İçeriğe atla
Arama sonuçlarına dön

Model Predictive Control

Ortaya koyan
Jacques Richalet
Yıl
1978
Tür
algorithm
Aile
Optimal Control

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Model Predictive Control (MPC), gelecekteki sistem davranışını sonlu bir ufukta öngörmek ve her kontrol adımında bir optimizasyon problemi çözmek için açık bir süreç modeli kullanan gelişmiş bir kontrol stratejisidir.

İlk olarak 1978'de Richalet ve arkadaşları tarafından biçimlendirilen MPC, kısıtlamaları doğal olarak ele alması ve birden çok hedefi eş zamanlı olarak optimize edebilmesi nedeniyle kimya tesislerinden otonom araçlara kadar süreç kontrol endüstrilerinde baskın yaklaşım haline gelmiştir.

Yöntemin mantığı

MPC'nin temel fikri, sistemin matematiksel bir modelini kullanarak birden çok olası gelecek senaryosunu simüle etmek ve sistemi istenen ayar noktalarına yakın tutarken operasyonel kısıtlamalara uymayı sağlayan en iyi kontrol eylemlerini hesaplamaktır. Her örnekleme zamanında, algoritma gelecekteki bir ufuk boyunca sistem çıktısını öngörür, maliyet fonksiyonunu en aza indiren kontrol girdisi dizisini bulmak için bir optimizasyon problemi çözer, yalnızca ilk kontrol eylemini uygular ve ardından yeni ölçümlerle süreci tekrarlar. Bu geri besleme mekanizması—öngörü, optimizasyon, eylem, ölçüm, tekrar—MPC'yi fiziksel ve operasyonel sınırlamaları açıkça dikkate alırken bozulmalara ve model belirsizliğine karşı dayanıklı hale getirir.

Tarih

Richalet, 1978'de endüstriyel süreçler için Sezgisel Model Öngörülü Kontrol (HMPC) olarak kavramı tanıttı. Garcia ve arkadaşları, 1989'da dinamik programlama ve kararlılık teorisiyle bağlantılar kurarak kapsamlı bir teorik çerçeve sağladılar. Mayne ve arkadaşları (2000), kısıtlı MPC ve kararlılık koşullarını biçimlendirdiler. Alan, o zamandan beri doğrusal olmayan MPC (NMPC), açık MPC (önceden hesaplanmış kontrol yasaları) ve yerleşik sistemlerde gerçek zamanlı uygulamayı sağlayan hızlı optimizasyon algoritmalarına genişledi.

Ne zaman kullanılır?

Kısıtlamaları açıkça ele almanız (örn. valf sınırları, güvenlik sınırları), birden çok ilişkili değişkeni (çok değişkenli kontrol) yönetmeniz veya bozulmaların ve doğrusal olmama durumlarının önemli olduğu durumlarda MPC kullanın. En iyi, hesaplama süresinin gerçek zamanlı optimizasyona izin verdiği, yavaş ila orta düzey dinamiklere sahip sistemler için etkilidir. Tipik uygulamalar arasında kimyasal proses kontrolü, HVAC sistemleri, güç santralleri ve otonom sürüş yer alır. Mikrosaniye kontrol hızları gerektiren veya yüksek doğrulukta bir proses modeli mevcut olmayan sistemler için MPC'den kaçının.

Sınırlar ve dikkat edilmesi gerekenler

  • Hesaplama açısından pahalıdır; her adımda optimizasyon problemini çözmek çok hızlı sistemler için uygulanamaz olabilir.
  • Doğru bir proses modeli gerektirir; zayıf model doğruluğu performansı önemli ölçüde düşürür.
  • Doğrusal olmayan MPC dışbükey değildir ve yerel minimumlara takılıp kalabilir.
  • Özellikle kısıtlı problemler için kararlılık ve fizibilite garantileri önemsizdir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Açık optimizasyon yoluyla girdi ve durum kısıtlamalarını doğal olarak ele alır.
  • Birden çok girdiyi ve çıktıyı otomatik olarak koordine eden çok değişkenli kontrol sağlar.
  • Geriye doğru ufuk geri besleme döngüsü nedeniyle bozulmalara ve model uyumsuzluğuna karşı dayanıklıdır.
  • Gelecekteki referans yörünge veya ayar noktası değişikliklerinin dahil edilmesine izin verir.
  • Geleneksel PID ayarlamasına kıyasla ayarlaması kolaydır (maliyet fonksiyonu ağırlıkları).

