تفاوت بین کنترل پیش بینی کننده مدل (MPC) ، کنترل پیش بینی عمومی (GPC) و کنترل پیش بینی کننده از برد دور (LRPC) چیست؟


پاسخ 1:

بگذارید ابتدا مخرج مشترک این سه طرح کنترل که درخواست کرده اید را در نظر بگیریم: کنترل پیش بینی.

کنترل کننده های پیش بینی کننده گروهی از کنترل کننده های پیش بینی کننده مبتنی بر مدل هستند. از آنجا که آنها مبتنی بر مدل هستند ، همانطور که از نام آن پیداست ، برای طراحی یک کنترلر صریح برای سیستم ، الگویی از سیستم لازم است. ما به طور معمول مدل سیستم را با استفاده از یکی از روشهای تخمین پارامتر که در شناسایی سیستم یا با استفاده از مدل سازی صریح دینامیک سیستم مورد استفاده قرار می گیرد ، شناسایی می کنیم و سپس یک کنترلر طراحی می کنیم تا مشخصات طراحی مشخص را برآورده کند. توجه داشته باشید که کنترل پیش بینی تنها روش طراحی کنترل مبتنی بر مدل نیست. از دیگر کنترلهای مبتنی بر مدل ، روش های کنترل قرارگیری قطب و کوارترهای خطی (LQ) است. اگر فرآیند زمینه ای خطی باشد ، اگر محدودیتی وجود نداشته باشد (که به سختی در مورد سیستم های واقعی و محرک ها اتفاق می افتد) و اگر نقطه تنظیم یا مسیر مرجع نسبتاً ساده باشد ، پس قرار دادن قطب ، روش های LQ و کنترل پیش بینی مبتنی بر مدل تقریباً معادل است. ، در این صورت ، پس از چند دستکاری آنها به همان ساختار منتهی می شوند (نحوه تولید پارامترهای کنترلر معمولاً بین این سه روش فرق می کند) و آنها از درجه آزادی کافی برخوردار هستند.

کنترل پیش بینی شامل روشهای جامع برای طراحی کنترل کننده ها است. بنابراین ، روش های مختلفی با موارد خاص برای طراحی کنترل کننده های پیش بینی وجود دارد. مشهورترین آنها شامل Smith Predictor (احتمالاً اولین کنترل كننده پیش بینی كننده ، 1959 توسط OJ Smith) ، كنترل پیش بینی شده عمومی (GPC ، كلارك و همكاران ، Automatica ، 1987) ، كنترل ماتریكس پویا (DMC) و كنترل كنترل تطبیقی ​​افقی (EHAC) ، کنترل پیش بینی کننده پیش بینی کننده خودکار (EPSAC) و کنترل پیش بینی کننده یکپارچه (UPC). علاوه بر مضراتی که الگوی صریح فرآیند لازم است ، کنترل های پیش بینی در طراحی کنترل بسیار مفید هستند. این را در نظر بگیرید

  1. آیا شما نگران این هستید که تکنسین های لپ تاپ / تکنسین ها در تنظیم عملکرد کنترلر که به دقت طراحی کرده اید ، مشکل دارند زیرا ممکن است در تنظیم کنترلر مشکل داشته باشند؟ نگران نباشید ، کنترلرهای پیش بینی بهینه سازی آن کمتر دشوار است (نیازی به این کنترل کننده انعطاف پذیر قوی). آیا نگران رسیدگی به فرآیندهای چند متغیره هستید؟ کنترل کننده های پیش بینی کننده می توانند برای فرآیندهای MIMO بدست آیند. هاکاتا ماتاتا! روند شما غیرخطی است و می ترسید بطور صریح با غیر خطی رفتار کنید؟ بدون فشار کنترل کننده های پیش بینی کننده می توانند بدون نیاز به تحولات خطی محلی یا جهانی ، به فرآیندهای غیرخطی (به عنوان مثال) مراجعه شوند. بنابراین شما کنترلر خود را طراحی کرده اید و ناپایداری را تحت نگرانی خود بررسی کرده اید ، اما باید با اشباع سخت افزار فیزیکی مقابله کنید؟ این نور کودک است. یکی از روشهای معتبر طراحی کنترل که می تواند برای کنترل سیستماتیک محدودیت های فرآیند در هنگام کنترل استفاده شود ، کنترل های پیش بینی کننده (این گسترده ترین ویژگی آن ، IMO است) است. آیا شما یک سیستم فاقد فاز دارید یا سیستم شما حلقه ای باز و ناپایدار و گیج کننده است که چگونه می توانید با این صفرهای پوچ برخورد کنید؟ بررسی کنید که آیا دینامیک فرآیند شما بسیار پیچیده است و نمی دانید چگونه آشکارا اختلالات تصادفی و سایر عدم قطعیت های پارامتری را در کنترلر خود بگنجانید. آن را بررسی کنید! مقادیر هدف قبلی یا مسیرهای مرجع را می توان با صراحت ادغام اقدامات بازخورد در طراحی شما قابل ردیابی کرد.

