠﯿﻞ ﭘﺎﯾﺪاري در ﮐﻨﺘﺮل‬
‫ﭘﯿﺶ ﺑﯿﻦ ﺑﺎ اﻓﻖ ﻣﺤﺪود ﺑﻪ ﺟﺰ در ﻣﻮارد ﺑﺴﯿﺎر ﺧﺎص‪ ،‬ﺑﺴﯿﺎر ﻣﺸﮑﻞ ﺑﻮد‪.‬‬

‫ﻣﺴﯿﺮ ﺗﺤﻘﯿﻘﺎﺗﯽ دﯾﮕﺮ ﺑﻪ ﺷﮑﻞ ﻣﺴﺘﻘﻞ و در ﻣﺤﺪوده اﯾﺪه ﻫﺎي ﮐﻨﺘﺮل ﺗﻄﺒﯿﻘﯽ و ﺑﺮاي ﻓﺮآﯾﻨﺪ ﻫﺎي ﺗﮏ ﻣﺘﻐﯿﺮي ﮐﻪ ﺑﺎ ﻣﺪل ﻫﺎي‬
‫ورودي‪/‬ﺧﺮوﺟﯽ ﺗﻮﺻﯿﻒ ﻣﯽ ﺷﺪﻧﺪ‪،‬اﯾﺠﺎد ﺷﺪ‪ .‬ﮐﻨﺘﺮل ﺧﻮد ﺗﻨﻈﯿﻢ ﻣﺒﺘﻨﯽ ﺑﺮ ﭘﯿﺶ ﺑﯿﻨﯽ ﭘﺘﺮﮐﺎ]‪ [94‬ﻧﯿﺰ ﺟﺰء اﯾﻦ ﻃﺒﻘﻪ ﺑﻨﺪي ﻗﺮار ﻣﯽ‬
‫ﮔﯿﺮد‪ .‬اﯾﻦ روش ﺑﻪ ﻣﻨﻈﻮر ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﻣﻌﯿﺎر درﺟﻪ ‪ 2‬در ﯾﮏ اﻓﻖ ﮐﻨﺘﺮﻟﯽ ﻣﻌﯿﻦ)ﻣﺤﺪود ﯾﺎ در ﺣﺪود ﻧﺎﻣﺤﺪود( ﻃﺮاﺣﯽ ﺷﺪه‬
‫ﺑﻮد‪.‬ﮐﻨﺘﺮل ﺗﻄﺒﯿﻘﯽ اﻓﻖ ﺑﺴﻂ ﯾﺎﻓﺘﻪ ) ‪ (EHAC20‬ﻧﯿﺰ ﺟﺰء در اﯾﻦ دﺳﺘﻪ ﻗﺮار ﻣﯿﮕﯿﺮد‪ .‬اﯾﻦ روش ﺗﻼش ﻣﯽ ﮐﻨﺪ ﺗﺎ ﭘﺲ از ﺗﺎﺧﯿﺮ‬
‫ﺳﯿﺴﺘﻢ‪ ،‬ﺧﺮوﺟﯽ آﺗﯽ را )ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از ﯾﮏ ﻣﻌﺎدﻟﻪ دﯾﻮﻓﺎﻧﺘﯽ ﻣﺤﺎﺳﺒﻪ ﺷﺪه( ﻧﺰدﯾﮏ ﺑﻪ ﻧﻘﻄﻪ ﻣﺮﺟﻊ ﻧﮕﺎه داﺷﺘﻪ و ﻫﻤﭽﻨﯿﻦ اﺟﺎزه ﺑﻪ‬
‫ﮐﺎر ﺑﺮدن اﺳﺘﺮاﺗﮋي ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﮔﻮﻧﺎﮔﻮﻧﯽ را ﻣﯽ دﻫﺪ‪ .‬ﮐﻨﺘﺮل ﺧﻮد ﺗﻨﻈﯿﻢ ﺑﺎ ﭘﯿﺶ ﺑﯿﻨﯽ ﺗﻮﺳﻌﻪ ﯾﺎﻓﺘﻪ ))‪ ((EPSAC 21‬ﮐﻪ ﺗﻮﺳﻂ‬
‫ﮐﯿﺴﺮ و ﻫﻤﮑﺎران اراﺋﻪ ﺷﺪ ]‪ [55‬ﯾﮏ ﺳﯿﮕﻨﺎل ﺛﺎﺑﺖ ﮐﻨﺘﺮﻟﯽ را ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﺪ ﮐﻪ از ﻟﺤﻈﻪ اﮐﻨﻮن )‪ (t‬آﻏﺎز ﺷﺪه و ﺑﻪ ﺟﺎي ﺣﻞ‬
‫ﻣﻌﺎدﻟﻪ دﯾﻮﻓﺎﻧﺘﯽ‪ ،‬از ﯾﮏ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه زﯾﺮﻣﻄﻠﻮب اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﺪ‪ .‬ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺗﻌﻤﯿﻢ ﯾﺎﻓﺘﻪ )‪ (GPC 22‬ﮐﻪ ﺗﻮﺳﻂ ﮐﻼرك و‬
‫ﻫﻤﮑﺎران در ﺳﺎل ‪ 1987‬اراﺋﻪ ﺷﺪ ﻧﯿﺰ در ﻫﻤﯿﻦ ﺑﺴﺘﺮ ﺣﺮﮐﺖ ﻣﯽ ﮐﻨﺪ ]‪ .[34‬اﯾﻦ روش از اﯾﺪه ﻫﺎي وارﯾﺎﻧﺲ ﻣﯿﻨﯿﻤﻮم ﺗﻌﻤﯿﻢ‬
‫ﯾﺎﻓﺘﻪ)‪ [32] (GMV 23‬اﺳﺘﻔﺎده ﮐﺮده و ﺑﻪ ﻃﻮر ﻗﺮﯾﺐ ﺑﻪ ﯾﻘﯿﻦ راﯾﺞ ﺗﺮﯾﻦ روش ﻣﻮﺟﻮد اﺳﺖ و ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ ﻣﻮﺿﻮع اﺻﻠﯽ ﺗﺤﻘﯿﻘﺎت‬
‫اراﺋﻪ ﺷﺪه در ﺑﺨﺶ ﻫﺎي آﺗﯽ اﯾﻦ ﮐﺘﺎب ﺧﻮاﻫﺪ ﺑﻮد‪ .‬ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎي ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﭘﯿﺶ ﺑﯿﻦ زﯾﺎدي ﺑﺮ ﭘﺎﯾﻪ اﯾﺪه ﻫﺎي ﻣﺸﺎﺑﻪ ﺳﺎﺧﺘﻪ‬
‫ﺷﺪه اﻧﺪ ﮐﻪ از ﺟﻤﻠﻪ آﻧﻬﺎ ﻣﯿﺘﻮان ﺑﻪ ﻣﻮارد زﯾﺮ اﺷﺎره ﮐﺮد‪ :‬ﮐﻨﺘﺮل ﺗﻄﺒﯿﻘﯽ ﭼﻨﺪﻣﺘﻐﯿﺮي ﭼﻨﺪﻣﺮﺣﻠﻪ اي )‪ ،[47](MUSMAR 24‬ﮐﻨﺘﺮل‬
‫ﺗﻄﺒﯿﻘﯽ اﻓﻖ ﺧﺰﺷﯽ داراي ﭼﻨﺪ ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻨﻨﺪه)‪ ،[66](MURHAC 25‬ﮐﻨﺘﺮل ﻓﺎﻧﮑﺸﻨﺎل ﭘﯿﺶ ﺑﯿﻦ)‪ (PFC 26‬ﯾﺎ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ‬
‫ﯾﮏ ﺷﮑﻞ)‪.[115](UPC 27‬‬

