control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control arte í culo

GuoqiZhong.Zhiyuan Liu y HouhuaJing

control predictivo modelo distribuido para el sistema afín a

trozos constreñido con acoplamiento de control y su aplicación
en cuádruple-tank

I Control Predictivo DE MODELO DISTRIBUIDO PARA SISTEMAS I RESTRINGIDOS de

Zonas AFINES CON ACOPLAMIENTO DE CONTROL DE
DOI: http://dx.doi.org/l0.6036/7740 | R ec ib ID O: 0 1/0 7/2 0 1 5 • Un cep ta do: 0 1/0 9/2 0 1 5

■ ■■
Guoqi Zhong1' , Zhiyuan Liu1 y Houhua Jing1-2 ABSTRACTO

1 D epa r tm en tof C en tro l Teoría y ineering Eng, Harb en en CTI tu te de Techno logy. P. 0. Box
3036, Parque de las Ciencias de Harb en CTI en tu te de Tecno logía, ikuang No.2 Y S árbol t,
Nangang D es tr ic t, 150080, Harb en, H e ilong Jiang, República Popular de China, zh en g
guoq i @ h it.edu .cn 2 D epa r tm en tof M echan ica l y ineering Aerospace eng, Colegio de eng
Para mejorar el modelo de diseño del controlador predictivo de sistema no
lineal, se propone método un control predictivo cooperativa modelo distribuido
(DMPC) para un sistema compuesto por varios subsistemas constreñido afín a

inee r ing, El Oh io S ta d Un ive rs dad. 201 W 19 Ave W 198 lumbus Co, OH 43210, EE.UU.
trozos (PWA) con información de control acoplado en este documento. esquema
distribuido se aplica para el ahorro de tiempo de la solución de optimización. Para
mejorar el rendimiento óptimo de todo el sistema, coopera ción fue promovido con la
consideración a una mayor porción del objetivo para todo el sistema. El terminal
invari positivamente conjunto hormiga y el costo de todo el sistema de bucle cerrado
se añadieron a garantizar la estabilidad. El problema óptima de cada tem SUBSYS
RESUMEN se convirtió en programación cuadrática enteros mixto (MIQP) la solución para la
obtención de las acciones de control. Este método de establecer la composición del
Para MEJORAR EL Diseño de la ONU Controlador Predictivo
problema de optimización no lineal de un sistema a gran escala en varios MIQPs de
BASADO En un modelo para Sistemas no lineales, SE PROPONE
menor dimensión tal que el tiempo la solución podría reducirse drásticamente. Otra
Este trabajo en la ONU modelo cooperativo Distribuido (DMPC) por
ventaja de la estrategia de DMPC es la optimización no lineal no convexo podría ser
Zonas Afines (PWA) APLICADO A un Sistema Compuesto por
sustituido por MIQPs finitos, y un aproximado mamá opti global podría obtenerse en
Subsistemas Varios restringidos. El Esquema Distribuido SE APLICA
lugar de un óptimo local. Finalmente, un ejemplo numérico y una simulación
para Ahorrar Tiempo de cálculo de la solución f. Para Optimizar el
cuádruple-tanque son pre tantes a fin de evaluar la estrategia DMPC propuesto.
Rendimiento de TODO El Sistema, la cooperation Tiene en Cuenta la
mayor parte de los Objetivos de TODO El Sistema. El objetivo m final,
positivo e invariante, junto con El Sistema en bucle cerrado se fijaron
para Garantizar la Estabilidad. El problema Óptimo de Cada
subsistema se transformo En Una programación cuadrática mixta
ENTERA (MIQP) Resuelto el párrafo Obtener las Acciones de control.
palabras clave: sistema Piecewise afín, control distribuido, control predictivo
El Método Propuesto descompone El problema de Optimización De
basado en modelo, entera mixta programa cuadrática ming, cuádruples-tanque.
Todo El Sistema no lineal en MIQPs Varios de menor dimensión De
Tal Manera Que El Tiempo de Cálculo se Pueda reducirse
drásticamente. Otra ventaja f de la Estrategia de Optimización no
lineal es DMPC Que Un Problema no convexo Podria ser sustituído
POR MIQPs Finitos, pudiéndose Obtener Una aproximación al Óptimo
1. INTRODUCCIÓN
mundial en un Lugar de la ONU Óptimo local. Finalmente Se presenta
investigación Modelo de control predictivo (MPC) se inició con la motivación de la
ONU example numérico y la simulación de las Naciones Unidas
utilización de la tecnología informática para mejorar el rendimiento de los sistemas de
Sistema de cuatro tanques con el fin de evaluar v Poder El Método
con trol que eran de múltiples variables y tenía limitaciones [1]. En general, MPC
Propuesta.
apareció como una estrategia de control centralizado. Sin embargo, para sistemas a
gran escala, un controlador predictivo basado en modelos CEN tralized que da cuenta
de todas las acciones interrelacionadas en el sistema global es ya sea demasiado
complejo o cal impracti. Ejemplos típicos de tales sistemas son redes eléctricas, redes
de agua y redes de tráfico urbano, entre otros. Con el fin de superar estos
inconvenientes, descentralizada y dis estrategias de control Tributado se han
desarrollado en el campo MPC [2],

• Palabras clave: SISTEMA por Zonas Afines, control Distribuido, el

control predictivo en BASADO modelo, programación cuadrática DMPC se reconoce como una práctica altamente logía de control con tecnología
mixta Entera, Sistema de cuatro tanques. de alto rendimiento. Se ha aplicado con éxito a una totalmente las redes de
abastecimiento de agua [3] y el control en tiempo verde en redes de tráfico urbano [4].
En un MPC descentralizada, la