کنترل کننده های پیش بینی کننده از این رو گسترده و بسیار غنی از مشکلاتی هستند که می توانند حل کنند. به ویژه ، آنها به طور گسترده ای در صنایع فرآوری شیمیایی مورد استفاده قرار می گیرند.

کنترل پیش بینی مدل و LRPC: برای مثال راه عبور از یک تقاطع را در نظر می گیریم. کافی نیست که یک خیابان توسط اتومبیل رانده شود. در حالی که عبور می کنید ، برای پیش بینی وسایل نقلیه احتمالی و به روزرسانی حرکت (پارامترهای کنترل) خود بر اساس اطلاعاتی که اکنون در دسترس شماست (مشاهدات قبلی خود) به دنبال جلو (افق پیش بینی خود) باشید. بنابراین ، MPC ها از مفهوم افق پیش بینی بلند مدت استفاده می کنند ، یعنی براساس مشاهدات گذشته اختلالات آینده را پیش بینی می کنند و یک توالی کنترلی تولید می کنند که پیشنهادی در بین گزینه های احتمالی است که با آنها اختلالات احتمالی در مرحله زمانی بعدی قابل درمان است.

در صورت عدم اطمینان از پارامترهای غیر پارامتری ، با کنترل PID کلاسیک ، اطمینان از پایداری حلقه کنترل بسته دشوار است. کنترل کننده های پیش بینی مدل از یک مفهوم افق پس انداز (محدود) استفاده می کنند تا یک دنباله کنترل را ایجاد کنند تا از ثبات حلقه بسته به طور کلی اطمینان حاصل شود.

در اصل ، MPC کنترل کننده های پیش بینی کننده از دوربرد (LRPC) هستند. برخلاف قوانین مالیاتی کلاسیک ، اگر یک فرآیند زمان مرده وجود داشته باشد یا اینکه مسیر تنظیم / مرجع از قبل شناخته شده باشد ، آنها مؤثر هستند. پیش بینی ها شکل اصلی مدل کنترل های پیش بینی را تشکیل می دهند. در واقع پیش بینی ای که این خانواده کنترل کننده در ساختار خود دارند عملکرد قوی آن را در صورت اجرای صحیح در کنترل فرآیند توضیح می دهد. MPC ها یک مدل داخلی (به عنوان مثال یک مدل CARIMA (میانگین کنترل حرکت انتگرال گیرنده کنترل شده خودکار)) سیستم را در دینامیک خود به منظور جلوگیری از عدم تطابق مدل بین سیستم و پیش بینی کننده ادغام می کنند. این امر آنها را قادر می سازد تا از رفتار "آینده" عملکرد گیاه پیش بینی کرده و چنین خطاهایی را پیش از رسیدن گیاه به چنین "زمان آینده" کاهش دهند.

پیش بینی دقیق در یک افق انتخابی برای اجرای موفقیت آمیز MPC بسیار مهم است.

