Zum Inhalt springen
Zurück zu den Suchergebnissen

Modellprädiktive Regelung

Eingeführt von
Jacques Richalet
Jahr
1978
Typ
algorithm
Familie
Optimal Control

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Modellprädiktive Regelung (MPC) ist eine fortschrittliche Regelungsstrategie, die ein explizites Prozessmodell verwendet, um zukünftiges Systemverhalten über einen endlichen Horizont vorherzusagen und in jedem Regelschritt ein Optimierungsproblem löst.

MPC wurde erstmals 1978 von Richalet et al. formalisiert und hat sich in der Prozessindustrie, von Chemieanlagen bis hin zu autonomen Fahrzeugen, zur dominierenden Methode entwickelt, da sie Randbedingungen auf natürliche Weise handhabt und mehrere Ziele gleichzeitig optimieren kann.

Die Intuition hinter der Methode

Die Kernidee von MPC besteht darin, ein mathematisches Modell des Systems zu nutzen, um mehrere mögliche zukünftige Szenarien zu simulieren und die besten Steuerungsaktionen zu berechnen, die das System nahe an den gewünschten Sollwerten halten und gleichzeitig betriebliche Randbedingungen einhalten. Zu jedem Abtastzeitpunkt sagt der Algorithmus die Systemausgabe über einen zukünftigen Horizont voraus, löst ein Optimierungsproblem, um die Steuerungsfolge zu finden, die eine Kostenfunktion minimiert, wendet nur die erste Steuerungsaktion an und wiederholt dann den Prozess mit neuen Messungen. Dieser Rückkopplungsmechanismus – Vorhersage, Optimierung, Aktion, Messung, Wiederholung – macht MPC robust gegenüber Störungen und Modellunsicherheiten, während physikalische und betriebliche Grenzen explizit berücksichtigt werden.

Geschichte

Richalet führte das Konzept 1978 als Heuristic Model Predictive Control (HMPC) für industrielle Prozesse ein. Garcia et al. lieferten 1989 einen umfassenden theoretischen Rahmen und stellten Verbindungen zur dynamischen Programmierung und Stabilitätstheorie her. Mayne et al. (2000) formalisierten die beschränkte MPC und Stabilitätsbedingungen. Das Feld hat sich seitdem auf nichtlineare MPC (NMPC), explizite MPC (vorausberechnete Regelgesetze) und schnelle Optimierungsalgorithmen erweitert, die eine Echtzeitimplementierung in eingebetteten Systemen ermöglichen.

Wann wird sie eingesetzt?

Verwenden Sie MPC, wenn Sie Randbedingungen explizit handhaben müssen (z. B. Ventilgrenzen, Sicherheitsgrenzen), mehrere korrelierte Variablen verwalten müssen (mehrdimensionale Regelung) oder wenn Störungen und Nichtlinearitäten signifikant sind. Sie ist am effektivsten für Systeme mit langsamer bis moderater Dynamik, bei denen die Rechenzeit eine Echtzeitoptimierung ermöglicht. Typische Anwendungen sind die Regelung chemischer Prozesse, HLK-Systeme, Kraftwerke und autonomes Fahren. Vermeiden Sie MPC, wenn Ihr System Steuerungsraten im Mikrosekundenbereich erfordert oder wenn kein hochpräzises Prozessmodell verfügbar ist.

Grenzen und Hinweise

  • Rechenintensiv; das Lösen des Optimierungsproblems in jedem Schritt kann für sehr schnelle Systeme unmöglich sein.
  • Erfordert ein genaues Prozessmodell; schlechte Modellgenauigkeit verschlechtert die Leistung erheblich.
  • Nichtlineare MPC ist nicht-konvex und kann in lokalen Minima stecken bleiben.
  • Stabilitäts- und Machbarkeitsgarantien sind nicht trivial, insbesondere bei Problemen mit Randbedingungen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Handhabt Eingabe- und Zustandsgrenzen auf natürliche Weise durch explizite Optimierung.
  • Bietet mehrdimensionale Regelung, die mehrere Ein- und Ausgänge automatisch koordiniert.
  • Robust gegenüber Störungen und Modellabweichungen aufgrund der Rückkopplungsschleife mit zurückschauendem Horizont.
  • Ermöglicht die Einbeziehung zukünftiger Sollwert- oder Referenzänderungen.
  • Einfach abzustimmen (Gewichte der Kostenfunktion) im Vergleich zur traditionellen PID-Regelung.