Bacalao. 7740 | Tecnología de la Instrumentación | 3.311,02 Ingeniería descontrol Noviembre - Diciembre 2015 | Vol. 90 n "6 | 661/671 | Dyna | 661
■s article control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control
un problema único, optimización es reemplazado por un núm ero de los más
pequeños, que tienen un menor número de variantes de decisión y son más
fáciles de resolver en paralelo. Si las interacciones entre los subsistemas son
importantes o no pequeña, las condiciones que garanticen la estabilidad nominal
de bucle cerrado son estrictas [5]. En algunos casos, incluso el de bucle cerrado
comportamiento nominal del sistema en virtud de un MPC descentralizado
puede ser inestable [6]. Con la motivación de hacer frente a los intercambios de
información entre subsistemas, una MPC distribuido ha captado la atención de
los estudiosos. Un esquema de DMPC basado en comuni cación se ha
explorado en la ture litera [7] y [8], donde el controlador de cada subsistema
minimiza una función de coste local para la obtención de las acciones de
control; Sin embargo, los estados se mueven a veces hacia un equilibrio de
Nash con un esquema de este tipo. Desde la perspectiva de la teoría de juegos,
la Nash equi Librium es un uno no cooperativo, y suele ser subóptima en el
sentido de Pareto [8], con el fin de obtener un mejor rendimiento optimizado, un
control predictivo factible modelo basado en la cooperación (FC-MPC) esquema
ha sido desarrollado en [ 9], [10], en el que las funciones objetivo locales de
cada subsistema se han modificado para lograr objetivos de control de todo el
sistema. La estrategia FC-MPC tiene dos ventajas evidentes. La primera es que
la solución convergente de este método está cerca de la solución óptima de
Pareto, de la que el mejor rendimiento alcanzable se puede obtener a través de
un modelo centralizado con predictivo trol (CMPC); La segunda ventaja es que
el FC-MPC puede hacer frente a fuertes interacciones de estado y de control.
En [11], Guiso arte propone una condición stabilizability de la estrategia lineal
FC-MPC, y también proporciona orientación sobre cómo dividir los subsistemas
dentro de la planta. En [12], una novela distribuido algoritmo de optimización no
convexa, la característica única de los cuales es que no se requiere la
optimización de coordinación, se propone para un no lineal FC-MPC. Este
algoritmo hace que cada iterate FEA sible y disminuye la función de coste. La
velocidad de convergencia del esquema-FC MPC se ha investigado en [13], que
re reve- una fuerte conexión entre los pesos, la resistencia del acoplamiento
entre subsistemas, y la tasa de convergencia. Un marco de descomposición de
valor singular (SVD) para el FC-MPC con entradas altamente acoplados fue
desarrollado en [14], cuyo por Formance está cerca de la de la CMPC y supera
el FC-MPC.
La mayoría de las investigaciones de DMPC se concentran en els mod lineales. Un
gran obstáculo en el desarrollo de estos esquemas para modelos no lineales es el hecho
de que ción no lineal Optimiza no convexo es difícil de resolver. Motivado por los
antecedentes expuestos, el trabajo presentado en este documento tiene como objetivo
contribuir al tema del control distribuido de un sistema no lineal acoplada. Supongamos
una planta compuesta de varios subsistemas, y cada subsistema se describe por la
ecuación de:
METRO
Xi = fi + W ^ gj W uj.
7=1
Es bien conocido que las plantas químicas, redes informáticas, y bio-sistemas
se rigen por una dinámica muy complejas, por lo que esta clase de sistema es
común. El control se requiere para InterCon Nect entre subsistemas. Debido a los
crecientes requisitos de rendimiento de control, tal modelo no lineal es esencial
para el diseño del controlador. Sin embargo, cuando un modelo no lineal es
662 | Dyna | Noviembre - Diciembre 2015 | Vol. 90 n ° 6 | 661/671
GuoqiZhong, Zhiyuan Liu Jing y Houhua
suministrado para el diseño de un controlador de DMPC, el problema de optimización
que requiere una solución es una programación no lineal uno; en la mayoría de los
casos, esto significa que es no convexo, que consume tiempo, y también difícil de
encontrar una solución óptima global. Mientras lin earization, una técnica estándar en
la comunidad de control, no siempre es práctico, un enfoque alternativo es la aproxi-
ap PWA, que tiene la capacidad de aproximar funciones no lineales con precisión
arbitraria. Vista de lo anterior, este trabajo presenta un esquema de DMPC para
subsistemas PWA limitados. Cuando se aproxima subsistemas no lineales (1) con los
modelos de PWA, el problema optimización final que requiere una solución para
obtener acciones de control es un número entero qua programación dratic mixto
(MIQP) problema en lugar de un problema de programación no lineal. Este cambio
tiene dos ventajas. En primer lugar, MIQP es una optimización convexa, lo que
requiere finita gramación cuadrática pro (QP) para un óptimo global aproximada
puede ser ob CONTENIDA; Por otro lado, la estrategia distribuida puede reducir
efectivamente el número de variables de decisión de cada MIQP, y reducir el tiempo
para la solución de optimización.
El documento está organizado como sigue. En la sección 2, se introduce el problema
DMPC. A continuación, el resultado de este trabajo es aire contenida en la Sección 3.
Sección 4 presenta los resultados de simulación para corroborar nuestro marco.
2. CONFIGURACIÓN DEL PROBLEMA
Para hacer este trabajo autónomo, algunas definiciones pertinentes deben ser
revisados. M, Z, Z + denotar el campo de los números reales, enteros y números
enteros no negativos, respec tivamente. Sea K" denota el espacio vectorial de los
números reales n-dimensiones. Let k £ Z denota el índice de tiempo discreto. en
tegers N, M denotar el horizonte de predicción y el número de subsistema,
respectivamente. Que utilizamos es para denotar los números enteros finitos
conjunto {1, - • *, s}. En particular, Io: jv denota el Teger en conjunto {0,1,2, •••, N}. Para
funciones dadas a (i) 1 y
cx-2 ( yo), OA2 (t) denota el a¡x función (a2 (t)). Para un conjunto S1C1 ", cl
(Q) denota el cierre de P.
En este trabajo, la planta que hemos considerado es una clase de un sistema
distribuido de tiempo discreto invariante en el tiempo, y cada subsistema tiene la
forma PWA, que puede ser obtenido a partir de la transformación de la no lineal
sub-modelo (1) por la AP adecuado próxima método. Para facilitar la exposición, se
asumió la planta comprende sólo dos subsistemas, es decir, M = 2, y cada sistema
tiene varias particiones de conmutación. El análisis y el resultado de más
subsistemas es similar. Considere el sistema de seguimiento ING:
A \ x i + B \ u \ + W l 2 U2 + C \ X \ mi Nueva Jersey
xt =
(1) A ^ xx + B ^ ui + W + ^ cl 1 xx € QF1
(2)
A \ x 2 + segundo 2 T 2 + l WJT «+ c2 X2 £ Q 2
XN =
A * 2x2 + segundo 2
s 2u 2 + W £ u 1 + ¿DO? X 2 £ Q 22
Para mayor comodidad, hemos utilizado x, u para denotar el estado y la entrada en un
instante de tiempo dado y x + para denotar el estado en
Bacalao. 7740 | Tecno logía de la s en trum n ta c ión | 3311.02 Ingeniería decontro l
D es tribu ted modelo p rojo ic tiva con tro l fo r Constra a trozos ined un ff en el sistema e w ith con tro l golpe ling
GuoqiZhong, Zhiyuan Liu y HouhuaJing
el siguiente instante de tiempo. Índices en superíndice indican la parti ción de la
dinámica de conmutación, y aquellos en los subíndices indican el subsistema al
que pertenecen. Hay una pequeña diferencia en la matriz de coeficientes WFJ. El
subíndice se divide en dos partes. El primer entero es el indicador de la SUBSYS
tem actual, y los segundos puntos fuera qué subsistema del control
ui se deriva de. Cada partición es un politopo que tiene la siguiente forma:
Xi = {£ Rni | Gi .xi <K { . } ,
dónde yo £ I 2, j £ 1 $. Para el subsistema i, (! • NFL [= 0, Vj.r 1 £ Si, jfr
y T £ Me fij = x¿, que es las limitaciones del estado de ¿-subsystem. ISI es el Índice de
conmutación ajustada del subsistema ¿-ésimo. Cuando el ori gen del subsistema yo está
contenido en la partición FLJ, entonces c¡ = 0
se requiere para satisfacer la continuidad en el punto x¿ = 0. Los straints estafadores de
control también son poliédrica, a saber:
ui eU¿ = { Ui £ i mm yo GUiUi <K Ui},
Todo el sistema es también PWA, pero con más particiones, ya que la forma de
x + = A sx + B Su + cs x TTS £
un{ 0
en el cual UN* 0 AL, segundo '= Iwi
Q*= x Oí¡, y s £ es decir, S = S I S 2- yo 5 es el índice de conmutación conjunto de
todo el sistema de PWA. El conjunto de restricciones del estado y de las entradas de todo
el sistema son X y U, respectivamente, que son también politopos.
= {£ .T Rn | Gxx <K x}
U = { u € r yo Guu <K u}
Y x = x, X x 2 = (U i €, nn I) X ( u ra, 0,2 NJ), u = u, X u2.
Por otra parte, se supone que el origen pertenece a X .
El objetivo de este trabajo es diseñar una estrategia DMPC con el fin de
estabilizar todo el sistema con los límites de los estados garantizados y controles de
cada subsistema.
3. Control Distribuido modelo predictivo
3.1. función de coste
Debido a la existencia de información de control de acoplamiento entre los
subsistemas, se aplicó un algoritmo de cooperación para garantizar la estabilidad de todo
el sistema de circuito cerrado y para obtener un mejor rendimiento óptimo. En
consecuencia, en el presente trabajo, hemos utilizado la función de coste global, que
tiene la forma de ING sigue: METRO
/ NORTE- 1 \
J norte = $ > mi Li (xi (k), Ui (k)) \ + F (x (N))
¿= 1 \ Fc = o / muestra en [15]. La máxima conjunto positivamente invariantes X t se calculó de la
La función de la etapa del subsistema * -ésimo, es decir,
por lo general se define usando formas cuadráticas:
Bacalao. 7 7 4 0 ¡Tecnología de la instrumentación | 3.311,02 Ingeniería de Control
arte í culo
Li (xi (k), Ui (k)) = \\ xi {k) \\ 2QT + || u¿ (fc) |||. (7)
como es el costo de terminal:
F {x {N)) = || x (Ar) || p ( 8)
dónde € RTtXT \ yo yo € metro son positivos ma semi-definido
trices y Rj £ W nxm, i £ yo metro son matrices definidas positivas.
Como hemos visto, las funciones teatrales se definen para cada subsistema,
mientras que el costo del terminal se pondera sobre los estados de todo el sistema.
Las ventajas de esto son dobles. La ventaja más importante es bajar el conservador
de lin desigualdades matriciales oído (LMI) que deben ser resueltos para obtener el
control estático h {x) y la matriz de ponderación terminal de P; el otro es útil para
ajustar los coeficientes de ponderación de los estados de un subsistema. La función
de fase de todo el sistema puede ser reformado como:
t £ I2.
L ( un:{ k), u {k) = \\ x {k) fQ + \\ u (k) \\ 2R (9)
en el cual Q = diag (wiQi, W 2 Q 2), R = diag (wii? i, w 27 YO 2).
3.2. LEY control estático, COSTE Y TERMINAL
(3) conjunto de restricciones
Con el fin de garantizar la estabilidad de todo el sistema de circuito cerrado,
terminales conjuntos positivamente invariantes Xy, ponderación ma trix PAG y la ley de
control estático u = h {x) debe estar diseñado ac cording a todo el sistema (3). Debido a
las carac- terísticas de conmutación del modelo de PWA, el método de diseño de PAG y h
{x)
que permiten estado arbitrario de conmutación de la literatura [15], se adoptó.
Dejar K £ Rmx”sea una ganancia de control estática de estabilización para todo el sistema
(4) (3), entonces el controlador estático es:
(5) h (x) = K ^ x, x £ X t D IP, j £ es 0, ( 10)
y dejar que s 0 - {0,7 € I s I 0 G cl (fi ^)}; es decir, el índice de conjuntos
de particiones que contienen el origen. Porque h {x) Es una ley de control central izada
terminal de estática, deje hi (x) denotar la ley de control de ¿-ésimo subsistema, a saber, u.¿
= UN( X). Además, todo el sistema es lineal a trozos en establecer U¿ÍP", j £ IS0, a
continuación, un sistema de bucle cerrado en X t con el controlador estático ( 10) es:
Z + = (AJ' + B j K j) x ^ Ajk x, x £ XT n W, j £ ISO (11)
El terminal conjunto positivamente invariantes X t de toda la tem sys (3) sujeto a
(10), no inesperadamente, ^ t Q Nosotros € ISOF es. La función de coste del terminal se
define como sigue:
{ x 1 P lx x £ X t n D 1
; ( 12)
x TP sx x £ X t Florida
(6) Una restricción de la estabilidad de PJ y K 1 puede ser resuelto por el LMI como se
manera que itera desde 1 a INFIN dad en [15]. Cuando se aplica en la práctica, una
es razonable ción approxima de X t por lo general se elige.
Noviembre - Diciembre 2015 | Vo 0.90 n ° 6! | 661/671 [Dyna 663
 arte í culo control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control
Guoqi Zhong, Zhiyuan Liu y HouhuaJing

