MPC_20130327

Zdroj
ručne priradené
Pridané

Pozrieť na YouTube →

Preber si túto prednášku so svojou AI

Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.

Otvoriť AI: ChatGPT · Claude · Gemini

Zhrnutie prednášky

Prednáška sa venuje výpočtovej zložitosti prediktívneho riadenia (MPC) a spôsobom, ako ju znížiť. Vysvetľuje sa, že MPC je síce optimálne a zaručuje splnenie obmedzení, ale jeho praktické nasadenie brzdí náročnosť riešenia optimalizačnej úlohy v reálnom čase a potreba drahého softvéru a hardvéru. Keďže zložitosť kvadratického programu rastie približne s treťou mocninou počtu optimalizačných premenných, skracovanie predikčného horizontu by síce pomohlo, no zhoršuje kvalitu regulácie, preto sa ako vhodnejšia alternatíva predstavuje technika tzv. move blocking. Jej princípom je ponechať dlhý predikčný horizont, ale zredukovať počet voľných riadiacich zásahov tak, že akčné veličiny smerom ku koncu horizontu sa „zablokujú“ na spoločnú hodnotu, čím sa zníži počet optimalizovaných premenných a zrýchli výpočet za cenu miernej straty výkonu regulátora.

  • - MPC je optimálne a garantuje splnenie obmedzení, ale je výpočtovo náročné a drahé na implementáciu.
  • - Zložitosť riešenia QP rastie približne s 3.5-tou mocninou počtu optimalizačných premenných.
  • - Skrátenie predikčného horizontu zníži zložitosť, ale zhorší výkon regulátora (podobne ako PID).
  • - Move blocking ponecháva dlhý predikčný horizont, ale znižuje počet voľných (nezablokovaných) riadiacich vstupov.
  • - Riadiace zásahy na konci horizontu sú menej dôležité, preto sa 'zablokujú' na hodnotu poslednej voľnej premennej.
  • - Výsledkom je menší, rýchlejšie riešiteľný optimalizačný problém pri zachovaní dĺžky predikcie.
  • - Nevýhodou move blockingu je mierne zhoršenie kvality regulácie oproti plnej optimalizácii celej sekvencie.

Zhrnutie pripravené s pomocou AI z prepisu videa.