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 2026)
| Lectures | Exercises | |
|---|---|---|
| Start | April 20th 2026 | April 22th 2026 |
| 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, Philipp Binfet and Jannik Riemann |
| 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 Optimerungsproblemen zur Laufzeit realisieren lässt (explizite MPC) und wie Störeinflüsse kompensiert werden können (robuste MPC). In der gesamten Veranstaltung liegt der Fokus auf linearen Systemdynamiken.
This course offers an application-oriented introduction to this versatile and widely used control method. It builds on basic knowledge of state-space control acquired in introductory control engineering courses (such as “Regelungstechnik für MB”) and gradually develops this knowledge toward MPC. An important intermediate step in this regard is so-called linear-quadratic control (LQR), which can be understood as MPC without consideration of constraints. Once MPC has been conceptually understood, its implementation is explained using MATLAB and tested using example applications from various domains. Since MPC is an optimization-based control method, basic insights into (convex) optimization are then provided. Knowledge of “Angewandte konvexe Optimierung” is helpful here, but not strictly required. In the final third of the session, variants and extensions of MPC will be discussed. In particular, we will explain how MPC can be implemented without solving optimization problems at runtime (explicit MPC) and how disturbances can be compensated for (robust MPC). Throughout the event, the focus is on linear system dynamics.
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.