Sterowanie predykcyjne oparte na modelu
- Autor metody
- Jacques Richalet
- Rok
- 1978
- Typ
- algorithm
- Rodzina
- Optimal Control
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Sterowanie predykcyjne oparte na modelu (MPC) to zaawansowana strategia sterowania, która wykorzystuje jawny model procesu do przewidywania przyszłego zachowania systemu w skończonym horyzoncie czasowym i rozwiązuje problem optymalizacyjny na każdym kroku sterowania.
Po raz pierwszy sformalizowane przez Richaleta i in. w 1978 roku, MPC stało się dominującym podejściem w przemyśle sterowania procesami, od zakładów chemicznych po pojazdy autonomiczne, ponieważ w naturalny sposób obsługuje ograniczenia i może optymalizować wiele celów jednocześnie.
Intuicja stojąca za metodą
Podstawową ideą MPC jest wykorzystanie matematycznego modelu systemu do symulacji wielu możliwych przyszłych scenariuszy i obliczenie najlepszych działań sterujących, które utrzymają system blisko pożądanych wartości zadanych, jednocześnie respektując ograniczenia operacyjne. W każdym momencie próbkowania algorytm przewiduje wyjście systemu w przyszłym horyzoncie, rozwiązuje problem optymalizacyjny w celu znalezienia sekwencji wejść sterujących minimalizującej funkcję kosztu, stosuje tylko pierwsze działanie sterujące, a następnie powtarza proces z nowymi pomiarami. Ten mechanizm sprzężenia zwrotnego — przewidywanie, optymalizacja, działanie, pomiar, powtórzenie — sprawia, że MPC jest odporne na zakłócenia i niepewność modelu, jednocześnie jawnie uwzględniając ograniczenia fizyczne i operacyjne.
Historia
Richalet wprowadził tę koncepcję w 1978 roku jako Heuristic Model Predictive Control (HMPC) dla procesów przemysłowych. Garcia i in. przedstawili całościowe ramy teoretyczne w 1989 roku, ustanawiając powiązania z programowaniem dynamicznym i teorią stabilności. Mayne i in. (2000) sformalizowali MPC z ograniczeniami i warunki stabilności. Od tego czasu dziedzina rozszerzyła się na nieliniowe MPC (NMPC), jawne MPC (wstępnie obliczone prawa sterowania) oraz szybkie algorytmy optymalizacyjne, które umożliwiają implementację w czasie rzeczywistym w systemach wbudowanych.
Kiedy stosować
Użyj MPC, gdy musisz jawnie obsługiwać ograniczenia (np. limity zaworów, granice bezpieczeństwa), zarządzać wieloma skorelowanymi zmiennymi (sterowanie wielowymiarowe) lub gdy zakłócenia i nieliniowości są znaczące. Jest najbardziej efektywne dla systemów o dynamice od wolnej do umiarkowanej, gdzie czas obliczeń pozwala na optymalizację w czasie rzeczywistym. Typowe zastosowania obejmują sterowanie procesami chemicznymi, systemy HVAC, elektrownie i autonomiczne prowadzenie pojazdów. Unikaj MPC, jeśli system wymaga sterowania w mikrosekundach lub jeśli niedostępny jest model procesu o wysokiej wierności.
Ograniczenia i uwagi
- Wymagający obliczeniowo; rozwiązywanie problemu optymalizacyjnego na każdym kroku może być niewykonalne dla bardzo szybkich systemów.
- Wymaga dokładnego modelu procesu; słaba dokładność modelu znacząco obniża jakość sterowania.
- Nieliniowe MPC jest niewypukłe i może utknąć w lokalnych minimach.
- Gwarancje stabilności i wykonalności są nietrywialne, zwłaszcza dla problemów z ograniczeniami.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Naturalnie obsługuje ograniczenia wejścia i stanu poprzez jawną optymalizację.
- Zapewnia sterowanie wielowymiarowe, automatycznie koordynując wiele wejść i wyjść.
- Odporny na zakłócenia i niedopasowanie modelu dzięki pętli sprzężenia zwrotnego z horyzontem kroczącym.
- Umożliwia uwzględnienie przyszłej trajektorii referencyjnej lub zmian punktu nastawy.
- Łatwy w strojeniu (wagi funkcji kosztu) w porównaniu do tradycyjnego strojenia PID.