‫روش ‪MPC‬ﻫﻤﭽﻨﯿﻦ در ﺑﺴﺘﺮ ﻓﻀﺎي ﺣﺎﻟﺖ ﻧﯿﺰ ﺷﮑﻞ داده ﺷﺪه اﺳﺖ‪ .‬اﯾﻦ اﻣﺮ ﻧﻪ ﺗﻨﻬﺎ ﮐﺎرﺑﺮد ﻗﻀﯿﻪ ﻫﺎي ﻣﻌﺮوف ﻓﻀﺎي ﺣﺎﻟﺖ را‬
‫اﻣﮑﺎن ﭘﺬﯾﺮ ﻣﯽ ﺳﺎزد‪ ،‬ﺑﻠﮑﻪ ﺗﻌﻤﯿﻢ دﻫﯽ آﻧﻬﺎ را ﺑﺮاي ﻣﻮارد ﭘﯿﭽﯿﺪه ﺗﺮ ﻫﻤﭽﻮن ﺳﯿﺴﺘﻢ ﻫﺎي داراي اﻏﺘﺸﺎﺷﺎت ﺗﺼﺎدﻓﯽ و ﻧﻮﯾﺰ در‬
‫ﻣﺘﻐﯿﺮﻫﺎي اﻧﺪازه ﮔﯿﺮي ﺷﺪه را ﺗﺴﻬﯿﻞ ﻣﯿﮑﻨﺪ‪ .‬ﺑﺎ ﺑﺴﻂ دادن ﻣﺪل ﭘﺎﺳﺦ ﭘﻠﻪ و اﺳﺘﻔﺎده از ﺗﮑﻨﯿﮏ ﻫﺎي ﺗﺨﻤﯿﻦ ﺣﺎﻟﺖ ﺷﻨﺎﺧﺘﻪ ﺷﺪه‬
‫ﻣﯽ ﺗﻮان ﻓﺮآﯾﻨﺪﻫﺎي داراي ﺗﺮم اﻧﺘﮕﺮال ﮔﯿﺮ را ﻧﯿﺰ ﺗﺤﺖ ﮐﻨﺘﺮل درآورد‪ .‬ﺗﮑﻨﯿﮏ ﻫﺎي ﺗﺨﻤﯿﻦ ﺣﺎﻟﺖ ﮐﻪ از ﮐﻨﺘﺮل ﺑﻬﯿﻨﻪ ﺗﺼﺎدﻓﯽ‬

‫‪20‬‬
‫‪Extended Horizon Adaptive Control‬‬
‫‪21‬‬
‫‪Extended Prediction Self Adaptive Control‬‬
‫‪22‬‬
‫‪Generalized Predictive Control‬‬
‫‪23‬‬
‫‪Generalized Predictive Control‬‬
‫‪24‬‬
‫‪Multistep Multivariable Adaptive Control‬‬
‫‪25‬‬
‫‪Multipredictior Receding Horizon Adaptive Control‬‬
‫‪26‬‬
‫‪Predictive Functional Control‬‬
‫‪27‬‬
‫‪Unified Predictive Control‬‬
‫اﯾﺠﺎد ﻣﯽ ﺷﻮﻧﺪ‪ ،‬ﻗﺎدرﻧﺪ ﺑﺪون اﯾﺠﺎد ﭘﯿﭽﯿﺪﮔﯽ ﺑﯿﺸﺘﺮ‪ ،‬ﺑﺮاي اﻧﺠﺎم ﭘﯿﺶ ﺑﯿﻨﯽ ﻫﺎ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﺑﮕﯿﺮﻧﺪ‪ .‬اﯾﻦ دﯾﺪﮔﺎه راه را ﺑﻪ ﺳﻤﺖ‬
‫ﻗﻮاﻧﯿﻦ ﺗﻨﻈﯿﻤﯽ ﺳﺎده ﺑﺮاي ﭘﺎﯾﺪاري و ﻣﻘﺎوم ﺑﻮدن ﻣﺪل ﻫﻤﻮار ﻣﯽ ﮐﻨﺪ‪ :‬ﮐﻨﺘﺮل ﮐﻨﻨﺪه ‪ MPC‬ﻣﯿﺘﻮاﻧﺪ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺟﺒﺮان ﮔﺮ ﺑﺮ ﭘﺎﯾﻪ‬
‫ﯾﮏ ﻣﺸﺎﻫﺪه ﮐﻨﻨﺪه ﺣﺎﻟﺖ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه و ﭘﺎﯾﺪاري ‪ ،‬ﮐﺎراﯾﯽ و ﻣﻘﺎوم ﺑﻮدن آن ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﻄﺐ ﻫﺎي ﻣﺸﺎﻫﺪه ﮔﺮ )ﮐﻪ ﺑﺎ‬
‫ﭘﺎراﻣﺘﺮﻫﺎي ﻗﺎﺑﻞ ﺗﻨﻈﯿﻢ ﺑﻪ راﺣﺘﯽ ﺗﻨﻈﯿﻢ ﻣﯽ ﺷﻮﻧﺪ( و ﻗﻄﺐ ﻫﺎي رﮔﻼﺗﻮر )ﮐﻪ ﺑﺎ اﻓﻖ ﻫﺎي ﭘﯿﺶ ﺑﯿﻦ و ﮐﻨﺘﺮل و ﻣﺎﺗﺮﯾﺲ ﻫﺎي وزﻧﯽ و‬
‫ﻏﯿﺮه ﺗﻌﯿﯿﻦ ﻣﯽ ﺷﻮﻧﺪ ( ﻣﺸﺨﺺ ﺷﻮد‪ .‬ﺗﺠﺰﯾﻪ ﺗﺤﻠﯿﻞ ﻣﺸﺨﺼﻪ ﻫﺎي ذاﺗﯽ ﺗﻤﺎﻣﯽ اﻟﮕﻮرﯾﺘﻢ ﻫﺎي ‪) MPC‬و ﺑﻪ وﯾﮋه ‪ (GPC‬از ﻧﻘﻄﻪ ﻧﻈﺮ‬
‫ﺗﺌﻮري ﺧﻄﯽ ﺑﻬﯿﻨﻪ درﺟﻪ ‪ 2‬ﮔﺎوﺳﯽ را ﻣﯿﺘﻮان در ﮐﺘﺎب ﺑﯿﺘﻤﯿﺪ و ﻫﻤﮑﺎران ]‪ [12‬ﯾﺎﻓﺖ‪.‬‬

‫ﮔﺮﭼﻪ ﺗﺤﻘﯿﻘﺎت اوﻟﯿﻪ در ﻣﻮرد ‪) GPC‬ﻣﺤﺘﺎدي ]‪ ([74‬ﺑﺎ اﺳﺘﻔﺎده از رواﺑﻂ ﻓﻀﺎي ﺣﺎﻟﺖ ﺑﺮﺧﯽ ﻗﻀﯿﻪ ﻫﺎي ﭘﺎﯾﺪاري را ﺑﻪ اﺛﺒﺎت رﺳﺎﻧﺪ و‬
‫ﺗﺎﺛﯿﺮ ﭼﻨﺪﺟﻤﻠﻪ اي ﻫﺎي ﻓﯿﻠﺘﺮي را ﺑﺮ ﺑﻬﺒﻮد ﻣﻘﺎوم ﺑﻮدن روش ﺑﺮرﺳﯽ ﮐﺮد‪ ،‬اﻣﺎ ﮐﻤﺒﻮد اوﻟﯿﻪ ﻧﺘﺎﯾﺞ ﭘﺎﯾﺪاري ﮐﻠﯽ ﺑﺮاي ﮐﻨﺘﺮل ﮐﻨﻨﺪه‬
‫ﻫﺎي ﺧﺰﺷﯽ اﻓﻖ ﻣﺤﺪود ﺑﻪ ﻋﻨﻮان ﻧﻘﻄﻪ ﺿﻌﻒ اﯾﻦ روش ﺗﻠﻘﯽ ﺷﺪ‪.‬ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ‪ ،‬در دﻫﻪ ‪ 90‬ﻣﯿﻼدي‪ ،‬روﯾﮑﺮدي ﻧﻮ در ﺗﺤﻘﯿﻘﺎت‬
‫ﻣﺮﺑﻮط ﺑﻪ روش ﻫﺎي ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺑﺎ ﭘﺎﯾﺪاري ﺗﻀﻤﯿﻦ ﺷﺪه ﭘﺪﯾﺪار ﺷﺪ‪ .‬روش ﻫﺎي ‪) CRHPC‬ﮐﻼرك و اﮐﺎﺗﻮﻟﯽ ]‪ ([30‬و‬
‫‪) SIORHC‬ﻣﻮﺳﮑﺎ ]‪ ([79‬ﺑﻪ ﺻﻮرت ﻣﺴﺘﻘﻞ اﯾﺠﺎد ﺷﺪه و ﺑﺎ اﻋﻤﺎل ﻣﺤﺪودﯾﺖ ﻫﺎﯾﯽ ﺑﺮ ﺧﺮوﺟﯽ ﺳﯿﺴﺘﻢ ﭘﺲ از اﻓﻖ ﻣﺤﺪود‪ ،‬ﭘﺎﯾﺪاري‬
‫آﻧﻬﺎ اﺛﺒﺎت ﺷﺪ‪ .‬اﯾﻦ ﻣﺤﺪودﯾﺖ ﻫﺎ در ﻏﺎﻟﺐ ﻣﻌﺎدﻟﻪ ﻧﻘﻄﻪ ﭘﺎﯾﺎﻧﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪ‪ .‬ﮐﻮارﯾﺘﺎﮐﯿﺲ و ﻫﻤﮑﺎران ]‪ [58‬ﺑﺎ ﻫﻤﯿﻦ ﻫﺪف ‪GPC‬‬
‫ﭘﺎﯾﺪار را ﻣﻄﺮح ﮐﺮدﻧﺪ‪ .‬روش ﮐﺎر آﻧﻬﺎ ﺑﻪ ﺻﻮرت اراﺋﻪ ﯾﮏ ﻓﺮﻣﻮل ﺑﻨﺪي ﺑﻮد ﮐﻪ ﭘﺎﯾﺪاري ﺣﻠﻘﻪ ﺑﺴﺘﻪ را ﺑﺎ ﭘﺎﯾﺪار ﺳﺎﺧﺘﻦ ﻓﺮآﯾﻨﺪ اﺻﻠﯽ‪،‬‬
‫ﻗﺒﻞ از ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﺗﺎﺑﻊ ﻫﺪف ﺗﻀﻤﯿﻦ ﻣﯽ ﮐﺮد‪.‬‬

