Sie sind auf Seite 1von 18
dynamic systems Eine Einführung in Model Predictive Control dynamic systems AG· Streulistrasse 17·CH-8032

dynamic systems

Eine Einführung in

Model Predictive Control

dynamic systems AG· Streulistrasse 17·CH-8032 Zürich·Switzerland Tel. +41–44–422 52 50·Fax +41–44–422 52 30·Web www.dynamic-systems.net

Eine Einführung in Model Predictive Control

2

Haftungsausschluss

Der Autor übernimmt keinerlei Gewähr für die Aktualität, Korrektheit, Vollständigkeit oder Qualität der bereitgestellten Informationen. Haftungsansprüche gegen den Autor, welche sich auf Schäden materieller oder ideeller Art beziehen, die durch die Nutzung oder Nichtnutzung der dargebotenen Informationen bzw. durch die Nutzung fehlerhafter und unvollständiger Informationen verursacht wurden, sind grundsätzlich ausgeschlossen.

Revisionen

Revision

Datum

Autor

Kommentare

1.0

2 Juni 2009

H. Musch

 

Anmerkung

Diese Arbeit ist im Wesentlichen während der Forschungstätigkeit des Autors am Institut für Mess- und Regeltechnik, ETH Zürich, entstanden.

Eine Einführung in Model Predictive Control

3

Einleitung

“Model Predictive Control” (MPC) ist eine Technik, welche auf der on-line Optimierung von quadratischen Gütekriterien beruht. Im Gegensatz zu PID- oder Zustandsreglern wird bei die- sen Verfahren das Regelgesetz nicht explizit formuliert, sondern lediglich ein Gütefunktional vorgegeben. Das Verhalten des Reglers ergibt sich aus der On-line-Minimierung dieses Güte- funktionals im Zeitbereich und wird damit nur implizit definiert. Dies hat den grossen Vor- teil, dass Beschränkungen der Stell- und anderer Systemgrössen direkt berücksichtigt werden können. Ein Nachteil ist jedoch der recht hohe On-line-Rechenbedarf, welcher die Anwendung dieses Verfahrens bei schnellen Regelstrecken erschwert. Diese Limitierung kann mit expliziten Verfahren (Bemporad et. al) überwunden werden.

MPC wurde in der Industrie besonders für jene multivariablen Regelstrecken entwickkelt, bei denen ein Betrieb häufig an Prozessschranken erfolgt. Dieses Regelverfahren hat sich sehr bewährt und wird routinemässig eingesetzt.

Eine weit verbreitete Variante von MPC stellt der “Dynamic Matrix Control” (DMC) genannte Algorithmus dar. Seine einfache Form und Realisierung machen ihn für eine Einführung in dieses Gebiet besonders geeignet. Im folgenden wird daher der DMC-Algorithmus eingeführt und anhand von Beispielen vertieft.

1 Grundlegende Ideen

1.1

Streckenmodell

Bereits die Bezeichnung “Model Predictive Control” weist darauf hin, dass diese Regelverfah- ren auf Prozessmodellen beruhen. Ein besonders einfaches Prozessmodell erhält man aus einer Sprungantwort des Stellverhaltens mit Δu=1:

u

h 3 y h 2 h 1 Δu = 1 T s t t
h 3
y
h 2
h 1
Δu = 1
T
s
t
t

Abbildung 1:

Stellverhalten eines Systems

Tastet man den Ausgang mit einer Periode von

fizienten

h i

.

