Điều khiển tích hợp trên cơ sở điều khiển dự báo tựa mô hình (MPC) và Điều khiển trượt (SMC) cho đối tượng SISO có pha không cực tiểu

- Điều khiển dự báo tựa mô hình 121.1.1.
- Khái niệm điều khiển dự báo dựa theo mô hình 151.1.3.
- Điều khiển trượt 341.2.1.
- Mềm hóa thành phần điều khiển không liên tục 401.2.3.
- Xây dựng luật điều khiển 452.3.
- Miền dự báo tín hiệu ra y(t) và tín hiệu điều khiển u(t.
- Tín hiệu điều khiển và s(t) khi KD=1(a) và KD=0.1(b.
- Đáp ứng đầu ra của đối tượng, tín hiệu điều khiển khi tín hiệu đặt thay đổi khi áp dụng phương pháp GPC với N1=1, N2=30, Nu=10,lamda=1.
- 8 \ Hình 3.7 Đáp ứng đầu ra của đối tượng, tín hiệu điều khiển khi có sự thay đổi một thông số mô hình 5% và 25%, khi áp dụng phương pháp GPC với N1=1, N2=30, Nu=10, lamda=1.
- Đáp ứng đầu ra của đối tượng, tín hiệu điều khiển khi có sự thay đổi một thông số mô hình 5% và 25%, khi áp dụng phương pháp GPC với N1=1, N2=30, Nu=10, lamda=0.5.
- Ví dụ, MPC có thể áp dụng cho các quá trình mẻ được gọi là điều khiển dự báo phi tuyến lặp (Cueli & Bordon, 2008) hoặc điều khiển dự báo lai cho phép tích hợp biến số gián đoạn và liên tục (Bemporad & Morari, 1999).
- Do đó, sách lược điều khiển này phù hợp với các quá trình có những đặc điểm động học trên.
- Một vài nghiên cứu kết hợp hai kỹ thuật điều khiển này đã được tiến hành.
- Trong đó, dạng đáp ứng quá độ được cải thiện bằng cách kết nối một bộ điều khiển dự báo tổng quát (GPC) và một thuật toán cấu trúc biến đổi (Variable [ 10 \ structure algorithm).
- SMPC (Sliding Mode Predictive Control) là một bộ điều khiển đơn, trong đó, có đưa giá trị dự báo mặt trượt vào trong phiếm hàm mục tiêu.
- Kết quả điều khiển thu được thông qua lựa chọn các thông số chỉnh định phù hợp.
- Sau đó, kiểm chứng tính đúng đắn và chất lượng đạt được của phương pháp điều khiển này.
- Nhận xét, đánh giá hiệu quả của phương pháp điều khiển SMPC.
- Chương 1 nhắc lại tóm tắt về phương pháp điều khiển dự báo tựa mô hình (MPC - Model Predictive Control) và điều khiển trượt (SMC – Sliding Mode Control).
- Điều khiển dự báo tựa mô hình Điều khiển dự báo là sử dụng các thông tin hiện có và trong quá khứ của đối tượng để dự báo tín hiệu điều khiển và tín hiệu ra trong tương lai.
- Các tín hiệu điều khiển và các tín hiệu ra trong tương lai được tính toán dựa trên mô hình của đối tượng được gọi là bộ điều khiển dự báo tựa mô hình (Model Predictive Control-MPC).
- Có rất nhiều phương pháp thiết kế bộ điều khiển dựa trên khái niệm điều khiển dự báo tựa mô hình.
- Ngoài ra, MPC cũng có thể điều khiển các quá trình có tín hiệu điều khiển bị chặn, có các điều kiển ràng buộc.
- Nó thích hợp cho điều khiển các hệ nhiều vào nhiều ra (MIMO.
- Xác định hàm mục tiêu dựa trên tác động điều khiển trong tương lai và sai lệch điều khiển dự báo (tín hiệu chủ đạo trong tương lai có thể biết trước) 3.
- Tìm dãy giá trị điều khiển tối ưu trong tương lai để tối thiểu hóa hàm mục tiêu, với một số điều kiện ràng buộc 4.
- Đưa ra tác động điều khiển sử dụng giá trị đầu tiên trong dãy tìm được 5.
- Trong chu kỳ điều khiển tiếp theo: Đo giá trị đầu ra và lặp lại quy trình từ bước 3.
- Một số thuật toán MPC Có nhiều phương pháp điều khiển được thiết kế dựa trên khái niệm điều khiển dự báo mô hình.
- 1.4 Phần thứ hai của phương trình (1.4) là đáp ứng tự do, thành phần này không phụ thuộc vào các tác động điều khiển.
- Giá trị đầu ra dự báo trong khoảng dự báo tín hiệu ra N2 và Nu tín hiệu điều khiển là Δ.
- 1.6 Phương trình (1.6) chỉ ra mối quan hệ giữa đầu ra tương lai và số gia điều khiển .