Anwendungen

  • Regelung chemischer Prozesse: Optimierung von Temperatur, Druck und Durchflussraten in Reaktoren und Destillationskolonnen unter Einhaltung von Sicherheitsgrenzen.
  • Autonome Fahrzeuge: Steuerung von Beschleunigung, Lenkung und Verzögerung zur Verfolgung einer gewünschten Trajektorie unter Vermeidung von Hindernissen und Einhaltung von Straßenbeschränkungen.
  • Management von Stromnetzen: Ausgleich von Angebot und Nachfrage, Steuerung der Erzeugungsplanung und Spannungsstabilität über einen rollierenden Prognosehorizont.
  • Gebäude-HLK-Systeme: Koordination von Heizung, Kühlung und Lüftung zur Aufrechterhaltung von Komfortsollwerten bei gleichzeitiger Minimierung des Energieverbrauchs.
  • Robotik-Pfadplanung: Berechnung glatter, machbarer Trajektorien, die Aktuatorgrenzen und Kollisionsbeschränkungen einhalten.

So funktioniert es

So funktioniert es

1

Verwenden Sie das Systemmodell und den aktuellen Zustand, um zukünftige Ausgaben über einen Vorhersagehorizont (typischerweise 10-100 Schritte im Voraus) vorherzusagen.

2

Formulieren und lösen Sie ein Optimierungsproblem mit Randbedingungen, um die optimale Eingabesequenz zu finden, die den Regelungsfehler und den Steuerungsaufwand minimiert und gleichzeitig Grenzen für Eingaben und Zustände einhält.

3

Implementieren Sie nur die erste Steuereingabe aus der optimierten Sequenz im Prozess.

4

Messen Sie den neuen Systemzustand, aktualisieren Sie die Vorhersage und wiederholen Sie den gesamten Zyklus zum nächsten Abtastzeitpunkt.

Häufige Fallstricke

  • Das Festlegen eines zu kurzen Vorhersagehorizonts führt zu kurzsichtiger, sub-optimaler Regelung; ein zu langer Horizont erhöht die Rechenlast.
  • Das Nichtabstimmen der Kostenfunktion (z. B. Gewichtung zwischen Fehler und Steuerungsaufwand) führt zu trägen oder aggressiven Reaktionen.
  • Die Verwendung eines vereinfachten oder ungenauen Modells, das die Systemdynamik nicht erfasst, führt zu schlechter Leistung in der Praxis.

Häufig gestellte Fragen

Was ist das Prinzip des zurückschauenden Horizonts und warum ist es wichtig?

Das Prinzip des zurückschauenden Horizonts bedeutet, ein Optimierungsproblem über ein endliches zukünftiges Zeitfenster zu lösen, nur die erste Steuerungsaktion anzuwenden und dann das Fenster vorwärts zu verschieben. Dieser Mechanismus erzeugt eine Rückkopplungsschleife, die Fehler und Störungen in jedem Schritt korrigiert, was MPC auch bei unvollkommenen Modellen robust macht.

Wie wähle ich die Länge des Vorhersagehorizonts?

Eine Faustregel besagt, den Vorhersagehorizont auf das 3- bis 5-fache der Einschwingzeit der dominanten Zeitkonstante des Systems einzustellen. Ein zu kurzer Horizont führt zu kurzsichtigem Verhalten; ein zu langer Horizont erhöht die Rechenlast ohne zusätzlichen Nutzen und kann zu Unmachbarkeit führen. Empirische Abstimmung oder Analyse der offenen Schleifenantwort helfen.

Kann MPC nichtlineare Systeme handhaben?

Ja, die nichtlineare MPC (NMPC) kann nichtlineare Systemmodelle handhaben. Die Optimierung wird jedoch nicht-konvex und erfordert iterative Löser, die langsamer sind und zu lokalen Minima konvergieren können. Linearisierung um eine Nenn-Trajektorie oder Näherungsmethoden werden oft verwendet, um die Rechenzeit zu reduzieren.

Welche Software-Tools stehen für die Implementierung von MPC zur Verfügung?

Beliebte Werkzeuge sind die MATLAB Model Predictive Control Toolbox, Simulink, Open-Source-Pakete wie CasADi (für Optimierung) und spezialisierte kommerzielle Plattformen wie EMSO und gProms. Für eingebettete Systeme ermöglichen Bibliotheken wie ACADO und schnelle quadratische Programmierungs-Löser (z. B. qpOASES) die Echtzeitimplementierung.

Verwandte Methoden

Quellen

  1. Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.

    DOI-Referenz öffnen
    Kopiert.
  2. Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.

    DOI-Referenz öffnen
    Kopiert.
  3. 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.

    DOI-Referenz öffnen
    Kopiert.