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.
About to come.
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.