- 1.10 Trong DMC, tầm điều khiển và các hệ số phạt là các thông số chỉnh định.
- Trong công thức bình phương cực tiểu, hệ số phạt được cho rằng làm trơn hơn tín hiệu điều khiển.
- Nếu đầu vào  bị giới hạn khi tối thiểu hóa hàm mục tiêu thì bộ điều khiển không thể loại trừ được offset.
- Khi điều khiển các quá trình đa biến, thì chúng được biểu diễn bởi các đáp ứng xung trực tuyến (online) của chúng (mô hình nội) để dự báo.
- 1.16 Tại mỗi thời điểm trích mẫu, chuỗi điều khiển được tách thành hai phần, 1) Một quỹ đạo tham chiếu mô hình.
- 1.21 Luật điều khiển của MAC (không có ràng buộc) là.
- 0 tạo ra tác động điều khiển nhanh hơn trong khi  được điều chỉnh để thu được tín hiệu điều khiển trơn hơn.
- PFC giải quyết bài toán điều khiển bám quỹ đạo nhanh và là một phương pháp hiệu quả cho các quá trình biến đổi nhanh.
- 24 \ Tín hiệu điều khiển tương lai được cấu trúc như là một sự kết hợp tuyến tính của các hàm cơ sở.
- có thể được thêm hàm giá trị để có được một tín hiệu điều khiển trơn.
- Tác động điều khiển tương lai có thể thu được bằng cách tối thiểu hóa tổng bình phương giữa đầu ra được dự báo và quỹ đạo tham chiếu tại những điểm trùng ngẫu nhiên.
- 25 \ Tín hiệu điều khiển được cho như sau .
- Chỉ giá trị đầu tiên của chuỗi tín hiệu điều khiển mới được đưa vào hệ thống.
- Tuy nhiên, bộ điều khiển có thể dừng làm việc nếu mô hình thay đổi quá lớn.
- Phương pháp này dùng hàm truyền gián đoạn (miền z) để mô hình hóa quá trình và đề xuất một tín hiệu điều khiển hằng bắt đầu từ thời điểm hiện tại trong khi dùng một bộ dự báo tối ưu con thay vì giải một phương trình Diophantine.
- 1.35 Thực tế là, khi tính toán các tác động điều khiển, các giá trị dự báo phụ thuộc và tín hiệu điều khiển tương lai giả thiết.
- Khi đó giá trị tín hiệu điều khiển thu được bằng cách tối thiểu hàm giá trị.
- Luật điều khiển.
- Tuy nhiên, việc chỉnh định online tầm dự báo ảnh hưởng đến cấu trúc điều khiển và cấu trúc bộ giá trị dự báo.
- 28 \ Ngoài ra, còn có ý tưởng khác, đó là giả thiết tín hiệu điều khiển là hằng số.
- trên toàn dải dự báo hoặc để tối thiểu hoa tác động điều khiển để tính toán ,1.
- 1.42 Thành phần đầu tiên của tín hiệu điều khiển mà đã thu được từ việc tối thiểu hóa hàm giá trị .
- Do vậy, luật điều khiển chỉ phụ thuộc vào thông số quá trình và thông số cần chỉnh định trong EHAC là tầm dự báo N.
- Tuy nhiên, với 0, thì không thu được tín hiệu điều khiển nào.
- Và việc mở rộng tầm điều khiển làm cho đáp ứng chậm hơn.
- Mô hình CARIMA được dùng để có thể đạt được những đầu ra dự báo tốt và tối ưu hóa chuỗi các tín hiệu điều khiển trong tương lai để tối thiểu hóa hàm mục tiêu trên toàn khoảng dự báo.
- Trong GPC, các giá trị dự báo được đặt trong các phần của các số gia điều khiển Δ.
- 1.45 Đầu ra được dự báo phụ thuộc vào các giá trị trước đó của nó và giá trị tín hiệu điều khiển trước đó và tương lai.
- phụ thuộc vào tín hiệu điều khiển tương lai.
- Những tín hiệu điều khiển này tính được trong GPC bằng cách tối thiểu hóa hàm mục tiêu.
- 1.49 Với giả thiết việc tính toán tín hiệu điều khiển bỏ qua chuỗi tín hiệu nhiễu tương lai, giá trị dự báo tối ưu được tính như sau Δy.
- Khi không có ràng buộc, tín hiệu điều khiển tính được từ việc tối thiểu hóa hàm mục tiêu là.
- Tín hiệu điều khiển hiện tại là .
- 1.57 Nếu 0, tín hiệu điều khiển không thay đổi.
- Tầm điều khiển và các hệ số trong hàm mục tiêu là các thông số chỉnh định.
- Phương pháp này đơn giản, yêu cầu ít phải tính toán và mang lại độ chính xác điều khiển cao.
- Chất lượng điều khiển phụ thuộc vào cách lựa chọn hằng số thời gian của quỹ đạo tham chiếu.