3 0.3. CONVERS ION DE OPT IM Izat ION lem (18) son matrices de dimensiones adecuadas. Los lazos inequali contienen
Con el controlador estático, coste terminal y conjunto de restricciones se controles, los estados y las limitaciones de terminales y straints estafadores que
describe en la subsección anterior, el distribuido problema optimi zación del aseguran la equivalencia entre ciones modelo Transforma.
subsistema i-ésimo está dada por siguiente problema vi,

Hay variantes acoplados tanto en la función de costes y en las restricciones del

problema de optimización (18). Cuando com que pone el problema de optimización del
u¿ = argmin JAx u) subsistema i-ésimo en el momento
T yo
k, porque Uj (k), j ^ i, j G I2 se desconoce, se sustituye por
st toda subsistema (2)
Uj (k \ k - 1); a saber, el predicho uj en el anterior ment mo k - 1.
Xi (Q) = Xi, jg IM

(# 1 (k), ■ ■ ■ , XM {k)) GX, k GI (): JV-1 Debido a la existencia de variables lógicas, el problema de optimización (18)
es un MIQP, y se puede resolver utilizando software mización opti existente,
(Til (fc), • ■ ■, WjVf (k)) GU, k G Io: ./ V_l
como MOSEK, CPLEX, y MPT.
x (N) e xT Con el fin de garantizar la viabilidad recursiva de la DMPC propuesto, un algoritmo
de arranque en caliente es un requisito. Según la solución óptima de un problema (18) en
Es un inconveniente para predecir los estados futuros utilizando el modelo de PWA, el momento k, este algoritmo se utiliza para construir una solución factible para el
debido a sus características de conmutación. Un modelo dinámico lógica mixta (MLD), que momento siguiente.
se deriva a partir de [16] se ducido introducción para construir ecuaciones de actualización
de estado de los subsistemas. Para el subsistema i, introducir variantes lógicas 8] y Auxil Algoritmo 1:
variables iary. ^, yo e I2, j G es. como sigue: Dado x (k) y el óptima solución
v * (k) T = [u * (k) T, ÿ (fc) T, z * (k) T, yo yo € m, en el instante k, el arranque en caliente
v¿ (k + 1) se calcula de acuerdo con las reglas ser baja:
xi € ■ <-> 8 ¡= í (14)
IfRR (fc) G XT,
a continuación, [? '(? +%)' 95 (* + W • • • 'e «(* + Tl ¥)] = 1=

i = (A i Xi + B¡Ui + W¡quq + 4) (15) x (j \ k + k) se calculan según la fórmula (3).

a continuación, los modelos MLD de los subsistemas son: ü¿ (k + l) = [tq (FC4-l | fc), ■ ■ ■, ü i (k + N-í \ k), UI (k + N \ k)] M k + 1) = \ 8i (k

+ l \ k), • • •, 8i (k + N \ k)} Zi (k + l) = [zi (k + l \ k), ■ ■ ■, Zi (k + N \ k)}

Si

xt = J 2 zi ' es decir, I 2

J=1 (dieciséis)

dónde 4 (M + #) - r, (# + »#)). # + I + f) = «¡(W + # Wmi #)), j = W i.

El r¿ función (-) representa el proceso de determinación de <5? ac cording al

Dejar zi - [( * i) T> IZF) T yo• ' • i (ZF ' ) TJ , entonces el estado hasta estado como se muestra en la Fórmula (14). Similar,
ecuación fecha del subsistema f-ésimo puede ser reformado como: la función Vi {' ■ ■) representa la fórmula (15).
otra cosa [ Cii (k + N \ k), Ü 2 { k + N \ k), ■ ■ ■, UMI, k + N \ k)] = h (x (k + N \ k)) t

x + = [l yo ... I \ Zi
'--------- --------- - (17) UI (k + l) = [u * (k + l \ k), ---, u * (k + N- l \ k), UI (k + N \ k)] Ai (k + 1) = [8 * (k
Si
+ l k \), ■ ■ ■, 5 * (k + Nl \ k), Ti (x {k + N \ k))] zi {k + l) = [z * (k + l k \), ---, z *

{k + N - l | fc),
Algunas limitaciones de 8j, ZJ son necesarios para garantizar alence equiv entre
las transformaciones modelo. Este problema de optimización (13) del subsistema yo € I2 Vi {xi ( k + N | k), Ui (k + N \ k), 8t ( fc-b N | UN:))]

se puede escribir como un problema MIQP: terminara si

Sobre la base de la solución de este problema de optimización (18) para cada subsistema en

el momento k, a saber v * (k), las nuevas acciones de control se construyen como

min Ji = x (k) 7 yx (k) + vjHiVi + vj SiVj + vj ViV j Vi

(18)
S t QiVi / C¿3; x¿ (0) - {- Kiu \ ij - {- ICIC \ I (k) = WIV * (k) + ( 1 - Wi) vi (k).,

dónde j € I2, j ± yo. v¿ (k) = [uf (k), A f (k), ZJ ( k)] r ¡Es por el control del dónde Y i * wi = w% > 0- Las acciones de control aplicadas a la planta son:
modelo del subsistema MLD yo, y (K), z.¿ (k)
representan, respectivamente, Ables vari lógicas y continuas auxiliares sobre el horizonte de
predicción, es decir, u * (k) = [I 0 0] v¿ (fc), yo € 1 metro (19)

A i (k) = [ 8i (k) T, - -, 8i (k + N - si y sólo si
Zj (fc) = [ zi {k) T, ■■■, Zi (k + N - 1) T] T
las matrices y, 'H yo , S yo , T yo en la función de costes y
Gi 1 fcix 5 FCIU 7 ICIC en la restricción de la optimización proble-
R Emark 1: De acuerdo con el contenido de la subsección 3.3, es necesario señalar
que el acoplamiento de información de control que aparece en el subsistema de PWA,
después de la ción modelo Transforma, está implícito en variables auxiliares; si existe
pling COU estado, el método presentado en este documento también se puede aplicar.

