Skip to content
بازگشت به نتایج جست‌وجو

کنترل پیش‌بین مدل

معرفی‌شده توسط
Jacques Richalet
سال
1978
نوع
algorithm
خانواده
Optimal Control

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

کنترل پیش‌بین مدل (MPC) یک استراتژی پیشرفته کنترلی است که از یک مدل فرآیند صریح برای پیش‌بینی رفتار آینده سیستم در یک افق محدود استفاده می‌کند و در هر گام کنترلی یک مسئله بهینه‌سازی را حل می‌کند.

MPC که اولین بار در سال ۱۹۷۸ توسط Richalet و همکارانش به طور رسمی تدوین شد، به دلیل مدیریت طبیعی محدودیت‌ها و قابلیت بهینه‌سازی همزمان چندین هدف، به رویکرد غالب در صنایع کنترل فرآیند، از کارخانه‌های شیمیایی گرفته تا وسایل نقلیه خودران، تبدیل شده است.

شهود پشت روش

ایده اصلی MPC استفاده از یک مدل ریاضی از سیستم برای شبیه‌سازی چندین سناریوی آینده ممکن و محاسبه بهترین اقدامات کنترلی است که سیستم را نزدیک به نقاط تنظیم مورد نظر نگه می‌دارد و در عین حال محدودیت‌های عملیاتی را رعایت می‌کند. در هر زمان نمونه‌برداری، الگوریتم خروجی سیستم را در یک افق آینده پیش‌بینی می‌کند، یک مسئله بهینه‌سازی را برای یافتن دنباله ورودی کنترلی که تابع هزینه را به حداقل می‌رساند حل می‌کند، تنها اولین اقدام کنترلی را اعمال می‌کند و سپس فرآیند را با اندازه‌گیری‌های جدید تکرار می‌کند. این مکانیزم بازخورد—پیش‌بینی، بهینه‌سازی، اقدام، اندازه‌گیری، تکرار—MPC را در برابر اختلالات و عدم قطعیت مدل قوی می‌سازد و در عین حال محدودیت‌های فیزیکی و عملیاتی را به صراحت در نظر می‌گیرد.

تاریخ

Richalet در سال ۱۹۷۸ مفهوم کنترل پیش‌بین مدل تجربی (HMPC) را برای فرآیندهای صنعتی معرفی کرد. Garcia و همکارانش در سال ۱۹۸۹ چارچوب نظری جامعی را ارائه دادند و ارتباطاتی با برنامه‌ریزی پویا و نظریه پایداری برقرار کردند. Mayne و همکارانش (۲۰۰۰) شرایط MPC مقید و پایداری را تدوین کردند. از آن زمان، این حوزه به MPC غیرخطی (NMPC)، MPC صریح (قوانین کنترلی از پیش محاسبه‌شده) و الگوریتم‌های بهینه‌سازی سریع که پیاده‌سازی در زمان واقعی را در سیستم‌های تعبیه‌شده امکان‌پذیر می‌سازد، گسترش یافته است.

چه زمانی استفاده شود

هنگامی که نیاز به مدیریت صریح محدودیت‌ها (مانند محدودیت‌های شیر، حدود ایمنی)، مدیریت چندین متغیر مرتبط (کنترل چندمتغیره) دارید، یا زمانی که اختلالات و غیرخطی‌ها قابل توجه هستند، از MPC استفاده کنید. این روش برای سیستم‌هایی با دینامیک کند تا متوسط که زمان محاسبات اجازه بهینه‌سازی در زمان واقعی را می‌دهد، مؤثرترین است. کاربردهای معمول شامل کنترل فرآیند شیمیایی، سیستم‌های HVAC، نیروگاه‌ها و رانندگی خودران است. اگر سیستم شما به نرخ‌های کنترلی در حد میکروثانیه نیاز دارد یا مدل فرآیند با وفاداری بالا در دسترس نیست، از MPC اجتناب کنید.

محدودیت‌ها و ملاحظات

  • از نظر محاسباتی پرهزینه؛ حل مسئله بهینه‌سازی در هر مرحله ممکن است برای سیستم‌های بسیار سریع امکان‌پذیر نباشد.
  • نیاز به یک مدل فرآیند دقیق؛ دقت پایین مدل به طور قابل توجهی عملکرد را کاهش می‌دهد.
  • MPC غیرخطی ناهم‌محدب است و ممکن است در حداقل‌های محلی گیر کند.
  • تضمین‌های پایداری و امکان‌پذیری، به ویژه برای مسائل مقید، غیربدیهی هستند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • مدیریت طبیعی محدودیت‌های ورودی و حالت از طریق بهینه‌سازی صریح.
  • ارائه کنترل چندمتغیره، هماهنگ‌سازی خودکار چندین ورودی و خروجی.
  • مقاوم در برابر اختلالات و عدم تطابق مدل به دلیل حلقه بازخورد افق متحرک.
  • امکان گنجاندن مسیر مرجع آینده یا تغییرات نقطه تنظیم.
  • تنظیم آسان (وزن‌های تابع هزینه) در مقایسه با تنظیم PID سنتی.