- 4) EPSAC dùng mô hình hàm truyền gián đoạn và có luật điều khiển đơn giản.
- Nó có thể điều khiển ổn định cho hệ pha không cực tiểu.
- Điều khiển trượt 1.2.1.
- từ đó đầu vào điều khiển được định nghĩa.
- Do tần số chuyển mạch là vô hạn, tín hiệu điều khiển bằng cả +KD và -KD.
- Tín hiệu điều khiển và s(t) khi KD=1(a) và KD=0.1(b) Cấu trúc của Filippov (1964) về động học tương đương là phương pháp phổ biến được dùng để giải bài toán này (Utkin, 1977).
- Khi s(t)=0 đầu vào điều khiển có thể được xác định từ phương trình Kết hợp phương trình trên và mô tả đối tượng (2.59), xác định được tín hiệu điều khiển.
- Vì thế, phương pháp này được gọi là điều khiển tương đương (equivalent control).
- 1.64 Điều kiện (1.64) là điều kiện để tín hiệu điều khiển đạt đến s(t)=0 trong một thời gian hữu hạn, do đó được gọi là luật điều khiển đạt đến s(t)=0 (reaching law).
- Một luật điều khiển tương đương có dạng.
- Trong khi tín hiệu điều khiển tương đương ueq được hiểu là toàn bộ tín hiệu điều khiển (ví dụ: là tổng.
- Chỉ với một mô hình chính xác hoàn hảo, đo lường chuẩn xác, và không có nhiễu, thì chỉ cần tính được tín hiệu điều khiển tương đương ueq.
- 1.71 Hệ số  được xác định bởi kỹ sư điều khiển.
- khoảng điều khiển không liên tục có bão hòa được định nghĩa.
- khoảng điều khiển không liên tục có bão hòa vi phân liên tục được định nghĩa.
- Mặt trượt dự báo được đề xuất để phát triển bộ điều khiển có dạng: S|Pzykj|kwkjQz∆uk  j  1  d 2.3 Trong đó, w(t): quỹ đạo giá trị đặt, Pz.
- Chú ý rằng sử dụng sai lệch tín hiệu điều khiển tương lai cho giá trị dự báo mặt trượt tương lai tốt hơn, đặc biệt khi quá trình điều khiển có trễ.
- Thông thường, trong thực tế, giá trị này bằng hằng số trong cả tầm điều khiển.
- Mục đích của bộ điều khiển là tính toán các giá trị điều khiển trong tương lai để mặt trượt trong tương lai sẽ tiến về 0.
- Mặt trượt lựa chọn được cần phải chỉnh được luật điều khiển để giữ mặt trượt S(k)=0.
- Luật điều khiển ∆u(k) bao gồm hai thành phần: ∆uk∆uk ∆uk 2.7 hay ∆uk∆uk ∆uk.
- N2 dựa vào thông tin đã biết tại thời điểm t và các giá trị tương lai của tín hiệu điều khiển.
- 2.9 Vector các tín hiệu điều khiển: ∆uk∆uk,…,∆ukN1.
- 2.14 giả thiết tín hiệu điều khiển không bị ràng buộc, thu được nghiệm của phương trình tối thiểu hóa hàm mục tiêu này: ∆ukKwkfk 2.15 Trong đó, fs là đáp ứng tự do của đầu ra dự báo khi các biến điều chỉnh quá trình đặt bằng 0.
- 2.17 Cuối cùng, thu được tín hiệu điều khiển: ∆uk∆uk ∆uk 2.18 Kwkfk∆uk Để tóm tắt lại, SMPC gồm hai phần.
- Kết hợp mô hình (3.1) với phương trình diophantine ta được phương trình dự báo tín hiệu ra sau: ykjEz.Bz∆ukj1Fzyk 2.22 Trong đó, ykj: hàm của giá trị tín hiệu đã biết tại thời điểm t = k và cũng là tín hiệu điều khiển tương lai chưa tính toán được.
- Dùng phương trình diophantine thứ hai (3.23) để phân biệt giá trị điều khiển quá khứ và tương lai: Ez.BzGzzΓz.
- Khi trọng số điều khiển bằng 0 ( λ có thể được viết thành: Ksmpc = [(PsG+Qs)T(PsG+Qs)]-1+ (PsG+Qs)TPs = (PsG+Qs)-1Ps ∆u = Ksmpc(w(k.
- 53 \ Tín hiệu điều khiển uD có hai thông số chỉnh định KD và.
- Ban đầu, KD có thể được chọn giá trị giống như giá trị hệ số khuếch đại tỉ lệ của bộ điều khiển PID.
- Tiêu chuẩn chung để điều chỉnh một bộ điều khiển MPC tuyến tính được dùng để chỉnh định phần dự báo tựa mô hình của bộ điều khiển (Camacho & Bordons, 2007)

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt