Dayanıklı Model Öngörülü Kontrol

Abstract

Model Öngörülü Kontrol için hali hazırdaki yöntemlerin ana problemi model belirsizliklerine karşı başa çıkabilme yeteneklerinin olmayışıdır. Bu çalışmada, problem formülü içine model belirsizliklerini katabilen dayanıklı bir MPC yaklaşımı ortaya konulacaktır. Giriş, çıkış sınırlamaları ve parametrik belirsizlikler altında sonsuz ufuklu bir amaç ölçütünün üst sınırını minimum yapan MPC problemi, konveks LMI temelli optimizasyon problemine indirgenir. Bu da sonsuz amaç ölçütünün en kötü durumunu minimum yapan bir durum geri besleme kontrol kuralı oluşturularak yapılır. Birinci dereceden ölü zamanlı gecikmeli sistemler için, geleneksel dayanıklı MPC problemi; set-noktası izleme, durumları sadece giriş ve çıkışlar ile ifade edilebilen genişletilmiş durum uzayı, kalıcı durum hatasını engelleyen entegral alıcı model metotlarını içererek genişletilmiştir. Örnekler ve gerçek zamanlı deney yapılarak Dayanıklı MPC Kontrolörü tasarlanmıştır. Son olarak da sonuçlar ortaya konmuştur.

Main disadvantage of current design techniques for model predictive control (MPC) is their inability to deal with plant model uncertainty. In this study, an approach for robust MPC synthesis which allows explicit incorporation of the description of plant uncertainty in the problem formulation is represented. MPC problem of minimizing an upper bound on the infinite horizon objective function, which is subject to constraint on the input and parameter uncertainty, is reduced to a convex LMI-based optimization problem. This is done by denoting state-feedback control law which minimizes a “worst-case infinite horizon objective function. For First Order-Dead Time process, traditional Robust Model Predictive Control problem is extended the method of set-point tracking, extended state-space model whose state vector is shown on only input-output representation, integrator model to prevent steady state error. Robust MPC Controller is designed with examples and real time experiment. Finally, conclusions are presented.