664 | Dyna | Noviembre - Diciembre 2015 | Vol. 90 n ° 6 | 661/671 Bacalao. 7740 | Tecnología de la instrumentación | 3.311,02 Ingeniería descontrol
control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control arte í culo
GuoqiZhong, Zhiyuan Liu y HouhuaJing

A partir de la descripción anterior, un procedimiento de aplicación del método de
DMPC se puede dividir en dos etapas, a saber, en línea cálculo y optimización en
línea. El algoritmo completo se puede esquematizar de la siguiente manera.
Algoritmo 2: Paso 1. Dados los parámetros Qi, K¿, Wisconsin, I E yo m, y
Observación 2: De acuerdo con la equivalencia de los sistemas de PWA y MLD
ilustrados en [17], el problema de optimización (13) y (18) también son equivalentes.
El siguiente teorema, basado en la viabilidad del problema op timization,
garantiza la estabilidad de todo el sistema de bucle cerrado.
Teorema 1: sistema (2) para un fijo Considere N £ Z +, y supongamos que la

a continuación, calcular la ley de control estático K>, matrices de ponderación viabilidad recursiva de problema de optimización (13) es satisfecha; a continuación, de

terminales PJ y el terminal positivamente en la variante conjunto XY. bucle cerrado el origen de la DMPC sys tem es Lyapunov asintóticamente estable.

Paso 2. matrices de coeficientes Compute en M1QP (18). Paso 3. estados Prueba; Considere la función de coste

iniciales dadas ¿£ (0), y elija una fea inicial

Vj sible (0), i £ yo m, a continuación, establecer k = 0. VN (x (k)) = JN (x (k), u * (k)) (20)
Etapa 4. Calcular v * (fc) mediante la resolución de un problema de optimización

(18) para todos yo e I METRO- como un candidato Lyapunov función, dónde

Paso 5. las acciones de control de cómputo Reino Unido) de acuerdo con Para
mula (19).
Paso 6. Transmitir Reino Unido) a cada subsistema interconectado
j *, y luego aplicar las acciones de control a todos los subsistemas para la
obtención de los nuevos estados.
Paso 7. Construir una solución factible según Algo
rithm 1. Conjunto k = k + 1 E ir a Etapa 4.
u * = {uj, uj, - - -, U JVI}. Para probar la estabilidad asintótica de todo el sistema de
circuito cerrado, tenemos que demostrar dos como pectos: atractividad y la
estabilidad.
Atractividad: Resolviendo LMI aparece en [15], ¿PAG? y
K 1, j £ < S <) se obtienen, que permiten para la conmutación arbitraria y de acuerdo con
esto implica:
F (x (k + 1)) - F (x (k)) <L (x (k), u (k))

En el algoritmo 2, Paso 1 a 2 pertenecen a la etapa en línea, mientras que los otros establecida en XY. A partir de la optimización sabemos que para todos i £ yo metro

pasos pertenecen a la etapa en línea.

3.4. ANÁLISIS
En general, el análisis del método MPC es necesario partir de dos aspectos: se puede obtener, a continuación, por la convexidad de la función J norte

viabilidad y estabilidad. Viabilidad del problema de optimización significa que no tenemos

existe un perfil de entrada en cada instante, no necesariamente óptima, la
J n ( X (k), u i (k), ■■■, la interfaz de usuario (*), •••, T - “(*)) < JN (x (k). UI (fc), ■ • •, UJ (fc), - • •, ü M (k))
satisfacción de las restricciones y de forma que el valor de la función de costo es
acotada. Stabil dad significa que estas acciones de control aseguran que el sistema La diferencia de V¡q ( x (k)) es
funciona bien. Debido a las repetidas soluciones del problema de optimización dada
(X (k + 1)) - VN (x (k)) = JN (x (k. + l), u * (fc + 1)) - Jjy (* (*), u * (A :))
por (18), necesitamos viabilidad en cada momento k> 0. A continuación, ofrecemos
<JN (x (k + 1 ), ü (fc + 1)) - J n ( z (fc), u * (/ c))
un lema sobre la viabilidad del problema mización Opti en cada momento.
<- L (x (k), u (k))

Tomando un límite al infinito en ambos términos, y en virtud de la naturaleza

Lema 1: La viabilidad del problema de bucle abierto óptimo control (18) en el definida positiva de la función de coste, se deriva que:
momento k = 0 implica su viabilidad para todos k > 0.
Prueba: Para todo el sistema PWA, el control de ac ción v = (vi, ■ • •, vm) se dice que
lim || x (fc) || ​= 0, lim || u (fc) || ​= 0
es factible en el momento k con el estado X, si cada v¿, i £ yo metro es una solución factible -demasiado k k -> oo

para el problema de optimización de sub- (18). La prueba es un procedi miento recursiva.

En primer lugar, suponiendo que los problemas sub-optimización (18) para yo £ II un/ son A continuación, el sistema converge hacia el punto de equilibrio en XY.

factibles en el momento k, entonces no ex ist METRO secuencias óptimas de los controles

en tiempo k, denotado como Estabilidad: Desde Viy (x {k)) es una función cuadrática con re spect a ( x (k), v
(k) \ Obviamente, existe un AC-funciones de tal manera que:

v¡ (k) = [u * (k) T, AUK) T, z * {k) T] T, 1 mi 1 m - A continuación, un conjunto de

soluciones factibles candidatos en el momento k + 1 se puede construir de acuerdo con el
algoritmo 1. -Me {k + J k \) satisface las restricciones debido a la invariancia de forma
ai (IWfc) ll) < VN (x (k))
positiva conjunto de terminales X t, como se ilustra en [15]. Como resultado de ello, ü¿ (k +
1) satisface Vari limitaciones en ous problema de optimización (13). UN ¡(K + 1) y z i (k + 1) Dejar k ser un instante tal que x {) £ k X ^, y dejar jk denotar el índice de la conmutación

se generan de acuerdo con (14) (15), respec tivamente. En consecuencia, todas las en el instante k. En la terminal de establecer Xy, los candidatos de Lyapunov satisface la

restricciones en el problema de optimización (18b) pueden ser satisfechas por v¿ (fc + 1). función:

Finalmente, v¿ (fc + 1) es una solución factible de problema de optimización (18). k+N-l

vN {x (k)) < (II ^ WII q + II «( yo ) II h) + \\ x (k + ^ ) II pag

t = kk + -l

N / rp \
Además Lema 1, se requiere la viabilidad inicial de VO acción de control
para garantizar la viabilidad del problema Optimiza ción en todo momento. La =Y XTV) {P3K - ( ■ ak) pjk + 1 UN% ) X (t)
t=k ' '
viabilidad inicial siempre se puede lograr mediante la elección VQ.
= XT (k) P-'kx (k)

Bacalao. 7740 | Tecno logía de la s En trum n ta c ió n | 3.311,02 Ingeniería de Control Noviembre - Diciembre 2015 | Vol. 90 n ° 6 | 661/671 | Dyna 665
 article control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control

GuoqiZhong, Zhiyuan Liu Jing y Houhua

Sigue VN {x (k)) < Connecticut 2 ( IIIC (0) ||), donde (* 2 ( ') es un 1C

- función. Como V / v (: r (fc + 1)) - V u (x (k)) < 0, tenemos: «i (LL * (*) ll) < VN (x

(k)) <VN (x (0)) < un 2 (|| a: (0) ||).