Zastosowania
- Sterowanie procesami chemicznymi: Optymalizacja temperatury, ciśnienia i przepływów w reaktorach i kolumnach destylacyjnych z uwzględnieniem ograniczeń bezpieczeństwa.
- Pojazdy autonomiczne: Zarządzanie przyspieszeniem, sterowaniem i hamowaniem w celu podążania za pożądaną trajektorią, unikania przeszkód i przestrzegania ograniczeń drogowych.
- Zarządzanie siecią energetyczną: Równoważenie podaży i popytu, sterowanie harmonogramem generacji i stabilnością napięcia w kroczącym horyzoncie prognozy.
- Systemy HVAC w budynkach: Koordynacja ogrzewania, chłodzenia i wentylacji w celu utrzymania zadanych wartości komfortu przy minimalizacji zużycia energii.
- Planowanie ścieżki robotów: Obliczanie płynnych, wykonalnych trajektorii, które respektują limity siłowników i ograniczenia kolizji.
Jak to działa
Jak to działa
Wykorzystaj model systemu i bieżący stan do przewidywania przyszłych wyjść w horyzoncie predykcji (zazwyczaj 10-100 kroków naprzód).
Sformułuj i rozwiąż problem optymalizacji z ograniczeniami, aby znaleźć optymalną sekwencję wejść minimalizującą błąd śledzenia i wysiłek sterowania, jednocześnie respektując granice wejść i stanów.
Zastosuj do procesu tylko pierwsze wejście sterujące z zoptymalizowanej sekwencji.
Zmierz nowy stan systemu, zaktualizuj predykcję i powtórz cały cykl w następnym momencie próbkowania.
Częste pułapki
- Zbyt krótki horyzont predykcji prowadzi do krótkowzrocznego, suboptymalnego sterowania; zbyt długi zwiększa obliczenia.
- Brak strojenia funkcji kosztu (np. ważenia między błędem a wysiłkiem sterowania) prowadzi do powolnych lub zbyt agresywnych reakcji.
- Użycie nadmiernie uproszczonego lub niedokładnego modelu, który nie oddaje dynamiki systemu, skutkuje słabą jakością sterowania w rzeczywistych warunkach.
Najczęściej zadawane pytania
Czym jest zasada kroczącego horyzontu i dlaczego jest ważna?
Zasada kroczącego horyzontu oznacza rozwiązywanie problemu optymalizacyjnego w skończonym oknie przyszłości, zastosowanie tylko pierwszego działania sterującego, a następnie przesunięcie okna do przodu. Ten mechanizm tworzy pętlę sprzężenia zwrotnego, która koryguje błędy i zakłócenia na każdym kroku, czyniąc MPC odpornym nawet wtedy, gdy model nie jest doskonały.
Jak wybrać długość horyzontu predykcji?
Zgodnie z ogólną zasadą, horyzont predykcji należy ustawić na 3-5-krotność czasu ustalania się dominującej stałej czasowej systemu. Zbyt krótki prowadzi do krótkowzrocznego zachowania; zbyt długi zwiększa obliczenia bez dodatkowych korzyści i może powodować niewykonalność. Pomocne jest empiryczne strojenie lub analiza odpowiedzi w otwartej pętli.
Czy MPC może obsługiwać systemy nieliniowe?
Tak, nieliniowe MPC (NMPC) może obsługiwać nieliniowe modele systemów. Jednak optymalizacja staje się niewypukła, co wymaga iteracyjnych solverów, które są wolniejsze i mogą zbiegać do lokalnych minimów. Linearizacja wokół nominalnej trajektorii lub metody aproksymacji są często używane do skrócenia czasu obliczeń.
Jakie narzędzia programowe są dostępne do implementacji MPC?
Popularne narzędzia to MATLAB Model Predictive Control Toolbox, Simulink, pakiety open-source takie jak CasADi (do optymalizacji) oraz specjalistyczne platformy komercyjne, takie jak EMSO i gProms. Dla systemów wbudowanych biblioteki takie jak ACADO i szybkie solvery programowania kwadratowego (np. qpOASES) umożliwiają implementację w czasie rzeczywistym.
Pokrewne metody
Źródła
Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.
Otwórz odnośnik DOISkopiowano.Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.
Otwórz odnośnik DOISkopiowano.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.
Otwórz odnośnik DOISkopiowano.