Skip to content
Kembali ke hasil pencarian

Kontrol Prediktif Model

Diperkenalkan oleh
Jacques Richalet
Tahun
1978
Jenis
algorithm
Keluarga
Optimal Control

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Kontrol Prediktif Model (MPC) adalah strategi kontrol canggih yang menggunakan model proses eksplisit untuk memprediksi perilaku sistem di masa depan dalam cakrawala terbatas dan menyelesaikan masalah optimasi pada setiap langkah kontrol.

Pertama kali diformalkan oleh Richalet et al. pada tahun 1978, MPC telah menjadi pendekatan dominan dalam industri kontrol proses, dari pabrik kimia hingga kendaraan otonom, karena secara alami menangani kendala dan dapat mengoptimalkan banyak tujuan secara bersamaan.

Intuisi di balik metode

Ide inti MPC adalah menggunakan model matematis sistem untuk mensimulasikan berbagai skenario masa depan yang mungkin dan menghitung tindakan kontrol terbaik yang akan menjaga sistem tetap dekat dengan titik setel yang diinginkan sambil menghormati kendala operasional. Pada setiap waktu sampling, algoritma memprediksi keluaran sistem selama cakrawala masa depan, menyelesaikan masalah optimasi untuk menemukan urutan masukan kontrol yang meminimalkan fungsi biaya, menerapkan hanya tindakan kontrol pertama, dan kemudian mengulangi proses dengan pengukuran baru. Mekanisme umpan balik ini—prediksi, optimasi, tindakan, pengukuran, ulangi—membuat MPC tangguh terhadap gangguan dan ketidakpastian model sambil secara eksplisit memperhitungkan batas fisik dan operasional.

Sejarah

Richalet memperkenalkan konsep tersebut pada tahun 1978 sebagai Heuristic Model Predictive Control (HMPC) untuk proses industri. Garcia et al. memberikan kerangka kerja teoretis yang komprehensif pada tahun 1989, menetapkan hubungan dengan pemrograman dinamis dan teori stabilitas. Mayne et al. (2000) memformalkan MPC terbatas dan kondisi stabilitas. Bidang ini sejak itu telah berkembang ke MPC nonlinier (NMPC), MPC eksplisit (hukum kontrol yang telah dihitung sebelumnya), dan algoritma optimasi cepat yang memungkinkan implementasi waktu nyata dalam sistem tertanam.

Kapan digunakan

Gunakan MPC ketika Anda perlu menangani kendala secara eksplisit (misalnya, batas katup, batas keselamatan), mengelola banyak variabel yang berkorelasi (kontrol multivariabel), atau ketika gangguan dan non-linearitas signifikan. Ini paling efektif untuk sistem dengan dinamika lambat hingga sedang di mana waktu komputasi memungkinkan optimasi waktu nyata. Aplikasi tipikal termasuk kontrol proses kimia, sistem HVAC, pembangkit listrik, dan mengemudi otonom. Hindari MPC jika sistem Anda menuntut laju kontrol mikrosekon atau jika model proses dengan fidelitas tinggi tidak tersedia.

Batasan dan pertimbangan

  • Mahal secara komputasi; menyelesaikan masalah optimasi pada setiap langkah mungkin tidak layak untuk sistem yang sangat cepat.
  • Membutuhkan model proses yang akurat; akurasi model yang buruk secara signifikan menurunkan kinerja.
  • MPC nonlinier bersifat non-konveks dan dapat terjebak dalam minimum lokal.
  • Jaminan stabilitas dan kelayakan tidak sepele, terutama untuk masalah terbatas.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Secara alami menangani kendala masukan dan keadaan melalui optimasi eksplisit.
  • Menyediakan kontrol multivariabel, mengoordinasikan banyak masukan dan keluaran secara otomatis.
  • Tangguh terhadap gangguan dan ketidakcocokan model karena loop umpan balik cakrawala yang surut.
  • Memungkinkan penggabungan lintasan referensi masa depan atau perubahan titik setel.
  • Mudah disetel (bobot fungsi biaya) dibandingkan dengan penyetelan PID tradisional.