Por Ve> 0, definir 6 (e) = OAI (f)> 0, entonces

x (k) < aq 1 OA 2 (|| x (0) ||). Si || x (0) || <5 (e), entonces

x {k) < mi. Dependiendo de la definición 4.1 en [18], el bilidad sta se prueba.
2
<N

4. ILLUSTRATIVEEXAMPLES
- 1 ---------------------------------- ■ ---------------------------------- * -------------- --------------------
Con el fin de verificar el método propuesto, una simu lación numérica se 0 10 20 30

presentan en esta sección, cuyo equilibrio se localiza en un límite común de varias Tiempo [k]

particiones; este ejemplo se utiliza para ilustrar el caso en el que el interruptor Higo. 7: Closed-loop s ta d respuesta ofCMPC (línea verde) y DMPC (línea azul).
trayectorias de estado entre las particiones cuando los estados dirigen hacia el
equilibrio.
Considere un modelo de espacio de estado de tiempo discreto con dos subsistemas,

1.20 - 0.6928 1 £ +0
T] + U2 I] € S7 [
0.6928 0.40 1
r+=
0.40 0.6928 l'
( 21)
xi + T 1+ «2% 1 €
- 0.6928 0.40 0

0.6928 - 0. 4 0 J 1
Ui + U2 6 ft2 0
0.40 0.6928 X i + 0
SG = ( 22)
0.6928 0.40 0
T 1+ «2 xi e IL2
- 0. 4 0 0.6928 X \ + 1 1.2

Las regiones de las cuatro particiones del interruptor son politopos, y sus descripciones
matemáticas son las siguientes:

í fi = { xi R E 2 | [L, 0] xi> 0, Hulloo <3}

Fig. 2: El aire tro l tra JEC a Ries de CMPC (línea verde) y DMPC (línea azul).

= {K2 son | [1,0] ®! <0, | M oo <3} II2 = {* 2 e R2 |

[O, l] x 2> 0, llxalloo <3}

= {X 2 e M2 I [0, l] x 2 <0, | M oo <3}

Las limitaciones de control son u¿ || || <3, ¿= 1, 2. El objetivo de control es

la transferencia de los estados al origen. Los problemas de control óptimo con
restricciones se solucionan con ing peso matrices Qi = Qi = IO / 2, Ri = R2 = 1 y
estados iniciales x0 = [- l, l, l, l] r.

CN
2, 51 ------------ '--------------'---------------
Debido a que el origen está en el límite de todos titions par de conmutación, el
2 f ---------------- mnnnnnr
conjunto de conmutación es I S0 = {1,2,3,4}. La matriz de terminal y el controlador
1.5
estático son:
3 1 - yo uuuuuuu
CO
1.4202 - 0,8963 -0,0719 -0,0270 0. 5 1 -------------------- '----------------------- * ------------------------
- 0.8963 1.0184 - 0,0657 0.1318 0 10 20 30
P=
Tiempo [k]
- 0,0719 -0,0657 0.4021 0.0545
- 0,0270 0.1318 0.0545 0.4034 Fig. 3: Los jectories tra de registro ica l ts Varian de la DMPC.

- 2 0,7 2 5 5 - 3 0,7 0 0 6 - 2,7448 2,2082'

K=1
- 2 0,7 2 5 5 - 3 0,7 0 0 6 - 2,7448 2,2082

40.5701 56.5231 40.7991

K=2
- 52 0,1 56 4 ' El óptimo estado de circuito cerrado y la trayectoria de control para cada
- 45 0,8 4 3 6 - 6 3 0.7 0 5 4 - 4 4 0,3 5 2 6 56.0250
subsistema con el DMPC propuesto se representan en la Fig. 1 y 2, respectivamente.
- 13 0,5 5 8 5 - 17 0,1 8 1 3 - 4 0,9 3 0 1 6,2869
K=3 Las líneas continuas son los resultados de la simulación con la estrategia de DMPC
8.1915 10.1248 - 3 0,82 21 0,1203
presentado en la sección anterior, y las líneas discontinuas son el resultado de una
- 2 9 0,0 5 8 4 - 37 0,7 3 7 3 - 2 4 0,1 6 5 6 25.6765 '
= A4 estrategia CMPC como comparación. Los valores de variantes lógicas con DMPC son
39.6091 51.7631 35.2955 - 3 8 0,9 8 3 4

666 yo Dyna | Noviembre - Diciembre 2015 | Vol.90n ° 6 | 661/671 Bacalao. 7 7 4 0 | Tecnología de la instrumentación | 3.311,02 Ingeniería de Control
control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control
arte í culo
Guoqi Zhong, Zhiyuan Liu Jing y Houhua

un verdadero sistema de cuádruple-tanque en simulaciones. se introduce el proceso de

diseño completo de la implementación de la DMPC en un sistema no lineal real. El
proceso cuádruple tanque es un un sistema de múltiples variables de los tanques
interconectados con la dinámica no lineal típico de fase mínima y y está sujeto a estado
y de entrada limitaciones [18]. Este sistema puede ser utilizado para verificar complejos
algoritmos de control y optimización avanzadas, como la MPC, control de la red neural
y control difuso. Un sistema de tanque quadruple- verdadero se muestra en la Fig. 5 y
su esquema se presenta en la Fig. 6. La planta se compone de cuatro tanques y dos
bombas. Las dos variables manipuladas son las tensiones de entrada a las bombas, y
las dos variables controladas son los niveles de agua de los dos depósitos inferiores.

El proceso de diseño completo incluye tres pasos. En primer lugar, un modelo no

Tiempo [k]
Fig. 4: El swi tc h en rs rde ir de la PC CM.
se indica en la Fig. 3. Para la comparación, la secuencia de conmutación con un CMPC se
muestra en la Fig. 4.
Los controladores de DMPC tienen éxito en la estabilización de todos los estados de
subsistemas, y de mantenimiento de los estados y los controles restringidos dentro de sus
límites. Como puede verse a partir de los Ries trajecto de los estados, después de 15 pasos que
lineal del sistema controlado se descompone en varios subsistemas distribuidos no
lineales con dimen adecuados siones. En segundo lugar, los subsistemas se convierten
en modelos de PWA por algún método aproximado y luego son discretizado. Ly Final,
nuestro DMPC propuesto puede ser aplicado sobre estos de tiempo discreto PWA
submodelos.
Una dinámica no lineal del proceso de cuádruple tanque puede ser modelada de
acuerdo con el balance de masa y la ley de Bernoulli.

el estado obtiene cerca del origen. Sin embargo, debido a que el origen se encuentra en el límite

de particiones, los estados están siempre saltaron entre las diferentes particiones.
hi = - ~~ \ j2gh \ + \ / 2gh3 + p ^ i -V
UN\ Alabama

Una simulación CMPC de todo un sistema de PWA se ha aplicado para h2=- y / 2gh2 + - y- y / 2gh4 +
A <i - / i-2 ^2
comparar el rendimiento de la DMPC propuesto en la Sección 3. Tanto el sistema
como curvas de control del giro CMPC más que el de la DMPC. Comparando la l “3 / G ~ T ~, “^ 2) FC2 (23)
^3-- 3 H ------ 7 ----- ^ 2
^3 ^3
Fig. 3 y 4, la razón de esto es que todo el sistema PWA tiene un mayor número de
particiones de conmutación y el comportamiento de ENCE transferencia de sus
/ 14 = - X-\ ¡2gh \ + - - j - ~ - vi
estados es en consecuencia más complejo. / 14 A4

Al comparar los tiempos de cálculo, el DMPC ha sig ventajas signifi-. En una
PC con Inter Core ¡5-3210M CPU (2,50 GHz) y 8,00 GB de memoria
DDR3-1600, el promedio veces durante 30 pasos con diferentes tiempos de
predictivos resolver se enumeran en la Tabla 1.
En la fórmula (23), Hola, yo mi I4 son los niveles de agua en el tanque yo considerados
como estados, y Vj, j = 1,2 son velocidades de la bomba, que son entradas
manipuladas. Los Ings medios físicos y los valores de otros parámetros que
aparecen en (23) se describen en la siguiente Tabla II, a partir de [18], Las
limitaciones del estado y de control considerados en el modelo cuádruple-tank

(23) son 2 cm <hi < 30 cm, ¿= 1, 2, 3,4 y 0 V <Vj < 6 V, j = 1,2,

DMPC CMPC
respectivamente.
0,0216 0,1007
co
II

N=6 0,0336 0.2997

CM
R- yo

0.0681 0.5967
II

Tabla 1: C om pa r ing de Ave rabia S o lv ing Tiempo (U nits)

A partir de la Tabla I, con el aumento del horizonte de predicción, los tiempos totales
de cálculo muestran diferencias significativas. Cuanto mayor sea el horizonte de predicción
es, mayor es la diferencia. En DMPC, el problema de optimización de todo el sistema se
descompone en una serie de problemas de optimización más pequeños, y cada uno tiene
un menor número de dimensiones de las variables de decisión. Esto conduce a una
disminución significativa en el tiempo de resolución.

