Why Use Model Predictive Control? | Understanding MPC, Part 1

Summary

La commande prédictive par modèle (MPC) est une technique de contrôle avancée qui utilise un modèle pour prédire l'avenir du processus et optimiser les actions de contrôle. Elle gère efficacement les systèmes à entrées-sorties multiples (MIMO), gère les contraintes et bénéficie d'une capacité de prévisualisation. Cette méthode, déjà utilisée dans l'industrie depuis les années 80, s'étend à d'autres domaines avec l'augmentation de la puissance de calcul des microprocesseurs. Le coût est un processeur puissant et rapide avec une grande mémoire, nécessaire pour résoudre le problème d'optimisation en ligne à chaque pas de temps.

Takeaways

• 🧠 Le contrôle prédictif de modèle (MPC) est un algorithme de contrôle rétroactif qui utilise un modèle pour prédire les sorties futures d'un processus.
• 🚗 L'analogie de la conduite d'une voiture est utilisée pour expliquer le fonctionnement de l'MPC, où les actions de contrôle sont basées sur des prédictions du modèle du véhicule.
• 🔄 MPC est capable de gérer des systèmes multi-entrées multi-sorties (MIMO), tenant compte des interactions entre les entrées et les sorties.
• 🔩 L'un des avantages de l'MPC est qu'il s'adapte aux contraintes, évitant ainsi les conséquences indésirables en respectant les limites de sécurité et de performance.
• 🚦 La capacité de l'MPC à gérer les contraintes est particulièrement importante pour les systèmes où les limites physiques et les exigences de sécurité sont critiques.
• 👁️ La fonctionnalité de prévisualisation de l'MPC permet d'améliorer les performances du contrôleur en intégrant des informations sur les événements à venir.
• 📈 L'utilisation de l'MPC s'est étendue dans de nombreux domaines en raison de l'augmentation de la puissance de calcul des microprocesseurs.
• 💻 L'MPC nécessite un processeur puissant et rapide avec une grande mémoire, car il résout un problème d'optimisation en ligne à chaque pas de temps.
• 🔄 MPC est utilisé dans l'industrie depuis les années 1980 et est devenu plus largement utilisé dans diverses industries au fil du temps.
• 🔄 Il s'agit d'un contrôleur multivariable qui contrôle simultanément les sorties tout en prenant en compte toutes les interactions entre les variables système.
• 🔄 La prochaine vidéo traitera en détail du fonctionnement des contrôleurs prédictifs de modèle.

Q & A

Qu'est-ce que le contrôleur prédictif de modèle (MPC) et pourquoi est-il populaire chez les ingénieurs de contrôle ?

Le contrôleur prédictif de modèle (MPC) est un algorithme de contrôle à rétroaction qui utilise un modèle pour prédire les sorties futures d'un processus. Il est populaire car il peut gérer des systèmes à entrées multiples et à sorties multiples (MIMO), gérer des contraintes et avoir une capacité de prévisualisation.

Comment le MPC est-il similaire à la conduite d'une voiture ?

Le MPC est similaire à la conduite d'une voiture car il utilise un modèle pour simuler les actions de contrôle et prédire la trajectoire future, tout comme un conducteur utilise les caractéristiques de la voiture pour anticiper les actions de direction et de freinage nécessaires pour rester dans la voie.

Pourquoi le MPC est-il considéré comme un contrôleur multivariable ?

Le MPC est un contrôleur multivariable car il prend en compte simultanément toutes les interactions entre les variables système pour contrôler les sorties, ce qui est un défi avec des contrôleurs PID qui opèrent indépendamment les uns des autres.

Quels sont les avantages de la capacité de MPC à gérer des contraintes ?

La capacité de MPC à gérer des contraintes est importante car en respectant ces contraintes, on évite les conséquences indésirables. Par exemple, en conduisant, il est essentiel d'obéir aux limites de vitesse et de maintenir une distance de sécurité avec les autres véhicules.