Penerapan

  • Kontrol proses kimia: Mengoptimalkan laju suhu, tekanan, dan aliran dalam reaktor dan kolom distilasi sambil menghormati kendala keselamatan.
  • Kendaraan otonom: Mengelola akselerasi, kemudi, dan deselerasi untuk mengikuti lintasan yang diinginkan sambil menghindari rintangan dan menghormati kendala jalan.
  • Manajemen jaringan listrik: Menyeimbangkan pasokan dan permintaan, mengontrol penjadwalan pembangkitan, dan stabilitas tegangan selama cakrawala perkiraan yang bergulir.
  • Sistem HVAC bangunan: Mengoordinasikan pemanasan, pendinginan, dan ventilasi untuk mempertahankan titik setel kenyamanan sambil meminimalkan konsumsi energi.
  • Perencanaan jalur robotika: Menghitung lintasan yang mulus dan layak yang menghormati batas aktuator dan kendala tabrakan.

Cara kerjanya

Cara kerjanya

1

Gunakan model sistem dan keadaan saat ini untuk memprediksi keluaran masa depan selama cakrawala prediksi (biasanya 10-100 langkah ke depan).

2

Formulasikan dan selesaikan masalah optimasi terbatas untuk menemukan urutan masukan optimal yang meminimalkan kesalahan pelacakan dan upaya kontrol sambil menghormati batas pada masukan dan keadaan.

3

Implementasikan hanya masukan kontrol pertama dari urutan yang dioptimalkan ke proses.

4

Ukur keadaan sistem baru, perbarui prediksi, dan ulangi seluruh siklus pada waktu sampling berikutnya.

Kesalahan umum

  • Menetapkan cakrawala prediksi terlalu pendek mengarah pada kontrol yang picik dan suboptimal; terlalu panjang meningkatkan komputasi.
  • Gagal menyetel fungsi biaya (misalnya, pembobotan antara kesalahan dan upaya kontrol) mengarah pada respons yang lamban atau agresif.
  • Menggunakan model yang terlalu disederhanakan atau tidak akurat yang tidak menangkap dinamika sistem menghasilkan kinerja dunia nyata yang buruk.

Pertanyaan yang sering diajukan

Apa itu prinsip cakrawala yang surut dan mengapa itu penting?

Prinsip cakrawala yang surut berarti menyelesaikan masalah optimasi selama jendela masa depan yang terbatas, menerapkan hanya tindakan kontrol pertama, dan kemudian menggeser jendela ke depan. Mekanisme ini menciptakan loop umpan balik yang memperbaiki kesalahan dan gangguan pada setiap langkah, membuat MPC tangguh bahkan ketika model tidak sempurna.

Bagaimana cara memilih panjang cakrawala prediksi?

Aturan praktisnya adalah menetapkan cakrawala prediksi menjadi 3-5 kali waktu penyelesaian konstanta waktu dominan sistem. Terlalu pendek mengarah pada perilaku picik; terlalu panjang meningkatkan komputasi tanpa manfaat tambahan dan dapat menyebabkan ketidaklayakan. Penyetelan empiris atau analisis respons loop terbuka membantu.

Bisakah MPC menangani sistem nonlinier?

Ya, Nonlinear MPC (NMPC) dapat menangani model sistem nonlinier. Namun, optimasi menjadi non-konveks, membutuhkan pemecah iteratif yang lebih lambat dan dapat konvergen ke minimum lokal. Linearitas di sekitar lintasan nominal atau metode aproksimasi sering digunakan untuk mengurangi waktu komputasi.

Alat perangkat lunak apa yang tersedia untuk mengimplementasikan MPC?

Alat populer termasuk MATLAB Model Predictive Control Toolbox, Simulink, paket sumber terbuka seperti CasADi (untuk optimasi), dan platform komersial khusus seperti EMSO dan gProms. Untuk sistem tertanam, pustaka seperti ACADO dan pemecah pemrograman kuadratik cepat (misalnya, qpOASES) memungkinkan implementasi waktu nyata.

Metode terkait

Sumber

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

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

    Buka referensi DOI
    Disalin.
  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.

    Buka referensi DOI
    Disalin.