Model Öngörülü Kontrolün Farklı Nonlineer Proses Modelleri İle Sınanması

Abstract

Bu çalışmada, farklı dinamik özelikler gösteren nonlineer proses modelleri ile Model Öngörülü Kontrol (MÖK) için bir performans testi gerçekleştirilmiştir. MÖK problemi durum uzayında kurulmuş olup, kısıtlı ve çok giriş-çıkışlı hali de içermektedir. Öngörü modeli olarak doğrusal modeller seçilmiştir. Sonuçta oluşan optimizasyon problemi konveks kuadratik tiptedir ve kuadratik programlama ile çözümlenmiştir. Tek bir doğrusal model ile ifade edilemeyen nonlineer sistemler için kazanç sıralama ve ardıl doğrusallaştırma gibi çok modelli yaklaşımlar uygulanmıştır. Bozucuların reddi için Kalman filtreleme tekniğinden faydalanılmıştır. Ele alınan nonlineer test problemleri açık çevrim kararsız, minimum faz olmayan ve zamanla değişen tipte davranış göstermektedir. Model belirsizliği, ölçülmeyen bozucular ve ölçüm gürültüsü gibi stokastik etkiler göz önüne alınmıştır. Benzetimlerde, MÖK’ün farklı dinamik özelikteki çok değişkenli nonlineer sistemleri giriş-çıkış kısıtları ve stokastik etkiler altında gürbüz biçimde denetleyebildiği gözlenmiştir.In this study the performance of Model Predictive Control (MPC) is evaluated using nonlinear process models that have different dynamical behavior characteristics. MPC is formulated as a constrained MIMO control problem in state space. Linear models are chosen for prediction modeling. The resulting optimization problem is a convex quadratic problem and is solved using quadratic programming. In cases where a single linear model is unable to represent the dynamical behavior of the nonlinear system, multi-model approaches, i.e. gain scheduling and successive linearization, are employed. Disturbance rejection is accomplished using Kalman filtering techniques. Open-loop unstable, non-minimum phase and time varying nonlinear process models are chosen for test problems. Stochastic effects like model uncertainty, unmeasured disturbances and measurement noise are considered in simulations. It is shown that MPC is capable of robustly controlling a broad range of constrained multivariable nonlinear systems subject to stochastic effects.