Comment le MPC intègre-t-il les informations de référence futures pour améliorer les performances du contrôleur ?

Le MPC intègre les informations de référence futures en les incorporant dans le problème de contrôle, ce qui permet au contrôleur de prendre des décisions anticipatives, comme freiner plus tôt avant un virage en utilisant des données provenant d'une caméra de voiture.

Depuis quand les contrôleurs prédictifs de modèle sont-ils utilisés dans l'industrie des processus ?

Les contrôleurs prédictifs de modèle ont été utilisés dans l'industrie des processus depuis les années 1980, et avec l'augmentation de la puissance de calcul des microprocesseurs, leur utilisation s'est étendue à d'autres domaines.

Quels sont les domaines où le MPC est utilisé à part l'industrie des processus ?

Bien que le script ne liste pas spécifiquement les domaines, le MPC est utilisé dans de nombreux secteurs, notamment l'automobile, l'énergie, la chimie, la production alimentaire et même dans les systèmes de transport en commun.

Quel est le principal défi technique pour l'implémentation du MPC ?

Le principal défi technique pour l'implémentation du MPC est la nécessité d'un processeur puissant et rapide avec une grande mémoire, car il doit résoudre un problème d'optimisation en ligne à chaque pas de temps.

Comment le MPC résout-il un problème d'optimisation en ligne à chaque pas de temps ?

Le MPC résout un problème d'optimisation en ligne en utilisant le modèle du système pour prédire son comportement futur et en sélectionnant l'action de contrôle la plus appropriée pour conduire la sortie prédite vers la référence.

Quelle est la différence entre le MPC et les contrôleurs PID traditionnels ?

Les contrôleurs PID traditionnels sont généralement utilisés pour des systèmes à une seule entrée et une seule sortie, tandis que le MPC est conçu pour gérer des systèmes à entrées multiples et à sorties multiples, en tenant compte des interactions entre les variables.

Pourquoi les contrôleurs PID pourraient-ils être difficiles à concevoir pour de grands systèmes ?

Concevoir des contrôleurs PID pour de grands systèmes peut être difficile car cela nécessite de régler trop de gains de contrôleurs, et ils ne prennent pas en compte les interactions entre les différentes boucles de contrôle.

Outlines

00:00

🚗 Introduction à la commande prédictive de modèle (MPC)

Le paragraphe introduit la commande prédictive de modèle (MPC), une technique de contrôle populaire parmi les ingénieurs de contrôle. Il explique que l'MPC est un algorithme de contrôle à rétroaction qui utilise un modèle pour prédire les sorties futures d'un processus. L'analogie donnée est celle de la conduite d'une voiture, où les caractéristiques de la voiture sont utilisées pour simuler et prédire la trajectoire future en fonction des actions de contrôle choisies. Le paragraphe annonce également un aperçu détaillé de la façon dont fonctionne l'MPC dans la prochaine vidéo.

🔄 Utilisation de la commande prédictive de modèle (MPC)

Ce paragraphe détaille les raisons pour lesquelles l'on utilise la commande prédictive de modèle. Il souligne que l'MPC peut gérer des systèmes multi-entrées multi-sorties (MIMO) avec des interactions entre les entrées et les sorties. Il compare l'MPC à un contrôleur PID, où la conception de ces derniers serait difficile en présence d'interactions. L'MPC, en tant que contrôleur multivariable, tient compte de toutes les interactions entre les variables système. Il mentionne également la capacité de l'MPC à gérer les contraintes, qui sont essentielles pour éviter des conséquences indésirables. L'MPC peut suivre une trajectoire souhaitée tout en respectant toutes ces contraintes. De plus, l'MPC possède une capacité de prévisualisation, semblable au contrôle en avant, qui permet d'améliorer les performances du contrôleur en intégrant des informations de référence futures.

