پارامترهای مهم کنترل کلاسیک ،مدرن و پیشرفته

۱- پارامترهای کنترل کلاسیک (پاسخ زمانی و فرکانسی)

این پارامترها در سیستم های تک متغیره خطی و عمدتا با ابزارهایی مانند PID، جایگاه ریشه، پاسخ پله و نمودار بد ارزیابی می شوند.

۱-۱- Overshoot (جهش/فراجهش): حداکثر مقدار فراتر از مقدار نهایی پاسخ پله (نظیر %MP).

۲-۱- Settling time (زمان نشست): زمان لازم تا پاسخ در یک بازه ثابت (مثلا ۲% یا ۵%) حول مقدار نهایی قرار گیرد.

۳-۱- Rise time (زمان صعود): زمان برای تغییر پاسخ از ۱۰% به ۹۰% مقدار نهایی (در سیستم های نوع اول).

۴-۱- Peak time (زمان حداکثر): زمان وقوع اولین قله فراجهش.

۵-۱- Steady-state error (خطای حالت ماندگار): اختلاف نهایی بین ورودی مرجع و خروجی سیستم پس از گذشت زمان طولانی.

۶-۱- Gain margin و Phase margin (حاشیه بهره و فاز): معیارهای پایداری در حوزه فرکانس.

۷-۱- Bandwidth (پهنای باند): محدوده فرکانسی که سیستم بتواند ورودی را با تضعیف کمتر از ۳ دسی بل دنبال کند.

---

۲- پارامترهای کنترل مدرن (حالت-فضا و بهینه)

برای سیستم های چندمتغیره (MIMO)، سیستم های غیرخطی ضعیف، یا با قیود عملکردی مشخص.

۱-۲- Eigenvalues (مقادیر ویژه ماتریس دینامیک): تعیین کننده پایداری و سرعت پاسخ حالت ها (معادل قطب ها در کنترل کلاسیک اما برای ماتریس A).

۲-۲- Controllability matrix rank (رتبه ماتریس کنترل پذیری): امکان هدایت سیستم از هر حالت اولیه به حالت دلخواه.

۳-۲- Observability matrix rank (رتبه ماتریس رویت پذیری): امکان تخمین حالت ها از روی خروجی اندازه گیری شده.

۴-۲- Linear Quadratic Regulator (LQR) weights (وزن های Q و R): پارامترهای طراحی تابع هزینه برای بهینه سازی (Q جریمه حالت ها، R جریمه ورودی).

۵-۲- Kalman filter covariance matrices (ماتریس های کوواریانس فیلتر کالمن): Q_k (نویز فرآیند) و R_k (نویز اندازه گیری) در تخمین گر بهینه.

۶-۲- H₂ / H∞ norms (نرم های سیستم): معیارهای عملکرد در برابر نویزهای تصادفی (H₂) یا تداخل های نامعین با باند فرکانسی محدود (H∞).

۷-۲- Sensitivity function (تابع حساسیت): نشان دهنده اثر اغتشاشات خروجی بر خطای کنترل.

---

۳- پارامترهای کنترل پیشرفته (غیرخطی، تطبیقی، مقاوم، هوشمند)

برای سیستم هایی با عدم قطعیت زیاد، دینامیک سریع، قیود سخت، یا نیاز به یادگیری.

۱-۳- Sliding surface coefficient (ضریب سطح لغزش در کنترل مود لغزشی): تعیین کننده دینامیک حالت ها روی سطح لغزش و کاهش اثر عدم قطعیت ها.

۲-۳- Adaptive gain (بهر تطبیقی در کنترل تطبیقی): پارامتری که با قانون تطبیق (مثل MIT rule یا Lyapunov) به روزرسانی می شود.

۳-۳- Lyapunov function derivative (مشتق تابع لیاپانوف): معیار پایداری در حوزه زمان بدون خطی سازی، مثلا منفی معین بودن مشتق.

۴-۳- Neural network weights (وزن های شبکه عصبی در کنترل مبتنی بر یادگیری): پارامترهای قابل تنظیم برای تقریب دینامیک مجهول.

۵-۳- Fuzzy membership function parameters (پارامترهای توابع عضویت فازی): شکل، عرض و مرکز توابع در کنترل فازی (مثل مثلثی، گوسی).

۶-۳- Model Predictive Control horizon (افق کنترل در MPC): طول پنجره پیش بینی و کنترل (Np, Nc)؛ پارامتر کلیدی برای عملکرد و هزینه محاسباتی.

۷-۳- Reinforcement learning discount factor (ضریب تخفیف در یادگیری تقویتی): تعادل بین پاداش های آنی و آینده در کنترل مبتنی بر یادگیری.

۸-۳- Robustness margin (حاشیه مقاوم بودن در برابر عدم قطعیت): حداکثر تغییر در پارامترهای سیستم که پایداری و عملکرد حداقلی حفظ شود.