To content
Department of Mechanical Engineering
Fundamentals of model predictive control

Grundlagen der modellprädiktiven Regelung

Modern control tasks are often so complex that classical control schemes (such as PID) quickly reach their limits. In particular, the consideration of multiple interacting control inputs and outputs as well as constraints on these values (such as limited valve openings or temperature intervals to be meet) constitute major challenges. Model predictive control (MPC) provides an elegant and effective solution to such problems. In fact, MPC can handle challenging system dynamics - independent of the number of inputs, states, or outputs - by explicitly taking a model of the system into account. Moreover, process constraints are incorporated as constraints of an optimal control proplem (OCP). During runtime, this OCP is recurringly initialized with the current system state and solved on a finite prediction horizon. The first part of the resulting opimal control sequence is then applied to the system and the procedure is repeated at the next sampling instant. One obtains a (nearly) optimally operated closed-loop system.

Organizational info (Summer term 2024)

  Lectures Exercises
Start April 8th 2024 tbd
Time Mondays, 14:15 to 15:45 Thurdays, 14:15 to 15:45
Room  MB E23/E24 MB E23/E24
Lecturers / Tutors Moritz Schulze Darup Johannes van Randenborgh
Moodle Link to the course
Language German

Content (according to module descprition)

Die Vorlesung bietet eine anwendungsorientierte Einführung in dieses vielseitig einsetzbare und weit verbreite Regelungsverfahren. Dabei wer­den elementare Kenntnis zur Zustandsregelung aus regelungstechnischen Grundlagenveranstaltungen (wie etwa „Regelungstechnik für MB“) aufgegriffen und schrittweise hin zur MPC ent­wickelt. Ein wich­ti­ger Zwischenschritt ist diesbezüglich die so­ge­nannte linear-quadratische Re­ge­lung (LQR), die sich als MPC ohne Be­rück­sich­ti­gung von Beschränkungen auffassen lässt. Sobald die MPC konzeptionell ver­stan­den wurde, wird die Im­ple­men­tie­rung mit­hil­fe von Matlab er­läu­tert und anhand von Beispielanwendungen aus un­ter­schied­li­chen Domänen erprobt. Da die MPC eine optimierungsbasierte Re­ge­lung darstellt, wer­den an­schlie­ßend grund­le­gen­de Ein­blicke in die (konvexe) Op­ti­mie­rung gegeben. Hier sind Kennt­nisse aus „An­ge­wand­te konvexe Op­ti­mie­rung“ hilfreich, jedoch nicht zwingend er­for­der­lich. Im letzten Drittel der Ver­an­stal­tung wer­den Varianten und Erweiterungen der MPC the­ma­ti­siert. Insbesondere wird er­läu­tert, wie sich MPC ohne die Lö­sung von OSA zur Lauf­zeit re­a­li­sie­ren lässt (explizite MPC) und wie Störeinflüsse kompensiert wer­den kön­nen (robuste MPC). In der ge­sam­ten Ver­an­stal­tung liegt der Fokus auf linearen Systemdynamiken.

Literature

J. B. Rawlings, D. Q. Mayne, and M. M. Diehl. Model Predictive Control: Theory, Computation, and Design. Nob Hill Publishing, 2nd Edition, 2017.

B. Kouvaritakis and M. Cannon. Model Predictive Control: Classical, Robust and Stochastic. Springer, 2016.