nlmpcmove

Вычислите действие оптимального управления для нелинейного контроллера MPC

Описание

Нелинейный MPC

mv = nlmpcmove(nlmpcobj,x,lastmv) вычисляет действие оптимального управления в течение текущего времени. Чтобы симулировать нелинейное MPC управление с обратной связью, вызвать nlmpcmove неоднократно.

пример

mv = nlmpcmove(nlmpcobj,x,lastmv,ref) задает ссылочные значения для объекта выходные параметры. Если вы не задаете ссылочные значения, nlmpcmove нули использования по умолчанию.

mv = nlmpcmove(nlmpcobj,x,lastmv,ref,md) указывает, что время выполнения измерило значения воздействия. Если ваш контроллер измерил воздействия, необходимо задать md.

пример

mv = nlmpcmove(nlmpcobj,x,lastmv,ref,md,options) задает дополнительные опции во время выполнения для вычисления перемещений оптимального управления. Используя options, вы можете задать исходные предположения для состояния и управляли переменными траекториями, настраивающими весами обновления при ограничениях, или измените параметры модели предсказания.

пример

[mv,opt] = nlmpcmove(___) возвращается nlmpcmoveopt объект, который содержит исходные предположения для состояния и траекторий, которыми управляют, которые будут использоваться в следующем контрольном интервале.

пример

[mv,opt,info] = nlmpcmove(___) возвращает дополнительные детали решения, включая итоговое значение функции стоимости оптимизации и оптимальную переменную, которой управляют, состояние и выходные траектории.

Многоступенчатый нелинейный MPC

пример

mv = nlmpcmove(nlmpcMSobj,x,lastmv) вычисляет действие оптимального управления в течение текущего времени. Чтобы симулировать нелинейное MPC управление с обратной связью, вызвать nlmpcmove неоднократно.

mv = nlmpcmove(nlmpcobj,x,lastmv,simdata) задает дополнительный simdata структура, которая содержит измеренные воздействия, границы во время выполнения, параметры для состояния и функций этапа и исходных предположений для состояния и управляла переменными траекториями. В целом важно возвратить новый simdata (содержащий обновленные исходные предположения) как второй выходной аргумент, с помощью синтаксиса ниже.

[mv,simdata] = nlmpcmove(___) возвращает обновленный simdata структура, которая содержит новые исходные предположения для состояния и траекторий, которыми управляют, которые будут использоваться в следующем контрольном интервале. Хорошие исходные предположения важны, поскольку они помогают решателю сходиться к решению быстрее.

[mv,simdata,info] = nlmpcmove(___) возвращает дополнительные детали решения, включая итоговое значение функции стоимости оптимизации и оптимальную переменную, которой управляют, состояние и выходные траектории.

Примеры

свернуть все

Создайте нелинейный контроллер MPC с шестью состояниями, шестью выходными параметрами и четырьмя входными параметрами.

nx = 6;
ny = 6;
nu = 4;
nlobj = nlmpc(nx,ny,nu);
In standard cost function, zero weights are applied by default to one or more OVs because there are fewer MVs than OVs.

Задайте шаг расчета контроллера и горизонты.

Ts = 0.4;
p = 30;
c = 4;
nlobj.Ts = Ts;
nlobj.PredictionHorizon = p;
nlobj.ControlHorizon = c;

Задайте функцию состояния модели предсказания и якобиан функции состояния. В данном примере используйте модель летающего робота.

nlobj.Model.StateFcn = "FlyingRobotStateFcn";
nlobj.Jacobian.StateFcn = "FlyingRobotStateJacobianFcn";

Задайте пользовательскую функцию стоимости для контроллера, который заменяет стандартную функцию стоимости.

nlobj.Optimization.CustomCostFcn = @(X,U,e,data) Ts*sum(sum(U(1:p,:)));
nlobj.Optimization.ReplaceStandardCost = true;

Задайте пользовательскую ограничительную функцию для контроллера.

nlobj.Optimization.CustomEqConFcn = @(X,U,data) X(end,:)';

Задайте линейные ограничения на переменные, которыми управляют.

for ct = 1:nu
    nlobj.MV(ct).Min = 0;
    nlobj.MV(ct).Max = 1;
end

Подтвердите модель предсказания и пользовательские функции в начальных состояниях (x0) и начальные входные параметры (u0) из робота.

x0 = [-10;-10;pi/2;0;0;0];
u0 = zeros(nu,1); 
validateFcns(nlobj,x0,u0);
Model.StateFcn is OK.
Jacobian.StateFcn is OK.
No output function specified. Assuming "y = x" in the prediction model.
Optimization.CustomCostFcn is OK.
Optimization.CustomEqConFcn is OK.
Analysis of user-provided model, cost, and constraint functions complete.