T s

ab, erhält man die Sprungantworts-Koef-

Eine Einführung in Model Predictive Control

4

u

h i Δu(0)

Δu(1) = 0.5 Δu(0) = 1 t
Δu(1) = 0.5
Δu(0) = 1
t

t

h i Δu(1)

+
+

t

=

y

0 ) Δu(1) = 0.5 Δu(0) = 1 t t h i Δ u ( 1

t

Abbildung 2:

Superposition von zwei Sprüngen am Eingang der Regelstrecke

Nehmen wir nun an, dass an der Stellgrösse ein zweiter Sprung

t

(siehe auch Abbildung 2)

zum Zeitpunkt

angelegt wird. Unter Anwendung des Superpositionsprinzips gilt für den Ausgang

Δu(1)

=

1T s

t

t

t

t

=

=

=

=

0

T s

2T s

3T s

y(0) = 0

y(1)

h

h

y(2)

y(3)

= h Δu(0)

1

=

=

2

3

Δu(0) h

Δu(0) h

+ Δu(1)

1

+ Δu(1)

2

(1)

Das Prinzip der Superposition kann auf beliebig viele Änderungen der Stellgrösse und einen beliebig grossen Zeithorizont erweitert werden. Es impliziert jedoch ein lineares Modell der

Regelstrecke. Betrachtet man einen Stellhorizont von

Abtastschritten und geht von einem beliebigen Zeitpunkt

menhang in Matrizen-Notation darstellen:

aus, lässt sich dieser Zusam-

N u

, einen Ausgangshorizont von

kT s

N y

Eine Einführung in Model Predictive Control

5

oder

y(k + 1)

y(k + 2)

y(k + 3)

yk ( + N

y

)

=

h

h

h 1

h 2

……

h

0

1

2

3

0

0

……

h 1

0

0

0

h N y h N y – 1 h N y – 2 h N y +

1

y =

HΔu

N u

Δu(k)

Δu(k + 1)

Δu(k + 2)

Δuk + N

(

u

– 1)

(2)

(3)

Eine Alternative für diese Darstellung ist die folgende Summenformel:

yk(

+ j)

=

i

=

max

j

1 j

(,

N

u

+ 1)

h Δuk(

i

+ j i)

Die etwas komplizierte untere Grenze für den Summations-Index

sichtigung von nicht vorhandenen Stelländerungen für

j i

>

N

u

j

N y

(4)

i verhindert die Mitberück-

– 1 .

1.2 Open-loop response

In Gleichung (2) wurde davon ausgegangen, dass vor dem Zeitpunkt

rungen an der Stellgrösse vorgenommen wurden. Diese Annahme ist nicht gerechtfertigt, da

keine Ände-

t

=

kT s

in einem Regelkreis zu jedem beliebigen Zeitpunkt Stelländerungen notwendig sein können.

Daher wird sich die Ausgangsgrösse auf Grund der Stelländerungen in der Vergangenheit

keinerlei Korrekturen an

k – 1, k – 2, …

der Stellgrösse mehr vorgenommen würden. Die Wirkung der vergangenen Stelländerungen

muss daher bei der Berechnung von

ändern, auch wenn ab dem aktuellen Zeitpunkt

yk(

+ j)

kT s

unbedingt berücksichtigt werden.

Falls in den vergangenen

keine anderen Einflüsse auf den Prozess gewirkt haben und wirken werden (d.h.

Δuk( + j) = 0 j 0 ), dann gilt

Abtastschritten auch N y Stelländerungen erfolgt sind und

N y

y˜(k + j)

=

N y + j

i = 1 + j

N y

h i Δuk(

+ j i)

= – i)

h i + j Δuk(

i = 1

mit

h i + j

=

h

N

y

ijN y

+ >

(5)

Da dies der Ausgangsgrösse ohne Regelung entspricht, wird response” oder “freie Antwort” bezeichnet.

y˜

häufig als “Open-loop

Eine Einführung in Model Predictive Control

6

Modell der

y˜

Regelstrecke

 

u

Control 6 Modell der y ˜ Regelstrecke   u Abbildung 3 : Störmodell d y m
Control 6 Modell der y ˜ Regelstrecke   u Abbildung 3 : Störmodell d y m

Abbildung 3:

Störmodell

d y m
d
y m

1.3 Störgrösse

. Da immer Störungen

auf die Regelstrecke wirken und das lineare Sprungantwort-Modell keine perfekte Beschrei-

bung des Prozesses sein kann, wird die Messgrösse

Noch nicht in Betracht gezogen wurde die aktuelle Messgrösse

y m (k)

y˜(k)

y m (k)

von

abweichen:

y m (k) y˜(k) = d(k)

(6)

Diese Abweichung entspricht einer Störung am Ausgang der Regelstrecke (siehe Abbildung

3).

