Skip to content
Retour aux résultats

Commande prédictive par modèle

Introduite par
Jacques Richalet
Année
1978
Type
algorithm
Famille
Optimal Control

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La commande prédictive par modèle (MPC) est une stratégie de contrôle avancée qui utilise un modèle explicite du processus pour prédire le comportement futur du système sur un horizon fini et résout un problème d'optimisation à chaque étape de contrôle.

Formalisée pour la première fois par Richalet et al. en 1978, la MPC est devenue l'approche dominante dans les industries de contrôle de processus, des usines chimiques aux véhicules autonomes, car elle gère naturellement les contraintes et peut optimiser simultanément plusieurs objectifs.

L’intuition derrière la méthode

L'idée centrale de la MPC est d'utiliser un modèle mathématique du système pour simuler plusieurs scénarios futurs possibles et calculer les meilleures actions de contrôle qui maintiendront le système proche des points de consigne souhaités tout en respectant les contraintes opérationnelles. À chaque instant d'échantillonnage, l'algorithme prédit la sortie du système sur un horizon futur, résout un problème d'optimisation pour trouver la séquence d'actions de commande qui minimise une fonction de coût, applique uniquement la première action de commande, puis répète le processus avec de nouvelles mesures. Ce mécanisme de rétroaction — prédiction, optimisation, action, mesure, répétition — rend la MPC robuste aux perturbations et à l'incertitude du modèle tout en tenant explicitement compte des limites physiques et opérationnelles.

Histoire

Richalet a introduit le concept en 1978 sous le nom de Heuristic Model Predictive Control (HMPC) pour les processus industriels. Garcia et al. ont fourni un cadre théorique complet en 1989, établissant des liens avec la programmation dynamique et la théorie de la stabilité. Mayne et al. (2000) ont formalisé la MPC sous contraintes et les conditions de stabilité. Le domaine s'est depuis étendu à la MPC non linéaire (NMPC), à la MPC explicite (lois de commande pré-calculées) et aux algorithmes d'optimisation rapides qui permettent une implémentation en temps réel dans les systèmes embarqués.

Quand l’utiliser

Utiliser la MPC lorsque vous devez gérer explicitement les contraintes (par exemple, limites de vanne, bornes de sécurité), gérer plusieurs variables corrélées (contrôle multivariable) ou lorsque les perturbations et les non-linéarités sont significatives. Elle est plus efficace pour les systèmes à dynamique lente à modérée où le temps de calcul permet une optimisation en temps réel. Les applications typiques incluent le contrôle de processus chimiques, les systèmes CVC (chauffage, ventilation et climatisation), les centrales électriques et la conduite autonome. Éviter la MPC si votre système exige des cadences de contrôle à la microseconde ou si un modèle de processus de haute fidélité n'est pas disponible.

Limites et points d’attention

  • Coûteuse en calcul ; la résolution du problème d'optimisation à chaque étape peut être infaisable pour des systèmes très rapides.
  • Nécessite un modèle de processus précis ; une mauvaise précision du modèle dégrade considérablement les performances.
  • La MPC non linéaire est non convexe et peut rester bloquée dans des minima locaux.
  • Les garanties de stabilité et de faisabilité ne sont pas triviales, en particulier pour les problèmes sous contraintes.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Gère naturellement les contraintes d'entrée et d'état grâce à l'optimisation explicite.
  • Fournit un contrôle multivariable, coordonnant automatiquement plusieurs entrées et sorties.
  • Robuste aux perturbations et aux décalages de modèle grâce à la boucle de rétroaction à horizon glissant.
  • Permet l'incorporation de trajectoires de référence futures ou de changements de points de consigne.
  • Facile à régler (poids de la fonction de coût) par rapport au réglage traditionnel des PID.

Applications

  • Contrôle de processus chimiques : Optimisation des débits, températures et pressions dans les réacteurs et colonnes de distillation tout en respectant les contraintes de sécurité.
  • Véhicules autonomes : Gestion de l'accélération, de la direction et de la décélération pour suivre une trajectoire désirée tout en évitant les obstacles et en respectant les contraintes routières.
  • Gestion du réseau électrique : Équilibrage de l'offre et de la demande, contrôle de la planification de la production et de la stabilité de la tension sur un horizon de prévision glissant.
  • Systèmes CVC des bâtiments : Coordination du chauffage, de la ventilation et de la climatisation pour maintenir les points de consigne de confort tout en minimisant la consommation d'énergie.
  • Planification de trajectoire robotique : Calcul de trajectoires lisses et réalisables qui respectent les limites des actionneurs et les contraintes de collision.

Comment ça marche

Comment ça marche

1

Utiliser le modèle du système et l'état actuel pour prédire les sorties futures sur un horizon de prédiction (typiquement 10 à 100 pas en avant).

2

Formuler et résoudre un problème d'optimisation sous contraintes pour trouver la séquence d'entrées optimale qui minimise l'erreur de suivi et l'effort de commande tout en respectant les bornes sur les entrées et les états.

3

Implémenter uniquement la première entrée de commande de la séquence optimisée dans le processus.

4

Mesurer le nouvel état du système, mettre à jour la prédiction et répéter le cycle entier au prochain instant d'échantillonnage.

Pièges courants

  • Définir l'horizon de prédiction trop court conduit à un contrôle myope et sous-optimal ; trop long augmente le calcul.
  • Ne pas régler la fonction de coût (par exemple, le poids entre l'erreur et l'effort de commande) conduit à des réponses lentes ou agressives.
  • L'utilisation d'un modèle trop simplifié ou inexact qui ne capture pas la dynamique du système entraîne de mauvaises performances dans le monde réel.

Questions fréquentes

Quel est le principe de l'horizon glissant et pourquoi est-il important ?

Le principe de l'horizon glissant consiste à résoudre un problème d'optimisation sur une fenêtre future finie, à appliquer uniquement la première action de commande, puis à décaler la fenêtre vers l'avant. Ce mécanisme crée une boucle de rétroaction qui corrige les erreurs et les perturbations à chaque étape, rendant la MPC robuste même lorsque le modèle n'est pas parfait.

Comment choisir la longueur de l'horizon de prédiction ?

Une règle empirique consiste à définir l'horizon de prédiction à 3 à 5 fois le temps d'établissement de la constante de temps dominante du système. Trop court conduit à un comportement myope ; trop long augmente le calcul sans bénéfice supplémentaire et peut causer une impossibilité de résolution. Le réglage empirique ou l'analyse de la réponse en boucle ouverte aident.

La MPC peut-elle gérer des systèmes non linéaires ?

Oui, la MPC non linéaire (NMPC) peut gérer des modèles de systèmes non linéaires. Cependant, l'optimisation devient non convexe, nécessitant des solveurs itératifs plus lents qui peuvent converger vers des minima locaux. La linéarisation autour d'une trajectoire nominale ou des méthodes d'approximation sont souvent utilisées pour réduire le temps de calcul.

Quels outils logiciels sont disponibles pour implémenter la MPC ?

Les outils populaires incluent la boîte à outils Model Predictive Control de MATLAB, Simulink, des packages open-source comme CasADi (pour l'optimisation) et des plateformes commerciales spécialisées comme EMSO et gProms. Pour les systèmes embarqués, des bibliothèques comme ACADO et des solveurs de programmation quadratique rapides (par exemple, qpOASES) permettent une implémentation en temps réel.

Méthodes associées

Sources

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

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

    Ouvrir la référence DOI
    Copié.
  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.

    Ouvrir la référence DOI
    Copié.