Вычислите оптимальное состояние, и управлял переменными траекториями, которые возвращены в info.

[~,~,info] = nlmpcmove(nlobj,x0,u0);
Slack variable unused or zero-weighted in your custom cost function. All constraints will be hard.

Постройте оптимальные траектории.

FlyingRobotPlotPlanning(info)
Optimal fuel consumption =   4.712383

Figure contains 6 axes. Axes 1 with title x contains an object of type line. Axes 2 with title y contains an object of type line. Axes 3 with title theta contains an object of type line. Axes 4 with title vx contains an object of type line. Axes 5 with title vy contains an object of type line. Axes 6 with title omega contains an object of type line.

Figure contains 4 axes. Axes 1 with title Thrust u(1) contains an object of type stair. Axes 2 with title Thrust u(2) contains an object of type stair. Axes 3 with title Thrust u(3) contains an object of type stair. Axes 4 with title Thrust u(4) contains an object of type stair.

Figure contains an axes. The axes with title Optimal Trajectory contains 62 objects of type patch, line.

Создайте нелинейный контроллер MPC с четырьмя состояниями, двумя выходными параметрами и одним входом.

nlobj = nlmpc(4,2,1);
In standard cost function, zero weights are applied by default to one or more OVs because there are fewer MVs than OVs.

Задайте шаг расчета и горизонты контроллера.

Ts = 0.1;
nlobj.Ts = Ts;
nlobj.PredictionHorizon = 10;
nlobj.ControlHorizon = 5;

Задайте функцию состояния для контроллера, который находится в файле pendulumDT0.m. Эта модель дискретного времени интегрирует непрерывную модель времени, заданную в pendulumCT0.m использование многоступенчатого прямого Метода Эйлера.

nlobj.Model.StateFcn = "pendulumDT0";
nlobj.Model.IsContinuousTime = false;

Модель предсказания использует дополнительный параметр, Ts, представлять шаг расчета. Задайте количество параметров.

nlobj.Model.NumberOfParameters = 1;

Задайте выходную функцию модели, передав параметр шага расчета как входной параметр.

nlobj.Model.OutputFcn = @(x,u,Ts) [x(1); x(3)];

Задайте стандартные ограничения для контроллера.

nlobj.Weights.OutputVariables = [3 3];
nlobj.Weights.ManipulatedVariablesRate = 0.1;
nlobj.OV(1).Min = -10;
nlobj.OV(1).Max = 10;
nlobj.MV.Min = -100;
nlobj.MV.Max = 100;

Подтвердите функции модели предсказания.

x0 = [0.1;0.2;-pi/2;0.3];
u0 = 0.4;
validateFcns(nlobj, x0, u0, [], {Ts});
Model.StateFcn is OK.
Model.OutputFcn is OK.
Analysis of user-provided model, cost, and constraint functions complete.

Только два из состояний объекта измеримы. Поэтому создайте расширенный Фильтр Калмана для оценки четырех состояний объекта. Его функция изменения состояния задана в pendulumStateFcn.m и его функция измерения задана в pendulumMeasurementFcn.m.

EKF = extendedKalmanFilter(@pendulumStateFcn,@pendulumMeasurementFcn);

Задайте начальные условия для симуляции, инициализируйте расширенное состояние Фильтра Калмана и укажите, что нулевая начальная буква управляла значением переменных.

x = [0;0;-pi;0];
y = [x(1);x(3)];
EKF.State = x;
mv = 0;

Задайте выходное значение ссылки.

yref = [0 0];

Создайте nlmpcmoveopt объект, и задает параметр шага расчета.

nloptions = nlmpcmoveopt;
nloptions.Parameters = {Ts};

Запустите симуляцию для 10 секунды. Во время каждого контрольного интервала:

  1. Откорректируйте предыдущее предсказание с помощью текущего измерения.

  2. Вычислите перемещения оптимального управления с помощью nlmpcmove. Эта функция возвращает вычисленные оптимальные последовательности в nloptions. Передача обновленных опций возражает против nlmpcmove в следующем контрольном интервале обеспечивает исходные предположения для оптимальных последовательностей.

