Создайте нелинейный контроллер MPC с шестью состояниями, шестью выходами и четырьмя входами.

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.

Укажите время и горизонты выборки контроллера.

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

Укажите функцию состояния модели прогнозирования и якобиан функции состояния. В этом примере используется модель летающего робота.

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

Укажите пользовательскую функцию затрат для контроллера, который заменит функцию стандартных затрат.

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

Укажите пользовательскую функцию ограничения для контроллера.

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

Проверка модели прогнозирования и пользовательских функций в начальных состояниях (x0) и начальные входы (u0) 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.

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

nx = 4;
ny = 2;
nu = 1;
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.

Укажите время выборки и горизонты контроллера.

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

Укажите функцию состояния контроллера, которая находится в файле pendulumDT0.m. Эта дискретно-временная модель интегрирует непрерывную временную модель, определенную в pendulumCT0.m с использованием многоступенчатого прямого метода Эйлера.

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

Функция состояния дискретного времени использует необязательный параметр, время выборки Ts, для интеграции модели непрерывного времени. Поэтому необходимо указать количество дополнительных параметров как 1.

nlobj.Model.NumberOfParameters = 1;

Укажите функцию вывода для контроллера. В этом случае определите первое и третье состояния как выходные. Даже если эта функция вывода не использует необязательный параметр времени выборки, необходимо указать параметр в качестве входного аргумента (Ts).

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

Проверка функций модели прогнозирования для номинальных состояний x0 и номинальные входы u0. Поскольку в модели прогнозирования используется пользовательский параметр, необходимо передать этот параметр в validateFcns.

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.

Создайте нелинейный контроллер MPC с тремя состояниями, одним выходом и четырьмя входами. Первые два входа являются измеренными возмущениями, третий вход - управляемой переменной, а четвертый вход - неизмеренным возмущением.

nlobj = nlmpc(3,1,'MV',3,'MD',[1 2],'UD',4);

Для просмотра состояния контроллера, выходных и входных размеров и индексов используйте Dimensions свойства контроллера.

nlobj.Dimensions

ans = struct with fields:
     NumberOfStates: 3
    NumberOfOutputs: 1
     NumberOfInputs: 4
            MVIndex: 3
            MDIndex: [1 2]
            UDIndex: 4

Укажите время и горизонты выборки контроллера.

nlobj.Ts = 0.5;
nlobj.PredictionHorizon = 6;
nlobj.ControlHorizon = 3;

Укажите функцию состояния модели прогнозирования, которая находится в файле exocstrStateFcnCT.m.

nlobj.Model.StateFcn = 'exocstrStateFcnCT';

Укажите функцию вывода модели прогнозирования, которая находится в файле exocstrOutputFcn.m.

nlobj.Model.OutputFcn = 'exocstrOutputFcn';

Проверка функций модели прогнозирования с использованием начальной рабочей точки в качестве номинального условия для тестирования и установки состояния неизмеренного возмущения. x0(3)Кому 0. Поскольку модель измерила возмущения, необходимо передать их в validateFcns.

x0 = [311.2639; 8.5698; 0];
u0 = [10; 298.15; 298.15];
validateFcns(nlobj,x0,u0(3),u0(1:2)');

Model.StateFcn is OK.
Model.OutputFcn is OK.
Analysis of user-provided model, cost, and constraint functions complete.