‫اﺧﯿﺮا ﻧﺘﺎﯾﺞ ﺑﺴﯿﺎر ﺷﮕﻔﺖ آوري ﺑﺮاي ﻣﺸﮑﻞ ﭘﺎﯾﺪاري ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎي اﻓﻖ ﺧﺰﺷﯽ ﺑﺎ وﺟﻮد ﻣﺤﺪودﯾﺖ ﮐﻪ ﺣﻞ آن ﺑﺴﯿﺎر ﻣﺸﮑﻞ ﺑﻪ‬
‫ﻧﻈﺮ ﻣﯿﺮﺳﯿﺪ‪ ،‬ﺑﻪ دﺳﺖ آﻣﺪه اﺳﺖ ]‪ .[108, 130, 100‬ﻫﻤﭽﻨﯿﻦ ﮐﻤﭙﻮ و ﻣﺮاري ]‪ [25‬و آﻟﺮاﯾﺖ ]‪ [3‬ﻧﯿﺰ ﺑﻪ ﻧﺘﺎﯾﺞ ﺟﺎﻟﺐ ﺗﻮﺟﻬﯽ در‬
‫ﻣﻮرد ﮐﺎرﺑﺮد روﯾﮑﺮدﻫﺎي ﻃﺮاﺣﯽ ﮐﻨﺘﺮل ﻣﻘﺎوم دﺳﺖ ﯾﺎﻓﺘﻪ اﻧﺪ‪ .‬اﯾﺪه اﺻﻠﯽ ﺑﺮاي دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ اﯾﻦ ﻧﺘﺎﯾﺞ‪ ،‬ﺑﺮﺧﻮرد ﺻﺮﯾﺢ ﺑﺎ ﺗﻤﺎﻣﯽ‬
‫ﻣﻮارد ﻋﺪم اﻃﻤﯿﻨﺎن ﻣﻮﺟﻮد در ﻓﺮآﯾﻨﺪ اﺻﻠﯽ و ﻃﺮاﺣﯽ ‪ MPC‬ﺑﻪ ﮔﻮﻧﻪ اي اﺳﺖ ﮐﻪ ﺗﺎﺑﻊ ﻫﺪف را ﺑﺮاي ﺷﺮاﯾﻄﯽ ﮐﻪ ﺑﯿﺸﺘﺮﯾﻦ ﻣﯿﺰان‬
‫ﻋﺪم اﻃﻤﯿﻨﺎن در آن وﺟﻮد دارد ﺑﻬﯿﻨﻪ ﮐﻨﺪ‪ .‬اﯾﻦ ﻧﺘﺎﯾﺞ ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺑﺎﻋﺚ ﻣﯿﺸﻮد ﺗﺎ ‪ MPC‬ﭼﻪ در ﺟﺎﻣﻌﻪ آﮐﺎدﻣﯿﮏ و ﭼﻪ در ﺣﻮﺿﻪ‬
‫ﻋﻤﻠﯽ و ﮐﻨﺘﺮﻟﯽ ﻗﺎدر ﺑﻪ ﭘﺎﺳﺨﮕﻮﯾﯽ ﺑﻪ رﻧﺞ وﺳﯿﻊ ﺗﺮي از ﭼﺎﻟﺶ ﻫﺎ ﺑﺎﺷﺪ‪ .‬در اﯾﻦ ﺑﺎب‪ ،‬ﻫﺎﻧﯽ ول ﯾﮑﯽ از ﺗﻮﻟﯿﺪ ﮐﻨﻨﺪﮔﺎن ﭘﯿﺸﺮو در‬
‫زﻣﯿﻨﻪ ﺳﺎﺧﺖ وﺳﺎﯾﻞ ﮐﻨﺘﺮل ﺗﻮزﯾﻊ ﺷﺪه از روش ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﭼﻨﺪﻣﺘﻐﯿﺮي ﻣﻘﺎوم)‪ (RMPC‬در ﺳﯿﺴﺘﻢ ﮐﻨﺘﺮل ‪ TDC3000‬ﺧﻮد‬
‫ﺑﻬﺮه ﺑﺮده و از آن ﺑﻪ ﻋﻨﻮان ﯾﮑﯽ از روش ﻫﺎي ﺧﻂ ﺷﮑﻦ در ﻋﺮﺻﻪ ﻓﻨﺎوري ﯾﺎد ﮐﺮده اﺳﺖ‪.‬‬

‫‪ 3,1‬ﺗﮑﻨﻮﻟﻮژي ﻣﻮﺟﻮد در ﺻﻨﻌﺖ‬

‫ﻣﺒﺤﺚ اﺻﻠﯽ در اﯾﻦ ﺑﺨﺶ ﺑﻪ آن دﺳﺘﻪ از ﺗﮑﻨﻮﻟﻮژي ﻫﺎي ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ اﺧﺘﺼﺎص دارد ﮐﻪ ﺗﺎﺛﯿﺮي ﻋﻤﯿﻖ ﺑﺮ دﻧﯿﺎي ﺻﻨﻌﺖ داﺷﺘﻪ‬
‫و ﻗﺎﺑﻞ ﺧﺮﯾﺪاري ﻫﺴﺘﻨﺪ‪ .‬آﻧﭽﻪ در اﯾﻦ ﺑﺨﺶ از ﻧﻈﺮﺗﺎن ﻣﯿﮕﺬرد ﺧﻼﺻﻪ اي از ﮐﺎرﺑﺮدﻫﺎي اﯾﻦ روش ﻫﺎ و ﻣﺤﺪودﯾﺖ ﻫﺎي ﻓﻨﺎوري ﻫﺎي‬
‫ﺣﺎﺿﺮ اﺳﺖ‪.‬‬

‫اﮔﺮﭼﻪ ﺷﺮﮐﺖ ﻫﺎﯾﯽ وﺟﻮد دارﻧﺪ ﮐﻪ از ﻓﻨﺎوري ﻫﺎي اﯾﺠﺎد ﺷﺪه در داﺧﻞ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ‪) ،‬و ﮐﺎر ﺑﺎ آﻧﻬﺎ ﺑﻪ ﺻﻮرت ﺧﺎرﺟﯽ ﺗﻮﺻﯿﻪ‬
‫ﻧﻤﯽ ﺷﻮد( اﻣﺎ در ﻟﯿﺴﺖ زﯾﺮ ﻧﺎم ﺷﺮﮐﺖ ﻫﺎﯾﯽ آورده ﺷﺪه ﮐﻪ ﺑﻪ ﻋﻨﻮان ﭘﯿﺸﺮو در ﺻﻨﻌﺖ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺷﻨﺎﺧﺘﻪ ﻣﯽ ﺷﻮﻧﺪ‪:‬‬
 ‫‪ :DMC Corp.-‬ﮐﻨﺘﺮل ﻣﺎﺗﺮﯾﺲ ﭘﻮﯾﺎ)‪(DMC‬‬