GPC ها را وارد کنید: همانطور که در جواب های دیگر ذکر شده است ، GPC ها یک کلاس MPC و LRPC هستند. الگوریتم اساسی شامل موارد زیر است:

  • در یک زمان فعلی
  • kk
  • ، ما یک مسئله را پیش بینی می کنیم ،
  • yky^k
  • بیش از یک افق خروجی خاص ،
  • nyn_y
  • بر اساس مدل ریاضی دینامیک سیستم (شکل بالا را ببینید). خروجی پیش بینی شده تابعی از سناریوهای کنترل احتمالی آینده است. شاخص عملکرد درجه دوم است و تضمین می کند که می توانیم قانون کنترل را بطور دقیق محاسبه کنیم و براساس محاسبه شیب شاخص عملکرد انجام دهیم.
  • J,J,
  • از نظر ورودی کنترل
  • uu
  • thecontrollawiscomputedbyminimizingaperformanceindexwithrespecttothefirstofthefuturecontrolsequence,nuFromtheproposedcontrolscenarios,thestrategythatdeliversthebestcontrolactiontobringthecurrentprocessoutputtothesetpoint/referencetrajectoryischosen.Thechosencontrollawisappliedtotherealprocessinputonlyatthepresenttime[math]k[/math].thecontrollawislinearinmeasuredvaluesandtheprediction.the control law is computed by minimizing a performance index with respect to the first of the future control sequence, n_uFrom the proposed control scenarios, the strategy that delivers the best control action to bring the current process output to the setpoint/reference trajectory is chosen.The chosen control law is applied to the real process input only at the present time [math]k[/math].the control law is linear in measured values and the prediction.

روش فوق در زمان نمونه برداری بعدی تکرار می شود و نتیجه آن یک اقدام کنترلی به روز شده است ، که صحت آن بر اساس آخرین اندازه گیری ها است. در ادبیات به این مفهوم افق رو به زوال گفته می شود.


پاسخ 2:

کنترل پیش بینی مدل (MPC) یک خانواده از روشهای کنترل است که براساس کنترل بهینه مکرر در زمان واقعی انجام می شود. این روش ها برای حل افق های چند متغیره ، محدود ، نامحدود و احتمالاً غیر خطی ، کنترل بهینه در مورد راه حل های افق محدود اجرا شده در قالب یک افق افول در نظر گرفته شده است. این راه حل های افق محدود شامل بهینه سازی عملکرد هدف برای افق پیش بینی (محدود) است ، پیش بینی های انجام شده بر اساس یک مدل ریاضی از سیستم پویا که باید کنترل شود. MPC انواع زیادی وجود دارد (ممکن است تعداد بیشتری هم وجود داشته باشد):

> کنترل الگوریتم مدل: MPC با استفاده از یک مدل پاسخ پالس

> کنترل ماتریس پویا: MPC با استفاده از یک مدل پاسخ مرحله ای

> کنترل پیش بینی عمومی: MPC با مدل CARIMA

> MPC ترکیبی: MPC با استفاده از یک مدل سیستم ترکیبی (یعنی با متغیرهای حالت باینری و / یا ورودی های کنترل علاوه بر موارد مداوم)

> با درمان عدم اطمینان: MPC قوی ، MPC تصادفی

> با شناسایی سیستم در زمان واقعی: MPC Adapterive (مدل آنلاین به روز می شود)

> با بهینه سازی پارامتری: MPC صریح (قانون مالیات به صورت آفلاین محاسبه می شود و به عنوان یک جدول نگاهی اجرا می شود)

کنترل پیش بینی شده تعمیم یافته (GPC) عضو خانواده MPC از روش ها است ، که در آن مدل ریاضی سیستم یک مدل CARIMA (کنترل خودکار کنترل شده و میانگین متحرک متحرک) است.

کنترل پیش بینی طولانی مدت (LRPC) به نظر می رسد قابل تعویض با MPC است (مخصوصاً بین 1990 و 2000) (اگرچه ممکن است من از وقتی که برای اولین بار این نام را می بینم اشتباه کرده ام) اشتباه می کنم.