💻 Exigences en matière de puissance de calcul pour l'MPC

Le paragraphe met en évidence les exigences en matière de puissance de calcul pour l'implémentation de l'MPC. Il est nécessaire d'avoir un processeur puissant et rapide avec une grande mémoire, car l'MPC résout un problème d'optimisation en ligne à chaque pas de temps. Cette tâche nécessite des ressources informatiques importantes, ce qui sera discuté plus en détail dans la prochaine vidéo.

🌐 Applications et avantages de l'MPC dans l'industrie

Ce paragraphe résume les avantages de l'MPC et son utilisation dans l'industrie. Il mentionne que les contrôleurs prédictifs de modèle ont été utilisés dans l'industrie des processus depuis les années 1980 et que, avec l'augmentation de la puissance de calcul des microprocesseurs, leur utilisation s'est étendue à d'autres domaines. L'MPC est capable de contrôler des systèmes MIMO avec des interactions, de gérer les contraintes, et possède une capacité de prévisualisation. Il est largement utilisé dans de nombreuses industries et la prochaine vidéo explorera comment fonctionnent les contrôleurs prédictifs de modèle.

Keywords

💡MPC

MPC signifie 'model predictive control' en français 'contrôle prédictif de modèle'. C'est un algorithme de contrôle à rétroaction qui utilise un modèle pour prédire les sorties futures d'un processus. Dans la vidéo, il est utilisé pour illustrer le contrôle de trajectoire d'une voiture en utilisant un modèle simplifié, tout comme un conducteur qui prédit la trajectoire de sa voiture en fonction des actions de contrôle qu'il choisit.

💡Contrôle à rétroaction

Le contrôle à rétroaction est un type de système de contrôle qui ajuste les actions de contrôle en fonction de la différence entre la sortie réelle et la sortie souhaitée. Dans le script, il est mentionné que le MPC est un algorithme de contrôle à rétroaction qui utilise des prédictions pour optimiser ces ajustements.

💡Modèle

Un modèle dans le contexte du contrôle de processus est une représentation simplifiée d'un système réel qui permet de prédire son comportement. Dans la vidéo, le modèle de la voiture est utilisé pour simuler et prédire la trajectoire future en fonction des actions de contrôle.

💡Systèmes multi-entrées multi-sorties (MIMO)

Les systèmes MIMO sont capables de gérer plusieurs entrées et plusieurs sorties qui peuvent interagir entre elles. Dans le script, il est expliqué que le MPC est particulièrement utile pour ces systèmes car il peut contrôler simultanément toutes les sorties en tenant compte des interactions entre les variables.

💡Contraintes

Les contraintes sont des limitations ou des conditions que doivent respecter les systèmes de contrôle. Elles sont essentielles pour éviter des conséquences indésirables. Dans le script, les contraintes sont mentionnées comme un aspect clé que le MPC peut gérer, en respectant par exemple les limites de vitesse et d'accélération d'une voiture.

💡Prévisualisation

La prévisualisation fait référence à la capacité de prévoir des événements à venir et d'ajuster les actions de contrôle en conséquence. Dans le script, l'exemple donné est celui d'une voiture autonome qui, en connaissant la présence d'un virage à l'avance, peut freiner plus tôt pour rester sur la bonne trajectoire.

💡Optimisation en ligne

L'optimisation en ligne est le processus de résolution de problèmes d'optimisation à chaque étape de temps en temps réel. Le MPC est décrit comme un algorithme qui résout un problème d'optimisation en ligne à chaque pas de temps pour déterminer l'action de contrôle optimale.

💡Processus industriel

Le secteur industriel fait référence aux applications de contrôle dans les usines et les installations de production. Le script mentionne que le MPC a été utilisé dans l'industrie depuis les années 1980, et est devenu plus répandu en raison de l'augmentation de la puissance de calcul des microprocesseurs.

💡Microprocesseurs

Les microprocesseurs sont des unités électroniques qui effectuent des calculs et des traitements de données. Le script indique que l'essor du MPC est lié à l'augmentation de la puissance de calcul de ces dispositifs, permettant de gérer des tâches de contrôle plus complexes.