‫‪ :Adersa-‬ﺷﻨﺎﺳﺎﯾﯽ و دﺳﺘﻮر دﻫﯽ ) ‪ ،(IDCOM28‬ﮐﻨﺘﺮل ﺑﺎ وﺟﻮد ﻗﯿﺪ و ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺒﯽ )‪ (HIECON 29‬و ﮐﻨﺘﺮل ﻓﺎﻧﮑﺸﻨﺎل ﭘﯿﺶ‬
‫ﺑﯿﻦ )‪.(PFC‬‬

‫‪ :Honeywell Profimatics-‬ﻓﻨﺎوري ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﻣﻘﺎوم)‪ (RMPCT 30‬و ﻓﻨﺎوري ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ) ‪.(PCT31‬‬

‫‪ :Setpoint Inc-‬ﻣﻌﻤﺎري ﮐﻨﺘﺮﻟﯽ ﭼﻨﺪﻣﺘﻐﯿﺮي ﻣﺴﯿﺮ ﻣﺮﺟﻊ) ‪ (SMCA32‬و ‪) IDCOM-M‬ﭼﻨﺪﻣﺘﻐﯿﺮي(‬

‫‪ :Treiber Controls-‬ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺑﻬﯿﻨﻪ )‪(OPC 33‬‬

‫‪ :SCAP Europa-‬ﺳﯿﺴﺘﻢ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺗﻄﺒﯿﻘﯽ) ‪(APCS34‬‬

‫در ﻓﺼﻞ ﻫﺎي آﺗﯽ ﺑﻪ ﺗﻮﺿﯿﺢ دﻗﯿﻖ ﺑﺮﺧﯽ از اﯾﻦ اﻟﮕﻮرﯾﺘﻢ ﻫﺎ ﺧﻮاﻫﯿﻢ ﭘﺮداﺧﺖ‪ .‬ذﮐﺮ اﯾﻦ ﻧﮑﺘﻪ ﻻزم اﺳﺖ ﮐﻪ ﻫﺮﮐﺪام از اﯾﻦ ﻣﺤﺼﻮل ﻫﺎ‬
‫اﻟﮕﻮرﯾﺘﻢ ﻣﺤﺾ ﻧﺒﻮده ﺑﻠﮑﻪ ﺑﺎ ﭘﮑﯿﺞ ﻫﺎي اﻟﺤﺎﻗﯽ ﻫﻤﺎﻧﻨﺪ ﭘﮑﯿﺞ ﺷﻨﺎﺳﺎﯾﯽ ﯾﺎ ﺑﺴﺘﻪ ﺗﺴﺖ ﭘﻼﻧﺖ ﻫﻤﺮاه ﻫﺴﺘﻨﺪ‪.‬‬

‫ﮐﯿﻦ و ﺑﺪول ]‪ [98‬در ﺗﺤﻘﯿﻖ ﺧﻮد ﻧﺘﺎﯾﺞ ﭘﮋوﻫﺶ ﺻﻨﻌﺘﯽ اﻧﺠﺎم ﺷﺪه در ﺳﺎل ‪ 1997‬را ﺑﺎزﺗﺎب داده اﻧﺪ‪ .‬ﺗﻌﺪاد ﮐﻞ ﻣﺼﺎرف ﮐﻨﺘﺮل‬
‫ﭘﯿﺶ ﺑﯿﻦ ذﮐﺮ ﺷﺪه دراﯾﻦ ﺗﺤﻘﯿﻖ ﺑﯿﺶ از ‪ 2200‬ﻋﺪد ﺑﻮده و ﻫﻨﻮز ﻫﻢ درﺣﺎل ﮔﺴﺘﺮش اﺳﺖ‪ .‬ﺑﺨﺶ اﻋﻈﻢ اﯾﻦ ﮐﺎراﯾﯽ ﻫﺎ ﯾﻌﻨﯽ در‬
‫ﺣﺪود ‪ %67‬ﻣﺮﺑﻮط ﺑﻪ ﺣﻮﺿﻪ ﭘﺎﻻﯾﺶ اﺳﺖ‪ .‬اﯾﻦ ﺣﻮﺿﻪ زﻣﯿﻨﻪ اﺻﻠﯽ ﻓﻌﺎﻟﯿﺖ ‪ MPC‬ﺑﻮده و اﯾﻦ روش ﭘﯿﺸﯿﻨﻪ ﻗﻮي در اﯾﻦ ﺑﺴﺘﺮ دارد‪.‬‬
‫ﻋﻤﺪه ﮐﺎراﯾﯽ ﻫﺎي دﯾﮕﺮ ﻧﯿﺰ ﺑﻪ ﻣﺼﺎرف ﭘﺘﺮوﺷﯿﻤﯽ و ﺷﯿﻤﯽ ﻣﺮﺑﻮط اﺳﺖ‪ .‬ﻫﻤﭽﻨﯿﻦ در ﻓﺮآﯾﻨﺪ ﺗﻮﻟﯿﺪ ﺧﻤﯿﺮ ﮐﺎﻏﺬ و ﮐﺎﻏﺬ‪ ،‬ﺗﻬﯿﻪ ﻣﻮاد‬
‫ﻏﺬاﯾﯽ‪ ،‬ﻫﻮا ﻓﻀﺎ و ﺻﻨﺎﯾﻊ ﺧﻮدروﺳﺎزي ﻧﯿﺰ ﮐﺎرﺑﺮد روز اﻓﺰون روش ﻫﺎي ﮐﻨﺘﺮﻟﯽ ﻣﺸﺎﻫﺪه ﻣﯽ ﺷﻮد‪ .‬ﺑﺴﺘﺮﻫﺎي دﯾﮕﺮي ﻫﻤﭽﻮن ﮔﺎز‪،‬‬
‫ﺻﻨﺎﯾﻊ ﻫﻤﮕﺎﻧﯽ‪ ،‬ﻋﻤﻠﯿﺎت ﻫﺎي ﮐﻮره اي ﯾﺎ ﻣﻌﺪن ﮐﺎري و ﻣﺘﺎﻟﻮژي ﻧﯿﺰ در ﮔﺰارش ﻣﺬﮐﻮر دﯾﺪه ﻣﯿﺸﻮﻧﺪ‪ .‬در ﮔﺰارش ]‪ [71‬ﻣﯽ ﺗﻮاﻧﯿﺪ‬
‫ﮐﺎرﺑﺮدﻫﺎي روش ﻫﺎي ﮐﻨﺘﺮﻟﯽ را در ﺻﻨﻌﺖ ﺳﯿﻤﺎن و ﺑﺘﻦ و ﻧﯿﺰ ﮐﺎرﺧﺎﻧﺠﺎت ﺗﻮﻟﯿﺪ ﺧﻤﯿﺮ ﮐﺎﻏﺬ ﻣﻼﺣﻈﻪ ﮐﻨﯿﺪ‪.‬‬

‫ﺷﺮﮐﺖ ‪ DMC‬ﺑﯿﺸﺘﺮﯾﻦ ﺳﻬﻢ ﮐﺎرﺑﺮدﻫﺎ را ﮐﻪ ﭼﯿﺰي در ﺣﺪود ‪ %26‬اﺳﺖ ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص داده و ‪ 4‬ﺷﺮﮐﺖ ﺗﺎﻣﯿﻦ ﮐﻨﻨﺪه دﯾﮕﺮ ﻧﯿﺰ‬
‫ﺳﻬﻤﯽ ﺗﻘﺮﯾﺒﺎ ﻣﺴﺎوي از ﮐﺎر ﮐﺮدﻫﺎ را ﺑﻪ ﺧﻮد اﺧﺘﺼﺎص داده اﻧﺪ‪.‬‬

