مهندسی کنترل و انواع آن

# کنترل کلاسیک: برای سیستمهای تک-ورودی-تک-خروجی (SISO)، ساده، خطی و با پارامترهای ثابت. (دهه 1940 به بعد)

# کنترل مدرن: برای سیستمهای چند-ورودی-چند-خروجی (MIMO)، با دیدگاه فضای حالت. (دهه 1960 به بعد)

# کنترل پیشرفته: برای سیستمهای پیچیده، غیرخطی، با عدم قطعیت که دو روش قبلی جوابگو نیستند. (دهه 1980 به بعد)

۱) کنترل کلاسیک (Classical Control)

این هسته ی اصلی و پایه مهندسی کنترل است. ویژگی بارز آن، کار در حوزه فرکانس است.

- ماهیت: طراحی کنترلکننده بر اساس پاسخ فرکانسی سیستم (نمودار بود، نایکویست و...).- ورودی مدل: تابع تبدیل (Transfer Function) - - انواع سیستمها: فقط سیستمهای SISO، خطی، و با پارامترهای ثابت (LTI).

- محدودیت اصلی: به عدم قطعیت در مدلسازی حساس است و برای سیستمهای MIMO کارایی خوبی ندارد.

- الگوریتمها و روشهای اصلی کنترل کلاسیک:

کنترلکنندههای PID (Proportional-Integral-Derivative):

 · P: بهبود سرعت پاسخ

 · I: حذف خطای حالت ماندگار (Steady-State Error)

 · D: افزایش پایداری و کاهش Overshoot

· جبرانسازی (Compensation):

 · جبرانساز پیشفاز (Lead Compensator): بهبود پایداری (مانند عمل مشتق)

 · جبرانساز پسفاز (Lag Compensator): بهبود دقت حالت ماندگار (مانند عمل انتگرال)

 · جبرانساز پس-پیشفاز (Lag-Lead): ترکیب هر دو

· روشهای تحلیل پایداری:

 · مکان هندسی ریشهها (Root Locus)

 · معیار پایداری نایکویست (Nyquist Stability Criterion)

۲)کنترل مدرن (Modern Control)

با پیچیده تر شدن سیستمها (مثل سیستمهای هوافضایی) نیاز به یک روش قدرتمندتر احساس شد. کنترل مدرن در حوزه زمان و با استفاده از فضای حالت کار میکند.

· ماهیت: مدلسازی سیستم با مجموعهای از معادلات دیفرانسیل مرتبه اول.

· ورودی مدل: نمایش فضای حالت (State-Space Representation) شامل ماتریسهای A, B, C, D.

· مزیت اصلی: توانایی تحلیل و طراحی برای سیستمهای MIMO به راحتی سیستمهای SISO.

· محدودیت اصلی: همچنان برای سیستمهای خطی ایده آل است و طراحی آن اغلب نیاز به مدل دقیق سیستم دارد.

الگوریتمها و روشهای اصلی کنترل مدرن:

· کنترلکننده ی فیدبک (State Feedback Controller): ( u = -Kx)

 · هدف: طراحی ماتریس K به گونهای که مقادیر ویژه (قطبهای) سیستم حلقه بسته به مکان های مطلوب بروند. (مشابه Root Locus در کنترل کلاسیک اما برای MIMO)

· آشکارساز حالت (State Observer) یا فیلتر کالمن (Kalman Filter):

 · وقتی همه ی حالتهای سیستم (متغیرهای درونی) قابل اندازه گیری مستقیم نیستند، از یک آشکارساز (مثل "آشکارساز Luenberger") یا فیلتر کالمن برای تخمین آنها استفاده میکنیم.

· کنترل کننده ی LQR (Linear-Quadratic Regulator):

 · یک روش بهینهسازی برای طراحی کنترل کننده فیدبک. ماتریس K را طوری پیدا میکند که یک تابع هزینه (مثلا ترکیب خطا و انرژی کنترل) را کمینه کند.

· کنترل کننده ی LQG (Linear-Quadratic-Gaussian):

 · ترکیب LQR (برای کنترل) با فیلتر کالمن (برای تخمین حالت). یکی از قدرتمندترین روشهای کنترل مدرن برای سیستمهای خطی.

۳) کنترل پیشرفته (Advanced Control)

این دسته برای سیستمهایی به کار میرود که کنترل کلاسیک و مدرن در برابرشان عاجزند: سیستمهای غیرخطی، دارای عدم قطعیت زیاد، و سیستمهای بسیار پیچیده.

· ماهیت: اینها یک "روش" واحد نیستند، بلکه یک "مجموعه" از روشهای مختلف هستند که هر کدام برای یک دسته از چالشها طراحی شدهاند.

الگوریتمها و روشهای اصلی کنترل پیشرفته:

· کنترل غیرخطی (Nonlinear Control):

 · کنترل فیدبک خطی ساز (Feedback Linearization): استفاده از ریاضیات برای تبدیل سیستم غیرخطی به یک سیستم خطی معادل.

 · کنترل لغزشی (Sliding Mode Control - SMC): یک روش بسیار قوی در برابر عدم قطعیت. سیستم را به سمت یک "منیفولد لغزشی" میراند و روی آن نگه میدارد.

 · کنترل پسیو (Passivity-Based Control): برای سیستمهایی که خاصیت پسیویتی (انرژی-محور) دارند.

· کنترل تطبیقی (Adaptive Control):

 · MRAC (Model Reference Adaptive Control): پارامترهای کنترل کننده را به صورت برخط (Online) تغییر میدهد تا رفتار سیستم، شبیه یک مدل مرجع از پیش تعیین شده شود.

 · Self-Tuning Regulator: پارامترهای مدل سیستم را به صورت برخط تخمین میزند و کنترل کننده را بر اساس آن بهروز میکند.

· کنترل مقاوم (Robust Control):

 H-Infinity (H∞): هدف، طراحی کنترل کنندهای است که در برابر بدترین-case عدم قطعیتها، پایداری و عملکرد خود را حفظ کند. (بر خلاف LQG که برای میانگین-case بهینه است)

· کنترل هوشمند (Intelligent Control):

 · کنترل فازی (Fuzzy Logic Control): برای سیستم هایی که دانش اپراتور انسانی درباره ی آنها وجود دارد ولی مدل ریاضی دقیقی ندارند.

 · کنترل عصبی (Neural Network Control): برای سیستم های بسیار پیچیده و غیرخطی که از داده هایشان یادمیگیرند.

 · کنترل مبتنی بر بهینهسازی (Model Predictive Control - MPC): یکی از پرکاربردترین روشهای پیشرفته در صنایع شیمیایی و پروسهای. با استفاده از یک مدل از سیستم، رفتار آینده را پیشبینی و یک سیگنال کنترل بهینه تولید میکند.