  3. Предскажите состояния модели.

  4. Примените первое вычисленное перемещение оптимального управления к объекту, обновив состояния объекта.

  5. Сгенерируйте данные о датчике с белым шумом.

  6. Сохраните состояния объекта.

Duration = 10;
xHistory = x;
for ct = 1:(Duration/Ts)
    % Correct previous prediction
    xk = correct(EKF,y);
    % Compute optimal control moves
    [mv,nloptions] = nlmpcmove(nlobj,xk,mv,yref,[],nloptions);
    % Predict prediction model states for the next iteration
    predict(EKF,[mv; Ts]);
    % Implement first optimal control move
    x = pendulumDT0(x,mv,Ts);
    % Generate sensor data
    y = x([1 3]) + randn(2,1)*0.01;
    % Save plant states
    xHistory = [xHistory x];
end

Постройте получившиеся траектории состояния.

figure
subplot(2,2,1)
plot(0:Ts:Duration,xHistory(1,:))
xlabel('time')
ylabel('z')
title('cart position')
subplot(2,2,2)
plot(0:Ts:Duration,xHistory(2,:))
xlabel('time')
ylabel('zdot')
title('cart velocity')
subplot(2,2,3)
plot(0:Ts:Duration,xHistory(3,:))
xlabel('time')
ylabel('theta')
title('pendulum angle')
subplot(2,2,4)
plot(0:Ts:Duration,xHistory(4,:))
xlabel('time')
ylabel('thetadot')
title('pendulum velocity')

Figure contains 4 axes. Axes 1 with title cart position contains an object of type line. Axes 2 with title cart velocity contains an object of type line. Axes 3 with title pendulum angle contains an object of type line. Axes 4 with title pendulum velocity contains an object of type line.

В этом примере показано, как создать и симулировать очень простой многоступенчатый контроллер MPC в замкнутом цикле.

Создайте многоступенчатый контроллер MPC

Создайте многоступенчатый объект mpc с 5 горизонтами шагов, одним состоянием, одной переменной, которой управляют.

nlmsobj = nlmpcMultistage(5,1,1);

Задайте функцию изменения состояния для модели предсказания (mystatefcn задан в конце файла).

nlmsobj.Model.StateFcn = @mystatefcn;

Задайте функции стоимости для последних трех этапов (mycostfcn задан в конце файла).

for i=3:6
    nlmsobj.Stages(6).CostFcn = @mycostfcn;
end

Симулируйте контроллер в замкнутом цикле

Инициализируйте состояние объекта и введите.

x=3;
mv=0;

Подтвердите функции.

validateFcns(nlmsobj,x,mv);
Model.StateFcn is OK.
"CostFcn" of the following stages 6 are OK.
Analysis of user-provided model, cost, and constraint functions complete.

Симулируйте цикл управления для 10 шагов.

for k=1:10
    mv = nlmpcmove(nlmsobj, x, mv);   % calculate move (without initial guess)
    x = x + (mv-sqrt(x))*1;           % update x: x(t+1)=x(t)+xdot*Ts
end

Отображение последнее значение состояния и переменных, которыми управляют.

disp(['Final value of x =' num2str(x)])
Final value of x =0.57118
disp(['Final value of mv =' num2str(mv)])
Final value of mv =0.75571

Функции поддержки

Функция изменения состояния.

function xdot = mystatefcn(x,u)
    xdot = u-sqrt(x);
end

Подготовьте функции стоимости.

function j = mycostfcn(s,x,u)
    j = abs(u)/s+s*x^2; 
end

В этом примере показано, как создать и симулировать очень простой многоступенчатый контроллер MPC в замкнутом цикле.

Создайте многоступенчатый контроллер MPC

Создайте многоступенчатый объект mpc с 7 горизонтами шагов, одним состоянием, одной переменной, которой управляют.

nlmsobj = nlmpcMultistage(7,1,1);

Задайте функцию изменения состояния для модели предсказания (mystatefcn задан в конце файла).

nlmsobj.Model.StateFcn = @mystatefcn;

Это - лучшая практика использовать Якобианы каждый раз, когда они доступны, в противном случае решатель должен вычислить его численно.

Задайте якобиан функции изменения состояния (mystatejacobian задан в конце файла).

nlmsobj.Model.StateJacFcn = @mystatejac;

Задайте функции стоимости для всех этапов кроме первых двух (mycostfcn задан в конце файла).

for i=3:8
    nlmsobj.Stages(6).CostFcn = @mycostfcn;
end

Задайте начальные условия, создайте структуру данных и подтвердите функции

Инициализируйте состояние объекта и введите.

x=3;
mv=0;

Создайте начальную структуру данных моделирования.

simdata = getSimulationData(nlmsobj)
simdata = struct with fields:
        StateMin: []
        StateMax: []
           MVMin: []
           MVMax: []
    InitialGuess: []

Подтвердите функции и структуру данных.

validateFcns(nlmsobj,x,mv,simdata);
Model.StateFcn is OK.
Model.StateJacFcn is OK.
"CostFcn" of the following stages 6 are OK.
Analysis of user-provided model, cost, and constraint functions complete.

Симулируйте контроллер в замкнутом цикле

Симулируйте цикл управления для 10 шагов.

for k=1:10
    [mv,simdata] = nlmpcmove(nlmsobj, x, mv, simdata);     % calculate move
    x = x + (mv-sqrt(x))*1;                                % update x: x(t+1)=x(t)+xdot*Ts
end

Отображение последнее значение состояния и переменных, которыми управляют.

disp(['Final value of x =' num2str(x)])
Final value of x =1.6556
disp(['Final value of mv =' num2str(mv)])
Final value of mv =1.2816

Функции поддержки

Функция изменения состояния.

function xdot = mystatefcn(x,u)
    xdot = u-sqrt(x);
end

Якобиан функции изменения состояния.

function [A,B] = mystatejac(x,~)
    A = -1/(2*x^(1/2));
    B = 1;
end

Подготовьте функции стоимости.

function j = mycostfcn(s,x,u)
    j = abs(u)/s+s*x^2; 
end

Входные параметры

свернуть все

Нелинейный контроллер MPC в виде nlmpc объект.

Текущая модель предсказания утверждает в виде вектора из lengthNx, где Nx является количеством состояний модели предсказания. Поскольку нелинейный контроллер MPC не выполняет оценку состояния, необходимо или измерить или оценить текущие состояния модели предсказания в каждом контрольном интервале. Для получения дополнительной информации о нелинейных моделях предсказания MPC смотрите, Задают Модель Предсказания для Нелинейного MPC.

Управляющие сигналы использовали на объекте в предыдущем контрольном интервале в виде вектора из lengthNmv, где Nmv является количеством переменных, которыми управляют.

Примечание

Задайте lastmv когда переменные сигналы, которыми управляют, применились к объекту в предыдущем контрольном интервале. Как правило, эти сигналы являются значениями, сгенерированными контроллером, хотя это не всегда имеет место. Например, если ваш контроллер является оффлайновым и рабочим в режиме отслеживания; то есть, контроллер выход не управляет объектом, затем кормя фактическим управляющим сигналом last_mv может помочь достигнуть передачи bumpless, когда контроллер переключается назад онлайн.

Выходные значения ссылки объекта в виде вектора-строки из длины Ny или массив со столбцами Ny, где Ny является количеством выходных переменных. Если вы не задаете ref, ссылочные значения по умолчанию являются нулем.

Чтобы использовать те же ссылочные значения через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться ссылочные значения по горизонту предсказания со времени k +1 ко времени k +p, задайте массив с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит ссылочные значения для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, значения в итоговой строке используются для остающихся шагов горизонта предсказания.

Измеренные значения воздействия в виде вектора-строки из длины Nmd или массив со столбцами Nmd, где Nmd является количеством измеренных воздействий. Если ваш контроллер измерил воздействия, необходимо задать md. Если у вашего контроллера нет измеренных воздействий, задайте md как [].

Чтобы использовать те же значения воздействия через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться значения воздействия по горизонту предсказания со времени k ко времени k +p, задайте массив с до p +1 строка. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит значения воздействия для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, значения в итоговой строке используются для остающихся шагов горизонта предсказания.

Опции во время выполнения в виде nlmpcmoveopt объект. Используя эти опции, вы можете:

  • Настройте веса контроллера

  • Обновите линейные ограничения

  • Поставьте переменные цели, которыми управляют,

  • Задайте параметры модели предсказания

  • Обеспечьте исходные предположения для состояния, и управлял переменными траекториями

Эти опции применяются только к току nlmpcmove момент времени.

Чтобы повысить эффективность решателя, это - лучшая практика задать исходные предположения для состояния и управляло переменными траекториями.

Многоступенчатый нелинейный контроллер MPC в виде nlmpcMultistage объект.

Структура данных моделирования во время выполнения. Это должно быть первоначально создано getSimulationData, и затем заполненный (в случае необходимости) прежде чем быть переданным nlmpcmove как входной параметр. Обновленная версия затем всегда возвращается как второй выходной аргумент nlmpcmove. Обратите внимание на то, что MVMin, MVMax, StateMin, StateMax, MVRateMin, MVRateMax поля необходимы, только если вы хотите изменить эти границы во время выполнения. Эти поля существуют в структуре, возвращенной getSimulationData только если вы включаете им явным образом при вызове getSimulationData. simdata структура имеет следующие поля.

Измеренные значения воздействия в виде вектора-строки из длины Nmd или массив со столбцами Nmd, где Nmd является количеством измеренных воздействий. Если ваш многоступенчатый объект MPC имеет какой-либо измеренный заданный канал воздействия, необходимо задать MeasuredDisturbance. Если у вашего контроллера нет измеренных воздействий, это поле не существует в структуре, сгенерированной getSimulationData.

Чтобы использовать те же значения воздействия через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться значения воздействия по горизонту предсказания со времени k ко времени k +p, задайте массив с до p +1 строка. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит значения воздействия для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, значения в итоговой строке используются для остающихся шагов горизонта предсказания.

Переменные нижние границы, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVMin(:,i) заменяет ManipulatedVariables(i).Min свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Переменные верхние границы, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVMax(:,i) заменяет ManipulatedVariables(i).Max свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Нижние границы с плавающей ставкой, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVRateMin(:,i) заменяет ManipulatedVariables(i).RateMin свойство контроллера во время выполнения. MVRateMin границы должны быть неположительными.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Верхние границы с плавающей ставкой, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVRateMax(:,i) заменяет ManipulatedVariables(i).RateMax свойство контроллера во время выполнения. MVRateMax границы должны быть неотрицательными.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Нижние границы состояния в виде вектора-строки из длины Nx или матрица со столбцами Nx, где Nx является количеством состояний. StateMin(:,i) заменяет States(i).Min свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k +1 ко времени k +p, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Верхние границы состояния в виде вектора-строки из длины Nx или матрица со столбцами Nx, где Nx является количеством состояний. StateMax(:,i) заменяет States(i).Max свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k +1 ко времени k +p, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Значения параметра функции состояния в виде вектора с длиной равняются значению Model.ParameterLength свойство многоступенчатого объекта контроллера. Если Model.StateFcn нуждается в векторе параметра, необходимо ввести его значение во времени выполнения с помощью этого поля. Если Model.ParameterLength 0 это поле не существует в структуре, возвращенной getSimulationData.

Подготовьте значения параметров функций в виде вектора с длиной, равной сумме всех значений в Stages(i).ParameterLength свойства многоступенчатого объекта контроллера. Если любая стоимость или ограничительная функция, определяемая в Stages свойству нужен вектор параметра, необходимо обеспечить все векторы параметра во времени выполнения (сложенный в отдельном столбце) использующий это поле. Если ни одна из ваших функций этапа не имеет параметр, это поле не существует в структуре, возвращенной getSimulationData.

Векторы параметра для всех этапов должны быть сложены в вектор-столбце StateFcnParameters как:

[parameter vector for stage 1;
 parameter vector for stage 2;
 ...
 parameter vector for stage p+1;
]

Конечное состояние в виде вектор-столбца со столькими же элементов сколько количество состояний. Конечное состояние является требуемым состоянием на последнем шаге предсказания. Чтобы задать желаемые конечные состояния во времени выполнения через это поле, необходимо задать конечные значения в TerminalState поле Model свойство nlmpcMSobj. Задайте inf для состояний, которые не должны быть ограничены к конечной стоимости. Во время выполнения, nlmpcmove игнорирует любые значения в TerminalState поле simdata это соответствует inf значения в nlmpcMSobj. Если вы не задаете условия конечной стоимости в nlmpcMSobj, это поле не создается в simdata.

Если нет никакого TerminalState в simdata затем ограничение конечного состояния (если есть) не изменяется во время выполнения.

Исходные предположения для переменных решения в виде вектор-столбца длины равняются сумме длин всех векторов переменной решения для каждого этапа. Хорошие исходные предположения важны, поскольку они помогают решателю сходиться к решению быстрее. При симуляции цикла управления путем вызова nlmpcmove неоднократно в цикле, поэтому важно передать simdata как входной параметр (таким образом, исходные предположения могут использоваться), и в то же время возвратите обновленную версию simdata (с новыми исходными предположениями для следующего контрольного интервала), как выходной аргумент.

Исходные предположения для всех этапов должны быть сложены в вектор-столбце InitialGuess как:

[state vector guess for stage 1;
 manipulated variable vector guess for stage 1;
 manipulated variable vector rate guess for stage 1; % if used
 slack variable vector guess for stage 1; % if used
 state vector guess for stage 2;
 manipulated variable vector guess for stage 2;
 manipulated variable vector rate guess for stage 2; % if used
 slack variable vector guess for stage 2; % if used
 ...
 state vector guess for stage p;
 manipulated variable vector guess for stage p;
 manipulated variable vector rate guess for stage p; % if used
 slack variable vector guess for stage p; % if used
 state vector guess for stage p+1;
 slack variable vector guess for stage p+1; % if used
]

Если InitialGuess [], исходные предположения по умолчанию вычисляются от x и lastmv аргументы передали nlmpcmove).

В общем случае во время симуляции с обратной связью, вы не задаете InitialGuess самостоятельно. Вместо этого при вызове nlmpcmove, возвратите simdata выходной аргумент, который содержит расчетные исходные предположения для следующего контрольного интервала. Можно затем передать simdata как входной параметр к nlmpcmove для следующего контрольного интервала. Эти шаги являются лучшой практикой, даже если вы не задаете никакие другие опции во время выполнения.

Выходные аргументы

свернуть все

Оптимальное действие управления переменными, которым управляют, возвращенное как вектор-столбец длины Nmv, где Nmv является количеством переменных, которыми управляют.

Если решатель сходится к решению для локального оптимума (info.ExitFlag положительно), затем mv содержит оптимальное решение.

Если решатель достигает максимального количества итераций, не находя оптимальное решение (info.ExitFlag = 0) и:

  • nlmpcobj.Optimization.UseSuboptimalSolution true, затем mv содержит субоптимальное решение

  • nlmpcobj.Optimization.UseSuboptimalSolution false, затем mv содержит lastmv

Если решатель перестал работать (info.ExitFlag отрицательно), затем mv содержит lastmv.

Опции во время выполнения с исходными предположениями для состояния и переменных траекторий, которыми управляют, которые будут использоваться в следующем контрольном интервале, возвращенном как nlmpcmoveopt объект. Любые опции во время выполнения, что вы задали использование options, такой как веса, ограничения или параметры, копируются в opt.

Исходные предположения для состояний (opt.X0) и переменные, которыми управляют (opt.MV0) оптимальные траектории, вычисленные nlmpcmove и соответствуйте последнему p-1 строка info.Xopt и info.MVopt, соответственно.

Чтобы использовать эти исходные предположения в следующем контрольном интервале, задайте opt как options входной параметр к nlmpcmove.

Детали решения, возвращенные как структура со следующими полями.

Оптимальная переменная последовательность, которой управляют, возвращенная как (p +1)-by-Nmv массив, где p является горизонтом предсказания и Nmv, является количеством переменных, которыми управляют.

MVopt(i,:) содержит расчетные оптимальные значения переменных, которыми управляют, во время k+i-1, для i = 1,...,p, где k текущее время. MVopt(1,:) содержит те же значения переменных, которыми управляют, как выходной аргумент mv. Поскольку контроллер не вычисляет перемещения оптимального управления во время k+p, MVopt(p+1,:) равно MVopt(p,:).

Оптимальная модель предсказания утверждает последовательность, возвращенную как (p +1)-by-Nx массив, где p является горизонтом предсказания, и Nx является количеством состояний в модели предсказания.

Xopt(i,:) содержит расчетные значения состояния во время k+i-1, для i = 2,...,p+1, где k текущее время. Xopt(1,:) совпадает с текущими состояниями в x.

Оптимальная последовательность выходной переменной, возвращенная как (p +1)-by-Ny массив, где p является горизонтом предсказания и Ny, является количеством выходных параметров.

Yopt(i,:) содержит расчетные выходные значения во время k+i-1, для i = 2,...,p+1, где k текущее время. Yopt(1,:) вычисляется на основе текущих состояний в x и текущие измеренные воздействия в md,если таковые имеются.

Последовательность времени горизонта предсказания, возвращенная как вектор-столбец длины p +1, где p является горизонтом предсказания. Topt содержит последовательность времени со времени k ко времени k +p, где k является текущим временем.

Topt(1) = 0 представляет текущее время. Последующие временные шаги Topt(i) Ts*(i-1), где Ts шаг расчета контроллера.

Используйте Topt при графическом выводе MVopt, Xopt, или Yopt последовательности.

Сложенный слабый вектор переменных, используемый в ограничительном смягчении. Если всеми элементами является нуль, то всем мягким ограничениям удовлетворяют по целому горизонту предсказания. Если какой-либо элемент больше нуля, то по крайней мере одно мягкое ограничение нарушено.

Слабый переменный вектор для всех этапов сложен как:

[slack variable vector for stage 1; % if used
 slack variable vector for stage 2; % if used
 ...
 slack variable vector for stage p+1; % if used
]

Код выхода оптимизации, возвращенный как одно из следующего:

  • Положительное Целое число — Оптимальное решение найдено

  • 0 — Выполнимое субоптимальное решение, найденное после максимального количества итераций

  • Отрицательное целое число — Никакое возможное решение не найдено

Количество итераций используется решателем нелинейного программирования, возвращенным как положительное целое число.

Стоимость целевой функции, возвращенная как неотрицательное скалярное значение. Стоимость определяет количество степени, до которой контроллер достиг ее целей.

Величина затрат только значима когда ExitFlag является неотрицательным.

Обновленные данные моделирования во время выполнения, содержа новые исходные предположения для состояния и траекторий, которыми управляют, которые будут использоваться в следующем контрольном интервале. Это - структура со следующими полями.

Измеренные значения воздействия в виде вектора-строки из длины Nmd или массив со столбцами Nmd, где Nmd является количеством измеренных воздействий. Если ваш многоступенчатый объект MPC имеет какой-либо измеренный заданный канал воздействия, необходимо задать MeasuredDisturbance. Если у вашего контроллера нет измеренных воздействий, это поле не существует в структуре, сгенерированной getSimulationData.

Чтобы использовать те же значения воздействия через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться значения воздействия по горизонту предсказания со времени k ко времени k +p, задайте массив с до p +1 строка. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит значения воздействия для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, значения в итоговой строке используются для остающихся шагов горизонта предсказания.

Переменные нижние границы, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVMin(:,i) заменяет ManipulatedVariables(i).Min свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Переменные верхние границы, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVMax(:,i) заменяет ManipulatedVariables(i).Max свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Нижние границы с плавающей ставкой, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVRateMin(:,i) заменяет ManipulatedVariables(i).RateMin свойство контроллера во время выполнения. MVRateMin границы должны быть неположительными.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Верхние границы с плавающей ставкой, которыми управляют, в виде вектора-строки из длины Nmv или матрица со столбцами Nmv, где Nmv является количеством переменных, которыми управляют. MVRateMax(:,i) заменяет ManipulatedVariables(i).RateMax свойство контроллера во время выполнения. MVRateMax границы должны быть неотрицательными.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k ко времени k +p-1, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Нижние границы состояния в виде вектора-строки из длины Nx или матрица со столбцами Nx, где Nx является количеством состояний. StateMin(:,i) заменяет States(i).Min свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k +1 ко времени k +p, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Верхние границы состояния в виде вектора-строки из длины Nx или матрица со столбцами Nx, где Nx является количеством состояний. StateMax(:,i) заменяет States(i).Max свойство контроллера во время выполнения.

Чтобы использовать те же границы через горизонт предсказания, задайте вектор-строку.

Чтобы варьироваться границы по горизонту предсказания со времени k +1 ко времени k +p, задайте матрицу с до строк p. Здесь, k является текущим временем, и p является горизонтом предсказания. Каждая строка содержит границы для одного шага горизонта предсказания. Если вы задаете меньше, чем строки p, итоговые границы используются для остающихся шагов горизонта предсказания.

