Skip to content
Назад к результатам поиска

Модельно-прогнозирующее управление

Автор метода
Jacques Richalet
Год
1978
Тип
algorithm
Семейство
Optimal Control

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Модельно-прогнозирующее управление (MPC) — это усовершенствованная стратегия управления, которая использует явную модель процесса для предсказания будущего поведения системы на конечном горизонте и решает задачу оптимизации на каждом шаге управления.

Впервые формализованное Ришале и др. в 1978 году, MPC стало доминирующим подходом в отраслях управления технологическими процессами, от химических заводов до автономных транспортных средств, поскольку оно естественным образом обрабатывает ограничения и может одновременно оптимизировать несколько целей.

Интуиция метода

Основная идея MPC заключается в использовании математической модели системы для моделирования множества возможных будущих сценариев и вычисления наилучших управляющих воздействий, которые будут удерживать систему вблизи желаемых заданных значений при соблюдении эксплуатационных ограничений. На каждом интервале дискретизации алгоритм предсказывает выход системы на будущем горизонте, решает задачу оптимизации для нахождения последовательности управляющих воздействий, минимизирующей целевую функцию, применяет только первое управляющее воздействие, а затем повторяет процесс с новыми измерениями. Этот механизм обратной связи — предсказание, оптимизация, действие, измерение, повторение — делает MPC устойчивым к возмущениям и неопределенности модели, явно учитывая физические и эксплуатационные пределы.

История

Ришале представил концепцию в 1978 году как эвристическое модельно-прогнозирующее управление (HMPC) для промышленных процессов. Гарсия и др. предоставили всеобъемлющую теоретическую основу в 1989 году, установив связи с динамическим программированием и теорией устойчивости. Мейн и др. (2000) формализовали MPC с ограничениями и условия устойчивости. С тех пор область расширилась до нелинейного MPC (NMPC), явного MPC (предварительно вычисленные законы управления) и быстрых алгоритмов оптимизации, которые позволяют реализовать управление в реальном времени во встраиваемых системах.

Когда применять

Использовать MPC, когда необходимо явно обрабатывать ограничения (например, пределы клапанов, пределы безопасности), управлять несколькими коррелированными переменными (многомерное управление) или когда возмущения и нелинейности значительны. Наиболее эффективно это для систем с медленной или умеренной динамикой, где время вычислений позволяет проводить оптимизацию в реальном времени. Типичные области применения включают управление химическими процессами, системы ОВКВ, электростанции и автономное вождение. Избегайте MPC, если ваша система требует тактовых частот управления в микросекундном диапазоне или если недоступна высокоточная модель процесса.

Ограничения и замечания

  • Вычислительно затратно; решение задачи оптимизации на каждом шаге может быть невыполнимым для очень быстрых систем.
  • Требует точной модели процесса; низкая точность модели значительно снижает производительность.
  • Нелинейный MPC является невыпуклым и может застрять в локальных минимумах.
  • Гарантии устойчивости и выполнимости нетривиальны, особенно для задач с ограничениями.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Естественным образом обрабатывает ограничения на входы и состояния посредством явной оптимизации.
  • Обеспечивает многомерное управление, автоматически координируя несколько входов и выходов.
  • Устойчив к возмущениям и несоответствию модели благодаря контуру обратной связи с скользящим горизонтом.
  • Позволяет учитывать будущую траекторию ссылки или изменения заданного значения.
  • Легко настраивается (веса целевой функции) по сравнению с традиционной настройкой ПИД-регулятора.

Применение

  • Управление химическими процессами: Оптимизация температуры, давления и расхода в реакторах и ректификационных колоннах при соблюдении ограничений безопасности.
  • Автономные транспортные средства: Управление ускорением, рулевым управлением и замедлением для следования желаемой траектории при избегании препятствий и соблюдении ограничений дороги.
  • Управление энергосистемой: Балансирование спроса и предложения, управление графиком генерации и стабильностью напряжения на скользящем прогнозном горизонте.
  • Системы ОВКВ зданий: Координация отопления, охлаждения и вентиляции для поддержания заданных значений комфорта при минимизации энергопотребления.
  • Планирование траектории роботов: Вычисление плавных, выполнимых траекторий, которые учитывают ограничения приводов и ограничения столкновений.

Как это работает

Как это работает

1

Использовать модель системы и текущее состояние для предсказания будущих выходов на горизонте предсказания (обычно на 10–100 шагов вперед).

2

Сформулировать и решить задачу оптимизации с ограничениями для нахождения оптимальной последовательности входов, минимизирующей ошибку отслеживания и управляющее усилие при соблюдении ограничений на входы и состояния.

3

Применить к процессу только первое управляющее входное воздействие из оптимизированной последовательности.

4

Измерить новое состояние системы, обновить предсказание и повторить весь цикл на следующем интервале дискретизации.

Частые ошибки

  • Установка слишком короткого горизонта предсказания приводит к близорукому, субоптимальному управлению; слишком длинный увеличивает вычислительную нагрузку.
  • Неправильная настройка целевой функции (например, взвешивание между ошибкой и управляющим усилием) приводит к вялым или агрессивным откликам.
  • Использование излишне упрощенной или неточной модели, не отражающей динамику системы, приводит к плохой производительности в реальных условиях.

Часто задаваемые вопросы

Что такое принцип скользящего горизонта и почему он важен?

Принцип скользящего горизонта означает решение задачи оптимизации в течение конечного окна будущего, применение только первого управляющего воздействия, а затем сдвиг окна вперед. Этот механизм создает петлю обратной связи, которая корректирует ошибки и возмущения на каждом шаге, делая MPC устойчивым, даже когда модель не идеальна.

Как выбрать длину горизонта предсказания?

Практическое правило — установить горизонт предсказания равным 3–5 кратному времени установления доминирующей постоянной времени системы. Слишком короткий горизонт приводит к близорукому поведению; слишком длинный увеличивает вычислительную нагрузку без дополнительной выгоды и может вызвать невыполнимость. Эмпирическая настройка или анализ отклика в разомкнутом контуре помогают.

Может ли MPC обрабатывать нелинейные системы?

Да, нелинейный MPC (NMPC) может обрабатывать нелинейные модели систем. Однако оптимизация становится невыпуклой, требуя итерационных решателей, которые медленнее и могут сходиться к локальным минимумам. Линеаризация вокруг номинальной траектории или аппроксимационные методы часто используются для сокращения времени вычислений.

Какие программные инструменты доступны для реализации MPC?

Популярные инструменты включают MATLAB Model Predictive Control Toolbox, Simulink, пакеты с открытым исходным кодом, такие как CasADi (для оптимизации), и специализированные коммерческие платформы, такие как EMSO и gProms. Для встраиваемых систем библиотеки, такие как ACADO, и быстрые решатели квадратичной оптимизации (например, qpOASES) позволяют реализовать управление в реальном времени.

Похожие методы

Источники

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

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

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.