Optimalni problemi sa kontrolom su u srcu mnogih inženjerskih i naučnih aplikacija, od robotike i zrakoplovne pomoći u upravljanju energijom i industrijskom automatizacijom. Kao vodeći dobavljač kontrolnog sustava razumijemo složenosti i izazove koji su uključeni u rješavanje ovih problema. U ovom blogu ćemo istražiti ključne korake i tehnike za efikasno rješavanje optimalnih kontrolnih problema.
Razumijevanje optimalnog problema kontrole
Prije ronjenja u metode rješenja, ključno je imati jasno razumijevanje onoga što podrazumijeva optimalni problem kontrole. U njenom jezgru, optimalni kontrolni problem uključuje pronalaženje najboljih kontrolnih ulaza u dinamički sustav u datom vremenskom horizontu za postizanje određenog cilja dok zadovoljava određene ograničenja.
Dinamički sistem obično opisuje set diferencijalnih ili razlika jednadžbe koji upravljaju svojim ponašanjem. Na primjer, u robotskoj ruci, jednadžbe bi mogle opisati kako se položaj i brzina svake zglobove s vremenom mijenjaju kao odgovor na kontrolne ulaze (poput motornih momenta).
Cilj funkcija je matematički izraz koji kvantificira performanse Želimo optimizirati. To bi mogla biti minimiziranje potrošnje energije, maksimizirajući produktivnost ili postizanje željene putanje uz minimalnu grešku.
Ograničenja mogu biti jedna jednakost ili ograničenja nejednakosti. Ograničenja za ravnopravnost mogu predstavljati fizičke zakone ili sistemski zahtjevi, dok bi ograničenja nejednakosti mogla ograničiti raspon kontrolnih unosa ili državnih varijabli. Na primjer, motor može imati maksimalni granicu obrtnog momenta koji bi bila ograničenje nejednakosti na kontrolnom unosu.
Formulisanje problema
Prvi korak u rješavanju optimalnog problema kontrole je formulisati ga matematički. To uključuje definiranje dinamičkog sistema, objektivne funkcije i ograničenja.
Razmotrimo jednostavan primjer linearnog vremenskog invarijantnog (LTI) sistema. Državna zastupljenost prostora LTI sistema dat je:
[
\ dot {\ mathbf {x}} (t) = a \ mathbf {x} (t) + b \ mathbf {u} (t)
]
Gdje je $ \ mathbf {X} (t) $ je državni vektor, $ \ mathbf {u} (t) $ je kontrolni ulaz vektor, $ $ a $ je sustava matrica, a $ b $ je ulazna matrica.
Objektivna funkcija mogla bi biti kvadratna funkcija državnog i kontrolnog ulaza, kao što su:
[
J = \ int_ {t_0} ^ {t_f} \ lijevo (\ mathbf {x} ^ t (t) q \ mathbf {x} (t) + \ mathbf {u} ^ t (t) r \ mathbf {u} (t) \ desno) dt
]
Ako su $ Q $ i $ R $ pozitivne polu-definitivne i pozitivne definitivne matrice, respektivno. Ova objektivna funkcija kažnjava odstupanja od željenog stanja i prekomjernog kontrolnog ulaza.
Ograničenja bi mogle biti u obliku granica na kontrolnom unosu:
[
\ mathbf {u}{min} \ leq \ mathbf {u} (t) \ leq \ mathbf {u}{Max}
]
Jednom kada se problem formuliše, možemo nastaviti do sljedećeg koraka pronalaska rješenja.
Metode rešenja
Dostupno je nekoliko metoda za rješavanje optimalnih problema kontrole, svaki sa vlastitim prednostima i ograničenjima. Evo nekih od najčešće korištenih metoda:
Analitičke metode
Za neke jednostavne probleme moguće je pronaći analitičko rješenje koristeći tehnike poput Pontryagina-ovog minimalnog načela ili jednadžbe Hamilton-Jacobi-Bellman. Ove metode pružaju potrebne uvjete za optimalnost i mogu se koristiti za dobivanje optimalnog zakona za kontrolu u zatvorenom obliku.
