Modèle de ppms

Le contrôle prédictif de modèle non linéaire, ou NMPC, est une variante du contrôle prédictif de modèle (MPC) qui est caractérisée par l`utilisation des modèles non linéaires de système dans la prédiction. Comme dans le MPC linéaire, NMPC exige la solution itérative des problèmes de contrôle optimaux sur un horizon de prédiction finie. Alors que ces problèmes sont convexes en MPC linéaire, en MPC non linéaire, ils ne sont plus convexes. Cela pose des défis pour la théorie de la stabilité NMPC et la solution numérique. [7] vous pouvez ajuster le comportement du contrôleur en variant ses pondérations et contraintes au moment de l`exécution. Pour contrôler une installation non linéaire, vous pouvez implémenter des MPC adaptatifs et à gain planifié. Pour les applications avec des taux d`échantillonnage rapides, vous pouvez générer un contrôleur prédictif de modèle explicite à partir d`un contrôleur normal ou implémenter une solution approximative. Dans cette série, vous apprendrez comment fonctionne le contrôle prédictif du modèle (MPC), et vous découvrirez les avantages de cette technique de contrôle multivariable. Model prédictive Control Toolbox™ fournit des fonctions, une application et des blocs Simulink® pour la conception et la simulation de contrôleurs prédictifs de modèle (MPCs). La boîte à outils vous permet de spécifier des modèles de plante et de perturbation, des horizons, des contraintes et des pondérations.

En exécutant des simulations en boucle fermée, vous pouvez évaluer les performances du contrôleur. Les modèles MPC prévoient la modification des variables dépendantes du système modélisé qui sera causée par des changements dans les variables indépendantes. Dans un procédé chimique, les variables indépendantes qui peuvent être ajustées par le contrôleur sont souvent soit les points de consigne des contrôleurs PID régulateurs (pression, débit, température, etc.) ou l`élément de contrôle final (vannes, amortisseurs, etc.). Les variables indépendantes qui ne peuvent pas être ajustées par le contrôleur sont utilisées comme perturbations. Les variables dépendantes dans ces processus sont d`autres mesures qui représentent soit des objectifs de contrôle ou des contraintes de processus. Le contrôle prédictif de modèle (MPC) est une méthode avancée de contrôle de processus qui est utilisée pour contrôler un processus tout en satisfaisant un ensemble de contraintes. Il a été utilisé dans les industries de processus dans les usines chimiques et les raffineries de pétrole depuis les années 1980. Ces dernières années, il a également été utilisé dans les modèles d`équilibrage du système d`alimentation [1] et dans l`électronique de puissance [2]. Les contrôleurs prédictifs modèles reposent sur des modèles dynamiques du processus, le plus souvent des modèles empiriques linéaires obtenus par l`identification du système. Le principal avantage de MPC est le fait qu`il permet à la créneau horaire actuel d`être optimisé, tout en gardant les prochains créneaux horaires en compte. Ceci est réalisé en optimisant un horizon temporel fini, mais seulement en implémentant le créneau horaire actuel, puis en optimisant à nouveau, à plusieurs reprises, donc différent du régulateur linéaire-quadratique (LQR).

Aussi MPC a la capacité d`anticiper les événements futurs et peut prendre des mesures de contrôle en conséquence. Les contrôleurs PID n`ont pas cette capacité prédictive. MPC est presque universellement mis en œuvre comme un contrôle numérique, bien qu`il existe des recherches sur la réalisation des temps de réponse plus rapides avec des circuits analogiques spécialement conçus. [3] MPC est basé sur l`optimisation itérative, finie-horizon d`un modèle de plante.