Документация

Изменяющийся во времени линейный объект

В этом примере объект является одним входом один вывод 3-й порядок изменяющаяся во времени линейная система с полюсами, нулями, и получите, которые отличаются периодически со временем.

Объект подпирает перемещение шестами между тем, чтобы быть стабильным и нестабильным во время выполнения, которое приводит к сложной проблеме управления.

Сгенерируйте массив моделей объекта управления в t = 0, 0.1, 0.2..., 10 секунд.

Models = tf;
ct = 1;
for t = 0:0.1:10
    Models(:,:,ct) = tf([5 5+2*cos(2.5*t)],[1 3 2 6+sin(5*t)]);
    ct = ct + 1;
end

Преобразуйте модели в формат пространства состояний и дискретизируйте их с шагом расчета 0,1 секунд.

Ts = 0.1;
Models = ss(c2d(Models,Ts));

Проектирование контроллера MPC

Цель управления состоит в том, чтобы отследить ступенчатое изменение в ссылочном сигнале. Во-первых, разработайте контроллер MPC для средней модели объекта управления. Шаг расчета контроллера составляет 0,1 секунды.

sys = ss(c2d(tf([5 5],[1 3 2 6]),Ts));  % prediction model
p = 3;                                  % prediction horizon
m = 3;                                  % control horizon
mpcobj = mpc(sys,Ts,p,m);

-->The "Weights.ManipulatedVariables" property of "mpc" object is empty. Assuming default 0.00000.
-->The "Weights.ManipulatedVariablesRate" property of "mpc" object is empty. Assuming default 0.10000.
-->The "Weights.OutputVariables" property of "mpc" object is empty. Assuming default 1.00000.

Установите трудные ограничения на переменную, которой управляют, и задайте настраивающиеся веса.

mpcobj.MV = struct('Min',-2,'Max',2);
mpcobj.Weights = struct('MV',0,'MVRate',0.01,'Output',1);

Обнулите начальные состояния объекта.

x0 = zeros(size(sys.B));

Симуляция с обратной связью с неявным MPC

Запустите симуляцию с обратной связью, чтобы исследовать, может ли разработанный неявный контроллер MPC достигнуть цели управления, не обновляя модель объекта управления, используемую в прогнозе.

Установите длительность симуляции на 5 секунд.

Tstop = 5;

Используйте команду mpcmove в цикле, чтобы моделировать ответ с обратной связью.

yyMPC = [];
uuMPC = [];
x = x0;
xmpc = mpcstate(mpcobj);
fprintf('Simulating MPC controller based on average LTI model.\n');
for ct = 1:(Tstop/Ts+1)
    % Get the real plant.
    real_plant = Models(:,:,ct);
    % Update and store the plant output.
    y = real_plant.C*x;
    yyMPC = [yyMPC,y];
    % Compute and store the MPC optimal move.
    u = mpcmove(mpcobj,xmpc,y,1);
    uuMPC = [uuMPC,u];
    % Update the plant state.
    x = real_plant.A*x + real_plant.B*u;
end

-->Assuming output disturbance added to measured output channel #1 is integrated white noise.
-->The "Model.Noise" property of the "mpc" object is empty. Assuming white noise on each measured output channel.
Simulating MPC controller based on average LTI model.

Симуляция с обратной связью с адаптивным MPC

Запустите вторую симуляцию, чтобы исследовать, может ли адаптивный контроллер MPC достигнуть цели управления.