Значения параметра функции состояния в виде вектора с длиной равняются значению Model.ParameterLength свойство многоступенчатого объекта контроллера. Если Model.StateFcn нуждается в векторе параметра, необходимо ввести его значение во времени выполнения с помощью этого поля. Если Model.ParameterLength 0 это поле не существует в структуре, возвращенной getSimulationData.

Подготовьте значения параметров функций в виде вектора с длиной, равной сумме всех значений в Stages(i).ParameterLength свойства многоступенчатого объекта контроллера. Если любая стоимость или ограничительная функция, определяемая в Stages свойству нужен вектор параметра, необходимо обеспечить все векторы параметра во времени выполнения (сложенный в отдельном столбце) использующий это поле. Если ни одна из ваших функций этапа не имеет параметр, это поле не существует в структуре, возвращенной getSimulationData.

Векторы параметра для всех этапов должны быть сложены в вектор-столбце StateFcnParameters как:

[parameter vector for stage 1;
 parameter vector for stage 2;
 ...
 parameter vector for stage p+1;
]

Конечное состояние в виде вектор-столбца со столькими же элементов сколько количество состояний. Конечное состояние является требуемым состоянием на последнем шаге предсказания. Чтобы задать желаемые конечные состояния во времени выполнения через это поле, необходимо задать конечные значения в TerminalState поле Model свойство nlmpcMSobj. Задайте inf для состояний, которые не должны быть ограничены к конечной стоимости. Во время выполнения, nlmpcmove игнорирует любые значения в TerminalState поле simdata это соответствует inf значения в nlmpcMSobj. Если вы не задаете условия конечной стоимости в nlmpcMSobj, это поле не создается в simdata.

Если нет никакого TerminalState в simdata затем ограничение конечного состояния (если есть) не изменяется во время выполнения.

Исходные предположения для переменных решения в виде вектор-столбца длины равняются сумме длин всех векторов переменной решения для каждого этапа. Хорошие исходные предположения важны, поскольку они помогают решателю сходиться к решению быстрее. При симуляции цикла управления путем вызова nlmpcmove неоднократно в цикле, поэтому важно передать simdata как входной параметр (таким образом, исходные предположения могут использоваться), и в то же время возвратите обновленную версию simdata (с новыми исходными предположениями для следующего контрольного интервала), как выходной аргумент.

Исходные предположения для всех этапов должны быть сложены в вектор-столбце InitialGuess как:

[state vector guess for stage 1;
 manipulated variable vector guess for stage 1;
 manipulated variable vector rate guess for stage 1; % if used
 slack variable vector guess for stage 1; % if used
 state vector guess for stage 2;
 manipulated variable vector guess for stage 2;
 manipulated variable vector rate guess for stage 2; % if used
 slack variable vector guess for stage 2; % if used
 ...
 state vector guess for stage p;
 manipulated variable vector guess for stage p;
 manipulated variable vector rate guess for stage p; % if used
 slack variable vector guess for stage p; % if used
 state vector guess for stage p+1;
 slack variable vector guess for stage p+1; % if used
]

Если InitialGuess [], исходные предположения по умолчанию вычисляются от x и lastmv аргументы передали nlmpcmove).

В общем случае во время симуляции с обратной связью, вы не задаете InitialGuess самостоятельно. Вместо этого при вызове nlmpcmove, возвратите simdata выходной аргумент, который содержит расчетные исходные предположения для следующего контрольного интервала. Можно затем передать simdata как входной параметр к nlmpcmove для следующего контрольного интервала. Эти шаги являются лучшой практикой, даже если вы не задаете никакие другие опции во время выполнения.

Советы

Во время симуляций с обратной связью это - лучшая практика к горячему запуску нелинейный решатель при помощи предсказанного состояния и управляло переменными траекториями от предыдущего контрольного интервала как исходные предположения для текущего контрольного интервала. Использовать эти траектории в качестве исходных предположений:

  1. Возвратите opt выходной аргумент при вызове nlmpcmove. Это nlmpcmoveopt объект содержит любые опции во время выполнения, которых вы задали в предыдущем вызове nlmpcmove, наряду с исходными предположениями для состояния (opt.X0) и переменная, которой управляют (opt.MV0) траектории.

  2. Передайте этот объект в как options входной параметр к nlmpcmove для следующего контрольного интервала.

Эти шаги являются лучшой практикой, даже если вы не задаете никакие другие опции во время выполнения.

Введенный в R2018b
Для просмотра документации необходимо авторизоваться на сайте