Modellprädiktive Regelung

  Urheberrecht: © IC

Sowohl in Industrie als auch in Forschung gewinnen Regelungsmethoden basierend auf Online-Optimierung und Receding-Horizon-Informationen, wie zum Beispiel die modellprädiktive Regelung (Model Predictive Control, MPC), immer mehr an Bedeutung. Bei der MPC wird in jedem Abtastschritt ein geeignetes Optimalsteuerungsproblem mit endlichem Prädiktionshorizont gelöst. Dabei wird lediglich die erste Komponente der optimalen Lösung der Eingangstrajektorie bis zum nächsten Abtastschritt angewendet.

MPC-Verfahren beruhen in der Regel auf der Annahme, dass die unterliegende Optimierung vernachlässigt werden kann und das optimale Eingangssignal zu jedem Abtastschritt exakt berechnet werden kann. Bei einer schnellen Prozessdynamik oder rechenzeitbeschränkter Hardware ist diese Annahme jedoch möglicherweise nicht mehr gültig. Die Gewährleistung von wichtigen Stabilitäts- und Performance-Eigenschaften des resultierenden geschlossenen Regelkreises stellt dann eine herausfordernde Aufgabe dar, wenn es um die praktische Anwendung von MPC-Verfahren in Echtzeit geht. Dies spricht für die Entwicklung numerisch effizienter MPC-Algorithmen, welche eine schnelle und effiziente Lösung des Online Optimalsteuerungsproblems ermöglichen und gleichzeitig systemtheoretische Eigenschaften des geschlossenen Regelkreises garantieren können (z. B. Stabilität und Einhaltung von Eingangs- und Zustandsbeschränkungen). In diesem Fall besteht der geschlossene Regelkreis aus den verkoppelten Dynamiken von der geregelter Strecke und zugehörigem Optimierungsalgorithmus.

Unser Ziel ist der Entwurf und Analyse sogenannter barrierefunktionenbasierter Anytime-MPC-Algorithmen unter Berücksichtigung der Dynamik des zugrundeliegenden Optimierungsalgorithmus. Diese garantieren sowohl wünschenswerte systemtheoretische als auch algorithmische Eigenschaften für beliebig schnelle Prozessdynamiken und unabhängig von der Zahl der pro Abtastschritt ausgeführten Iterationen. Die Implementierung der entwickelten MPC-Algorithmen im Bereich des autonomen Fahrens zeigt, dass der entwickelte Ansatz in der Praxis sehr gut funktioniert.

 

Zugehörige Publikationen

Titel	Beteiligte
Anytime MHE-based output feedback MPC In: IFAC-PapersOnLine, 54 (2021), 6, 264-271 Beitrag zu einem Tagungsband, Fachzeitschriftenartikel [DOI: 10.1016/j.ifacol.2021.08.555]	Gharbi, Meriem (Corresponding author) Ebenbauer, Christian Johannes (Corresponding author)
Sparsity-Exploiting Anytime Algorithms for Model Predictive Control: A Relaxed Barrier Approach In: IEEE transactions on control systems technology, 28 (2018), 2, 425-435 Fachzeitschriftenartikel [DOI: 10.1109/TCST.2018.2880142]	Feller, Christian (Corresponding author) Ebenbauer, Christian Johannes
Online learning with stability guarantees: A memory-based warm starting for real-time MPC In: Automatica : a journal of IFAC, 122 (2020), 109247 Fachzeitschriftenartikel [DOI: 10.1016/j.automatica.2020.109247]	Schwenkel, Lukas (Corresponding author) Gharbi, Meriem Trimpe, Johann Sebastian Ebenbauer, Christian Johannes
A stabilizing iteration scheme for model predictive control based on relaxed barrier functions In: Automatica : a journal of IFAC, the International Federation of Automatic Control, 80 (2017), 328-339 Fachzeitschriftenartikel [DOI: 10.1016/j.automatica.2017.02.001]	Feller, Christian (Corresponding author) Ebenbauer, Christian Johannes (Corresponding author)