Da keine weiteren Informationen über den Verlauf der Störung vorliegen, ist die aktuelle Störung auch die beste Schätzung für die zukünftigen Störungen:

 

dk(

+ j) = d(k)

j > 0

(7)

Diese Kenntnis kann dazu eingesetzt werden, die Vorhersage von

y

zu verbessern.

1.4

Prädiktion des Verlaufs der Ausgangsgrösse

 

ˆ

Die Prädiktion

y (k + j)

der Ausgangsgrösse in Abhängigkeit von

 

den zukünftigen Stellgrössen

Δu(k)Δ, u(k + 1)…,

,

den vergangenen Stellgrössen

Δu(k – 1)Δ, u(k – 2)…,

und

 

der Störung d(k)

 

kann als Summe der drei Teilbeiträge berechnet werden

 
 

ˆ

y (k + j) = yk(

+ j)

 
 

+ y˜(k + j)

(8)

oder eingesetzt für

1

j

N y

:

+ d(k)

Eine Einführung in Model Predictive Control

7

ˆ

y (k + j)

=

i

=

max

N y

j

1 j

(,

N

u

h i Δuk(

+ 1)

+ j i)

+

+

i = 1

h i + j Δuk(

N y

i)

y

m

(k)

i = 1

h i Δuk(

i)

“Zukunft”

“Vergangenheit”

“Korrektur”

Die beiden letzten Terme können in den Koeffizienten

p j

zusammengefasst werden

p j

=

y

m

(k)

+

N y

i = 1

( h uk( i)

j + i

h

i

(9)

(10)

und damit Gleichung (9) wie folgt vereinfacht werden:

ˆ

y (k + j)

=

i

=

max

j

j

(,

1

N

u

+ 1)

[

h

i

Δuk( + j i)] +

p j

(11)

Eine noch einfachere Form erhält man mit der Matrizenschreibweise

und den Vektoren

 

ˆ

y (k + 1)

ˆ

ˆ

y (k + 2)

y (k) =

 

 

ˆ

y (

k

+

N

y

)

ˆ

=

y (k) HΔu

p

(k) + p

Δu p (k) =

Δu(k)

Δu(k + 1)

Δuk + N

(

u

– 1)

p =

p

p

1

2

p N y

,

wobei hier die Stelländerungen

tiert wurden, im Vektor

wird in den folgenden Abschnitten erläutert.

Δu(k)Δ, u(k + 1)…,

, welche beim Abtastschritt

Δu p ()k

zusammengefasst werden. Die Berechnung von

k

(12)

(13)

prädik- Δu p (k)

2 Das Gütefunktional

Das Regelziel ist eine möglichst gute Übereinstimmung der Soll- und Istwerte. Im Zeitbe-

reich kann eine Regelgüte z.B. durch die Summe der Regelfehler-Quadrate beurteilt werden.

Abtast-

Ausgehend vom aktuellen Abtastschritt

k kann man über einen Zeithorizont von

N y

Eine Einführung in Model Predictive Control

8

schritten in die Zukunft schauen und diejenigen Stellgrössen berechnen, welche die Qua-

 

ˆ

dratsumme der Differenz zwischen prädiktiertem Ausgang

y

und dem Sollwert

r

minimieren:

J

=

N y

j = 1

[

ˆ (k + j) rk( + j)] 2

y

(14)

Damit jedoch der Verlauf der Stellgrösse nicht allzu nervös wird und eine genügende Robust- heit erzielt wird, müssen auch die Änderungen der Stellgrösse von Abtastschritt zu Abtast- schritt berücksichtigt werden. Aus diesem Grund wird ein Gütefunktional verwendet,

gewichteten Quadratsumme

welches aus der Quadratsumme der Regelfehler und der mit der Stellgrössenänderungen besteht:

λ 2

J

=

N y

j = 1

[

ˆ

y

2

(k + j) rk( + j)]

