控制器状态估计
控制器状态变量
当控制器运行时,它使用当前状态,xc,作为预测的基础。根据定义,状态向量如下:
在这里,
xc控制器状态是否包含nxp+nxid+nxod+nxn状态变量。
xp植物模型是长度的状态向量吗nxp.
xid输入扰动模型是长度的状态向量吗nxid.
xod输出扰动模型是长度的状态向量吗nxod.
xn测量噪声模型是长度的状态向量吗nxn.
因此,变量组成xc代表MPC系统下图中的模型。
有些状态向量可能是空的。如果不是,它们将出现在每个模型中定义的序列中。
默认情况下,控制器使用最新的工厂测量值自动更新其状态。看到状态估计获取详细信息。或者,自定义状态估计特性允许您使用外部过程更新控制器状态,然后将这些值提供给控制器。看到自定义状态估计获取详细信息。
状态观测器
图中所示模型的组合产生了状态观测器:
MPC控制器以以下方式使用状态观测器:
观测器的输入信号是无量纲的植物操纵和测量的扰动输入,扰动和噪声模型的白噪声输入:
观察者的输出是ny无量纲的植物输出。
从图中定义四个模型的参数来看,观测器的参数为:
在这里,植物和输出扰动模型被重新排序,使测量输出先于未测量输出。
状态估计
一般来说,控制器状态是不可测量的,必须进行估计。默认情况下,控制器使用来自状态观测器的稳态卡尔曼滤波器。
开始的时候k在控制区间内,按以下步骤估计控制器状态:
准备以下数据:
xc(k|k- 1) -控制器状态估计从以前的控制间隔,k1
u行为(k- 1) -实际用于工厂的操纵变量(MV)k1到k(假定常数)
u选择(k- 1) - MPC推荐的最佳MV,假定用于工厂k1到k
v(k) -电流测量扰动
y米(k) -电流测量装置输出
Bu,Bv—观察者参数列B对应于u(k),v(k)输入
C米-观测器参数C行对应测量的工厂输出
Dmv—观察器参数行和列D与测量的植物输出和测量的干扰输入相对应
l,米-常数卡尔曼增益矩阵
在计算中使用之前,植物输入和输出信号被缩放到无量纲。
修改xc(k|k1)当u行为(k1)和u选择(k-1)是不同的。
计算创新。
更新控制器状态估计,以考虑最新的测量结果。
然后,软件使用当前状态估计xc(k|k)求解区间二次规划k.解决办法是u选择(k),即mpc建议在控制间隔之间使用的操纵变量值k而且k+ 1。
最后,软件为下一个控制区间做准备,假设未知输入,wid(k),wod(k),wn(k)假设它们在时间之间的平均值(零)k而且k+ 1。该软件预测已知输入和创新的影响如下:
内置稳态卡尔曼增益计算
模型预测控制工具箱™软件使用卡尔曼
命令来计算卡尔曼估计器增益l而且米.以下假设适用:
状态观测器参数一个,B,C,D定常。
控制器,xc,都是可检测的。(如果不是,或者如果观察者在数值上接近于不可检测,卡尔曼增益计算失败,产生一个错误消息。)
随机输入wid(k),wod(k),wn(k)是独立的白噪声,每个白噪声的均值为零,协方差为单位。
额外白噪声wu(k),wv(k)具有相同的特征,增加到无量纲u(k),v(k)分别输入。这在某些情况下提高了估计器的性能,例如当植物模型是开环不稳定时。
在不失通用性的前提下,设置u(k),v(k)输入为零。随机输入对控制器状态和被测设备输出的影响为:
在这里,
的输入卡尔曼
命令是状态观测器参数一个,C米,和以下协方差矩阵:
在这里,E{…}denotes the expectation.
输出变量预测
模型预测控制要求预测用于优化的无噪声未来工厂输出。这是状态观测器的一个关键应用(参见状态观测器).
在控制区间内k,所需数据如下:
p-预测区间(控制区间数,大于或等于1)
xc(k|k-控制器状态估计(见状态估计)
v(k) -电流测量扰动输入(MDs)
v(k+我|k) -预测未来的医学博士,其中我= 1:p1。如果你不使用MD预览,那么v(k+我|k) =v(k).
一个,Bu,Bv,C,Dv—状态观测器常数,其中Bu,Bv,Dv的列B而且D输入对应的矩阵u而且v.Du矩阵为零是因为没有直接馈通吗
预测假设未知白噪声输入为零(他们的期望)。此外,预计的工厂产量将是无噪音的。因此,所有涉及测量噪声状态的项从状态观测器方程中消失。这相当于把最后一个归零nxn的元素xc(k|k).
根据上述数据和简化,对于第一步,状态观测器预测:
继续连续的步骤,我= 2:p,状态观测器预测:
在任何一步,我= 1:p时,预测的无噪声植物产量为:
所有这些方程都采用了无量纲的植物输入和输出变量。看到指定比例因子.这些方程也假定偏移量为零。包含非零偏移量很简单。
为了更快的计算,MPC控制器使用上述方程的另一种形式,其中常数项在控制器初始化期间计算和存储。看到QP矩阵.