모델 예측 제어 예제

모델 예측 제어를 사용하는 어댑티브 크루즈 컨트롤 시스템 model1.apm에는 선형 1차 미분 방정식이 포함되어 있습니다. 다른 버전은 model2.apm(연속 상태 공간) 및 model3.apm(불연속 상태 공간)입니다. 각각은 기준 궤적을 따르고 7.0의 목표 값에 도달하기 위해 모델 예측 컨트롤러에 적용됩니다. 자율 주행 차량 조향 모델 예측 제어 연속 및 이산 상태 공간 모델은 모델 예측 제어를 위한 Python 스크립트에 사용됩니다. 목표는 제어 변수(CV)에서 공식화됩니다. CV는 범위, 궤적, 최대화 또는 최소화로 제어될 수 있다. CV는 컨트롤러 동작에 대해 원하는 결과를 표현한 것입니다. 평형 운영 지점에서 모델 예측 컨트롤러 설계 하이브리드, 명시적 및 강력한 MPC 예제를 준비하기 위해 몇 가지 표준 MPC 예제를 해결합니다. 우리가 볼 수 있듯이, MPC 문제는 YALMIP에서 다양한 방법으로 공식화 될 수있다. 비선형 컨트롤은 목표를 달성하기 위해 MV(조작변수)로 선언된 변수를 조정합니다.

MV는 최적화 프로그램이 객관적인 기능을 최소화하기 위해 사용하는 핸들입니다. 비선형 모델 예측 제어를 사용하여 진자의 스윙 업 제어 우리는 이제 매우 간단한 코드를 사용하여 시스템을 시뮬레이션 할 수 있습니다 (최적화 문제는 컨트롤러 객체가 참조 될 때마다 여전히 해결되지만 YALMIPs 오버 헤드의 대부분은 피할 수 있습니다. ) 선형 시간 불변(LTI) 시스템에 대한 컨트롤러를 구현하는 세 가지 예제 파일이 이 디렉토리에 포함되어 있습니다: 모델 예측 제어 모델 예측 제어(MPC)를 위한 MATLAB 도구 상자 다운로드는 시간 변동 프로세스를 예측하고 최적화합니다. 미래의 시간 지평선. 이 제어 패키지는 선형 또는 비선형 모델을 허용합니다. APOPT 및 IPOPT와 같은 대규모 비선형 프로그래밍 솔버를 사용하여 데이터 조정, 수평선 추정 이동, 실시간 최적화, 동적 시뮬레이션 및 비선형 MPC 문제를 해결합니다. 우리의 최적화 문제는 제약 조건을 충족하면서 상태 및 제어 궤적의 유한 한 수평 비용을 최소화하는 것입니다. 설계 모델 예측 컨트롤러 무한-수평선 LQR 에 해당 위의 제형에 의해 생성 된 최적화 문제는 제어 변수 (및 초기 상태)에 문제가 있다. 일반적으로 MPC의 표준 소개 텍스트에 사용되는 접근 방식입니다. 그러나 대부분의 경우 제어 입력과 상태 예측을 모두 최적화하고 할당 대신 같음 제약 조건을 사용하여 시스템 역학을 모델링하는 것이 편리하고 수치적으로 더 편리합니다.

이렇게 하면 더 큰 최적화 문제가 발생하지만 구조와 희소성이 많으며 일반적으로 솔버에 의해 매우 잘 악용됩니다. 물론 이를 요청하여 솔루션에서 추가 변수를 추출할 수 있습니다. 여기서는 전체 예측 제어 시퀀스를 출력하고 이 기본 모델 예측 제어(MPC) 자습서를 반복적으로 플롯하여 동적 이동 계획을 결정하는 솔버의 기능을 보여 줍니다. 이 예제에서는 선형 동적 모델을 Excel 솔버와 함께 사용하여 원하는 기준 궤적을 따라 제어변수(CV)를 구동하는 조작된 변수(MV) 조정 시퀀스를 결정합니다. 안정성 및 견고성 문제에 대한 플랜트 모델 불일치 검토 모델 예측 컨트롤러를 사용하여 모델 예측 컨트롤러를 시뮬레이션하여 LTI 시스템과 제어 문제를 정의하는 수치 데이터를 정의해 보겠습니다. 우리가 구현하는 첫 번째 버전 (우리는 아래에 종종 더 나은 방법을 제안합니다) 명시적으로 주어진 현재 상태와 미래의 제어 순서의 함수로 예측 된 상태를 표현한다. 우리는 단순히 시뮬레이션 방정식을 반복하고 수평선을 따라 제약 조건과 객관적인 용어를 수집합니다. 컨트롤 입력 목록의 빠른 정의를 확인합니다.

. 다중 제어 목표와 열 기계 펄프 공정 카트에 반전 진자의 시간 변화 MPC 제어. . 연속적인 검사를 통해 비선형 화학 반응기의 측정되지 않은 출력 적응 MPC 제어에 제약이 있는 DC 서보모터의 다중 입력 다중 출력 비선형 플랜트 명시적 MPC 제어 제어 최적 제어 시퀀스 YALMIP 모델에서 솔버에서 사용되는 수치 형식으로 변환하는 데 많은 시간이 여전히 소요됩니다.