Обеспечение достижимости и устойчивости при синтезе робастного дискретного управления с прогнозирующей моделью в условиях неполной информации
(Стр. 29-33)

Целью работы является исследование методов синтеза управления разномасштабными процессами с прогнозирующими моделями для линейных систем дискретного времени. Результатом исследования стало описание схемы управления, в которой текущее управляющее действие получается путем решения в каждый момент выборки задачи оптимального управления с конечным горизонтом без обратной связи и с использованием текущего состояния объекта в качестве начального состояния. Кроме того, описана задача оптимизации, дающей оптимальную последовательность управления, когда к объекту применяется управление, полученное для первого шага последующей последовательности. Также дан анализ проблем достижимости и устойчивости синтезированных управлений с прогнозирующей моделью в условиях возмущений и неопределенностей. А также проблем обеспечения заданных показателей качества управления и сравнения показателей при управлении УПМ в разомкнутой и замкнутой системах. Обозначены актуальные вопросы, требующие исследований в рамках рассмотренной системы управления. Предложенные решения крайне актуальны задачах моделирования и управления технологическими процессами выращивания наноразмерных структур.

Нгуен Х.Т., Жиленков А.А., Данг Б.Х., (2020), ОБЕСПЕЧЕНИЕ ДОСТИЖИМОСТИ И УСТОЙЧИВОСТИ ПРИ СИНТЕЗЕ РОБАСТНОГО ДИСКРЕТНОГО УПРАВЛЕНИЯ С ПРОГНОЗИРУЮЩЕЙ МОДЕЛЬЮ В УСЛОВИЯХ НЕПОЛНОЙ ИНФОРМАЦИИ. Computational nanotechnology, 2 => 29-33.

Keerthi S., Gilbert E. Optimal infinite-horizon feedback laws for a general class of constrained discrete-time systems: stability and moving-horizon approximations. Journal of Optimization Theory and Applications. 1988. No. 57 (2). Pp. 265-293.
Nevistić V., Primbs J.A. Finite receding horizon linear quadratic control: A unifying theory for stability and performance analysis. Paper presented at Technical Report CIT-CDS 97-001. California Institute of Technology. Pasadena, CA, 1997.
Bolognani S., Bolognani S., Peretti L., Zigliotto M. Design and Implementation of Model Predictive Control for Electrical Motor Drives. IEEE Transactions on Industrial Electronics. June 2009. Vol. 56. No. 6. Pp. 925-1936. DOI: 10.1109/TIE.2008.2007547
Zhilenkov A., Chernyi S. Models and algorithms of the positioning and trajectory stabilisation system with elements of structural analysis for robotic applications. International Journal of Embedded Systems. 2019. No. 11 (6). P. 806. DOI: 10.1504/ijes.2019.104005
Zhilenkov A., Chernyi S., Sokolov S., Nyrkov A. Intelligent autonomous navigation system for UAV in randomly changing environmental conditions. Journal of Intelligent & Fuzzy Systems. 2020. Vol. 38, No. 5, Pp. 6619-6625. Available: 10.3233/jifs-179741
Grimm G., Messina M.J., Tuna S.E., Teel A.R. Nominally robust model predictive control with state constraints. IEEE Transactions on Automatic Control. Oct. 2007. Vol. 52. No. 10. Pp. 1856-1870. DOI: 10.1109/TAC.2007.906187
Qi W., Liu J., Chen X., Christofides P.D. Supervisory Predictive Control of Standalone Wind / Solar Energy Generation Systems. IEEE Transactions on Control Systems Technology. Jan. 2011. Vol. 19. No. 1. Pp. 199-207. DOI: 10.1109/TCST.2010.2041930
Sadowska A., Schutter B.De., van Overloop P. Delivery-Oriented Hierarchical Predictive Control of an Irrigation Canal: Event-Driven Versus Time-Driven Approaches. IEEE Transactions on Control Systems Technology. Sept. 2015. Vol. 23. No. 5. Pp. 1701-1716. DOI: 10.1109/TCST.2014.2381600
Veksler A., Johansen T.A., Borrelli F., Realfsen B. Dynamic positioning with model predictive control. IEEE Transactions on Control Systems Technology. July 2016. Vol. 24. No. 4. Pp. 1340-1353. DOI: 10.1109/TCST.2015.2497280
Liu Jiangang, Huang Zhiwu, Peng Jun et al. An explicit predictive current-sharing control for parallel charging systems with nonlinear dynamics. American Control Conference (ACC). 2016. Pp. 6821-6826.
Ionescu C.M., Keyser R.D., Torrico B.C. et al. Robust predictive control strategy applied for propofol dosing using BIS as a controlled variable during anesthesia. IEEE Transactions on Biomedical Engineering. Sept. 2008. Vol. 55. No. 9. Pp. 2161-2170. DOI: 10.1109/TBME.2008.923142
Zbede Y.B., Gadoue S.M., Atkinson D.J. Model predictive MRAS estimator for sensorless induction motor drives. IEEE Transactions on Industrial Electronics. June 2016. Vol. 63. No. 6. Pp. 3511-3521. DOI: 10.1109/TIE.2016.2521721
Shadmand M.B., Balog R.S., Abu-Rub H. Model predictive control of PV sources in a smart DC distribution system: Maximum power point tracking and droop control. IEEE Transactions on Energy Conversion, Dec. 2014. Vol. 29, No. 4, Pp. 913-921. DOI: 10.1109/TEC.2014.2362934
Kouki Rihab, Salhi Hichem, Bouani Faouzi. Application of model predictive control for a thermal process using STM32 microcontroller. Control Automation and Diagnosis (ICCAD) International Conference. 2017. Pp. 146-151.
Omar M.S., El Deib Amgad, El Shafei A.L. et al. Comparative study between PI and fuzzy-logic controllers for three-phase grid-connected photovoltaic systems. Power Systems Conference (MEPCON) Eighteenth International Middle East. 2016. Pp. 380-386.

достижимость, устойчивость, управление, прогнозирующая модель, возмущения, неполнота информации.