Используйте команду mpcmoveAdaptive в цикле, чтобы моделировать ответ с обратной связью. Обновите модель объекта управления для каждого интервала управления и используйте обновленную модель, чтобы вычислить перемещения оптимального управления. Команда mpcmoveAdaptive использует ту же модель прогноза через горизонт прогноза.

yyAMPC = [];
uuAMPC = [];
x = x0;
xmpc = mpcstate(mpcobj);
nominal = mpcobj.Model.Nominal;
fprintf('Simulating MPC controller based on LTI model, updated at each time step t.\n');
for ct = 1:(Tstop/Ts+1)
    % Get the real plant.
    real_plant = Models(:,:,ct);
    % Update and store the plant output.
    y = real_plant.C*x;
    yyAMPC = [yyAMPC, y];
    % Compute and store the MPC optimal move.
    u = mpcmoveAdaptive(mpcobj,xmpc,real_plant,nominal,y,1);
    uuAMPC = [uuAMPC,u];
    % Update the plant state.
    x = real_plant.A*x + real_plant.B*u;
end

Simulating MPC controller based on LTI model, updated at each time step t.

Симуляция с обратной связью с изменяющимся во времени MPC

Запустите третью симуляцию, чтобы исследовать, может ли изменяющийся во времени контроллер MPC достигнуть цели управления.

Диспетчер обновляет модель прогноза в каждом интервале управления и также использует изменяющиеся во времени модели через горизонт прогноза, который дает контроллеру MPC лучшее знание поведения объекта в будущем.

Используйте команду mpcmoveAdaptive в цикле, чтобы моделировать ответ с обратной связью. Задайте массив моделей объекта управления, а не одной модели. Диспетчер использует каждую модель в массиве на различном шаге горизонта прогноза.

yyLTVMPC = [];
uuLTVMPC = [];
x = x0;
xmpc = mpcstate(mpcobj);
Nominals = repmat(nominal,3,1); % Nominal conditions are constant over the prediction horizon.
fprintf('Simulating MPC controller based on time-varying model, updated at each time step t.\n');
for ct = 1:(Tstop/Ts+1)
    % Get the real plant.
    real_plant = Models(:,:,ct);
    % Update and store the plant output.
    y = real_plant.C*x;
    yyLTVMPC = [yyLTVMPC, y];
    % Compute and store the MPC optimal move.
    u = mpcmoveAdaptive(mpcobj,xmpc,Models(:,:,ct:ct+p),Nominals,y,1);
    uuLTVMPC = [uuLTVMPC,u];
    % Update the plant state.
    x = real_plant.A*x + real_plant.B*u;
end

Simulating MPC controller based on time-varying model, updated at each time step t.

Сравнение производительности контроллеров MPC

Сравните ответы с обратной связью.

t = 0:Ts:Tstop;
figure
subplot(2,1,1);
plot(t,yyMPC,'-.',t,yyAMPC,'--',t,yyLTVMPC);
grid
legend('Implicit MPC','Adaptive MPC','Time-Varying MPC','Location','SouthEast')
title('Plant Output');
subplot(2,1,2)
plot(t,uuMPC,'-.',t,uuAMPC,'--',t,uuLTVMPC)
grid
title('Control Moves');

Только изменяющийся во времени контроллер MPC может принести объекту вывод достаточно близко к желаемому заданному значению.

Симуляция с обратной связью изменяющегося во времени MPC в Simulink

Чтобы моделировать изменяющееся во времени MPC управление в Simulink, передайте изменяющиеся во времени модели объекта управления импорту model блока Adaptive MPC Controller.

xmpc = mpcstate(mpcobj);
mdl = 'mpc_timevarying';
open_system(mdl);

Запустите симуляцию.

sim(mdl,Tstop);
fprintf('Simulating MPC controller based on LTV model in Simulink.\n');

Simulating MPC controller based on LTV model in Simulink.

Постройте MATLAB и Simulink изменяющиеся во времени результаты симуляции.

figure
subplot(2,1,1)
plot(t,yyLTVMPC,t,ysim,'o');
grid
legend('mpcmoveAdaptive','Simulink','Location','SouthEast')
title('Plant Output');
subplot(2,1,2)
plot(t,uuLTVMPC,t,usim,'o')
grid
title('Control Moves');

Ответы с обратной связью в MATLAB и Simulink идентичны.

bdclose(mdl);