การควบคุมเชิงพยากรณ์แบบจำลอง
- ผู้เสนอ
- Jacques Richalet
- ปี
- 1978
- ประเภท
- algorithm
- กลุ่มวิธี
- Optimal Control
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การควบคุมเชิงพยากรณ์แบบจำลอง (Model Predictive Control หรือ MPC) เป็นกลยุทธ์การควบคุมขั้นสูงที่ใช้แบบจำลองกระบวนการที่ชัดเจนเพื่อพยากรณ์พฤติกรรมของระบบในอนาคตในช่วงเวลาที่จำกัด และแก้ปัญหาการหาค่าเหมาะสมที่สุดในแต่ละขั้นตอนการควบคุม MPC ได้รับการกำหนดอย่างเป็นทางการครั้งแรกโดย Richalet และคณะในปี 1978 และได้กลายเป็นแนวทางที่โดดเด่นในอุตสาหกรรมการควบคุมกระบวนการ ตั้งแต่โรงงานเคมีไปจนถึงยานยนต์ไร้คนขับ เนื่องจากสามารถจัดการกับข้อจำกัดได้อย่างเป็นธรรมชาติ และสามารถหาค่าเหมาะสมที่สุดสำหรับหลายวัตถุประสงค์พร้อมกันได้
แนวคิดเบื้องหลังวิธีการ
แนวคิดหลักของ MPC คือการใช้แบบจำลองทางคณิตศาสตร์ของระบบเพื่อจำลองสถานการณ์ในอนาคตที่เป็นไปได้หลายแบบ และคำนวณการกระทำควบคุมที่ดีที่สุดที่จะรักษาระบบให้อยู่ใกล้จุดที่ต้องการในขณะที่เคารพข้อจำกัดในการดำเนินงาน ในแต่ละช่วงเวลาการสุ่มตัวอย่าง อัลกอริทึมจะพยากรณ์ผลลัพธ์ของระบบในช่วงเวลาในอนาคต แก้ปัญหาการหาค่าเหมาะสมที่สุดเพื่อค้นหาลำดับอินพุตควบคุมที่ลดฟังก์ชันต้นทุนให้เหลือน้อยที่สุด ใช้การกระทำควบคุมแรกเท่านั้น จากนั้นทำซ้ำกระบวนการด้วยการวัดค่าใหม่ กลไกการป้อนกลับนี้—การพยากรณ์ การหาค่าเหมาะสมที่สุด การกระทำ การวัดค่า การทำซ้ำ—ทำให้ MPC มีความทนทานต่อการรบกวนและความไม่แน่นอนของแบบจำลอง ในขณะที่คำนึงถึงข้อจำกัดทางกายภาพและการดำเนินงานอย่างชัดเจน
ประวัติศาสตร์
Richalet ได้นำเสนอแนวคิดนี้ในปี 1978 ในชื่อ Heuristic Model Predictive Control (HMPC) สำหรับกระบวนการอุตสาหกรรม Garcia และคณะได้ให้กรอบทฤษฎีที่ครอบคลุมในปี 1989 โดยสร้างความเชื่อมโยงกับการเขียนโปรแกรมพลวัตและทฤษฎีความเสถียร Mayne และคณะ (2000) ได้กำหนด MPC แบบมีข้อจำกัดและเงื่อนไขความเสถียรอย่างเป็นทางการ ตั้งแต่นั้นมา สาขาวิชานี้ได้ขยายไปสู่ MPC แบบไม่เชิงเส้น (NMPC) MPC แบบชัดเจน (กฎการควบคุมที่คำนวณไว้ล่วงหน้า) และอัลกอริทึมการหาค่าเหมาะสมที่สุดที่รวดเร็วซึ่งช่วยให้สามารถนำไปใช้งานแบบเรียลไทม์ในระบบฝังตัวได้
ควรใช้เมื่อใด
ใช้ MPC เมื่อคุณต้องการจัดการกับข้อจำกัดอย่างชัดเจน (เช่น ข้อจำกัดของวาล์ว ขอบเขตความปลอดภัย) จัดการตัวแปรที่สัมพันธ์กันหลายตัว (การควบคุมหลายตัวแปร) หรือเมื่อการรบกวนและภาวะไม่เชิงเส้นมีความสำคัญ มีประสิทธิภาพสูงสุดสำหรับระบบที่มีพลวัตช้าถึงปานกลาง ซึ่งเวลาในการคำนวณเอื้อต่อการหาค่าเหมาะสมที่สุดแบบเรียลไทม์ การใช้งานทั่วไป ได้แก่ การควบคุมกระบวนการทางเคมี ระบบ HVAC โรงไฟฟ้า และการขับขี่อัตโนมัติ หลีกเลี่ยง MPC หากระบบของคุณต้องการอัตราการควบคุมระดับไมโครวินาที หรือหากไม่มีแบบจำลองกระบวนการที่มีความแม่นยำสูง
ข้อจำกัดและข้อควรพิจารณา