+

N u – 1

j = 0

[λΔuk( + j)] 2

(15)

In dieser Gleichung ist

len Zeitpunkt

kann durch die Stelländerungen

rung zum aktuellen Zeitpunkt

von Interesse ist. Der Parameter

ˆ

y (k + j)

bis zum Punkt (

die Prädiktion der Ausgangsgrösse, ausgehend vom aktuel-

k

N

y

)T s

ˆ

in die Zukunft. Dieser prädiktierte Verlauf y

+

Δuk( + j)

beeinflusst werden, wobei die erste Stellände-

k + 1

kT s

k erfolgt, die Prädiktion aber erst ab dem Abtastschritt

N y

für

j

λ

angenommen wird 1 .

beeinflusst werden. Grosse

λ

gibt den betrachteten Ausgangshorizont, der Parameter

den Stellhorizont an. Der Stellhorizont kann durchaus kleiner als der Regelhorizont

N u

N u

gewählt werden, wobei

Das Lösungsverhalten kann mit dem Faktor Gewicht auf kleine Stelländerungen, kleine ler.

λ

Δuk( + j) = 0

-Werte legen

-Werte dagegen auf möglichst kleine Regelfeh-

3 Minimierung ohne Begrenzungen der Stellgrössen

Setzt man die Prädiktions-Gleichung (12) in das Gütefunktional ein, erhält man

J

=

=

=

N y

j = 1

[

ˆ

y

(k + j) rk( + j)]

2

[

HΔu

p

T

(k) + p r] [

HΔu

T

Δu (k) [

p

H

T

H

+

λ

2

Iu

p

+

N u – 1

[λΔu(k + j)] 2

j = 0

p

T

(k) + p r] λΔu (k) λΔu

+

p

p

+

T

2(p r) HΔu (k)

p

+

(p r)

T

(k)

(p r)

Dieses Gütefunktional ist minimal, falls

1. Anmerkung: Nicht zulässig ist

N u

> N y

, da in diesem Fall das Problem singulär wird.

(16)

Eine Einführung in Model Predictive Control

9

dJ

-------------

dΔu

p

=

Löst man die Gleichung nach

[

2 H

T

Δu p

Δu p =

H

+

λ

2

Iu

p

+

2H

T (p r) =

auf, erhält man:

[

H

T

H

+

λ

2

I] 1 H T (r p)

0

(17)

(18)

Der optimale zukünftige Verlauf der Stellgrösse kann dementsprechend mittels einer einfa-

chen Multiplikation einer konstanten Matrix

fehler (r p)

Regelgrösse keinen Schranken unterliegt.

berechnet werden. Voraussetzung dafür ist jedoch, dass die Stellgrösse oder

mit dem prädiktierten Regel-

[

H

T

H

+

λ

2

I] 1 H T

4 Das “Moving-horizon”-Konzept

An diesem Punkt der Betrachtung sind wir in der Lage, für einen beliebigen Abtastschritt k

den optimalen und in die Zukunft extrapolierten Verlauf der Stellgrösse

nen. Es stellt sich nun die Frage, wie mit Hilfe dieser Open-loop-Lösung ein Regelkreis auf-

gebaut werden kann.

Δu p (k)

zu berech-

Bei MPC geschieht das Schliessen des Regelkreises durch die Wiederholung der Optimierung

für jeden einzelnen Abtastschritt. Vom berechneten Vektor

erste Element

korrigiert (Abbildung 4). Eine Rückführung der Regelgrösse entsteht dabei durch die Berech-

nung des Korrektur-Terms in Gleichung (9). Mit Hilfe dieser Korrektur wird der prädiktierte Ausgangsverlauf mit der aktuellen Messgrösse in Einklang gebracht.

wird jeweils nur das

Δu p (k)

=

Δu p (k) 1

berücksichtigt und die Stellgrösse mit u(k)

u(k – 1u p (k) 1

+

Da bei diesem Vorgehen ein Zeithorizont fester Länge um jeweils die Abtastzeit ben wird, spricht man auch von einem “Moving horizon” 1 .

T s

verscho-

5 Ein Beispiel

Für den Wärmetauscher wurde in Kapitel 4.2 (Fig. 4.10) eine Sprungantwort des Stellverhal-

s ab und normiert diese mit

kg/s, erhält man die in Abbildung 5 dargestellten Koeffizi-

30

tens wiedergegeben. Tastet man die Sprungantwort mit

der Sprunghöhe von

enten h i .

T s =

Δu =

0.1

1. Anmerkung: Diesem Konzept liegt die Annahme zugrunde, dass die Berechnung von

Δu p

schnell erfolgt, da eine Totzeit zwischen der Abtastung und der Ausgabe der neuen Stell- grösse nicht vorgesehen wurde. Mindestens im hier betrachteten Fall der Regelung

ohne Schranken ist diese Annahme gerechtfertigt, da für die Berechnung des ersten Ele-

ments von lediglich ein Skalar-Produkt der ersten Zeile der konstanten Matrix

u

Δu

p

[

H

T

H

+

λ

2

I] 1 H T

mit dem prädiktierten Regelfehler

(r p)

gebildet werden muss.

Eine Einführung in Model Predictive Control

10

Stellgrösse u

Δu p (15) Zeitpunkt 15*Ts Δu p (16) Zeitpunkt 16*Ts Δu p (17) Zeitpunkt 17*Ts
Δu p (15)
Zeitpunkt 15*Ts
Δu p (16)
Zeitpunkt 16*Ts
Δu p (17)
Zeitpunkt 17*Ts
15
16
17

Abbildung 4:

Das “Moving-Horizon”-Konzept

Da das System nach ca. 1200 s praktisch vollständig zur Ruhe gekommen ist, wurde ein

grosszügiger Prädiktionshorizont von

zer mit N u = 30

lung erhöht.

angesetzt, was den Rechenaufwand reduziert und die Robustheit der Rege-

gewählt. Der Stellhorizont wurde etwas kür-

N y =

40

Bei quadratischen Problemen hat die Skalierung einen grossen Einfluss auf das Verhalten

des Regelkreises. Um den Tuning-Faktor

kenverstärkung zu machen, ist es daher zweckmässig, die Regelstrecke so zu skalieren, dass

λ möglichst unabhängig von der statischen Strek-

Eine Einführung in Model Predictive Control

11

90 80 70 60 50 40 30 20 10 0 0 200 400 600 800
90
80
70
60
50
40
30
20
10
0
0
200
400
600
800
1000
1200
1400
1600
1800
Temperatur (°C)

Abbildung 5:

Zeit (s)

Einheits-Sprungantwort des Wärmetauschers (Stellverhalten)

diese eine Verstärkung von ca. 1 aufweist. Dementsprechend wurde das Sprungantwortmo- dell innerhalb des DMC-Algorithmus mit einem Faktor 0.01 skaliert.

Das Störverhalten des Regelkreises bei einer sprunghaften Änderung des Zulaufs um -0.1 kg/

wird in Abbildung 6 gezeigt. Für kleine λ-Werte reagiert der Regler schneller

s bei t = 300s

und nervöser als bei einer grossen Gewichtung der Stellgrössenänderungen.

Eine besondere Eigenschaft aller MPC-Regelungen wird in Abbildung 7 demonstriert. Falls der Verlauf des Sollwerts im voraus bekannt ist, kann der Regler aufgrund der Prädiktion bereits vor der eigentlichen Sollwertänderung eingreifen und damit die Verzögerung der Regelstrecke weitgehend kompensieren.

6 Regelung mit Begrenzungen der Stellgrössen

Typischerweise unterliegen die Stellgrössen gewissen Schranken wie z.B. einer Ventilöffnung von 0-100%. Falls diese Schranken während der Regelung berücksichtigt werden sollen, muss das Gütekriterium

J

=

Δu

p

T

(k) [

H

T

H

+

λ

2

Iu

p

+

T

2(p r) HΔu (k)

p

+

(p r)

T

(p r)

(19)

Eine Einführung in Model Predictive Control

12

65 λ 2 = 10 64 63 λ 2 = 0.1 62 61 λ 2
65
λ 2 = 10
64
63
λ 2 = 0.1
62
61
λ 2 = 0.001
60
59
0 200
400
600
800
1000
1200
1400
1600
1800
Temperatur (°C)
0.28 0.26 0.24 0.22 0.20 0.18 0.16 0 200 400 600 800 1000 1200 1400
0.28
0.26
0.24
0.22
0.20
0.18
0.16
0 200
400
600
800
1000
1200
1400
1600
1800
Durchfluss (kg/s)

Abbildung 6:

Zeit (s)

Störverhalten des DMC-geregelten Wärmetauschers

62.5 Sollwert 62.0 61.5 λ 2 = 0.001 λ 2 = 0.1 λ 2 =
62.5
Sollwert
62.0
61.5
λ 2 = 0.001
λ 2 = 0.1
λ 2 = 10
61.0
60.5
60.0
59.5
0 200
400
600
800
1000
1200
1400
1600
1800
Temperatur (°C)
0.4 0.35 0.3 0 200 400 600 800 1000 1200 1400 1600 1800 Durchfluss (kg/s)
0.4
0.35
0.3
0 200
400
600
800
1000
1200
1400
1600
1800
Durchfluss (kg/s)

Zeit (s)

Abbildung 7: Führungsverhalten des DMC-geregelten Wärmetauschers

Eine Einführung in Model Predictive Control

13

on-line mit einer numerischen Optimierung minimiert werden. Da die Lage des Optimums

nicht von der Konstanten gende Form gebracht:

abhängt, wird das Problem vorteilhaft auf fol-

(p r) T (p r)

mit

F

R

=

=

H

Δu p (k)

 

=

T

H

+

λ

2

I

arg min

[

Δu

p

T

(k) FΔu (k) 2fΔu

p

+

p

(k)]

subject to RΔu p (k)< l

f

=

H

T (p r)

10000

0

11000

0

11100

0

…………………

11111

1

–1

0000

0

–1 –1

000

0

–1 –1 –1

00

0

……………… … –1 –1 –1 –1 –1 –1

l

=

u

max u(k – 1)

u

max u(k – 1)

u

max u(k – 1)

 

u

max u(k – 1)

[

u

min

u(k – 1)]

[

u

min

u(k – 1)]

[

u

min

u(k – 1)]

 

[

u

min

u(k – 1)]

(20)

(21)

Die Matrix

derungen die Stellgrenzen nicht überschreiten darf:

R

und den Vektor

l

erhält man aus der Forderung, dass die Summe aller Stellän-

j =

j =

j =

0:

1:

2:

u min

u min

u min

<

u(k – 1+

u(k)

u()k + Δu(k + 1)

<

u max

<

<

u(k – 1+

u max

<

u(k – 1++u()k

Δu(k + 1+

u(k + 2)

<

u max

(22)

oder

N u – 1

j

= 0 u – 1

N

j = 0

Δuk( + j) <

u

max

u(k – 1)

Δuk( + j) < (

u

min

u(k – 1))

(23)

Für die Lösung von quadratischen Problemen stehen ausserordentlich leistungsfähige Algo- rithmen zur Verfügung. Ein Problem mit 80 Variablen kann auf einem modernen PC in weni- ger als einer Sekunde gelöst werden.

Eine Einführung in Model Predictive Control

14

Das unterschiedliche Verhalten des begrenzten und unbegrenzten DMC-Reglers wird in den Abbildungen 8 und 8 gezeigt. Bei diesen Simulationen wurde bei t=0s der Sollwert auf 20°C gesenkt und bei t=900s wieder auf 60°C erhöht. Da im ersten Fall der Regler keine Kenntnis der Stellgrenzen hat, verlangt er Durchflüsse des Heizmediums weit jenseits der Grenzen. Dies hat zur Folge, dass die Prädiktion des Ausgangsverlaufs fehlerhaft wird und verursacht bei der Erhöhung des Sollwerts ein träges und unbefriedigendes Verhalten. Die Berücksichti- gung der Stellschranken führt dagegen zu einer korrekten Prädiktion und einem wesentlich besseren Verhalten.

