Skip to content
Torna ai risultati

Controllo Predittivo Basato su Modello

Introdotto da
Jacques Richalet
Anno
1978
Tipo
algorithm
Famiglia
Optimal Control

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Il Controllo Predittivo Basato su Modello (MPC) è una strategia di controllo avanzata che utilizza un modello esplicito del processo per prevedere il comportamento futuro del sistema su un orizzonte finito e risolve un problema di ottimizzazione ad ogni passo di controllo.

Formalizzato per la prima volta da Richalet et al. nel 1978, l'MPC è diventato l'approccio dominante nelle industrie di controllo di processo, dagli impianti chimici ai veicoli autonomi, poiché gestisce naturalmente i vincoli e può ottimizzare più obiettivi simultaneamente.

L’intuizione alla base del metodo

L'idea centrale dell'MPC è utilizzare un modello matematico del sistema per simulare molteplici scenari futuri possibili e calcolare le migliori azioni di controllo che manterranno il sistema vicino ai setpoint desiderati, rispettando al contempo i vincoli operativi. Ad ogni istante di campionamento, l'algoritmo prevede l'uscita del sistema su un orizzonte futuro, risolve un problema di ottimizzazione per trovare la sequenza di ingressi di controllo che minimizza una funzione di costo, applica solo la prima azione di controllo e poi ripete il processo con nuove misurazioni. Questo meccanismo di feedback—previsione, ottimizzazione, azione, misurazione, ripetizione—rende l'MPC robusto a disturbi e incertezze del modello, tenendo esplicitamente conto dei limiti fisici e operativi.

Storia

Richalet introdusse il concetto nel 1978 come Heuristic Model Predictive Control (HMPC) per processi industriali. Garcia et al. fornirono un quadro teorico completo nel 1989, stabilendo connessioni con la programmazione dinamica e la teoria della stabilità. Mayne et al. (2000) formalizzarono l'MPC vincolato e le condizioni di stabilità. Il campo si è da allora espanso all'MPC non lineare (NMPC), all'MPC esplicito (leggi di controllo pre-calcolate) e ad algoritmi di ottimizzazione veloci che consentono l'implementazione in tempo reale in sistemi embedded.

Quando usarlo

Utilizzare l'MPC quando è necessario gestire esplicitamente i vincoli (ad es., limiti delle valvole, limiti di sicurezza), gestire variabili multiple correlate (controllo multivariabile) o quando disturbi e non linearità sono significativi. È più efficace per sistemi con dinamiche lente o moderate dove il tempo di calcolo consente l'ottimizzazione in tempo reale. Applicazioni tipiche includono il controllo di processi chimici, sistemi HVAC, centrali elettriche e guida autonoma. Evitare l'MPC se il sistema richiede frequenze di controllo in microsecondi o se un modello di processo ad alta fedeltà non è disponibile.

Limiti e considerazioni

  • Computazionalmente costoso; la risoluzione del problema di ottimizzazione ad ogni passo può essere infattibile per sistemi molto veloci.
  • Richiede un modello di processo accurato; una scarsa accuratezza del modello degrada significativamente le prestazioni.
  • L'MPC non lineare è non convesso e può rimanere bloccato in minimi locali.
  • Le garanzie di stabilità e fattibilità non sono banali, specialmente per problemi vincolati.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Gestisce naturalmente i vincoli di ingresso e di stato attraverso l'ottimizzazione esplicita.
  • Fornisce controllo multivariabile, coordinando automaticamente ingressi e uscite multiple.
  • Robusto a disturbi e disallineamenti del modello grazie al ciclo di feedback a orizzonte mobile.
  • Consente l'incorporazione della traiettoria di riferimento futura o delle variazioni del setpoint.
  • Facile da sintonizzare (pesi della funzione di costo) rispetto alla sintonizzazione PID tradizionale.

Applicazioni

  • Controllo di processi chimici: Ottimizzazione di temperature, pressioni e portate in reattori e colonne di distillazione, rispettando i vincoli di sicurezza.
  • Veicoli autonomi: Gestione di accelerazione, sterzata e decelerazione per seguire una traiettoria desiderata, evitando ostacoli e rispettando i vincoli stradali.
  • Gestione della rete elettrica: Bilanciamento tra domanda e offerta, controllo della programmazione della generazione e stabilità della tensione su un orizzonte di previsione mobile.
  • Sistemi HVAC degli edifici: Coordinamento di riscaldamento, raffreddamento e ventilazione per mantenere i setpoint di comfort minimizzando il consumo energetico.
  • Pianificazione del percorso robotico: Calcolo di traiettorie lisce e fattibili che rispettano i limiti degli attuatori e i vincoli di collisione.

Come funziona

Come funziona

1

Utilizzare il modello del sistema e lo stato corrente per prevedere le uscite future su un orizzonte di predizione (tipicamente 10-100 passi avanti).

2

Formulare e risolvere un problema di ottimizzazione vincolata per trovare la sequenza di ingressi ottimale che minimizza l'errore di tracciamento e lo sforzo di controllo, rispettando i limiti su ingressi e stati.

3

Implementare solo il primo ingresso di controllo dalla sequenza ottimizzata al processo.

4

Misurare il nuovo stato del sistema, aggiornare la predizione e ripetere l'intero ciclo al successivo istante di campionamento.

Errori comuni

  • Impostare l'orizzonte di predizione troppo corto porta a un controllo miope e subottimale; troppo lungo aumenta il calcolo.
  • La mancata sintonizzazione della funzione di costo (ad es., ponderazione tra errore e sforzo di controllo) porta a risposte lente o aggressive.
  • L'uso di un modello troppo semplificato o inaccurato che non cattura le dinamiche del sistema si traduce in scarse prestazioni nel mondo reale.

Domande frequenti

Cos'è il principio dell'orizzonte mobile e perché è importante?

Il principio dell'orizzonte mobile significa risolvere un problema di ottimizzazione su una finestra futura finita, applicare solo la prima azione di controllo e poi spostare la finestra in avanti. Questo meccanismo crea un ciclo di feedback che corregge errori e disturbi ad ogni passo, rendendo l'MPC robusto anche quando il modello non è perfetto.

Come scelgo la lunghezza dell'orizzonte di predizione?

Una regola empirica è impostare l'orizzonte di predizione a 3-5 volte il tempo di assestamento della costante di tempo dominante del sistema. Troppo corto porta a un comportamento miope; troppo lungo aumenta il calcolo senza benefici aggiuntivi e può causare infattibilità. La sintonizzazione empirica o l'analisi della risposta in anello aperto aiutano.

L'MPC può gestire sistemi non lineari?

Sì, l'MPC non lineare (NMPC) può gestire modelli di sistema non lineari. Tuttavia, l'ottimizzazione diventa non convessa, richiedendo risolutori iterativi che sono più lenti e possono convergere a minimi locali. La linearizzazione attorno a una traiettoria nominale o metodi di approssimazione sono spesso utilizzati per ridurre il tempo di calcolo.

Quali strumenti software sono disponibili per l'implementazione dell'MPC?

Strumenti popolari includono MATLAB Model Predictive Control Toolbox, Simulink, pacchetti open-source come CasADi (per l'ottimizzazione) e piattaforme commerciali specializzate come EMSO e gProms. Per sistemi embedded, librerie come ACADO e risolutori di programmazione quadratica veloci (ad es., qpOASES) consentono l'implementazione in tempo reale.

Metodi correlati

Fonti

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

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

    Apri il riferimento DOI
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.