کاربردها

  • کنترل فرآیند شیمیایی: بهینه‌سازی دما، فشار و نرخ جریان در راکتورها و ستون‌های تقطیر ضمن رعایت محدودیت‌های ایمنی.
  • وسایل نقلیه خودران: مدیریت شتاب، فرمان و کاهش سرعت برای دنبال کردن یک مسیر مطلوب ضمن اجتناب از موانع و رعایت محدودیت‌های جاده.
  • مدیریت شبکه برق: متعادل کردن عرضه و تقاضا، کنترل زمان‌بندی تولید و پایداری ولتاژ در طول یک افق پیش‌بینی متحرک.
  • سیستم‌های HVAC ساختمان: هماهنگ‌سازی گرمایش، سرمایش و تهویه برای حفظ نقاط تنظیم راحتی ضمن به حداقل رساندن مصرف انرژی.
  • برنامه‌ریزی مسیر رباتیک: محاسبه مسیرهای هموار و امکان‌پذیر که محدودیت‌های محرک و محدودیت‌های برخورد را رعایت می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

استفاده از مدل سیستم و حالت فعلی برای پیش‌بینی خروجی‌های آینده در طول افق پیش‌بینی (معمولاً ۱۰ تا ۱۰۰ گام به جلو).

2

تدوین و حل یک مسئله بهینه‌سازی مقید برای یافتن دنباله ورودی بهینه که خطای ردیابی و تلاش کنترلی را با رعایت حدود ورودی‌ها و حالت‌ها به حداقل می‌رساند.

3

پیاده‌سازی تنها اولین ورودی کنترلی از دنباله بهینه‌شده در فرآیند.

4

اندازه‌گیری حالت جدید سیستم، به‌روزرسانی پیش‌بینی، و تکرار کل چرخه در زمان نمونه‌برداری بعدی.

دام‌های رایج

  • تنظیم افق پیش‌بینی بیش از حد کوتاه منجر به کنترل کوتاه‌بینانه و زیربهینه می‌شود؛ بیش از حد طولانی محاسبات را افزایش می‌دهد.
  • تنظیم نادرست تابع هزینه (مانند وزن‌دهی بین خطا و تلاش کنترلی) منجر به پاسخ‌های کند یا تهاجمی می‌شود.
  • استفاده از مدلی بیش از حد ساده‌شده یا نادرست که دینامیک سیستم را ثبت نمی‌کند، منجر به عملکرد ضعیف در دنیای واقعی می‌شود.

پرسش‌های متداول

اصل افق متحرک چیست و چرا مهم است؟

اصل افق متحرک به معنای حل یک مسئله بهینه‌سازی در یک پنجره محدود آینده، اعمال تنها اولین اقدام کنترلی، و سپس جابجایی پنجره به جلو است. این مکانیزم یک حلقه بازخورد ایجاد می‌کند که خطاها و اختلالات را در هر مرحله تصحیح می‌کند و MPC را حتی زمانی که مدل کامل نیست، قوی می‌سازد.

چگونه طول افق پیش‌بینی را انتخاب کنم؟

یک قاعده سرانگشتی این است که افق پیش‌بینی را ۳ تا ۵ برابر زمان تثبیت ثابت زمانی غالب سیستم تنظیم کنید. خیلی کوتاه منجر به رفتار کوتاه‌بینانه می‌شود؛ خیلی طولانی بدون سود اضافی محاسبات را افزایش می‌دهد و ممکن است باعث عدم امکان‌پذیری شود. تنظیم تجربی یا تجزیه و تحلیل پاسخ حلقه باز به کمک می‌کند.

آیا MPC می‌تواند سیستم‌های غیرخطی را مدیریت کند؟

بله، MPC غیرخطی (NMPC) می‌تواند مدل‌های سیستم غیرخطی را مدیریت کند. با این حال، بهینه‌سازی ناهم‌محدب می‌شود و به حل‌کننده‌های تکراری نیاز دارد که کندتر هستند و ممکن است به حداقل‌های محلی همگرا شوند. اغلب از خطی‌سازی در اطراف یک مسیر اسمی یا روش‌های تقریبی برای کاهش زمان محاسبات استفاده می‌شود.

چه ابزارهای نرم‌افزاری برای پیاده‌سازی MPC در دسترس هستند؟

ابزارهای محبوب شامل جعبه ابزار کنترل پیش‌بین مدل متلب (MATLAB Model Predictive Control Toolbox)، سیمولینک (Simulink)، بسته‌های منبع باز مانند CasADi (برای بهینه‌سازی) و پلتفرم‌های تجاری تخصصی مانند EMSO و gProms هستند. برای سیستم‌های تعبیه‌شده، کتابخانه‌هایی مانند ACADO و حل‌کننده‌های بهینه‌سازی درجه دوم سریع (مانند qpOASES) پیاده‌سازی در زمان واقعی را امکان‌پذیر می‌سازند.

روش‌های مرتبط

منابع

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

    باز کردن مرجع DOI
    کپی شد.
  2. Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.

    باز کردن مرجع DOI
    کپی شد.
  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.

    باز کردن مرجع DOI
    کپی شد.