- มีค่าใช้จ่ายในการคำนวณสูง การแก้ปัญหาการหาค่าเหมาะสมที่สุดในแต่ละขั้นตอนอาจไม่สามารถทำได้สำหรับระบบที่เร็วมาก
- ต้องใช้แบบจำลองกระบวนการที่แม่นยำ ความแม่นยำของแบบจำลองที่ไม่ดีจะทำให้ประสิทธิภาพลดลงอย่างมาก
- MPC แบบไม่เชิงเส้นเป็นแบบไม่นูนและอาจติดอยู่ในจุดต่ำสุดเฉพาะที่
- การรับประกันความเสถียรและความเป็นไปได้ไม่ใช่เรื่องง่าย โดยเฉพาะอย่างยิ่งสำหรับปัญหาที่มีข้อจำกัด
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- จัดการกับข้อจำกัดของอินพุตและสถานะได้อย่างเป็นธรรมชาติผ่านการหาค่าเหมาะสมที่สุดที่ชัดเจน
- ให้การควบคุมหลายตัวแปร ประสานงานอินพุตและเอาต์พุตหลายตัวโดยอัตโนมัติ
- ทนทานต่อการรบกวนและความไม่ตรงกันของแบบจำลอง เนื่องจากวงจรป้อนกลับแบบ receding horizon
- อนุญาตให้รวมวิถีอ้างอิงในอนาคตหรือการเปลี่ยนแปลงจุดตั้งค่า
- ปรับแต่งได้ง่าย (น้ำหนักฟังก์ชันต้นทุน) เมื่อเทียบกับการปรับแต่ง PID แบบดั้งเดิม
การประยุกต์ใช้
- การควบคุมกระบวนการทางเคมี: การหาค่าเหมาะสมที่สุดสำหรับอุณหภูมิ ความดัน และอัตราการไหลในเครื่องปฏิกรณ์และหอกลั่น ในขณะที่เคารพข้อจำกัดด้านความปลอดภัย
- ยานยนต์ไร้คนขับ: การจัดการการเร่งความเร็ว การบังคับเลี้ยว และการลดความเร็วเพื่อติดตามวิถีที่ต้องการ ในขณะที่หลีกเลี่ยงสิ่งกีดขวางและเคารพข้อจำกัดบนท้องถนน
- การจัดการโครงข่ายไฟฟ้า: การรักษาสมดุลระหว่างอุปทานและอุปสงค์ การควบคุมการจัดตารางการผลิต และความเสถียรของแรงดันไฟฟ้าในช่วงเวลาการพยากรณ์แบบหมุนเวียน
- ระบบ HVAC ของอาคาร: การประสานงานการทำความร้อน การทำความเย็น และการระบายอากาศเพื่อรักษาระดับความสบายที่ตั้งไว้ ในขณะที่ลดการใช้พลังงาน
- การวางแผนเส้นทางหุ่นยนต์: การคำนวณวิถีที่ราบรื่นและเป็นไปได้ซึ่งเคารพข้อจำกัดของแอคทูเอเตอร์และข้อจำกัดการชน
วิธีการทำงาน
วิธีการทำงาน
ใช้แบบจำลองระบบและสถานะปัจจุบันเพื่อพยากรณ์ผลลัพธ์ในอนาคตในช่วงเวลาการพยากรณ์ (โดยทั่วไปคือ 10-100 ขั้นตอนล่วงหน้า)
กำหนดและแก้ปัญหาการหาค่าเหมาะสมที่สุดแบบมีข้อจำกัดเพื่อค้นหาลำดับอินพุตที่เหมาะสมที่สุดที่ลดข้อผิดพลาดในการติดตามและแรงควบคุมในขณะที่เคารพขอบเขตของอินพุตและสถานะ
ใช้เฉพาะอินพุตควบคุมแรกจากลำดับที่หาค่าเหมาะสมที่สุดกับกระบวนการ
วัดสถานะระบบใหม่ อัปเดตการพยากรณ์ และทำซ้ำวงจรทั้งหมดในเวลาการสุ่มตัวอย่างถัดไป
ข้อผิดพลาดที่พบบ่อย
- การตั้งค่าช่วงเวลาการพยากรณ์สั้นเกินไปนำไปสู่การควบคุมที่มองการณ์ใกล้และไม่เหมาะสม การตั้งค่ายาวเกินไปจะเพิ่มการคำนวณ
- การไม่ปรับแต่งฟังก์ชันต้นทุน (เช่น การถ่วงน้ำหนักระหว่างข้อผิดพลาดและแรงควบคุม) นำไปสู่การตอบสนองที่เฉื่อยชาหรือก้าวร้าว
- การใช้แบบจำลองที่ง่ายเกินไปหรือไม่แม่นยำซึ่งไม่สามารถจับพลวัตของระบบได้ส่งผลให้ประสิทธิภาพในโลกแห่งความเป็นจริงไม่ดี
คำถามที่พบบ่อย
หลักการ receding horizon คืออะไร และเหตุใดจึงสำคัญ?