Uygulama alanları

  • Kimyasal proses kontrolü: Güvenlik kısıtlamalarına uyarken reaktörlerde ve damıtma kolonlarında sıcaklık, basınç ve akış hızlarını optimize etme.
  • Otonom araçlar: Engellerden kaçınırken ve yol kısıtlamalarına uyarken istenen bir yörüngeyi takip etmek için ivme, direksiyon ve yavaşlamayı yönetme.
  • Güç şebekesi yönetimi: Arz ve taleği dengeleme, üretim programlamayı ve voltaj kararlılığını dönen bir tahmin ufku boyunca kontrol etme.
  • Bina HVAC sistemleri: Enerji tüketimini en aza indirirken konfor ayar noktalarını korumak için ısıtma, soğutma ve havalandırmayı koordine etme.
  • Robotik yol planlama: Aktüatör sınırlarını ve çarpışma kısıtlamalarını dikkate alan pürüzsüz, fizibil yörüngeler hesaplama.

Nasıl çalışır?

Nasıl çalışır?

1

Sistem modelini ve mevcut durumu kullanarak, bir öngörü ufku boyunca (tipik olarak 10-100 adım ileride) gelecekteki çıktıları öngörün.

2

Girdi ve durumlar üzerindeki sınırlamalara uyarken izleme hatasını ve kontrol çabasını en aza indiren optimal girdi dizisini bulmak için sınırlı bir optimizasyon problemi formüle edin ve çözün.

3

Optimize edilmiş diziden yalnızca ilk kontrol girdisini işleme uygulayın.

4

Yeni sistem durumunu ölçün, tahmini güncelleyin ve bir sonraki örnekleme zamanında tüm döngüyü tekrarlayın.

Sık yapılan hatalar

  • Öngörü ufku uzunluğunu çok kısa ayarlamak kısa görüşlü, suboptimal kontrole yol açar; çok uzun ayarlamak hesaplamayı artırır.
  • Maliyet fonksiyonunu ayarlamayı başaramamak (örn. hata ve kontrol çabası arasındaki ağırlıklandırma) yavaş veya agresif tepkilere yol açar.
  • Sistem dinamiklerini yakalayamayan aşırı basitleştirilmiş veya yanlış bir model kullanmak, gerçek dünyada zayıf performansa neden olur.

Sık sorulan sorular

Geriye doğru ufuk ilkesi nedir ve neden önemlidir?

Geriye doğru ufuk ilkesi, sonlu bir gelecek penceresi üzerinde bir optimizasyon problemi çözmek, yalnızca ilk kontrol eylemini uygulamak ve ardından pencereyi ileri kaydırmak anlamına gelir. Bu mekanizma, her adımda hataları ve bozulmaları düzelten bir geri besleme döngüsü oluşturarak, model mükemmel olmasa bile MPC'yi dayanıklı hale getirir.

Öngörü ufku uzunluğunu nasıl seçerim?

Bir kural olarak, öngörü ufkunun sistemin baskın zaman sabitinin yerleşme süresinin 3-5 katı olarak ayarlanması önerilir. Çok kısa olması kısa görüşlü davranışa yol açar; çok uzun olması ek fayda sağlamadan hesaplamayı artırır ve fizibilite sorunlarına neden olabilir. Ampirik ayarlama veya açık döngü yanıt analizi yardımcı olur.

MPC doğrusal olmayan sistemleri ele alabilir mi?

Evet, Doğrusal Olmayan MPC (NMPC) doğrusal olmayan sistem modellerini ele alabilir. Ancak, optimizasyon dışbükey olmayan hale gelir ve daha yavaş olan ve yerel minimumlara yakınsayabilen iteratif çözücüler gerektirir. Nominal bir yörünge etrafında doğrusallaştırma veya yaklaştırma yöntemleri genellikle hesaplama süresini azaltmak için kullanılır.

MPC'yi uygulamak için hangi yazılım araçları mevcuttur?

Popüler araçlar arasında MATLAB Model Predictive Control Toolbox, Simulink, CasADi (optimizasyon için) gibi açık kaynak paketler ve EMSO ve gProms gibi özel ticari platformlar yer alır. Yerleşik sistemler için ACADO gibi kütüphaneler ve hızlı kuadratik programlama çözücüleri (örn. qpOASES), gerçek zamanlı uygulamayı sağlar.

İlgili yöntemler

Kaynaklar

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

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

    DOI kaynağını aç
    Kopyalandı.
  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.

    DOI kaynağını aç
    Kopyalandı.