Commande prdictive

ENSPS 3A ISAV
Master ISTI AR
J. Gangloff
Plan
1.Introduction / Historique
2.Modlisation du systme
3.Fonction de cot
4.quations de prdiction
5.Commande optimale
6.Exemples
7.Rglage du GPC
8.Bibliographie
1. Introduction
1.1. Dfinition du MPC

Model Predictive Control (MPC) :

Utilisation explicite d'un modle pour

prdire le comportement futur du systme

Calcul d'une squence d'chantillons futurs

de commande minimisant une fonction de
cot sur un horizon fuyant

Seul le premier chantillon de commande

est rellement appliqu au systme. Toute
la squence est recalcule chaque pas.
1. Introduction
1.2. Principe du MPC
[
r(t+1)

r(t+N
2
)
]
+
-
Prdicteur
[
y(t+1)

y(t+N
2
)
]
Optimisation
[
u(t)

u(t+N
u
1)
]
u(t)
Systme
y(t)
N
2
consignes futures
N
2
mesures futures
N
1
commandes
futures
1. Introduction
1.2. Principe du MPC
t t+N
1
t+N
2
y
r
Horizon
fuyant
Objectif de l'optimisation : minimiser la surface
1. Introduction
1.3. Dclinaisons du MPC

DMC (Dynamic Matrix Control)

Utilise la rponse indicielle du systme

Processus stable et sans intgrateur

MAC (Model Algorithmic Control)

Utilise la rponse impulsionnelle

PFC (Predictive Functional Control)

Utilise un modle d'tat du systme

Peut s'appliquer aux systmes non linaires

GPC (Generalized Predictive Control)

Utilise un modle CARMA

Le plus rpandu
1. Introduction
1.4. Avantages/inconvnient du MPC

Avantages :

Concept simple, rglage intuitif et ais

S'applique tout type de systmes, des

plus simples aux plus complexes (systmes
instables, avec retards, non minimum de
phase, trs peu amortis, multivariables, non
linaires, variants)

Si la consigne est connue l'avance, son

caractre prdictif permet de l'anticiper et
donc d'amliorer le suivi.

Numriquement stable

Inconvnient : modlisation prcise

2. Modlisation
2.1. Cas du MAC

Modle impulsionnel

La sortie est relie l'entre par l'quation

suivante :

On tronque aux N premiers chantillons :

Inconvnient : reprsentation non minimale

y(t)=

i =1

h
i
u(ti)
y(t+kt)=

i =1
N
h
i
u(t+kit)
2. Modlisation
2.2. Cas du GPC

Modlisation CARMA (Controller Auto-

Regressive Moving-Average) :

Avec :

On fait souvent :
A( q
-1
) y(t)=q
-d
B(q
-1
) u(t1)+
C( q
-1
)
D(q
-1
)
e(t)
A(q
-1
)=1+a
1q
-1
+a
2q
-2
+.+a
na
q
-na
B(q
-1
)=b
0
+b
1q
-1
+b
2q
-2
+.+b
nb
q
-nb
C(q
-1
)=1+c
1q
-1
+c
2q
-2
+.+c
nc
q
-nc
D(q
-1
)=A( q
-1
)=1q
-1
3. Fonction de cot
J=

j=N
1
N
2
[ y(t+jt)r (t+j)]
2
+

j=1
N
u
\[Au(t+j1)]
2
Erreur quadratique nergie de la commande
Paramtres de rglage : N
2
, N
u
, \
4. quations de prdiction

Cas du GPC :

Premire quation diophantienne :

Avec C=1 :

On a :
C=E
j
AA+q
-j
F
j
1=E
j
AA+q
-j
F
j
deg(E
j
)=j1
deg(F
j
)=na
[
Ay(t)=Bq
-d
u(t1)+
e(t)
A
]
AE
j
q
j
AAE
j
y(t+j)=E
j
BAu(t+jd1)+E
j
e(t+j)
4. quations de prdiction

On utilise l'quation diophantienne :

D'o on tire :

Meilleure prdiction :
(1q
-j
F
j
) y(t+j)=E
j
BAu(t+jd1)+E
j
e(t+j)
y(t+j)=F
j
y(t)+E
j
BAu(t+jd1)+E
j
e(t+j)

y(t+jt)=E
j
BAu(t+jd1)+F
j
y(t)
4. quations de prdiction

Sparation des commandes :

Deuxime quation diophantienne :

quation de prdiction :
E
j
B=G
j
+q
-j
I
j

y(t+jt)=G
j
Au(t+jd1)+I
j
Au(td1)+F
j
y(t)
Rponse
force
Rponse libre
5. Commande optimale

quation de prdiction :

Avec :

y=G u+

y=
[

y( t+1t).

y(t+N
2
t)
]
T
u=
[
Au(tt).Au(t+N
u
1t)
]
T

f =
[

f (t+1t).

f ( t+N
2
t)
]
T
G=
[
g
0
0 0
g
1
g
0
0

g
N
2
1
g
N22
g
0

g
N
2
1
g
N
2
2
g
N
2
N
u
]
N
u
N
2
Les g
0
... g
N2-1
sont
les chantillons de
la rponse indicielle.
5. Commande optimale

Fonction de cot :

On a :

Avec :
J=( yr)
T
( yr)+\ u
T
u
u
opt
qui annule
dJ
d u
: u
opt
=(G
T
G+\I)
-1
G
T
(r

f )
r=
[
r(t+1).r(t+N
2
)
]
T
consignes futures
Seule la premire valeur de la commande optimale
est applique au systme.
6. Exemples
6.1. Exemple simple

Soit le systme mis sous la forme

CARIMA :

On a :
A=10.7q
-1
B=0.90.6q
-1
6. Exemples
6.1. Exemple simple

Ce qui peut tre mis sous la forme :

G

f
(G
T
G+\I
3
)
-1
G
T
=
(
0.8947 0.0929 0.0095
0.8316 0.8091 0.0929
0.0766 0.8316 0.8947
)
6. Exemples
6.2. Rsultats de simulation
6. Exemples
6.2. Rsultats de simulation
7. Rglage du GPC

Paramtre \ :

Augmentation : ralentissement du systme

Diminution : commande plus nergique

donc acclration du systme

Paramtre N
2
:

Doit tre au moins aussi grand que le

transitoire du systme corrig

Paramtre N
1
:

Doit tre suprieur au retard du systme

Paramtre N
u
:
Tend vers une rponse pile quand N
u
->0
8. Bibliographie

R. Bitmead, M. Gevers et V. Wertz, Adaptive Optimal

control The thinking man 's GPC, Prentice Hall
International, 1990.

E. F. Camacho et C. Bordons, Model Predictive

Control, Springer Verlag, 1999.

J.-M. Dion et D. Popescu, Commande optimale,

conception optimise des systmes, Diderot, 1996.

P. Boucher et D. Dumur, La commande prdictive,

Technip, 1996.