7

Störgrössenaufschaltung

Aus Kapitel 7.2 ist das Konzept der Störgrössenaufschaltung bekannt und kann mit gerin- gem Aufwand auch bei einer prädiktiven Regelung angewendet werden. Dazu wird das

Modell der Regelstrecke um den messbaren Eingang

d m

erweitert:

d m Modell der y˜ u Regelstrecke
d m
Modell der
u
Regelstrecke
d y m
d
y m

Abbildung 9:

Störmodell bei einer messbaren Störgrösse

Bestimmt man die Sprungantwortskoeffizienten

g i

für die Wirkung der Störgrösse

den Ausgang

y

t

=

t

=

t

=

t

=

und wendet das Prinzip der Superposition an, gilt

0

T s

2T s

3T s

y(0) = 0

+ 0

y(1)

y(2)

y(3)

=

=

=

h

1

Δu(0)

+ g 1 Δd m (0)

h

+

h

+++

2

Δu(0) h

+

1

Δu(1)

Δd

g 2 Δd m (0)

+

g

1

m

(1)

3

Δu(0) h Δu(1) h

+

2

+

1

g 3 Δd m (0)

g 2 Δd m (1)

Δu(2)

g 1 Δd m (2)

d m

auf

(24)

k aus und erweitert

die Prädiktions-Gleichung (9) mit den Termen für die messbare Störgrösse, erhält man für

Geht man nun wie früher erläutert von einem beliebigen Abtastschritt

1

j

N y

:

Eine Einführung in Model Predictive Control

15

60 λ 2 = 10 50 40 λ 2 = 0.001 30 20 0 200
60
λ 2 = 10
50
40
λ 2 = 0.001
30
20
0 200
400
600
800
1000
1200
1400
1600
1800
Temperatur (°C)
4 2 u max u min 0 -2 -4 0 200 400 600 800 1000
4
2
u
max
u
min
0
-2
-4
0 200
400
600
800
1000
1200
1400
1600
1800
Durchfluss (kg/s)

Zeit (s)

Abbildung 8: Unbegrenzte DMC-Regelung

60 50 40 30 20 0 200 400 600 800 1000 1200 1400 1600 1800
60
50
40
30
20
0 200
400
600
800
1000
1200
1400
1600
1800
Temperatur (°C)
1 u max 0.8 0.6 0.4 0.2 u min 0 0 200 400 600 800
1
u
max
0.8
0.6
0.4
0.2
u
min
0
0 200
400
600
800
1000
1200
1400
1600
1800
Durchfluss (kg/s)

Zeit (s)

Abbildung 8: Begrenzte DMC-Regelung

Eine Einführung in Model Predictive Control

16

ˆ

y (k + j)

j

= h i Δuk(

i

=

max

N y

1 j

(, – + 1)

N

u

+ j i)

N y

+

+

i = 1

h i + j Δuk(

N y

i) +

i = 0

g i + j Δd m (k i)

N y

y

m

(k)

i = 1

h Δuk(

i

i)

i = 1

g i Δd m (k i)

“Zukunft”

“Vergangenheit”

“Korrektur”

(25)

Bei der Wahl der unteren Grenzen für die Summations-Indices wurde berücksichtigt, dass die

Störgrösse zum Zeitpunkt berechnet werden muss.

zusammengefasst

werden. Die Prädiktions-Gleichung nimmt damit wieder die bekannte Form (siehe Gleichung 12) an:

Die letzten beiden Zeilen können wieder zu einer “open-loop-response”

k

gemessen werden kann, die Stelländerung

p˜

Δu(k)

aber noch

ˆ

=

y (k) HΔu

p

(k) + p˜

(26)

Dementsprechend muss für die Störgrössenaufschaltung lediglich die Berechnung der Open-

loop-response p˜

Die Verbesserungen, welche durch eine Störgrössenaufschaltung erzielt werden können, sind

modifiziert werden. Die Berechnung des Stellverlaufs erfolgt wie bisher.

in

Abbildung 10 dargestellt. Wie bei Abbildung 6 wurde bei dieser Simulation zum Zeitpunkt

t

= 300s

der Zulauf um 0.1 kg/s reduziert.

