Kawalan MPC
Kawalan Ramalan Model (MPC) telah berkembang dari asal -usulnya sebagai algoritma kawalan heuristik yang digunakan dalam proses perindustrian pada tahun 1970 -an menjadi disiplin akademik baru dengan kandungan teoritis dan praktikal yang kaya.
Kawalan ramalan menangani masalah kawalan dengan keperluan pengoptimuman. Sepanjang 30 tahun yang lalu, kejayaan kawalan ramalan dalam proses perindustrian yang kompleks telah menunjukkan potensi besarnya untuk mengendalikan masalah kawalan pengoptimuman yang dikekang kompleks.
Kawalan MPC adalah real - masa ditutup - kaedah kawalan pengoptimuman gelung. Kelebihan utama algoritma ini adalah operasi dalam talian berulangnya, yang terus memperoleh kuantiti kawalan optimum semasa. Di samping itu, ia boleh mewujudkan fungsi objektif untuk memenuhi pelbagai kekangan seperti penggerak kenderaan, tergelincir, dan dinamik.
Walau bagaimanapun, prestasi penjejakannya sangat sensitif terhadap ketepatan model ramalan. Selain itu, disebabkan oleh keperluan pengiraan yang tinggi bagi kawalan ramalan model tak linear, ia tidak sesuai untuk persekitaran memandu kelajuan tinggi -.
Pada masa ini, banyak penyelidik telah linearized model kenderaan tak linear, tetapi ini hanya memastikan ketepatan pengesanan di kawasan linear kenderaan dan tayar.
Pengawal MPC, juga dikenali sebagai pengawal domain rolling -, pertimbangkan model dinamik bukan linear sistem kawalan dan meramalkan tingkah laku output sistem dalam selang masa depan. Dengan menyelesaikan masalah kawalan optimum yang dikekang, sistem meminimumkan kesilapan penjejakan pada selang masa depan, menjadikan kaedah ini teguh.
Algoritma kawalan ramalan model mempunyai ciri asas pemodelan ramalan, pengoptimuman rolling, dan pembetulan maklum balas. Kaedah penyelidikan tradisional sering mengabaikan atau memudahkan kekangan kinematik dan dinamik, namun kekangan tersebut memberi kesan kepada prestasi kawalan.
Kaedah kawalan ramalan model secara eksplisit boleh menggabungkan kekangan kinematik dan dinamik kenderaan ke dalam fungsi objektif pengoptimuman.
Dengan memanfaatkan ciri -ciri pembetulan pengoptimuman dan maklum balas Rolling MPC, kesan kelewatan masa sistem loop yang ditutup - dapat dikurangkan dengan berkesan atau bahkan dihapuskan. Di samping itu, maklumat trajektori masa depan yang disediakan oleh proses perancangan boleh digunakan untuk mengoptimumkan kawalan gerakan, dengan itu meningkatkan prestasi kawalan.
Wang Weiran et al. direka kaedah kawalan ramalan adaptif berdasarkan fungsi laGuerre.
Kaedah ini terdiri daripada dua bahagian: modul MPC penyesuaian untuk penjejakan trajektori yang tepat, dan modul fungsi Laguerre untuk mengurangkan pengiraan dengan ketara.
Dalam modul MPC penyesuaian, algoritma kuadrat paling kurang rekursif diperkenalkan untuk mengenal pasti parameter model sistem, dengan itu meningkatkan ketepatan dan keteguhan sistem. Walau bagaimanapun, apabila AUV beroperasi dalam persekitaran yang kompleks, kaedah ini boleh mengakibatkan peningkatan ketara dalam beban pengiraan.
Oleh itu, dalam fungsi Laguerre, pembinaan semula pembolehubah input pengawal diperkenalkan untuk mengurangkan susunan matriks fungsi objektif. Hasilnya menunjukkan bahawa kaedah ini menunjukkan prestasi yang sangat baik dari segi dinamik, rintangan gangguan, dan keteguhan ketika menjejaki trajektori AUV dengan beban pengiraan yang dikurangkan.
Rajah blok MPC adaptif
Paden meringkaskan algoritma penjejakan tulen, kawalan maklum balas roda depan, kawalan maklum balas roda belakang, fungsi Lyapunov - kawalan berasaskan, kawalan linearization maklum balas output, dan kawalan MOC dari segi kestabilan, kerumitan masa, penggunaan model, dan andaian.
Ringkasan Pelbagai Pengawal Legenda*: Kestabilan Eksponen Tempatan (LES)