‫ﺑﻨﺎ ﺑﻪ ﻧﻈﺮ ﻣﻮﺳﮑﻪ و راوﻟﯿﻨﮕﺰ ]‪ [82‬ﻓﻨﺎوري ‪ MPC‬ﺻﻨﻌﺘﯽ ﻣﻮﺟﻮد‪ ،‬ﻣﺤﺪودﯾﺖ ﻫﺎﯾﯽ دارد ﮐﻪ از ﺟﻤﻠﻪ آﻧﻬﺎ ﻣﯽ ﺗﻮان ﺑﻪ ﻣﻮارد زﯾﺮ اﺷﺎره‬
‫ﮐﺮد‪:‬‬

‫‪28‬‬
‫‪Identification and Command‬‬
‫‪29‬‬
‫‪Hierarchical Constraint Control‬‬
‫‪30‬‬
‫‪Robust Model Predictive Control‬‬
‫‪31‬‬
‫‪Predictive Control Technology‬‬
‫‪32‬‬
‫‪Setpoint Multivariable Control Architeture‬‬
‫‪33‬‬
‫)‪Optimum Predicrive Control (OPC‬‬
‫‪34‬‬
‫‪Adaptive Predictive Control System‬‬
‫*روش ﻫﺎي ﺑﯿﺶ از ﺣﺪ ﭘﺎراﻣﺘﺮي ﺷﺪه‪ :‬اﮐﺜﺮ ﮐﺎﻻي ﺗﺠﺎري از روش ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﯾﺎ ﭘﻠﻪ اﺳﺘﻔﺎده ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ ﺑﻨﺎ ﺑﻪ ﺑﺎور ﻋﻤﻮﻣﯽ ﺑﯿﺶ‬
‫از ﺣﺪ ﭘﺎراﻣﺘﺮي ﺷﺪه ﻫﺴﺘﻨﺪ‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬ﯾﮏ ﻓﺮآﯾﻨﺪ درﺟﻪ ‪ 1‬را ﻣﯽ ﺗﻮان ﺑﺎ ﮐﻤﮏ ﯾﮏ ﻣﺪل ﺗﺎﺑﻊ اﻧﺘﻘﺎل ﮐﻪ ﺗﻨﻬﺎ از ‪3‬‬
‫ﭘﺎراﻣﺘﺮ)ﮔﯿﻦ‪ ،‬ﺛﺎﺑﺖ زﻣﺎﻧﯽ و زﻣﺎن ﺗﺎﺧﯿﺮ( ﺑﻬﺮه ﻣﯽ ﺑﺮد ﺗﻮﺻﯿﻒ ﮐﺮد‪ ،‬در ﺣﺎﻟﯽ ﮐﻪ ﻣﺪل ﭘﺎﺳﺦ ﺿﺮﺑﻪ ﺑﺮاي ﺗﻮﺻﯿﻒ دﯾﻨﺎﻣﯿﮏ ﻣﺸﺎﺑﻪ‬
‫ﻧﯿﺎزﻣﻨﺪ ﺣﺪاﻗﻞ ‪ 30‬ﺿﺮﯾﺐ اﺳﺖ‪ .‬ﻋﻼوه ﺑﺮاﯾﻦ‪ ،‬ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﺪل ﻫﺎ ﺑﺮاي ﻓﺮآﯾﻨﺪ ﻫﺎي ﻧﺎﭘﺎﯾﺪار ﻣﻌﺘﺒﺮ ﻧﯿﺴﺘﻨﺪ‪ .‬ﺑﺎ ﺑﻪ ﮐﺎرﮔﯿﺮي ﯾﮏ ﻣﺪل‬
‫ﭘﺎراﻣﺘﺮي اﺗﻮرﮔﺮﺳﯿﻮ ‪)35‬ﺧﻮدﺑﺎزﮔﺸﺖ( ﻣﯽ ﺗﻮان ﻣﺸﮑﻼت ﻓﻮق را ﺣﻞ ﮐﺮد‪.‬‬

‫*ﻓﺮآﯾﻨﺪ ﺗﻨﻈﯿﻢ‪ :‬روﻧﺪ ﺗﻨﻈﯿﻢ اﯾﻦ ﻣﺪل ﻫﺎ ﺑﻪ روﺷﻨﯽ ﺗﻌﺮﯾﻒ ﻧﺸﺪه‪ ،‬ﭼﺮاﮐﻪ ﻣﺼﺎﻟﺤﻪ ‪ 36‬ﻣﯿﺎن ﭘﺎراﻣﺘﺮﻫﺎي ﺗﻨﻈﯿﻢ و رﻓﺘﺎر ﺣﻠﻘﻪ ﺑﺴﺘﻪ‬
‫واﺿﺢ ﻧﯿﺴﺖ‪ .‬ﺗﻨﻈﯿﻢ‪ ،‬در زﻣﺎن وﺟﻮد ﻗﯿﺪ ﻫﺎ)ﻣﺤﺪودﯾﺖ ﻫﺎ( ﺑﺴﯿﺎر ﻣﺸﮑﻞ ﺑﻮده و ﺣﺘﯽ ﺑﺮاي ﻣﻮارد ﻧﺎﻣﯽ‪ ،‬ﺗﻀﻤﯿﻦ وﺟﻮد ﭘﺎﯾﺪاري ﺑﺮاي‬
‫ﻓﺮآﯾﻨﺪ ﺣﻠﻘﻪ ﺑﺴﺘﻪ آﺳﺎن ﻧﺨﻮاﻫﺪ ﺑﻮد و ﺑﻪ ﻫﻤﯿﻦ دﻟﯿﻞ اﺳﺖ ﮐﻪ ﺗﻼش ﻫﺎي زﯾﺎدي ﺑﺮاي ﺷﺒﯿﻪ ﺳﺎزي ﻫﺎي اﺑﺘﺪاﯾﯽ ﻣﻮرد ﻧﯿﺎز اﺳﺖ‪.‬‬
‫اﻣﺮوزه ﻗﺎﺑﻠﯿﺖ ﺣﻞ ﺷﺪن ﻣﺴﺎﻟﻪ ﺑﻬﯿﻨﻪ ﺳﺎزي ﯾﺎ در اﺻﻄﻼح ﺷﺪﻧﯽ ﺑﻮدن ﻣﺴﺎﻟﻪ ‪ ،37‬ﯾﮑﯽ از ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ ﺗﺮﯾﻦ ﻣﻮﺿﻮﻋﺎت ‪ MPC‬ﺑﻮده‬
‫و در ﻓﺼﻞ ‪ 7‬ﺑﻪ ﺗﻔﺼﯿﻞ درﺑﺎره آن ﺳﺨﻦ ﺧﻮاﻫﯿﻢ ﮔﻔﺖ‪.‬‬

‫*زﯾﺮ ﺑﻬﯿﻨﻪ ‪ 38‬ﺑﻮدن ﻣﺴﺎﻟﻪ ﺑﻬﯿﻨﻪ ﺳﺎزي ﭘﻮﯾﺎ‪ :‬ﭘﮑﯿﺞ ﻫﺎي زﯾﺎدي وﺟﻮد دارﻧﺪ ﮐﻪ راه ﺣﻞ ﻫﺎي زﯾﺮﺑﻬﯿﻨﻪ ﺑﺮاي ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﺗﺎﺑﻊ‬
‫ﻫﺰﯾﻨﻪ ﺑﻪ ﻣﻨﻈﻮر ﺗﺴﺮﯾﻊ رﺳﯿﺪن ﺑﻪ ﺟﻮاب اراﺋﻪ ﻣﯽ دﻫﻨﺪ‪ .‬اﯾﻦ وﯾﮋﮔﯽ در ﮐﺎرﺑﺮدﻫﺎﯾﯽ ﺑﺎ ﺳﺮﻋﺖ ﺑﺎﻻ) ﻫﻤﺎﻧﻨﺪ ﺳﯿﺴﺘﻢ ﻫﺎي ردﯾﺎﺑﯽ( ﮐﻪ‬
‫ﺣﻞ ﻣﺴﺌﻠﻪ در ﻫﺮ ﺑﺎزه زﻣﺎﻧﯽ اﻣﮑﺎن ﭘﺬﯾﺮ ﻧﯿﺴﺖ‪ ،‬ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ‪ .‬اﻣﺎ ﺗﻮﺟﯿﻪ ﺑﮑﺎرﮔﯿﺮي اﯾﻦ روش ﻫﺎ‪ ،‬ﺗﻨﻬﺎ در ﺻﻮرﺗﯽ اﻣﮑﺎن ﭘﺬﯾﺮ‬
‫اﺳﺖ ﮐﻪ راه ﺣﻞ زﯾﺮﺑﻬﯿﻨﻪ ﺗﺎ ﺣﺪ اﻣﮑﺎن ﺑﻪ ﺣﺪ ﺑﻬﯿﻨﻪ ﻧﺰدﯾﮏ ﺑﺎﺷﺪ‪.‬‬