5. APLICACIÓN PARA SISTEMA DE DEPÓSITO cuádruple

Para que ilustra profundamente la forma detallada para aplicar el DMPC
propuesto en la tercera sección, que se ha aplicado en Fig. 5: El re alquad ru p le - ta sistema nk.

Bacalao. 7 7 4 0 I Tecnología de la instrumentación ¡3311,02 Ingeniería decontro l Noviembre - Diciembre 2015 | Vol. 90 n ° 6 | 661/671 | Dyna | 667
 article control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control
GuoqiZhong, Zhiyuan Liu Jing y Houhua

Valor Unidad Descripción

Ai 28 cm2 La sección transversal del tanque 1.

UN 2 32 cm2 La sección transversal del tanque 2.

A3 28 cm2 La sección transversal del tanque 3.

A4 32 cm2 La sección transversal del tanque 4.

un 1 0,071 cm2 La sección transversal del orificio de salida del tanque 1.

a2 0,057 cm2 La sección transversal del orificio de salida del tanque 2.

<7,3 0,071 cm2 La sección transversal del orificio de salida del tanque 3.

<24
0,057 cm2 La sección transversal del orificio de salida del tanque 4.

7i 0.70 - El parámetro de la válvula de tres vías.

72 0.60 - El parámetro de la válvula de tres vías.

ki 3.33 cm3 / V s El coeficiente de flujo de la bomba 1.

K2 3.35 cm3 / V s El coeficiente de flujo de la bomba 2.

9 981 cm / s2 La aceleración de la gravedad.

Tabla 2: Parámetros de la Cuádruple-Tank

Librium. Sin embargo, el modelo lineal aproximada es solamente cura ac en

la zona del equilibrio; que la precisión es pobre en otro sitio. En el caso de un
cuádruple-tanque, un modelo PWA se utiliza en lugar de un modelo lineal
para aproximar la ecuación no lineal (23). La ventaja es que un modelo
aproximado PWA tiene mayor precisión.

subsistema 1 subsistema 2

Fig. 6: El esquema del sistema cuádruple tanque.

Todo el modelo no lineal cuádruple-tanque (23) puede ser di RESPETA en dos

subsistemas distribuidos. Subsistema 1 se encuentran los tanques 1 y 3, y los otros dos
tanques pertenecen al subsistema 2, se ilustra en la figura 7. Es decir.:
Fig. 7: El proceso cuádruple tanque: dos subsistemas distribuidos

71 * 1 0
vi + Resultados (1 - 72)
(24)
UN ,
Tenga en cuenta que la no linealidad de un sistema cuádruple del tanque (23)
0
L un 3
sólo se refleja en \ / 2 ghi, por lo que si una aproximación de PWA \ / 2 ghi puede ser
72 ^ 2 0 calculado, podemos obtener la ecuación PWA de toda la dinámica cuádruple tanque.
FL2
A2 (1 -7i) fci vi ( 25) Usando el método NATing origi de la literatura [19], una aproximación PWA se
h 4. 0 V2+ UN,
resuelve como sigue:
información de control Sólo interactúa con los demás en los subsistemas
distribuidos. Dejar % i = {hi, ( 13) y x2 = (/ ¡-2; Hola)
denotan los estados de subsistemas, y dejar T \ = v \, u2 = de nota de la entrada de
ot \ hi + / 3i h-min <hi <j
control. \ / 2 ghi (26)
Típicamente, la técnica utilizada comúnmente para diseñar un Troller con para un 2 K + / 32 7 < Hola Hmax

un sistema no lineal es linealización en un equi- dado

668 I Dyna | Noviembre - Diciembre 2015 | Vol. 90 n ° 6 | 661/671 Bacalao. 7740 I Tecnología de la instrumentación [3311.02 Ingeniería de Control
control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control ar t UCI lo
GuoqiZhong, Zhiyuan Liu y HouhuaJing

cripción de los subsistemas cuádruple-tanque. Uso de orden cero discretización de

parámetros Valor
retención, dos de tiempo discreto PWA submodelos de cuádruple tanque se pueden
ai 10.1850 obtener como sigue:

a2 5.0753
El tiempo de la muestra se utilizó es 5 s. Cada subsistema tiene cuatro
01 44.6396
particiones de conmutación y todo el modelo cuádruple-tanque, que puede ser

02 94.3417 obtenida a través de cálculos sencillos de acuerdo al método anterior, tiene 16

particiones. El modelo completo es grande y complicado y por lo tanto no figuran en
7 9.7271
esta lista.
^ min 1.00
La ecuación de salida de todo el sistema es:
^ ■ máx 30.00

Tabla 3: Los parámetros de aproximación ofPWA en (26) (29)

V=1
0 01 00 00 X

El objetivo en este ejemplo es diseñar un controlador predictivo distribuido para

estabilizar el sistema cuádruple-tanque y regular la salida y a un punto determinado
conjunto y = ( 25.4, 3.1). El estado estacionario X y la entrada ü que rastrea el punto de ajuste
puede ser determinada utilizando la solución de la programación cuadrática enumerados
en [20].

En este caso, tenemos que diseñar un sistema de seguimiento distribuido controlador

de pre predictiva. La función de costes que hemos adoptado es:

min J i (i, u,, u2) = Y) “MWH - * l (* OII«, + lk (fc) - ®i (* OII y + EN *) - * MII5> (30)
i=l \K=0

Esta función de coste es diferente de (6). Flowever, en comparación con el

Fig. 8: La comparación entre V ^ ghi y su aproximación PWA.
donde los parámetros en (26) se enumeran en la Tabla 3. La razón sólo dos
aproximaciones región fueron elegidos en (26) es que un menor número de
aproximaciones región reducirán la complejidad de los cálculos posteriores, lo que
lleva a la decisión menos variantes que requieren soluciones en las MIQPs finales.
Además de eso, la exactitud ap aproxi- también es aceptable de acuerdo con la
preforma com se muestra en la Fig. 8. A partir de ese, el error entre \ / 2 ghj.
resultado en la Sección 3, solamente algunos pequeños cambios son necesarios
para reconstruir el MIQP. El estado inicial es XIO = (12.4, 2.1), X2O = (11.7,
2.4). Los parámetros de configuración para el controlador predictivo distribuido
son:
Q 1 = Q 2 = 10 * yo 2, R \ = R 2 - 1, u> i = u' 2 = 0.5. El horizonte dicción pre se ha tomado
como N = 5. La matriz de terminal y el controlador estático para la garantía de la
estabilidad se enumeran ser baja. Debido a que el equilibrio se encuentra en el
interior de una región, sólo es necesario un controlador estático.

y su aproximación PWA es pequeño en el intervalo [2, 30], que es la restricción 28.1856 6.6280 - 3.5986 - 26.3276
considerada en proceso cuádruple tanque exactamente. 6.6280 63.1095 -33.9352 - 21.5120
Sustituyendo la ecuación PWA aproximación (26) en las ecuaciones no - 3.5986 - 33.9352 46.6058 13.7232
lineales (24-25) se obtiene de tiempo continuo PWA de- - 26.3276 - 21.5120 13.7232 94.8224: (31)