หลักการ receding horizon หมายถึงการแก้ปัญหาการหาค่าเหมาะสมที่สุดในช่วงเวลาในอนาคตที่จำกัด การใช้การกระทำควบคุมแรกเท่านั้น จากนั้นเลื่อนช่วงเวลาไปข้างหน้า กลไกนี้สร้างวงจรป้อนกลับที่แก้ไขข้อผิดพลาดและการรบกวนในแต่ละขั้นตอน ทำให้ MPC มีความทนทานแม้ว่าแบบจำลองจะไม่สมบูรณ์แบบก็ตาม
ฉันจะเลือกความยาวของช่วงเวลาการพยากรณ์ได้อย่างไร?
กฎทั่วไปคือการตั้งค่าช่วงเวลาการพยากรณ์ให้เป็น 3-5 เท่าของเวลาการตั้งตัวของค่าคงที่เวลาที่โดดเด่นของระบบ การตั้งค่าสั้นเกินไปนำไปสู่พฤติกรรมที่มองการณ์ใกล้ การตั้งค่ายาวเกินไปจะเพิ่มการคำนวณโดยไม่มีประโยชน์เพิ่มเติมและอาจทำให้ไม่สามารถทำได้ การปรับแต่งเชิงประจักษ์หรือการวิเคราะห์การตอบสนองแบบวงเปิดช่วยได้
MPC สามารถจัดการกับระบบไม่เชิงเส้นได้หรือไม่?
ได้ Nonlinear MPC (NMPC) สามารถจัดการกับแบบจำลองระบบไม่เชิงเส้นได้ อย่างไรก็ตาม การหาค่าเหมาะสมที่สุดจะกลายเป็นแบบไม่นูน ซึ่งต้องใช้ตัวแก้ปัญหาแบบวนซ้ำที่ช้ากว่าและอาจลู่เข้าสู่จุดต่ำสุดเฉพาะที่ การทำให้เป็นเชิงเส้นรอบวิถีที่กำหนดหรือวิธีการประมาณค่ามักใช้เพื่อลดเวลาในการคำนวณ
มีเครื่องมือซอฟต์แวร์ใดบ้างสำหรับการนำ MPC ไปใช้?
เครื่องมือยอดนิยม ได้แก่ MATLAB Model Predictive Control Toolbox, Simulink, แพ็คเกจโอเพนซอร์สเช่น CasADi (สำหรับการหาค่าเหมาะสมที่สุด) และแพลตฟอร์มเชิงพาณิชย์เฉพาะทางเช่น EMSO และ gProms สำหรับระบบฝังตัว ไลบรารีเช่น ACADO และตัวแก้ปัญหาการเขียนโปรแกรมกำลังสองที่รวดเร็ว (เช่น qpOASES) ช่วยให้สามารถนำไปใช้งานแบบเรียลไทม์ได้
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วGarcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วMayne, D. Q., Rawlings, J. B., Rao, C. V., & Scokaert, P. O. (2000). Constrained model predictive control: Stability and optimality. Automatica, 36(6), 789-814.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว