由于控制器操作,它用它的当前状态,XC,作为预测的基础。根据定义,所述状态向量如下:
这里,
XC是控制器的状态,包括ñXP+ñXID+ñXOD+ñXN状态变量。
Xp是长度的植物模型状态向量,ñXP。
XID是长度的输入扰动模型的状态矢量,ñXID。
XOD是长度的输出扰动模型的状态矢量,ñXOD。
Xñ是长度的测量噪声模型的状态矢量,ñXN。
由此,变量包括XC代表出现在MPC系统的下图中的车型。
一些状态向量可以是空的。如果不是,他们会出现在每个模型中定义的顺序排列。
默认情况下,控制器会自动更新其状态采用了最新的工厂测量。看到状态估计了解详情。可替换地,定制状态估计功能允许使用外部程序来更新所述控制器的状态,然后提供这些值到控制器。看到自定义状态估计了解详情。
在图中所示的模型的组合产生的状态观测器:
MPC控制器使用在以下几个方面的状态观测器:
观察者的输入信号是无量纲的植物操纵和测量的干扰输入,并且白噪声输入到干扰和噪声模型:
观察者的输出是ñÿ因次厂输出。
在定义图中所示的四种模式中的参数方面,观察者的参数是:
在此,植物和输出扰动模型重新排序,以使测量的输出先于未测量输出。
一般情况下,控制器状态是不可测量的,必须进行估计。默认情况下,所述控制器使用稳态卡尔曼滤波器从状态观测器导出。
在的开始ķ个控制间隔中,控制器状态估计具有以下步骤:
获得以下数据:
XC(ķ|ķ-1) - 控制器状态从以前的控制区间估计,ķ-1
ü法案(ķ-1) - 操纵变量(MV)从工厂中实际使用ķ-1ķ(假定为常数)
ü选择(ķ-1) - 最佳MV推荐MPC和假定在从植物中使用ķ-1ķ
v(ķ) - 电流测量的扰动
ÿ米(ķ) - 电流测量植物输出
乙ü,乙v- 观测参数的列乙对应ü(ķ)和v(ķ)输入
C米- 观察者参数C的行对应于测得的植物输出
dMV- 观测参数的行和列d对应于测得的植物输出和测量的扰动输入
大号,中号- 恒卡尔曼增益矩阵
植物的输入和输出信号被缩放为在计算中使用无量纲之前。
修改XC(ķ|ķ1)当ü法案(ķ-1)ü选择(ķ-1)是不同的。
计算创新。
更新控制器状态估计占了最新的测量。
然后,该软件采用了目前状态估计XC(ķ|ķ)来解决在间隔二次程序ķ。解决的办法是ü选择(ķ),以控制间隔之间所使用的MPC-推荐控制变量值ķ和ķ+1。
最后,软件准备进行下一个控制区间假设未知输入,w ^ID(ķ)w ^OD(ķ),和w ^ñ(ķ)承担倍的平均值(零)ķ和ķ+1。该软件预测的已知输入的影响和创新如下:
模型预测控制工具箱™软件使用卡尔曼
命令来计算Kalman估值收益大号和中号。以下假设条件:
状态观测器的参数一个,乙,C,d是时不变。
控制器的状态,XC,可检测。(如果不是,或者如果观察者在数值上接近不可检测,卡尔曼增益计算失败,生成错误消息)。
随机输入w ^ID(ķ)w ^OD(ķ),和w ^ñ(ķ)是独立的白噪声,每个具有零均值和协方差的身份。
其他白噪声w ^ü(ķ)和w ^v(ķ)具有相同特征增加了无量纲ü(ķ)和v(ķ)分别输入。这改善了在某些情况下,例如当工厂模式是开环不稳定估计性能。
不失一般性,设置ü(ķ)和v(ķ)输入到零。的随机输入的控制器状态和测量植物输出的效果是:
这里,
输入到卡尔曼
命令是状态观察参数一个,C米和以下的协方差矩阵:
这里,Ë{...}表示期望。
模型预测控制要求在优化中使用的无噪声未来植物输出预测。这是状态观测器的关键应用(见状态观测器)。
在控制间隔ķ,所需的数据如下:
p- 预测地平线(数控制间隔,这是大于或等于1)
XC(ķ|ķ) - 控制器状态估计(见状态估计)
v(ķ) - 电流测量扰动输入(MDS)
v(ķ+一世|ķ) - 预计未来医学博士,在那里一世= 1:p-1。如果你不使用MD预览,然后v(ķ+一世|ķ)=v(ķ)。
一个,乙ü,乙v,C,dv- 国家观察员的常量,其中乙ü,乙v和dv的分别表示列乙和d矩阵对应于输入ü和v。dü是因为没有直接馈通的零矩阵
预测假定未知白噪声输入是零(其期望)。另外,所预测的植物输出是无噪声的。因此,涉及测量噪声状态的所有术语从状态观测方程消失。这相当于归零最后ñXN要点XC(ķ|ķ)。
鉴于上述数据和简化,用于第一步骤中的状态观测器预测:
持续连续的步骤,一世= 2:p,状态观测预测:
在任何步骤,一世= 1:p中,预测无噪声的植物输出是:
所有这些方程的使用无量纲植物输入和输出变量。看到指定比例因子。该公式还假设零点偏移。非零偏移的夹杂物是直接的。
为了更快地计算,所述MPC控制器使用上述等式,其中的常数项的计算和控制器初始化过程中存储的另一种形式。看到QP矩阵。