Abstract
Widespread application of real-time, Nonlinear Model Predictive Control (NMPC) algorithms to systems of large scale or with fast dynamics is challenged by the high associated computational cost, in particular in presence of long prediction horizons. In this paper, a fast NMPC strategy to reduce the on-line computational cost is proposed. A Curvature-based Measure of Nonlinearity (CMoN) of the system is exploited to reduce the required number of sensitivity computations, which largely contribute to the overall computational cost. The proposed scheme is validated by a simulation study on the chain of masses motion control problem, a toy example that can be easily extended to an arbitrary dimension. Simulations have been run with long prediction horizons and large state dimensions. Results show that sensitivity computations are significantly reduced with respect to other sensitivity updating schemes, while preserving control performance
چکیده
اعمال گسترده الگوریتم های کنترل پیشگویانه مدل غیرخطی در سیستم های مقیاس بزرگ یا با پویایی سریع بخاطر هزینه محاسباتی بالا مورد چالش قرار گرفته است. در این مقاله یک راهبرد NMPC سریع برای کاهش هزینه محاسباتی آنلاین ارائه شده است. یک معیار مبتنی بر انحناء برای اهش تعداد محاسبات حساسیت ارائه شده است، که نقش بسزایی در کاهش محاسبات کلی ایفا می کند. رویه ارائه شده توسط شبیه سازی هایی برروی زنجیره مساله کنترل حرکت اعتبارسنجی شده است؛ یک نمونه ابزار که به راحتی آن را می توان تا ابعاد اختیاری گسترش داد. شبیه سازی ها نشان می دهند که محاسبات حساسیت نسبت به روش های بروزرسانی حساسیت دیگر به شدت کاهش یافته است، و در عین حال کارایی کنترل مثل روش های قبل حفظ شده است.
1-مقدمه
کنترل پیشگویانه مدل خطی و غیرخطی (L/NMPC) امروزه تکنولوژی های بالغی هستند، و برای اعمال در کنترل بلادرنگ انواع سیستم ها مناسب می باشند. پیاده سازی های سریع NMPC در مکانیک رایج شده اند، و با کاربردهایی از سیستم های معیار نظیر Pendubot [1]، سیستم های صنعتی نظیر موتورهای احتراق [2]، مقاطع ایرودینامیکی کنترل شده [3]، و راه اندازهای موتور الکتریکی [4] سروکار دارند. پیاده سازی های سریع بویژه زمانی مناسب هستند که کنترل بلادرنگ سیستم هایی انجام می شود که از ویژگی هایی نظیر دینامیک های سریع، بعد بالا، و کران پیش بینی طولانی استفاده می شود، چرا که در چنین وضعیت هایی فشار محاسباتی روش NMPC ممکن است پهنای باند کنترلی قابل دستیابی را محدود کند. به عنوان یک مثال انگیزشی، شبیه سازهای رانندگی پویا و الگوریتم های MCA هستند، یعنی راهبردهای جنبش شبیه ساز با هدف ارائه تجربه رانندگی واقعی برای راننده. تازه ترین پیاده سازی های MCA [5] مبتنی بر MPC سریع هستند، که منجر به یک تکنیک مناسب جهت در نظر گرفتن مدل های ادراکی انسان و مدل های دینامیک پلتفرم ها، و در صورت وجود، اطلاعات مربوط به رفتار راننده در آینده، می شوند. بطور خاص، یک پیاده سازی بلادرنگ از LMPC با کرا پیش بینی طولانی توسعه یافته است، که از اطلاعات موجود درباره رفتار رانده در آینده بهره می برد [6]. همچنین، یک پیاده سازی بلادرنگ از NMPC ارائه شده است که مدل پیچیده تری را ارائه می دهد و محدودیت های دقیق محرک ها را در نظر می گیرد [7]. حل بلادرنگ یک مساله NMPC با کران پیش بینی طولانی منجر به ادراک بهتر راننده و بهره وری بهتر از فضای کار پلتفرم می شود. اما این افزایش هزینه فشار محاسباتی آنلاین را در بر دارد، زیرا برای NMPC باید یک مساله برنامه نویسی خطی محدود و مقیاس بزرگ در هر نمونه برداری حل شود. انگیزه تحقیقات توصیف شده در مقاله حاضر برگرفته از نیاز به غلبه بر این مشکلات است....