101 " 9,7271 N

0.8789 0.1135 0 0,0335 0
0.8789 £ i (fc) + ° '3 <f05 ui (k) + i u2 (k) + -

- 0.5309
£ lG < X -11 0x < 9.7271 -1
0 - 1 se -1
■ 10 ■ ' 9.7271
0.8789 0,0584 0 0.3905 0.5551 0 30
0.9377 x \ (k) + xi 0 T 1 ( k) + [o- 0072
2317
u2 (k) + u2 - 1.1584 XJG < X - 1 1 0x < -1
0 - 1, 9.7271
X\ (Y +!) = <
. -
10 30 (27)
0.9377 0.1172 0 0.6446 0 1 x < 9.7271
£ xi < X
-

0.8789 (k) + x \ ° -40 031] "i (*) + 0,0145 0.2245 {k) ~ segundo- 0.5309 -10 - 9.7271
0 - 1, -1
■ 10
.
- 30 "

0.9377 0.0603 0 0.4031 0,0369 0 30

(k) + ui (k) + Oim! yo M k) +
-

0.9377 0 - 1.1584 Xi € < X - 1 1 0x < - 9.7271

. Por 0 - 1. - 9.7271

101 r 9.7271
0.9133 0,0828 0 0.3002 0,0170 0
0.9133 x2 (k) + 0 u 2 (* 0 + [ 0: 1492] METRO k) +
-

- 0.3801
X2e <X -11 0x < 9.7271 -1
. Por 0 - 1. . -1
• 10 9.7271
0.3002 0.4050 0 30
0 0 .. 0422
9558
x2 (k) + 0 u2 {k) + H 526 Ul (fc) + - 0.8215 X2e <x -11 0x < -1
0 - 1 se 9.7271
X2 (fc + 1) = <[ 0.9133 0. .
10
. -
30
0 1 x < 9.7271
(28)
X 2 (/ c) + [o-3, r + \ 0: 1492] M k) +
0.9558 0,0848 0 0.4500
0.9133 M k)
-

- 0.3801 X 2G<X -10 - 9.7271

. 0 - 1, -1
10 30
0.9558 0,0432 0 0,0184 0 30
2G<X
-

0.9558 x2 {k) + ° -30 071] u2 (fc) + [g;? I |] ui (fc) + - 0.8215 X - 1 1 0x < - 9.7271
. 0 - 1 se - 9.7271

- 4.2301 x 10 ~ 3 - 1,3321 x 1CT4

K (32)
8.1954 x 10 ~ 5 - 2,8135 x 1CT3 -7,3409
- 3,5537
x 10" 6
x lO
-1,5362
"3 -1,0706
x 10“ x3 10“ 4

Bacalao. 7740 I Tecnología de la instrumentación | 3.311,02 Ingeniería de Control Noviembre - Diciembre 2015 | Vol. 90 n”6 | 661/671 | Dyna 669
 article control predictivo modelo distribuido para el sistema afín a trozos constreñido con acoplamiento de control
GuoqiZhong, Zhiyuan Liu y HouhuaJing

Fig. 9: Las trayectorias de estados de la cuádruple-tanque.

20
10 20 30 40 50

PWA

- - - Ni

20
10 20 30 40 50
tiempo M
Fig. 12: La comparación del tiempo de la solución de entre nonlinearMPCand DMPC.
Fig. 10: Las trayectorias de los controles de la cuádruple-tanque.

tantes un NMPC horizonte cuasi-infinito para sistemas no lineales en [21], lo

que garantiza la estabilidad de bucle cerrado asintótica. La simulación se
ejecuta en MATLAB R2013a con una CPU Core Inter Í5-3210M. El MIQP se
resolvió usando MOSEK
7.0. El NMPC en papel [21] tiene que resolver un programa- no lineal profesional con
restricciones no lineales, y la función fmincon en la optimización de la caja de herramientas
de MATLAB R2013a es adecuado para llevar fuera de él. Los parámetros de configuración
0 10 20 30 40 50
de NMPC son los mismos que los utilizados en la simulación DMPC.

Los resultados de simulación se presentan en la Fig. 9-12. En la Fig.

tiempo [k]
Fig. 11: Las trayectorias de salidas del cuádruple-tanque.
Para una comprensión profunda de la DMPC propuesto en este
documento, una comparación entre la DMPC y una mod control predictivo no
lineal el (NMPC) originó a partir de la obra de Chen [21] se señaló a la vez, que
se ha promovido como una de las contribuciones más importantes de el
campo. pre Chen
11, se presenta la evolución temporal de la salida, en donde se ilustra el punto de
ajuste deseado con las líneas de trazos y puntos negros y las curvas de respuesta de
DMPC y NMPC se representan en líneas continuas azul y naranja líneas discontinuas,
respectivamente. En la Fig. 9, la evolución temporal de hi, h2, h3, h4 se presenta, y en la
Fig.
10, la evolución temporal de entrada de control u j y u2 se Exhib ITED. En estas
figuras, las líneas continuas azul y naranja líneas discontinuas denotan las
respuestas de DMPC y NMPC respectivamente. El tiempo de resolución de estos
dos métodos se representa en la Fig. 12. Las curvas de rojo y naranja representan el
tiempo para resolver los MIQPs de los dos subsistemas en cada tiempo de muestreo,
y la línea azul indica el tiempo de programación no lineal resolver. Observe que las
curvas de ambos estados y controles cumplen las restricciones que se desee. De la
comparación de las curvas de