Međutim, analitička rješenja često su ograničena na probleme sa jednostavnim dinamikom i objektivnim funkcijama. U većini realnih aplikacija, problemi su previše složeni da bi se analitički riješili i moramo pribjeći numeričkim metodama.
Numeričke metode
Numeričke metode su radno konja za rješavanje optimalnih kontrolnih problema u praksi. Postoje dvije glavne kategorije numeričkih metoda: izravne metode i indirektne metode.
Direktne metode
Direktne metode pretvaraju optimalni problem kontrole u problem nelinearnog programiranja (NLP) diskrecije državne i kontrolne varijable. Objektivna funkcija i ograničenja se zatim procjenjuju po diskretnim vremenskim mjestima, a NLP problem se rješava koristeći standardne algoritme za optimizaciju.
Jedna popularna izravna metoda je metoda snimanja koja uključuje pogodak za početne kontrolne ulaze i integriranje jednadžbi sistema naprijed na vrijeme. Objektivna funkcija se zatim evaluira u konačnom vremenu, a kontrolni ulazi se prilagođavaju iterativno kako bi se smanjila objektivna funkcija.
Druga uobičajena izravna metoda je metoda kolokacije koja približava stanje državne i kontrolne varijable pomoću polinoma i provodi dinamična ograničenja na skupu točaka kolokacije. Rezultirajući NLP problem može se riješiti pomoću metoda unutrašnjosti ili sekvencijalnih kvadratnih programskih algoritama.
Indirektne metode
Indirektne metode, s druge strane, koristite potrebne uvjete za optimalnost izvedena iz Minimalnog principa Ponttryaginova ili na Hamilton-Jacobi-Bellman jednadžba. Ove metode obično uključuju rješavanje problema s ograničenim vrijednostima u dva točka (TPBVP) za stanje i koštaju varijable.
Glavna prednost indirektnih metoda je što mogu pružiti precizniji rješenja i bolji uvid u optimalni zakon o kontroli. Međutim, oni su često teže implementirati i zahtijevati više računalnih resursa, posebno za probleme sa složenim dinamikom i ograničenjima.
Implementacija rješenja
Nakon što pronađemo optimalni zakon o kontroli, sljedeći korak je implementirati ga u stvarnom sistemu. To uključuje dizajniranje kontrolera koji može izračunati kontrolne ulaze na osnovu trenutnog stanja sistema.
Za linearne sisteme, optimalni zakon za kontrolu često se može provesti pomoću linearnog kvadratnog regulatora (LQR) ili modela prediktivnog regulatora (MPC). LQR je kontroler povratne informacije koji izračunava kontrolne ulaze kao linearnu funkciju stanja vektora, dok je MPC remed-horizon regulator koji rješava optimalni problem kontrole u svakom koraku na temelju trenutne procjene stanja.
Pored dizajna kontrolera, moramo razmotriti i implementaciju hardvera i softvera kontrolnog sustava. To uključuje odabir odgovarajućih senzora i aktuatora, dizajniranjem sučelja za kondicioniranje i komunikaciju signala i programiranje kontrolera pomoću odgovarajućeg programskog jezika ili razvojnog okruženja.
Studije slučaja
Da biste ilustrirali praktičnu primjenu optimalnih tehnika kontrole, razmotrimo neke studije slučaja iz našeg iskustva kao dobavljača kontrolnog sustava.
Garažni regulator vrata
NašGaražni regulator vrataDizajniran je za pružanje glatkog i efikasnog rada garažnih vrata. Korištenjem optimalnih tehnika kontrole možemo minimizirati potrošnju energije otvarača vrata dok osigurava brzo i pouzdano vrijeme otvaranja i zatvaranja.