‫*ﻋﺪم ﻗﻄﻌﯿﺖ ﻣﺪل‪ :‬اﮔﺮﭼﻪ ﭘﮑﯿﺞ ﻫﺎي ﺷﻨﺎﺳﺎﯾﯽ ﻣﺪل ﻗﺎدرﻧﺪ ﺗﺎ در ﻣﻮرد ﻋﺪم ﻗﻄﻌﯿﺖ ﻣﺪل ﺗﺨﻤﯿﻦ ﻫﺎﯾﯽ اراﺋﻪ ﮐﻨﻨﺪ‪ ،‬اﻣﺎ ﺗﻨﻬﺎ ﯾﮏ‬
‫ﻣﺤﺼﻮل )‪ (RMPCT‬از اﯾﻦ اﻃﻼﻋﺎت ﺑﺮاي ﻃﺮاﺣﯽ ﻓﺮآﯾﻨﺪ ﮐﻨﺘﺮﻟﯽ اﺳﺘﻔﺎده ﻣﯿﮑﻨﺪ‪ .‬ﺗﻤﺎﻣﯽ ﻣﺤﺼﻮﻻت دﯾﮕﺮ را ﻣﯽ ﺗﻮان ﺑﻪ ﻣﻨﻈﻮر‬
‫ﺑﻬﺒﻮد ﻣﻘﺎوم ﺑﻮدن از ﺣﺎﻟﺖ ﺗﻨﻈﯿﻤﺎت ﭘﯿﺶ ﻓﺮض ﺧﺎرج ﮐﺮد‪ .‬اﻣﺎ راﺑﻄﻪ ﻣﯿﺎن ﮐﺎراﯾﯽ و ﻣﻘﺎوم ﺑﻮدن ﻓﺮآﯾﻨﺪ واﺿﺢ ﻧﯿﺴﺖ‪.‬‬

‫*ﻓﺮض اﻏﺘﺸﺎش ﺛﺎﺑﺖ‪ :‬اﮔﺮﭼﻪ ﻣﻌﻘﻮل ﺗﺮﯾﻦ ﻓﺮﺿﯿﻪ‪ ،‬اﺣﺘﻤﺎل ﺛﺎﺑﺖ ﻣﺎﻧﺪن اﻏﺘﺸﺎش ﺧﺮوﺟﯽ در زﻣﺎن آﯾﻨﺪه اﺳﺖ‪ ،‬اﻣﺎ ﺑﺎ ﺗﺸﺨﯿﺺ دﻗﯿﻖ‬
‫ﺗﻮزﯾﻊ اﻏﺘﺸﺎﺷﺎت ﻣﯽ ﺗﻮان ﻓﯿﺪﺑﮏ ﻣﻨﺎﺳﺐ ﺗﺮي ﺑﻪ دﺳﺖ آورد‪.‬‬

‫*آﻧﺎﻟﯿﺰ‪ :‬اﻧﺠﺎم آﻧﺎﻟﯿﺰ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﺑﺮاي ﭘﺎﯾﺪاري و ﻣﻘﺎوم ﺑﻮدن ‪ MPC‬در ﺑﺴﺘﺮ اﻓﻖ ﻣﺤﺪود اﻣﮑﺎن ﭘﺬﯾﺮ ﻧﯿﺴﺖ‪ .‬ﻗﺎﻧﻮن ﮐﻨﺘﺮﻟﯽ ﭘﯿﺶ‬
‫ﺑﯿﻦ ﺑﻪ ﻃﻮر ﮐﻠﯽ در زﻣﺎن ﺗﻐﯿﯿﺮ ﭘﺬﯾﺮ اﺳﺖ‪ .‬اﯾﻦ ﻗﺎﻧﻮن ﮐﻨﺘﺮﻟﯽ ﺑﻪ ﻃﻮر ﮐﻠﯽ ﺑﻪ ﻓﺮم ﺣﺎﻟﺖ ﺣﻠﻘﻪ ﺑﺴﺘﻪ)ﺻﺮﯾﺢ(‪ ،‬ﺑﻮﯾﮋه ﺑﺮاي ﻣﻮارد ﺑﺎ‬
‫وﺟﻮد ﻣﺤﺪودﯾﺖ‪ ،‬ﻗﺎﺑﻞ ﺑﯿﺎن ﻧﯿﺴﺖ ‪.‬‬

‫اﯾﻦ ﻓﻨﺎوري ﻧﯿﺰ ﺑﻪ ﻣﺎﻧﻨﺪ دﯾﮕﺮ ﻓﻨﺎوري ﻫﺎي ﻣﻮﺟﻮد در ﺻﻨﻌﺖ در ﺣﺎل ﭘﯿﺸﺮﻓﺖ ﺑﻮده و ﻧﺴﻞ ﺑﻌﺪي روش ﻫﺎ ﺑﺎﯾﺴﺘﯽ ﺑﺎ ﭼﺎﻟﺶ ﻫﺎي‬
‫ﺟﺪﯾﺪي در ﺑﺴﺘﺮﻫﺎي آزاد ﺗﺮ ﻫﻤﺎﻧﻨﺪ ﺷﻨﺎﺳﺎﯾﯽ ﻣﺪل‪ ،‬ﺗﺨﻤﯿﻦ و ﭘﯿﺶ ﺑﯿﻨﯽ اﻏﺘﺸﺎش اﻧﺪازه ﮔﯿﺮي ﻧﺸﺪه‪ ،‬ﺗﺼﺤﯿﺢ ﺳﯿﺴﺘﻤﺎﺗﯿﮏ ﺧﻄﺎي‬
‫ﻣﺪل ﺳﺎزي‪،‬ﻋﺪم ﻗﻄﻌﯿﺖ و ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﻏﯿﺮ ﺧﻄﯽ ﻣﻮاﺟﻪ ﺷﻮﻧﺪ‪.‬‬

‫‪35‬‬
‫‪Auto- regressive‬‬
‫‪36‬‬
‫‪Trade- Off‬‬
‫‪37‬‬
‫‪Feasibility‬‬
‫‪38‬‬
‫‪Sub-Optimality‬‬
 ‫‪ 4,1‬ﺧﻼﺻﻪ ﻓﺼﻞ ﻫﺎ‬

‫ﮐﺘﺎب ﺣﺎﺿﺮ ﻗﺼﺪ دارد ﺗﺎ ﺑﺎ ﻧﻈﺮ ﺑﻪ ﮐﺎرﺑﺮدﻫﺎي روش ‪ MPC‬در ﺑﺨﺶ ﮐﻨﺘﺮل ﻓﺮآﯾﻨﺪ‪ ،‬ﻣﻬﻤﺘﺮﯾﻦ ﻣﻮﺿﻮﻋﺎت ﻣﻮﺟﻮد در ﺣﻮﺿﻪ اﯾﻦ روش‬
‫را ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار دﻫﺪ‪ .‬ﺑﺮاي ﻧﯿﻞ ﺑﻪ اﯾﻦ ﻣﻘﺼﻮد‪ ،‬ﻓﺼﻞ ﻫﺎي اﯾﻦ ﮐﺘﺎب ﺑﻪ ﺷﺮح زﯾﺮ ﭼﯿﺪه ﺷﺪه اﻧﺪ‪:‬‬