670 | Dyna | Noviembre - Diciembre 2015 | Vol. 90 n “6 | 661/671 Bacalao. 7740 | Tecno logía de la s en trum n ta c ión | 3.311,02 Ingeniería de Control
D es tr ibu ted modelo p rojo ic tiva con tro l fo r Constra ined aff a trozos en e sistema wi º con tro l golpe ling
Guoqi Zhong, Zhiyuan Liu Jing y Houhua
Fig. 9-12, el rendimiento de NMPC es mejor que el por Formance de DMPC durante el
proceso dinámico, mientras que en el proceso en estado estacionario, su rendimiento
está muy cerca. En el anuncio DICIÓN, el DMPC tiene una gran ventaja sobre requiere
mucho tiempo. La razón es que no convexos de optimización no lineal y limitaciones de
NMPC aumentan en gran medida el tiempo de resolución. Estas dos cuestiones
difíciles se han vencido por la DMPC presentado en este artículo como se esperaba.
A partir de este ejemplo, podemos concluir que el equilibrio del sistema actual
es casi imposible localizar en un límite de alguna partición. Esto significa que sólo
una partición contiene el equilibrio en su interior. Sin embargo, el equilibrio se consid
Ered como la localización en el límite, si está muy cerca de una ary encuadernado,
con el fin de evitar la oscilación de trayectorias de estado.
5. CONCLUSIÓN
En este trabajo, una estrategia de DMPC se ha presentado con un sistema
cuyos componentes consistir en varios modelos nominales PWA. Para reducir el
tiempo de resolución de optimizaciones, se aplicó un marco ativa Cooper
distribuida. Para la comodidad
BIBLIOGRAFÍA
[1] Fan Liping, Zhang Jun, Li Chong. "Modelo predictivo Co ntro l de
contras bronceado t tensión ou TPU tofa de protones de membrana de intercambio de pilas de combustible".
Revista de Ciencia e Ingeniería Technology Review.
De abril de 2013. Vol. 6 -2. p.115-119.
[2] Maestre JM, Muñoz De La Peña D, EF Camacho. "D istributed
modelo predictivo Co ntro l basado en un juego cooperativo".
Aplicaciones de control óptimo y Métodos. Marzo de 2011. Vol. 32 -2. p.153-176. DOI: h ttp: //
dx .do io rg / 10. L002 / oca 0.940 [3] Leirens S, Zamora C, Negenborn RR, et al. "Coord inación
en las redes de suministro r wa te urbanas utilizando d es tribu modelo ted con predictivo tro l". Actas
de la Conferencia Americana de Control de 2010. Junio ​de 2010. Vol. 2010. p.3957-3962.
DOI: ht tp: / /
dx.doi.org/10.1109/ACC.2010.5530635
[4] De Souza F, Peccin VB, Camponogara E. "D istribu ted
modelo pred ictive con tro l aplica a las redes ic urbano t ra ff: ción Imp lemen ta, la
experimentación y análisis". 2010 IEEE Conferencia sobre automatización Ciencia e
Ingeniería (CASE).
Agosto de 2010. Vol. 2010. p.399-405. DOI: h ttp: / / dx .do i. o rg / 10 0.1109 /
C0ASE.2010.5584213
[5] Christofldes PD, Sca tto lin i R, de la Pena DM, et al. "D istributed
modelo pred ictive Co ntro l: A tu a r ia l de revisión y fu tu ro direcciones de investigación" Et
Informática Ingeniería Química, abril.
2013. Vol. 51 -5. p.21-41. DOI: h ttp: // dx .do iO rg / 10 0,1016 / j. compchemeng.2012.05.011
[6] Rawlings JB, S tewa rt BT. "Ginarios mu LTIP le op ción t im iza Coord -
estafadores cargas tro base:. New rtun OPPO a s y desafíos" Diario de proceso con tro l de octubre de
2008. Vol 18-9 p.839-845 DOI:.... http://dx.do iO rg / 10. 1016 /j.jp Rocon t.2008 0,06 0,005 [7]
Camponogara E, Jia D, Krogh BH, et al. "D istribu modelo ted
con predictivo tro l". IEEE Control de la revista Systems.
Febrero de 2002. Vol. 22 -1. p.44-52. DOI: h ttp: / / dx .do i. o rg / 10 0,1109 / 37
0,980246
[8] Jia D, Krogh BH. "D istribu modelo ted con predictivo tro l".
Actas de la Conferencia Americana de Control. Junio ​de 2001. Vol. 4.
p 0,2767-2.772. DOI: h ttp: //dx.do l.org/10.1109 / ACC 0,2001 0,946306
[9] Venkat AN, Rawlings JB, W r igh t SJ. "Ility pestaña S y optar al im idad de
d es tribu modelo ted pred ictive con tro l". Actas de la 44ª Conferencia IEEE sobre Decisión y
Control, y de la Conferencia Europea de Control. Diciembre de 2005. Vol. 2005. p.6680-6685.
DOI: h ttp: // dx .do lo rg / 10 -1109 / CDC.2005.1583235 [10] Venkat AN, Rawlings JB, W r igh t SJ.
“Implementable
d es tribu modelo Ted pred ictive Co ntro LW ITH propiedades de rendimiento garantizados". Actas
de la Conferencia Americana de Control. Junio ​de 2006. Vol. 2006. p.613-618. DOI: ht tp: / /
dx.do i.org / 10 0,1 109 / ACC.2006.1655424
Bacalao. 7 7 4 0 | Tecnología de la instrumentación | 3.311,02 Ingeniería de Control
arte í culo
del análisis de estabilidad, se emplearon terminal de restricción de
desigualdad fijar y coste terminal. Un algoritmo de arranque en caliente se
utiliza para lograr la viabilidad recursiva. La ventaja de la estrategia de DMPC
es que un óptimo global aproximación se puede obtener, debido a que el
MIQP se resuelve a través de la prod ing QPs finitos. El controlador se ha
aplicado a un ejemplo numérico y una planta de cuádruple-tanque para
probar la efectividad de diferentes situaciones. Cabe señalar que el más
fuerte es el subsistema de la no linealidad, los más particiones PWA una
aproxi mación necesidades, lo que lleva a un problema más complejo MIQP.
El tiempo para resolver los problemas MIQP aumenta exponencialmente con
el crecimiento de las particiones de PWA. En el catión práctico appli del
método propuesto en este artículo,
RECONOCIMIENTO
Este estudio fue financiado por el Proyecto 61.403.105 que fue apoyada por la
Fundación Nacional de Ciencias Naturales de China (SNCF).
[11] S tewart BT, Venkat AN, Rawlings JB, et al. "Cooperativa
d istribu modelo ted con predictivo tro l". Sistemas Et Cartas de control. Agosto de 2010. Vol. 59-8.
p.460-469. DOI: h ttp: / / dx .do i. o rg / 10 0,1016 / j.sysconle.2010.06.005 [12] S tewart BT, W r igh t SJ,
Rawlings JB. "Cooperative d istribu ted
modelo predictivo con tro l fo sistemas r no lineales". Diario del control del proceso. Junio ​de
2011. Vol. 21 -5. p.698-704. DOI: ht tp: / /
dx.dol. o rg / 10 0.1016 /j.jp Rocon t.2010.11.004
[13] Grob D, Stursberg 0. "Sobre la tasa de convergencia OFA Jacobi
un Rithm LGO fo r Cooperative D istributed MPC". Actas de la Conferencia IEEE sobre
Decisión y Control. diciembre
2013. Vol. 2013. p. 1508-1513. DOI: h ttp: // dx .do io rg / 10 0,1109 / CDC.2013.6760096
[14] Cai X, Sun P, Chen J, et al. "Rapid d es tribu modelo ted
predictivo con tro l diseño usando s descomposición de valor Ingu lar fo sistemas r lineales". Diario
del control del proceso. Julio de 2014. Vol. 24-7. p.1135-1148. DOI:
http://dx.doi.Org/10.1016/j. jprocont.2014.05.002
[15] Lazar M, Heemels W, Weiland S, et al. "Modelo pestaña Iliz ing S
con predictivo tro lof sistemas híbridos". IEEE Transactions on Control Automático. Novermber
2006. Vol. 51-11. p.1813 -
1818. DOI: http://dx.do i.org/10.1109 / TAC 0,2006 0,883059
[16] Bemporad A, sistemas de lof Moran M. "Contro en tegra lógica ting,
la dinámica y enteros Constra". Automática. Marzo de 1999. Vol. 35 -3. p.407-427. DOI: h ttp: //
dx .do io rg / 10 0,1016 / S0005 1098 (98) 00178-2
[17] Bemporad A. "E ff t ien ic conversión de dinámica lógico mixto
sistemas en que un IVA equ prestaron seccionalmente un ffine fo rma". IEEE Transactions
on Control Automático. Mayo 2004. Vol. 49 -5.
p.832-838. DOI: ht tp: // dx .do i.0rg / Lo. l 109 / TAC.2004.828315
[18] Johansson KH. "El proceso de rup quad le-tanque: Un mu ltivariab le
proceso de laboratorio w ith un anuncio cero justable". IEEE Transactions on Sistemas de
Control de Tecnología. Mayo de 2000. Vol. 8 -3. p.456-
465. DOI: h ttp: // dx .do iO rg / l0 0.1109 / 87 0,845876
[19] M. Johansson sistemas de control lineal a trozos. Saltador,
2003. p.9-14. ISBN: 3 -540 -44 124 -7
[20] Muske KR, Rawlings JB. "Predictivo Co ntro LW ITH lineal Modelo
modelos". AlChEJournal, Febrero de 1993, Vol. 39 -2. p.262-287. DOI: h ttp: //dx.do iO rg / 10
0,1002 / a ic.690390208 [21] Chen H, A llgower F. A quas i- en f en no lineal horizonte ite
modelo l esquema con tro predictivo w ith garantizada s ility pestaña.
Automática. De octubre de 1998. Vol. 34 -10. pag. 1205-1217. DOI: ht tp: // dx .do io rg / LO
0.1016 / S0005 -1098 (98) 00073-9
Noviembre-Diciembre2015 | Vol.9 0 n “6 | 661/671 | Dyna | 671
Los derechos de autor de DYNA - Ingeniería e Industria es la propiedad de Publicaciones Dyna SL y su contenido no puede ser copiado o
enviado por correo electrónico a múltiples sitios o enviado a una lista de distribución sin autorización expresa por escrito del titular de los
derechos de autor. Sin embargo, los usuarios pueden imprimir, descargar o enviar los artículos para el uso individual.