کنترل پیش‌بینانه مدل

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

کنترل پیش بین (Model Predictive Control یا MPC) نوعی کنترل پیشرفته فرایند است که از دهه ۱۹۸۰ در صنایع فرایند، صنایع شیمیایی و پالایشگاههای نفت به کار می‌رود. در سالهای اخیر کنترل پیش بین در مدلهای بالانس سیستمهای قدرت نیز به کار رفته است. کنترل کننده‌های پیش بین مبتنی بر مدلهای دینامیکی فرایند، عمدتاً" مدلهای خطی تجربی، است که با شناسایی سیستم به دست آمده‌اند. مهمترین مزیت MPC آن است که امکان بهینه سازی تایم اسلات جاری را با در نظر گرفتن تایم اسلاتهای آینده می‌دهد. این کار با بهینه سازی یک افق زمانی محدود اما اجرای آن تنها در تایم اسلات جاری انجام می‌گیرد. MPC توانایی پیش بینی رخدادهای آینده و اتخاذ اعمال کنترلی متناسب با آن را دارد. کنترل کننده‌های PID و LQR توانایی پیش بینی را ندارند. MPC نوعی کنترل دیجیتال است.

برداشت کلی[ویرایش]

مدلهای به کاررفته در MPC معمولا" مدلهایی برای نشان دادن رفتار یک سیستم دینامیکی پیچیده هستند. الگوریتم کنترل پیش بین پیچیدگی سیستم را افزایش می‌دهد و برای کنترل سیستمهای ساده که اغلب با کنترل کننده‌های PID به خوبی کنترل می‌شوند لازم نیست. از مشخصه‌های دینامیکی رایجی که برای کنترل کننده‌های PID مشکل هستند می‌توان از تآخیرهای زمانی طولانی و دینامیکهای مرتبه بالا نام برد.

مدلهای MPC تغییرات متغیرهای وابسته را که نتیجه تغییرات متغیرهای نابسته هستند پیش بینی می‌کنند. در یک فرایند شیمیایی متغیرهای نابسته‌ای که می‌توان با کنترلر تغییر داد اغلب یا نقاط تنظیم (set point) کنترل کننده‌های PID رگولاتوری (فشار، فلو، دما...) هستند یا عنصر کنترلی نهایی (ولو، دمپر...). متغیرهای نابسته‌ای که نمی‌توان با کنترل کننده تنظیم کرد به عنوان اغتشاش به کار می‌روند. متغیرهای وابسته در این فرایندها دیگر اندازه گیریهایی هستند که یا اهداف کنترلی را نشان می‌دهند یا محدودیتهای کنترلی.

MPC با استفاده از اندازه گیریهای فعلی از سیستم تحت کنترل، حالت دینامیکی فعلی فرایند، مدلهای MPC و اهداف و محدودیتهای متغیر فرایند، تغییرات آتی متغیرهای وابسته را محاسبه می‌کند. این تغییرات به گونه‌ای محاسبه می‌شوند که متغیرهای وابسته نزدیک به هدف بمانند و محدودیتها روی متغیرهای نابسته و وابسته رعایت شود. معمولا" MPC تنها اولین تغییر در هر متغیر نابسته را برای اجرا می‌فرستد و محاسبه را برای تغییر بعدی تکرار می‌کند.

با وجود آنکه بسیاری از فرایندهای واقعی خطی نیستند اغلب می توان آنها را در بازه کوچکی خطی در نظر گرفت. روشهای MPC خطی در بیشتر کاربردها با مکانیسم فیدبک به کار می روند که خطاهای پیش بینی ناشی از عدم تطبیق بین مدل و فرایند را جبران می کند. در کنترل کننده های پیش بین که تنها از مدلهای خطی تشکیل می شوند اصل برهم نهی (جمع آثار) جبر خطی امکان می دهد اثر تغییرات متغیرهای نابسته چندگانه برای پیش بینی پاسخ متغیر وابسته با هم جمع شوند. با این کار مسئله کنترلی به یک سری محاسبات جبری ماتریسی مستقیم ساده می شود که سریع و مقاوم هستند.

هنگامي كه مدلهاي خطي به اندازه كافي براي نشان دادن غيرخطي بودن واقعي مدل دقيق نيستند از روشهاي گوناگوني مي توان استفاده كرد. در برخي موارد مي توان از تغيير متغيرهاي فرايند پيش و/يا پس از مدل خطي براي كاهش غير خطي بودن استفاده كرد. فرايند را مي توان با MPC غير خطي كه مستقيما" از مدل غير خطي استفاده مي كند كنترل كرد. مدل غير خطي مي تواند به شكل يك برازش منحني تجربي (مانند شبكه هاي عصبي مصنوعي) يا يك مدل ديناميكي دقيق بر مبناي توازن بنيادي جرم و انر‍ژي باشد. مدل غير خطي را مي توا ن براي به دست آوردن فيلتر كالمن و يا استفاه از آن در MPC خطي، خطي سازي كرد.

منابع[ویرایش]