کنترل MPC
کنترل پیشبینی مدل (MPC) از منشأ خود به عنوان یک الگوریتم کنترل اکتشافی که در فرآیندهای صنعتی در دهه 1970 استفاده میشد، به یک رشته دانشگاهی جدید با محتوای نظری و عملی غنی تبدیل شد.
کنترل پیشبینی به مشکلات کنترلی با الزامات بهینهسازی میپردازد. در طول 30 سال گذشته، موفقیت کنترل پیشبینیکننده در فرآیندهای صنعتی پیچیده، پتانسیل عظیم خود را برای مدیریت مسائل پیچیده کنترل بهینهسازی محدود به طور کامل نشان داده است.
کنترل MPC یک روش کنترل بهینهسازی حلقه واقعی-زمان بسته- است. مزیت اصلی این الگوریتم عملیات آنلاین تکرار شونده آن است که به طور مداوم مقادیر کنترل بهینه فعلی را به دست می آورد. علاوه بر این، می تواند توابع هدف را برای برآوردن محدودیت های متعدد مانند محرک خودرو، لغزش و دینامیک ایجاد کند.
با این حال، عملکرد ردیابی آن به دقت مدل پیش بینی بسیار حساس است. علاوه بر این، به دلیل نیازهای محاسباتی بالای کنترل پیشبینی مدل غیرخطی، برای محیطهای رانندگی با سرعت{1} بالا نامناسب است.
در حال حاضر، بسیاری از محققان مدلهای غیرخطی خودرو را خطیسازی کردهاند، اما این تنها دقت ردیابی را در مناطق خطی خودرو و لاستیکها تضمین میکند.
کنترلکنندههای MPC که به عنوان کنترلکنندههای دامنه زمانی{0}هم شناخته میشوند، مدل دینامیکی غیرخطی سیستم کنترل را در نظر میگیرند و رفتار خروجی سیستم را در بازه زمانی آینده پیشبینی میکنند. با حل مسئله کنترل بهینه محدود، سیستم خطای ردیابی را در بازه زمانی آینده به حداقل می رساند و این روش را قوی می کند.
الگوریتمهای کنترل پیشبینی مدل دارای ویژگیهای اساسی مدلسازی پیشبینی، بهینهسازی چرخشی و تصحیح بازخورد هستند. روشهای تحقیق سنتی اغلب محدودیتهای سینماتیکی و دینامیکی را نادیده میگیرند یا ساده میکنند، با این حال چنین محدودیتهایی به طور قابلتوجهی بر عملکرد کنترل تأثیر میگذارند.
روشهای کنترل پیشبینی مدل میتوانند به صراحت محدودیتهای سینماتیکی و دینامیکی خودرو را در تابع هدف بهینهسازی بگنجانند.
با استفاده از ویژگیهای بهینهسازی و تصحیح بازخورد MPC، تأثیر تأخیرهای زمانی سیستم حلقه بسته را میتوان به طور مؤثر کاهش داد یا حتی از بین برد. علاوه بر این، اطلاعات مسیر آینده ارائه شده توسط فرآیند برنامه ریزی می تواند برای بهینه سازی کنترل حرکت، در نتیجه بهبود عملکرد کنترل مورد استفاده قرار گیرد.
وانگ ویران و همکاران یک روش کنترل پیشبینی تطبیقی بر اساس توابع لاگر طراحی کرد.
این روش از دو بخش تشکیل شده است: یک ماژول MPC تطبیقی برای ردیابی دقیق مسیر، و یک ماژول تابع Laguerre برای کاهش قابل توجه محاسبات.
در ماژول MPC تطبیقی، یک الگوریتم حداقل مربعات بازگشتی برای شناسایی پارامترهای مدل سیستم معرفی میشود و در نتیجه دقت و استحکام سیستم را بهبود میبخشد. با این حال، زمانی که AUV در محیط های پیچیده کار می کند، این روش ممکن است منجر به افزایش قابل توجهی در بار محاسباتی شود.
بنابراین، در تابع لاگر، بازسازی متغیرهای ورودی کنترل کننده برای کاهش ترتیب ماتریس تابع هدف معرفی شده است. نتایج نشان میدهد که این روش عملکرد بسیار خوبی را از نظر دینامیک، مقاومت تداخلی و استحکام هنگام ردیابی مسیرهای AUV با بار محاسباتی کاهش یافته نشان میدهد.
نمودار بلوک MPC تطبیقی
پادن الگوریتم های ردیابی خالص، کنترل بازخورد چرخ جلو، کنترل بازخورد چرخ عقب، کنترل مبتنی بر عملکرد لیاپانوف-، کنترل خطی سازی بازخورد خروجی، و کنترل MOC را از نظر پایداری، پیچیدگی زمانی، استفاده از مدل و مفروضات خلاصه کرد.
خلاصه ای از کنترلرهای مختلف افسانه*: پایداری نمایی محلی (LES)