ارائه روشی جدید برای کاهش مجموعه مدل‌های محلی در روش مدل‌های چندگانه مبتنی بر آستانه پایداری بیشینه و Gap Metric

در این مقاله، کنترل سیستم های خطی نامتغیر با زمان دارای عدم قطعیت گسترده با استفاده از روش مدل های چندگانه مورد توجه واقع شده و روشی جدید، موثر و سرراست برای یافتن مجموعه مدل های محلی پیشنهاد می شود. در تعیین مدل های محلی، از ابزار gap metric برای اندازه گیری فاصله میان مدل ها و از آستانه پایداری برای شبکه بندی و تعیین حداکثر فاصله مجاز میان مدل ها استفاده شده است. روش پیشنهادی، اصلاح آستانه پایداری بیشینه مدل های محلی را تضمین می دهد که بر کاهش تعداد مدل های محلی و در نتیجه کاهش حجم محاسبات تاثیر مستقیم می گذارد. برای ارزیابی عملکرد روش پیشنهادی، کنترل سیستم معیار جرمفنردمپر مورد مطالعه قرار گرفته و نشان داده می شود که با استفاده از الگوریتم ارائه شده در این پژوهش، تنها یک مدل محلی کافی است. این در حالی است که در روش های موجود پنج مدل محلی برای کنترل این سیستم بکار رفته است.

A New Method to Reduce the Multi-Model Set Based on Maximum Stability Margin and Gap Metric

In this paper the multiple model control of linear time invariant systems with wide uncertainty is studied and a new straightforward and systematic method is proposed to select the local models. The gap metric is used to measure the distance between local models and the maximum stability margin is employed to grid the uncertainty space and measure the permissible distance between local models. The proposed method guarantees the improvement of the maximum stability margin which has direct influence on the reduction of the number of local models and computational complexity loads. To evaluate performance of the proposed method, control of a massspringdashpot system is considered and it is shown that based on our algorithm only a single local model is adequate to control this system while the existing methods in the literature require five local models.