‫ﻓﺼﻞ ‪ 2‬اﺻﻠﯽ ﺗﺮﯾﻦ اﺟﺰاء ﻣﻮﺟﻮد در ﺗﻤﺎﻣﯽ ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎي ‪ MPC‬را ﺗﻮﺻﯿﻒ و ﺑﻬﺘﺮﯾﻦ روش ﻫﺎ را ﻣﻮرد ﺑﺎزﺑﯿﻨﯽ ﻗﺮار ﻣﯽ دﻫﺪ‪.‬‬
‫ﻫﻤﭽﻨﯿﻦ ﺧﻼﺻﻪ اي از ﺑﺎزﺑﯿﻨﯽ ﻣﻮﺛﺮﺗﺮﯾﻦ روش ﻫﺎ ﻧﯿﺰ ﺗﻬﯿﻪ ﺷﺪه اﺳﺖ‪ .‬ﻣﻮﺿﻮع اﺻﻠﯽ ﻓﺼﻞ ‪ ،3‬ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎي ﭘﯿﺶ ﺑﯿﻦ ﻫﺴﺘﻨﺪ‬
‫ﮐﻪ ﻣﯽ ﺗﻮان آﻧﻬﺎ را ﺧﺮﯾﺪاري ﮐﺮد‪ .‬در ﻓﺼﻞ ‪ 4‬ﻧﯿﺰ ﺑﻪ دﻟﯿﻞ ﻣﺤﺒﻮﺑﯿﺖ روش ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ ﺗﻌﻤﯿﻢ ﯾﺎﻓﺘﻪ)‪ (GPC‬ﺑﻪ ﺗﻔﺼﯿﻞ در ﺑﺎره‬
‫آن ﺳﺨﻦ ﺧﻮاﻫﯿﻢ ﮔﻔﺖ‪ .‬ﻫﻤﭽﻨﯿﻦ دو روش ‪ CRHPC‬و ‪ SGPC‬ﮐﻪ از ﭘﺎﯾﺪاري ﺧﻮﺑﯽ ﺑﺮﺧﻮردار ﻫﺴﺘﻨﺪ ﻧﯿﺰ در ﻫﻤﯿﻦ ﺑﺨﺶ ﻣﻌﺮﻓﯽ‬
‫ﻣﯽ ﺷﻮﻧﺪ‪.‬‬

‫در ﻓﺼﻞ ‪ 5‬ﺧﻮاﻫﯿﻢ دﯾﺪ ﮐﻪ ﭼﮕﻮﻧﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺑﺮﺧﯽ اﺻﻮل ﺗﻨﻈﯿﻤﯽ زﯾﮕﺮ‪-‬ﻧﯿﮑﻮﻟﺰ ﻣﯽ ﺗﻮان روش ‪ GPC‬را ﺑﺮاي داﻣﻨﻪ وﺳﯿﻌﯽ از‬
‫ﭘﻼﻧﺖ ﻫﺎي ﻣﻮﺟﻮد در ﺻﻨﻌﺖ ﻓﺮآﯾﻨﺪ ﺑﻪ ﮐﺎر ﺑﺮد‪ .‬ﺑﺎ ﺑﻬﺮه ﮔﯿﺮي از اﯾﻦ اﺻﻮل‪ ،‬اﺟﺮاي ‪ GPC‬ﺑﻪ ﺷﮑﻞ ﭼﺸﻤﮕﯿﺮي ﺗﺴﻬﯿﻞ ﺷﺪه و ﻣﯿﺰان‬
‫زﻣﺎن و ﻋﻤﻠﯿﺎت ﻫﺎي ﻣﺤﺎﺳﺒﺎﺗﯽ ﻣﻮرد ﻧﯿﺎز ﺑﺮاي اﺟﺮاي ﻋﻤﻮﻣﯽ روش ‪ GPC‬ﺷﺪﯾﺪا ﮐﺎﻫﺶ ﻣﯽ ﯾﺎﺑﺪ‪ .‬اﯾﻦ اﺻﻮل ﺑﺮاي ﭘﻼﻧﺘﯽ ﺗﻌﺮﯾﻒ‬
‫ﺷﺪه ﮐﻪ ﺑﺎ اﺳﺘﻔﺎده از روش ﻣﻨﺤﻨﯽ ﭘﺎﺳﺦ ‪ 39‬ﻗﺎﺑﻞ ﻣﺪل ﺳﺎزي ﺑﻮده و ﭘﻼﻧﺖ داراي ﺗﺮم اﻧﺘﮕﺮال ﮔﯿﺮ ﺑﺎﺷﺪ)ﺗﻘﺮﯾﺒﺎ ﺗﻤﺎﻣﯽ ﭘﻼﻧﺖ ﻫﺎي‬
‫ﻣﻮﺟﻮد در ﺻﻨﻌﺖ ﻓﺮآﯾﻨﺪ در اﯾﻦ دﺳﺘﻪ ﻗﺮار ﻣﯽ ﮔﯿﺮﻧﺪ(‪ .‬ﻫﻤﭽﻨﯿﻦ ﻣﻘﺎوم ﺑﻮدن ﻣﺪل ﻧﯿﺰ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﻣﯽ ﮔﯿﺮد‪ .‬ﺑﺮاي اﻧﺠﺎم اﯾﻦ‬
‫ﻣﻬﻢ‪ ،‬ﻋﺪم ﻗﻄﻌﯿﺖ ﻫﺎي ﺑﺎ ﺳﺎﺧﺘﺎر و ﺑﺪون ﺳﺎﺧﺘﺎر درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه اﻧﺪ‪ .‬ﻓﺮآﯾﻨﺪ ﺣﻠﻘﻪ ﺑﺴﺘﻪ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﻣﯽ ﮔﯿﺮد و ﻣﺤﺪودﯾﺖ‬
‫ﻫﺎي ﻋﺪم ﻗﻄﻌﯿﺖ ﺑﻪ ﮔﻮﻧﻪ اي ﻣﺸﺨﺺ ﻣﯽ ﺷﻮد ﮐﻪ ﭘﺎﯾﺪاري ﻓﺮآﯾﻨﺪ ﺣﻔﻆ ﺷﻮد‪ .‬در اﯾﻦ ﺣﺎﻟﺖ ‪ GPC‬ﺑﺮاي ﻣﺪل ﻧﺎﻣﯽ ﻃﺮاﺣﯽ ﺷﺪه‬
‫اﺳﺖ‪.‬‬

‫روش اﺟﺮاي ‪ GPC‬در ﻓﺮآﯾﻨﺪ ﻫﺎي ﭼﻨﺪﻣﺘﻐﯿﺮي‪ ،‬ﮐﻪ ﻋﻤﻮﻣﺎ در ﺷﺎﺧﻪ ﻫﺎي ﺻﻨﻌﺖ ﻣﺸﺎﻫﺪه ﻣﯽ ﺷﻮﻧﺪ‪ ،‬در ﻓﺼﻞ ‪ 6‬ﺑﯿﺎن ﺷﺪه اﺳﺖ‪.‬‬
‫ﻫﻤﭽﻨﯿﻦ ﻣﺜﺎل ﻫﺎﯾﯽ در ﻣﻮرد ﻣﻮﺿﻮﻋﺎت اﺟﺮاﯾﯽ ﻫﻤﭽﻮن زﻣﺎن ﻫﺎي ﻣﺮده دراﯾﻦ ﻓﺼﻞ آورده ﺷﺪه اﺳﺖ‪.‬‬

