MPC vezérlés
A modell prediktív vezérlés (MPC) az 1970-es években ipari folyamatokban alkalmazott heurisztikus vezérlési algoritmusból egy új, gazdag elméleti és gyakorlati tartalommal rendelkező tudományággá fejlődött.
A prediktív vezérlés az optimalizálási követelményekkel kapcsolatos vezérlési problémákat kezeli. Az elmúlt 30 év során az összetett ipari folyamatok prediktív vezérlésének sikere teljes mértékben bebizonyította, hogy hatalmas lehetőségek rejlenek az összetett, korlátozott optimalizálási vezérlési problémák kezelésében.
Az MPC-vezérlés egy valós idejű-zárt{1}}hurkos optimalizálási módszer. Ennek az algoritmusnak az elsődleges előnye az iteratív online működés, amely folyamatosan megkapja az aktuális optimális szabályozási mennyiségeket. Ezen túlmenően objektív függvényeket tud létrehozni, hogy megfeleljen számos korlátnak, például a jármű működtetőinek, a csúszásnak és a dinamikának.
Követési teljesítménye azonban nagyon érzékeny a prediktív modell pontosságára. Ezenkívül a nemlineáris modell-prediktív vezérlés magas számítási követelményei miatt nem alkalmas nagy-sebességű vezetési környezetekre.
Jelenleg sok kutató linearizált nemlineáris járműmodelleket, de ez csak a jármű és a gumiabroncsok lineáris tartományán belül biztosítja a követési pontosságot.
Az MPC-vezérlők, más néven gördülő{0}}időtartományvezérlők, figyelembe veszik a vezérlőrendszer nemlineáris dinamikus modelljét, és előrejelzik a rendszer kimeneti viselkedését egy jövőbeli időintervallumra vonatkozóan. A korlátozott optimális vezérlési probléma megoldásával a rendszer minimalizálja a követési hibákat a jövőbeni időintervallumban, így ez a módszer robusztussá válik.
A modell prediktív vezérlő algoritmusai rendelkeznek a prediktív modellezés, a gördülő optimalizálás és a visszacsatoláskorrekció alapvető jellemzőivel. A hagyományos kutatási módszerek gyakran figyelmen kívül hagyják vagy leegyszerűsítik a kinematikai és dinamikus kényszereket, de ezek a korlátok jelentősen befolyásolják a vezérlési teljesítményt.
A modell prediktív vezérlési módszerek kifejezetten beépíthetik a jármű kinematikai és dinamikus kényszereit az optimalizálási célfüggvénybe.
Az MPC gördülő optimalizálási és visszacsatoláskorrekciós funkcióinak kihasználásával a zárt{0}}hurkú rendszeridő-késleltetések hatása hatékonyan csökkenthető vagy akár ki is küszöbölhető. Ezenkívül a tervezési folyamat által biztosított jövőbeli pályainformációk felhasználhatók a mozgásvezérlés optimalizálására, ezáltal javítva a vezérlési teljesítményt.
Wang Weiran et al. Laguerre függvényeken alapuló adaptív prediktív vezérlési módszert tervezett.
Ez a módszer két részből áll: egy adaptív MPC-modulból a pontos pályakövetéshez, és egy Laguerre-függvénymodulból, amely jelentősen csökkenti a számítási feladatokat.
Az adaptív MPC modulban egy rekurzív legkisebb négyzetek algoritmusa kerül bevezetésre a rendszer modellparamétereinek azonosítására, ezáltal javítva a rendszer pontosságát és robusztusságát. Ha azonban az AUV összetett környezetben működik, ez a módszer a számítási terhelés jelentős növekedését eredményezheti.
Ezért a Laguerre-függvényben a vezérlő bemeneti változóinak rekonstrukcióját vezetjük be, hogy csökkentsük a célfüggvény mátrixsorrendjét. Az eredmények azt mutatják, hogy ez a módszer kiváló teljesítményt mutat a dinamika, az interferencia-ellenállás és a robusztusság tekintetében, amikor csökkentett számítási terhelés mellett követi nyomon az AUV-pályákat.
Adaptív MPC blokkdiagram
Paden a tiszta követési algoritmusokat, az első kerék visszacsatolásvezérlését, a hátsó kerék visszacsatolásvezérlését, a Ljapunov-{0}}alapú vezérlést, a kimeneti visszacsatolás linearizálásának vezérlését és a MOC-vezérlést foglalta össze a stabilitás, az időbonyolítás, a modellhasználat és a feltételezések szempontjából.
A különböző vezérlők összefoglalása Jelmagyarázat*: Helyi exponenciális stabilitás (LES)