التحكم التنبؤي بالنموذج
- قدّمه
- Jacques Richalet
- السنة
- 1978
- النوع
- algorithm
- العائلة
- Optimal Control
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
التحكم التنبؤي بالنموذج (MPC) هو استراتيجية تحكم متقدمة تستخدم نموذجًا صريحًا للعملية للتنبؤ بالسلوك المستقبلي للنظام على مدى أفق محدود وحل مشكلة تحسين في كل خطوة تحكم. تم تقنين MPC لأول مرة بواسطة Richalet وآخرون في عام 1978، وأصبح النهج المهيمن في صناعات التحكم في العمليات، من المصانع الكيميائية إلى المركبات ذاتية القيادة، لأنه يتعامل بشكل طبيعي مع القيود ويمكنه تحسين أهداف متعددة في وقت واحد.
الفكرة الحدسية وراء الطريقة
الفكرة الأساسية لـ MPC هي استخدام نموذج رياضي للنظام لمحاكاة سيناريوهات مستقبلية متعددة ممكنة وحساب أفضل إجراءات التحكم التي ستبقي النظام قريبًا من نقاط الضبط المرغوبة مع احترام قيود التشغيل. عند كل وقت أخذ عينات، يتنبأ الخوارزمية بمخرجات النظام على مدى أفق مستقبلي، ويحل مشكلة تحسين لتقليل دالة التكلفة، ويطبق فقط أول إجراء تحكم، ثم يكرر العملية بقياسات جديدة. هذه الآلية الراجعة - التنبؤ، التحسين، العمل، القياس، التكرار - تجعل MPC قويًا ضد الاضطرابات وعدم يقين النموذج مع مراعاة الحدود المادية والتشغيلية بشكل صريح.
التاريخ
قدم Richalet المفهوم في عام 1978 باسم Heuristic Model Predictive Control (HMPC) للعمليات الصناعية. قدم Garcia وآخرون إطارًا نظريًا شاملاً في عام 1989، وأقاموا روابط مع البرمجة الديناميكية ونظرية الاستقرار. قام Mayne وآخرون (2000) بتقنين MPC المقيد وشروط الاستقرار. توسع المجال منذ ذلك الحين ليشمل MPC غير الخطي (NMPC)، و MPC الصريح (قوانين تحكم محسوبة مسبقًا)، وخوارزميات تحسين سريعة تمكن التنفيذ في الوقت الفعلي في الأنظمة المضمنة.
متى تُستخدم
استخدم MPC عندما تحتاج إلى التعامل مع القيود بشكل صريح (مثل حدود الصمامات، حدود السلامة)، أو إدارة متغيرات متعددة مترابطة (تحكم متعدد المتغيرات)، أو عندما تكون الاضطرابات واللاخطيات كبيرة. إنه الأكثر فعالية للأنظمة ذات الديناميكيات البطيئة إلى المعتدلة حيث يسمح وقت الحساب بالتحسين في الوقت الفعلي. تشمل التطبيقات النموذجية التحكم في العمليات الكيميائية، وأنظمة التدفئة والتهوية وتكييف الهواء (HVAC)، ومحطات الطاقة، والقيادة الذاتية. تجنب MPC إذا كان نظامك يتطلب معدلات تحكم بالميكروثانية أو إذا كان نموذج العملية عالي الدقة غير متاح.
الحدود والاعتبارات
- مكلف حسابيًا؛ قد يكون حل مشكلة التحسين في كل خطوة غير ممكن للأنظمة السريعة جدًا.
- يتطلب نموذج عملية دقيق؛ يؤدي ضعف دقة النموذج إلى تدهور الأداء بشكل كبير.
- التحكم التنبؤي بالنموذج غير الخطي غير محدب وقد يعلق في الحد الأدنى المحلي.
- ضمانات الاستقرار والجدوى ليست واضحة، خاصة للمشاكل المقيدة.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يتعامل بشكل طبيعي مع قيود المدخلات والحالات من خلال التحسين الصريح.
- يوفر تحكمًا متعدد المتغيرات، وينسق مدخلات ومخرجات متعددة تلقائيًا.
- قوي ضد الاضطرابات وعدم تطابق النموذج بسبب حلقة التغذية الراجعة ذات الأفق المتراجع.
- يسمح بإدراج مسار مرجعي مستقبلي أو تغييرات في نقطة الضبط.
- سهل الضبط (أوزان دالة التكلفة) مقارنة بضبط PID التقليدي.
التطبيقات
- التحكم في العمليات الكيميائية: تحسين معدلات درجة الحرارة والضغط والتدفق في المفاعلات وأعمدة التقطير مع احترام قيود السلامة.
- المركبات ذاتية القيادة: إدارة التسارع والتوجيه وتباطؤ السرعة لتتبع مسار مرغوب مع تجنب العقبات واحترام قيود الطريق.
- إدارة شبكة الطاقة: موازنة العرض والطلب، والتحكم في جدولة التوليد، واستقرار الجهد على مدى أفق توقع متجدد.
- أنظمة التدفئة والتهوية وتكييف الهواء (HVAC) في المباني: تنسيق التدفئة والتبريد والتهوية للحفاظ على نقاط ضبط الراحة مع تقليل استهلاك الطاقة.
- تخطيط مسار الروبوتات: حساب مسارات سلسة وعملية تحترم حدود المشغلات وقيود الاصطدام.
كيف يعمل
كيف يعمل
استخدام نموذج النظام والحالة الحالية للتنبؤ بالمخرجات المستقبلية على مدى أفق تنبؤ (عادةً 10-100 خطوة للأمام).
صياغة وحل مشكلة تحسين مقيدة للعثور على تسلسل الإدخال الأمثل الذي يقلل من خطأ التتبع وجهد التحكم مع احترام الحدود على المدخلات والحالات.
تنفيذ أول مدخل تحكم فقط من التسلسل المحسن إلى العملية.
قياس حالة النظام الجديدة، وتحديث التنبؤ، وتكرار الدورة بأكملها في وقت أخذ العينات التالي.
الأخطاء الشائعة
- تؤدي إعدادات أفق التنبؤ القصيرة جدًا إلى تحكم قصير النظر وغير أمثل؛ الطويلة جدًا تزيد الحساب.
- يؤدي الفشل في ضبط دالة التكلفة (مثل الوزن بين الخطأ وجهد التحكم) إلى استجابات بطيئة أو عدوانية.
- يؤدي استخدام نموذج مبسط للغاية أو غير دقيق لا يلتقط ديناميكيات النظام إلى أداء ضعيف في العالم الحقيقي.
الأسئلة الشائعة
ما هو مبدأ الأفق المتراجع ولماذا هو مهم؟
يعني مبدأ الأفق المتراجع حل مشكلة تحسين على نافذة مستقبلية محدودة، وتطبيق أول إجراء تحكم فقط، ثم تحريك النافذة للأمام. تخلق هذه الآلية حلقة تغذية راجعة تصحح الأخطاء والاضطرابات في كل خطوة، مما يجعل MPC قويًا حتى عندما لا يكون النموذج مثاليًا.
كيف أختار طول أفق التنبؤ؟
قاعدة عامة هي تعيين أفق التنبؤ إلى 3-5 أضعاف وقت الاستقرار للثابت الزمني المهيمن للنظام. القصير جدًا يؤدي إلى سلوك قصير النظر؛ الطويل جدًا يزيد الحساب دون فائدة إضافية وقد يسبب عدم الجدوى. يساعد الضبط التجريبي أو تحليل الاستجابة في الحلقة المفتوحة.
هل يمكن لـ MPC التعامل مع الأنظمة غير الخطية؟
نعم، يمكن لـ MPC غير الخطي (NMPC) التعامل مع نماذج الأنظمة غير الخطية. ومع ذلك، يصبح التحسين غير محدب، ويتطلب حلولًا تكرارية أبطأ وقد تتقارب إلى الحد الأدنى المحلي. غالبًا ما يستخدم التقريب حول مسار اسمي أو طرق تقريبية لتقليل وقت الحساب.
ما هي الأدوات البرمجية المتاحة لتنفيذ MPC؟
تشمل الأدوات الشائعة MATLAB Model Predictive Control Toolbox، و Simulink، وحزم مفتوحة المصدر مثل CasADi (للتحسين)، ومنصات تجارية متخصصة مثل EMSO و gProms. بالنسبة للأنظمة المضمنة، تتيح المكتبات مثل ACADO وحلول البرمجة التربيعية السريعة (مثل qpOASES) التنفيذ في الوقت الفعلي.
طرق ذات صلة
المصادر
Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.
افتح مرجع DOIتم النسخ.Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.
افتح مرجع DOIتم النسخ.Mayne, D. Q., Rawlings, J. B., Rao, C. V., & Scokaert, P. O. (2000). Constrained model predictive control: Stability and optimality. Automatica, 36(6), 789-814.
افتح مرجع DOIتم النسخ.