‫ﮔﺮﭼﻪ در ﻋﻤﻞ‪ ،‬ﺑﺮاي ﺗﻤﺎﻣﯽ ﻓﺮآﯾﻨﺪ ﻫﺎ‪ ،‬ﻣﺤﺪودﯾﺖ ﻫﺎ و ﻗﯿﺪ ﻫﺎﯾﯽ وﺟﻮد دارد‪ ،‬اﻣﺎ ﺑﯿﺸﺘﺮ ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻫﺎ ﺑﻪ ﺷﮑﻞ ﺻﺮﯾﺢ اﯾﻦ‬
‫ﻣﺤﺪودﯾﺖ ﻫﺎ را درﻧﻈﺮ ﻧﻤﯽ ﮔﯿﺮﻧﺪ‪ .‬ﯾﮑﯽ از ﻣﺰﯾﺖ ﻫﺎي ‪ MPC‬ﺗﻮاﻧﺎﯾﯽ آدرس دﻫﯽ و روﯾﺎﯾﯽ ﺻﺮﯾﺢ ﺑﺎاﯾﻦ ﻣﺤﺪودﯾﺖ ﻫﺎﺳﺖ‪ .‬ﻓﺼﻞ ‪7‬‬
‫ﭼﮕﻮﻧﮕﯽ اﺟﺮاي روش ‪ MPC‬ﺑﺮاي ﻓﺮآﯾﻨﺪ ﻫﺎﯾﯽ را ﺗﻮﺿﯿﺢ ﻣﯽ دﻫﺪ ﮐﻪ داراي ﻣﺤﺪودﯾﺖ ﻫﺴﺘﻨﺪ‪ .‬ﻫﺮﭼﻨﺪ ﻣﺤﺪودﯾﺖ ﻫﺎ ﻧﻘﺶ اﺳﺎﺳﯽ‬
‫در ﺻﻨﻌﺖ اﯾﻔﺎ ﻣﯽ ﮐﻨﻨﺪ‪ ،‬اﻣﺎ در اﮐﺜﺮ ﻓﺮﻣﻮل ﺑﻨﺪي ﻫﺎ ﻟﺤﺎظ ﻧﻤﯽ ﺷﻮﻧﺪ‪ .‬در اﯾﻦ ﺣﺎﻟﺖ‪ ،‬ﺑﻪ ﺣﺪاﻗﻞ رﺳﺎﻧﺪن ﺗﺎﺑﻊ ﻫﺪف ﺑﻪ ﺷﮑﻞ ﺻﺮﯾﺢ‬
‫دﯾﮕﺮ اﻣﮑﺎن ﭘﺬﯾﺮ ﻧﯿﺴﺖ و دﺳﺖ ﯾﺎﺑﯽ ﺑﻪ راه ﺣﻞ ﻫﺎي ﻋﺪدي ﭼﺎره ﻣﺸﮑﻞ اﺳﺖ‪ .‬ﺗﮑﻨﯿﮏ ﻫﺎي ﻋﺪدي ﻣﻮﺟﻮد در اﯾﻦ ﻓﺼﻞ ﻣﻮرد‬
‫ﺑﺎزﺑﯿﻨﯽ و اﺻﻼح ﻗﺮار ﮔﺮﻓﺘﻪ و ﻣﺜﺎل ﻫﺎ و اﻟﮕﻮرﯾﺘﻢ ﻫﺎﯾﯽ ﻧﯿﺰ ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪.‬‬

‫ﻓﺼﻞ ‪ 8‬ﺷﺎﻣﻞ ﻓﺮآﯾﻨﺪ ﭘﯿﺎده ﺳﺎزي ﻣﻘﺎوم روش ‪ MPC‬اﺳﺖ‪ .‬ﮔﺮﭼﻪ در ﻓﺼﻞ ‪ 5‬ﺑﺮاي ﻓﺮآﯾﻨﺪﻫﺎﯾﯽ ﮐﻪ از ﻃﺮﯾﻖ روش ﻣﻨﺤﻨﯽ ﭘﺎﺳﺦ ﻗﺎﺑﻞ‬
‫ﺗﻮﺻﯿﻒ ﻫﺴﺘﻨﺪ و ﺗﻮﺳﻂ ‪ GPC‬ﮐﻨﺘﺮل ﻣﯽ ﺷﻮﻧﺪ‪ ،‬ﯾﮏ آﻧﺎﻟﯿﺰ ﻣﻘﺎوم ﺑﻮدن اﻧﺠﺎم ﺷﺪ‪ ،‬اﻣﺎ اﯾﻦ ﻓﺼﻞ ﻧﯿﺰ ﺑﺎ درﻧﻈﺮ ﮔﺮﻓﺘﻦ ﺻﺮﯾﺢ ﻋﺪم دﻗﺖ‬
‫و ﻋﺪم ﻗﻄﻌﯿﺖ ﻫﺎي ﻣﻮﺟﻮد در ﻣﺪل‪ ،‬ﻃﺮﯾﻘﻪ اﺟﺮاي ‪ MPC‬را ﻧﻤﺎﯾﺶ ﻣﯽ دﻫﺪ‪.‬‬

‫‪39‬‬
‫‪Reaction Curve Method‬‬
‫آﻧﭽﻪ ﻣﺴﻠﻢ اﺳﺖ اﯾﻦ اﺳﺖ ﮐﻪ ﻧﻤﯽ ﺗﻮان ﺑﺪون اﺟﺮاي ﻋﻤﻠﯽ ‪ GPC‬اﯾﻦ ﮐﺘﺎب را ﺑﻪ ﭘﺎﯾﺎن ﺑﺮد‪ .‬از ﻫﻤﯿﻦ روي‪ ،‬ﻓﺼﻞ ‪ 9‬درﺑﺮﮔﯿﺮﻧﺪه‬
‫ﻧﺘﺎﯾﺞ اﺟﺮاي روش ﻣﺬﮐﻮر در ﭘﻼﻧﺖ ﻫﺎي ﻣﺨﺘﻠﻒ ﺧﻮاﻫﺪ ﺑﻮد‪ .‬اﺑﺘﺪا ﮐﺎرﺑﺮد واﻗﻌﯽ روش ‪ GPC‬در ﯾﮏ ﭘﻼﻧﺖ ﺗﺎﻣﯿﻦ اﻧﺮژي ﺧﻮرﺷﯿﺪي‬
‫اراﺋﻪ ﻣﯽ ﺷﻮد‪ .‬در اﯾﻦ ﻓﺮآﯾﻨﺪ اﺧﺘﻼﻻت ﻣﺘﻐﯿﺮي دﯾﺪه ﻣﯽ ﺷﻮد و ﻫﻤﯿﻦ اﻣﺮ ﺑﺎﻋﺚ ﺷﺪه ﺗﺎ ﺑﺮاي اﺟﺮاي روش ﮐﻨﺘﺮل ﺗﻄﺒﯿﻘﯽ ﻣﻨﺎﺳﺐ‬
‫ﺑﺎﺷﺪ‪ .‬ﯾﮏ ﮐﻨﺘﺮل ﮐﻨﻨﺪه ﻣﺸﺎﺑﻪ ﻧﯿﺰ ﺑﺮﭘﺎﯾﻪ ﯾﮏ ﺳﯿﺴﺘﻢ ﮐﻨﺘﺮل ﺗﻮزﯾﻊ ﺷﺪه ﺗﺠﺎري اﯾﺠﺎد ﺷﺪه و ﺑﺮاي آزﻣﺎﯾﺶ ﺑﻪ ﭘﻼﻧﺖ اﻋﻤﺎل ﻣﯽ‬
‫ﺷﻮد‪ .‬ﻧﺘﺎﯾﺞ ﻋﻤﻠﯿﺎﺗﯽ ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ ﮐﻪ ﺗﮑﻨﯿﮏ ﮐﻨﺘﺮل ﭘﯿﺶ ﺑﯿﻦ‪ ،‬ﮐﻪ ﮔﺎﻫﯽ اوﻗﺎت ﺑﻪ دﻟﯿﻞ ﭘﯿﭽﯿﺪﮔﯽ از ﺳﻮي ﺻﻨﻌﺘﮕﺮان رد ﺷﺪه‬
‫اﺳﺖ‪ ،‬ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ راﺣﺘﯽ ﺑﺮاي ﻫﺮ ﺳﯿﺴﺘﻢ ﮐﻨﺘﺮﻟﯽ اﺳﺘﺎﻧﺪارد ﺑﺮﻧﺎﻣﻪ رﯾﺰي ﺷﻮد و ﻧﺘﺎﯾﺞ ﺑﻬﺘﺮ و ﮐﺎراﯾﯽ آﺳﺎن ﺗﺮي ﻧﺴﺒﺖ ﺑﻪ ﮐﻨﺘﺮل‬
‫ﮐﻨﻨﺪه ﻫﺎي ‪ PID‬ﮐﻼﺳﯿﮏ داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﻧﻬﺎﯾﺘﺎ‪ ،‬ﮐﺎرﺑﺮد روش ‪ GPC‬ﺑﺮاي ﻓﺮآﯾﻨﺪ ﭘﺨﺶ ﯾﮏ ﮐﺎرﺧﺎﻧﻪ ﺗﻮﻟﯿﺪ ﺷﮑﺮ ﻧﯿﺰ دراﯾﻦ ﻓﺼﻞ اراﺋﻪ‬
‫ﺧﻮاﻫﺪ ﺷﺪ‪.‬‬