Dinamički sustav garažnih vrata može se modelirati kao sustav drugog reda, a objektivna funkcija se može formulirati kako bi se smanjila potrošnja energije i vrijeme otvaranja / zatvaranja. Ograničenja uključuju maksimalni granicu momenta motora i sigurnosne granice na položaju vrata i brzinu.
Koristeći model prediktivnog regulatora, možemo izračunati optimalne kontrolne ulaze u svakom koraku na temelju trenutnog stanja vrata i željenog putanju otvaranja / zatvaranja. Kontroler tada može podesiti moment motora za postizanje optimalnih performansi dok zadovoljava ograničenja.
Pergola kontroler AC napaja
NašPergola kontroler AC napajaDizajniran je za automatizaciju rada Pergola, pružajući optimalno sjenčanje i ventilaciju na temelju okolišnih uvjeta. Korištenjem optimalnih kontrolnih tehnika možemo prilagoditi položaj Pergola Louas-a da maksimizira solarno sjenčanje dok minimizirate potrošnju energije aktuatora.
Dinamički sustav Pergole može se modelirati kao sistem za višestruki stupanj slobode, a objektivna funkcija može se formulirati kako bi se maksimizirala solarno sjenčanje i minimiziranje potrošnje energije. Ograničenja uključuju mehanička ograničenja na položaju louver-a i maksimalnu potrošnju električne energije aktuatora.
Koristeći izravnu metodu možemo diskreditirati optimalni problem kontrole i riješiti je kao nelinearni program programiranja. Rezultat optimalnog zakona za kontrolu može se zatim provesti pomoću kontrolera zasnovanog na mikrokontroleru koji može komunicirati sa senzorima i aktuatorima Pergole.
Motorni sistemski prijemnik
NašMotorni sistemski prijemnikDizajniran je za primanje i obradu kontrolnih signala iz daljinskog upravljača ili centralnog upravljačkog sistema. Korištenjem optimalnih tehnika kontrole možemo optimizirati komunikacijski protokol i upravljanje napajanjem prijemnika kako bi se osigurao pouzdan i energetski efikasan rad.
Dinamički sustav prijemnika može se modelirati kao komunikacijski sustav sa podsistemom za upravljanje napajanjem, a objektivna funkcija može se formulirati kako bi se smanjila potrošnja energije i kašnjenja u komunikaciji. Ograničenja uključuju minimalnu potrebu za jačinom signala i maksimalnu granicu potrošnje energije.
Koristeći indirektnu metodu, možemo izvući potrebne uvjete za optimalnost i riješiti rezultirajuće problemom granične vrijednosti u dvije točke. Zakon o optimalnom kontrolu može se zatim provesti pomoću mikrokontrolera sa malim napajanjem i bežičnom komunikacijskom modulu.
Zaključak
Rješavanje optimalnog problema kontrole složen je i izazovan zadatak koji zahtijeva kombinaciju matematičkog modeliranja, tehnika optimizacije i inženjerske implementacije. Kao dobavljač sustava upravljanja imamo stručnost i iskustvo kako bismo pomogli našim kupcima efikasno da se bave tih problema.
Ako ste zainteresirani za učenje više o našim upravljačkim sustavnim rješenjima ili raspravljamo o vašim specifičnim optimalnim zahtjevima za kontrolu, molimo ne ustručavajte se kontaktirati nas. Uvijek smo sretni što razgovaramo i istražujemo kako možemo raditi zajedno kako bismo postigli svoje ciljeve.
Reference
- Bryson, AE, & Ho, yc (1975). Primijenjena optimalna kontrola: optimizacija, procjena i kontrola. Publifing Corporation izdanje hemisfere.
- Bertsekas, DP (2005). Dinamičko programiranje i optimalna kontrola, vol. I i II. Atina naučna.
- Rawlings, JB, & Mayne, DQ (2009). Model Prediktivna kontrola: teorija i dizajn. Nob Hill Publishing.