کنترل کننده خودتنظیم (Self-Tuning Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده خودتنظیم (Self-Tuning Controller) :
کنترل کننده ای که خودش را تنظیم می کند
کنترل کننده خودتنظیم یا Self-Tuning Controller نوعی کنترل تطبیقی است که در آن یک شناساگر آنلاین پارامترهای سیستم را تخمین می زند و سپس یک طراح کنترل (معمولا یک فرمول یا الگوریتم) بر اساس این تخمین ها، پارامترهای کنترل کننده را محاسبه و به روز می کند. این روش یک کنترل تطبیقی غیرمستقیم است.
ساختار: سیستم واقعی + شناساگر پارامترها (مثل حداقل مربعات بازگشتی) + طراح کنترل (که با پارامترهای تخمینی کنترل کننده را طراحی می کند).
\[ \text{شناسایی: } \hat{\theta}(t) = \text{RLS}(y(t), u(t)) \] \[ \text{طراحی: } K(t) = \text{formula}(\hat{\theta}(t)) \]کاربردها: کنترل فرآیندهای صنعتی که پارامترهایشان با زمان تغییر می کند (مثل برج های تقطیر، کوره ها، راکتورهای شیمیایی)، کنترل سیستم های قدرت، و هر جایی که مدل دقیقی در دسترس نیست.
✅ مزایا: قابلیت استفاده از روش های طراحی کنترل استاندارد (قطب گذاری، LQR، و غیره)، شفافیت ساختار، قابلیت اضافه کردن محدودیت ها.
⚠️ معایب: نیاز به تحریک کافی برای شناسایی خوب (سیستم باید تحریک شود)، وابستگی به دقت شناسایی، محاسبات سنگین تر از MRAC.
رایج ترین روش شناسایی در خودتنظیم، روش حداقل مربعات بازگشتی (Recursive Least Squares یا RLS) است. این روش با رسیدن داده جدید، تخمین پارامترها را به روز می کند.
طراح کنترل می تواند هر روشی باشد: قطب گذاری، LQR، PID، یا هر روش دیگر. مثلا می توان پارامترهای سیستم را تخمین زد و سپس با فرمول های زیگلر-نیکولز، ضرایب PID را محاسبه کرد.
چالش اصلی در خودتنظیم، مسئله "تحریک کافی" است. اگر ورودی سیستم به اندازه کافی تغییر نکند، شناساگر نمی تواند پارامترها را دقیق تخمین بزند. این می تواند منجر به طراحی کنترل کننده اشتباه شود.
مثال: در یک کوره صنعتی، با تغییر نوع سوخت یا کیفیت مواد اولیه، پارامترهای حرارتی تغییر می کند. کنترل کننده خودتنظیم این تغییرات را تشخیص داده و ضرایب کنترل دما را تنظیم می کند.
نسخه های پیشرفته خودتنظیم شامل مکانیزم های تشخیص و حذف داده های بد، تطبیق با تغییرات ناگهانی، و تضمین پایداری در حضور عدم قطعیت هستند.
