前言:模型预测控制这一系列的文章是根据“Model Predictive Control: Theory, Computation, and Design”这本书来写的,展现的是这本书的主要内容以及模型预测控制的基本方法。自己学习的同时也与大家一起分享。详细资料参考网址:
www.chemengr.ucsb.edu/~jbraw/mpcwww.chemengr.ucsb.edu这里开始介绍这本书的第一章内容,这一篇主要讲绪论的introduction以及建模部分,主要的目录如下图所示,由于篇幅原因,剩下的内容将继续分几次写完。这里开始介绍这本书的第一章内容,这一篇主要讲绪论的introduction以及建模部分,主要的目录如下图所示,由于篇幅原因,剩下的内容将继续分几次写完。
1.1. Introduction
本章的主要目的是为模型预测控制(MPC)的基本要素提供一个简洁的、可理解的概述。我们介绍了确定性和随机模型、调节、状态估计、动态规划(DP)、跟踪、扰动以及一些重要的性能特性,比如闭环稳定性、对扰动的零偏移。
1.2. Models and Modeling
模型预测控制源于最优控制。MPC的基本概念是利用动态模型对系统行为进行预测,并对预测进行优化来产生当前控制运动的最佳决策。因此,模型是MPC的核心。由于最优控制动作取决于动态系统的初始状态,MPC的第二个基本概念是利用过去的测量记录来确定系统最可能的初始状态。状态估计问题是检查过去数据的记录,并将这些测量结果与模型进行协调,以确定当前状态的最可能值。调节问题和估计问题都涉及动态模型和优化。调节问题是用模型预测来产生最优控制动作,而估计问题是用测量的过去记录来产生最优状态估计。
我们首先讨论本文中使用的动态模型。我们从熟悉的微分方程模型开始:
1.2.1 Linear Dynamic Models
Time-varying model:最一般的线性状态空间模型
Time-invariant model:当A,B,C,D都是时不变的,线性模型可以写成
如果我们对系统的内部结构知之甚少,可以采取另一种方便的方法,即抑制状态变量,只关注可操作的输入和可测量的输出。
如图1所示,我们考虑一个系统由u与y组成,我们通常进行系统识别实验,在实验中我们操纵u和测量y,并为G建立简单的线性模型。
其中
1.2.3 Distributed Models
当我们考虑非空间均匀的系统时,就会出现分布式模型,这里不细讲。
1.2.4 Discrete Time Models
如果所关心的系统在离散时间采样,离散时间模型通常是更方便的。如果选择适当的采样率,样本之间的行为可以被安全地忽略,并且模型只描述样本时刻的行为。该有限线性定常离散时间模型如下所示:
离散传递函数矩阵G(z)表示离散输入-输出模型:
1.2.5 Constraints
对大多数物理系统的操纵输入(比如阀门位置、电压、力矩等)是有限制的,我们把这些约束包括在线性不等式中:
这里需要注意,输入约束和输出或状态约束之间的一般区别。输入约束通常代表物理限制,如果控制器不遵守输入约束,物理系统就会强制执行它们。而输出或状态约束通常是可取的,它们可能无法实现,这取决于影响系统的干扰。MPC控制器的功能通常是实时确定输出或状态约束无法实现,并以某种令人满意的方式放松它们。下面也会讨论这些问题,MPC经常使用硬约束作为输入约束,使用某种形式的软约束作为输出约束或状态约束来建立优化问题。
Soft state or output constraints
先考虑一组硬输入及状态约束:
为了软化状态约束引入松弛变量
Discrete actuators and integrality constraints
在许多工业应用中,执行器或决策变量的子集可能是整数值或离散的。一种常见的情况是,当过程中有一组类似的装置同时运行(如熔炉、加热器、冷却器、压缩机等),在这类过程中控制问题的一部分是决定在过程运行期间这些离散单元中的多少和哪些应该开或关,以满足设定值或抑制干扰。离散决策也出现在许多调度问题中,这里不再赘述。定义离散值执行器可以添加约束
1.2.6 Deterministic and Stochastic
如果检查来自任何复杂物理过程的测量,图2所示的数据波动总是存在。对于小尺度的应用,波动可能是由小分子数量的随机行为引起的。随着科学家和工程师研究纳米技术的应用,这种应用越来越普遍。当模拟一些病毒粒子或蛋白质分子与活细胞的相互作用时,这种类型的系统也出现在生命科学的应用中。在这些应用中没有确定性的模拟模型,唯一可用的系统模型是随机的。
Linear time-invariant models
在主流的经典过程控制问题中,我们通常关注的是宏观系统的建模、监控和控制。我们没有考虑由少量分子组成的系统。因此,人们自然会问,在这个领域中随机模型的动机是什么?随机模型的动机是为了解释未建模的环境(干扰)对被研究系统的影响。如果我们从任何感兴趣的过程控制系统检查测量,无论多么宏观,我们面临的物理现实是,测量仍然很像图2,如果对观测到的测量波动建模是重要的,我们转向随机模型。
数据中观测到的一些波动可分配给测量装置。这种波动源称为测量噪声。某些观测到的数据波动可归因于影响系统状态的环境的未建模干扰,表示这两种可能的扰动源的最简单的随机模型是带有附加随机变量的线性模型: