Журнал Фундаментальные исследования 1812-7339 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" ART-39132 К ВЫБОРУ ТИПА РЕГУЛЯТОРА ДЛЯ РЕШЕНИЯ ЗАДАЧИ УПРАВЛЕНИЯ ЭЛЕКТРОМАГНИТНЫМ ПРИВОДОМ Шайхутдинов Д.В. Shaykhutdinov D.V. d.v.shaykhutdinov@gmail.com Дубров В.И. Dubrov V.I. slavadubrov@gmail.com Леухин Р.И. Leukhin R.I. leukhinroman@gmail.com Наракидзе Н.Д. Narakidze N.D. ndaz@mail.ru Щучкин Д.А. Schuchkin D.A. shch.denis85@gmail.com Январев С.Г. Yanvarev S.G. serg_yan@list.ru Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова Platov South-Russian State Polytechnic University 01 10 2015 10 107 116 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://fundamental-research.ru/ru/article/view?id=39132

Настоящая статья посвящена обзору методов прогнозирующего управления. В статье рассмотрен как обобщенный вариант управления с помощью прогнозирующей модели, так и частные случаи: Динамическое матричное управление – Dynamic matrix control (DMC), Модельное алгоритмическое управление – Model algorithmic control (MAC), Прогнозирующее функциональное управление – Predictive functional control (PFC), Расширенное прогнозирующее – самоадаптивное управление Extended prediction self-adaptive control (EPSAC), Расширенное интервальное адаптивное управление – Extended horizon adaptive control (EHAC), Обобщенное прогнозирующее управление – Generalized predictive control (GPC), Нейросетевое инверсное прогнозирующее управление – Inverse Neural Network Predictive Control (INNPC). Для управления объектом исследования – электромагнитным приводом ‒ выбран наиболее подходящий метод управления на прогнозирующей модели. На основе на физической взаимосвязи между вебер-амперной характеристикой электромагнита ψ(Iw) и положением его подвижного элемента x была разработана блок-схема управления, в которой управляющим сигналом для объекта служит желаемое положение подвижного элемента электропривода.

This article reviews the methods of predictive control. The article describes a generic version control using the predictive model and special cases: Dynamic matrix control (DMC), Model algorithmic control (MAC), Predictive functional control (PFC), Extended prediction self-adaptive control (EPSAC), Extended horizon adaptive control (EHAC), Generalized predictive control (GPC), Inverse Neural Network Predictive Control (INNPC). The most appropriate method of predictive control model is selected to manage the object – an electromagnetic actuator. Based on the physical relationship between the flux-current characteristic of the electromagnet ψ (Iw) and the position of its movable element x a control block diagram was developed in which desired position of the movable element of the actuator is the control signal for the object.

 прогнозирующее управление нейронные сети вебер-амперная характеристика диагностика электропривода управление электроприводом predictive control neural networks flux-current characteristic actuator diagnostic actuator control

1. Веремей Е.И. Введение в задачи управления на основе предсказаний: учеб. пособие / Е.И. Веремей, В.В. Еремеев. URL: http://matlab.exponenta.ru.

2. Марков Н.А. Прогнозирующее инверсное нейроуправление экспериментальной аэродинамической установкой // Вестник инженерной школы ДВФУ. – 2012. – № 4 (13).

3. Овчинников И.А. Электромеханические и мехатронные системы. Ч. 1. – М.: Корона-Принт, 2012. – 400 с.

4. Camacho E.F., Bordons C. Model Predictive Control // Springer. – 2nd edition. – 2007. – P. 405.

5. Clarke D.W. Generalized Predictive Control: A Robust Self-Tuning Algorithm // American Control Conference, June 10–12. – 1987. – P. 990–995.

6. Cutler C.R. Dynamic Matrix Control – A computer control Algorithm / C.R. Cutler, B. Ramaker // Proceedings of the 1980 Joint Automatic Control Conference. – San Francisco: American Automatic Control Council, 1980. – Vol. WP5- 13,

7. De Keyser R.M.C. A comparative Study of Self-adaptive Long range Predictive Control Methods / R.M.C. De Keyser, PH.G.A. Van De Velde, F.A.G. Dumortier // Automatica. – 1988. – Vol. 24 (Issue 2). – P. 149–163.

8. De Keyser R.M.C. Towards Robust Adaptive Control with Extended Predictive Control / R.M.C. De Keyser, A. Van Cauwenberghe // IEEE, Proceedings of 25th Conference on Decision & Control, Athens, Greece, December. – 1986. – P. 1548–1549.

9. Golden M.P. Multivariable Control using Extended Prediction Horizons/ M.P. Golden, L.K. Liu, B.E. Ydstie // IEEE, Proceedings of 25th Conference on Decision & Control, Athens, Greece, December. – 1986. – P. 1550–1551.

10. Holkar K.S. An Overview of Model Predictive Control / K.S. Holkar, K.K. Wagh, L.M. Waghmare // International Journal of Control and Automation. – 2010. – Vol. 3 № 4, December. – P. 47–63.

11. Maciejowski J.M. Predictive Control with Constraints // Prentice Hall. – 2000. – P. 352.

12. Mehra R.K. Model Algorithmic Control for Electric Power Plants / R.K. Mehra, J.S. Eterno // IEEE. – 1980. – P. 280–285.

13. Qin S.J. A survey of industrial model predictive control technology / S.J. Qin, T.A. Badgwell // Control Engineering Practice. – 2003. – Vol. 11. – P. 733–764.

14. Ydstie B.E. Single and Multi-Variable Control with Extended Prediction Horizons / B.E. Ydstie, L.K. Liu // Proc. of the ACC, San Diego, June 1984. – P. 1303–1308.