8

Mehrgrössenregelung

Die Mehrgrössenregelung mit dem DMC-Algorithmus ist eine direkte Erweiterung der bisher erläuterten Prinzipien. Auch in diesem Fall wird ein Sprungantwortmodell der Regelstrecke eingesetzt und das quadratische Gütekriterium on-line minimiert.

8.1 Das Streckenmodell

, wirken und das Prinzip der Superposition angewendet wird, ergibt sich der Verlauf der Aus- gangsgrösse aus der Summe der Wirkung jeder einzelnen Stellgrösse auf die jeweilige Aus- gangsgrösse:

Wenn mehrere Stellgrössen

u (1) (2)

,

u

(p)

auf die Ausgangsgrössen

y (1) y (2)

(q)

,, …

u

,, …

y

Eine Einführung in Model Predictive Control

17

66 65 64 λ 2 = 10 63 λ 2 = 0.1 62 61 λ
66
65
64
λ 2 = 10
63
λ 2 = 0.1
62
61
λ 2 = 0.001
60
59
Temperatur (°C)
0 200 400 600 800 1000 1200 1400 1600 1800 0.4 0.3 0.2 0.1 0
0 200
400
600
800
1000
1200
1400
1600
1800
0.4
0.3
0.2
0.1
0
0 200
400
600
800
1000
1200
1400
1600
1800
Durchfluss (kg/s)

Zeit (s)

Abbildung 10: Störverhalten des Wärmetauschers mit DMC Regelung einschliesslich Störgrössenaufschaltung

y ˆ (1)

(k)

y ˆ (2)

(k)

y ˆ (q) (k)

=

H (1, 1) H (1, 2) H (1, p)

H (2, 1) H (2, 2) H (2, p)

H (q, 1)

………

H (q, 2) H (q, p)

Δu

Δu

Δu

(1)

p

(2)

p

(p)

p

(k)

(k)

(k)

+

p

p

p

(1)

(2)

(k)

(k)

(q) (k)

Jede Matrix

des Eingangs

den freien Antworten

H (a, e)

e

enthält dabei die Sprungantwortskoeffizienten

a

(a, e)

h i

p

auf den Ausgang

gemäss Gleichung (2). Die Vektoren

(27)

für die Wirkung

entsprechen

(a)

8.2

(a)

p j

=

y

(a)

m

(k)

Gütekriterium

+

p

⎜ ⎝

N

y

∑ ∑

e = 1

i = 1

( h

(a, e) j + i

h

(a, e)

i

u (e) (k i)

.

Die Form des Gütekriteriums entspricht jener in Gleichung (19)

J

=

Δu (k)

p

T

[

H

T

H

+

λ

2

Iu

p

+

T

2(p r) HΔu

p

(k)

+

(p r)

T

(p r)

 

(28)

,

(29)

wobei aber die Matrizen wie folgt angepasst werden müssen:

Eine Einführung in Model Predictive Control

18

Δu p =

r

=

(1)

p

(2)

Δu

(k)

Δu (k)

p

Δu

(p)

p

(k)

r

r

r

(1)

(2)

(k)

(k)

(q) (k)

H

p

 

H (1, 1)

H (1, 2) H (1, p)

H (2, 2) H (2, p)
=

H (2, 1)

 

………

H (q, 1)

H (q, 2) H (q, p)

p

(1)

(k)

= p

(2)

(k)

p

(q) (k)

(30)

Das Gütekriterium kann im unbegrenzten Fall gemäss (18) analytisch gelöst werden.

Literatur

E. F. Camacho and C. Bordons, Model predictive control in the process industry, Springer-Ver- lag, 1995

A. Bemporad, M. Morari, V. Dua, E. N. Pistikopoulos, The explicit linear quadratic regulator for constrained systems, Automatica vol. 38 pp. 3-20, 2002