💡Mémoire

La mémoire fait référence à la capacité de stockage des ordinateurs nécessaire pour exécuter des programmes et des algorithmes. Dans le contexte du script, une grande mémoire est requise pour le MPC car il doit résoudre des problèmes d'optimisation en temps réel.

Highlights

Control engineers often use 3-letter acronyms, and MPC is a popular one among them.

MPC stands for Model Predictive Control, a feedback control algorithm.

MPC uses a model to predict future process outputs.

An analogy compares MPC to driving a car within a lane.

MPC decisions are based on simulations of future trajectories.

MPC is suitable for multi-input multi-output systems with input-output interactions.

PID controllers face challenges in MIMO systems due to independent control loops.

MPC is a multivariable controller that considers all system variable interactions.

MPC can handle constraints to prevent undesired consequences.

Constraints include safety limits and physical limitations of the system.

MPC tracks desired trajectories while satisfying all constraints.

MPC has a preview capability, similar to feedforward control.

MPC can incorporate future reference information to improve performance.

MPC has been used in the process industry since the 1980s.

Increased computing power has expanded MPC's use to other fields.

MPC requires a powerful, fast processor with large memory for online optimization.

MPC predicts system behavior and solves optimization for the best control action.

MPC is widely used across various industries for its benefits.

Transcripts

Have you ever noticed that control engineers really like 3 letter acronyms?

In this series, we’ll focus on MPC, which might be the most popular control for some engineers.

But what it really stands for is model predictive control. In this video, we’ll discuss the reasons why you’d use it.

But first, let’s briefly look at the basic idea behind MPC. MPC is a feedback control algorithm

that uses a model to make predictions about future outputs of a process.

Here’s an analogy to explain what we mean: Say that you’re driving and your goal is to keep the car within the lane.

The decisions you make to achieve this goal are very similar to how a model predictive controller works.

You know your car’s characteristics: how fast it goes or how much it turns based on the control actions you take.

Using this model of the car, you do simulations in your head. These give you predictions about your future trajectory based on

the control actions you choose. Then you select the optimal action that drives the predicted trajectory as close as possible

to the desired trajectory. This is a simplistic example to give you the general idea, but in the next video we’ll have a much more

detailed discussion about how MPC works. Here are some of the reasons why you’d want to use model predictive control.

MPC can handle multi-input multi-output systems that might have interactions between their inputs and outputs.

For example, in this MIMO system, a change in the second output also affects the first output. If we were to use PID controllers,

designing them would be challenging because the two control loops would operate independent of each other

as if there are no interactions between the two loops. And designing larger systems would be even more challenging,

as they would require tuning too many controller gains.

The advantage of MPC is that it’s a multivariable controller that controls the outputs simultaneously by taking into account all the

interactions between system variables. Another strength of MPC is that it can handle constraints.

Constraints are important, because violating them can lead to undesired consequences.

For example, some of the safety constraints while driving are that cars must obey speed limits and

maintain a safe distance from other cars. There are also constraints due to physical limitations of the car such as limits on acceleration.

If this was an autonomous car controlled by MPC, the controller would track a desired trajectory while satisfying all these constraints.

Another feature of MPC is its preview capability, which is similar to feedforward control.

Let’s say the autonomous car travels on a curvy road. If the controller doesn’t know that there’s a corner coming ahead,

it will be only able to apply brakes while it’s taking the corner. However, if the car has a camera in the front which provides information

about the future trajectory, the controller will know in advance about the upcoming corner.

So, it can brake sooner to safely stay in the lane.

MPC can easily incorporate future reference information into the control problem to improve controller performance.

Model predictive controllers have been used in the process industry since the 1980s.

With the increasing computing power of microprocessors, their use has spread to other fields as well.

Some of these areas are listed here. MPC has all these benefits, but something to note is that it requires a powerful, fast

processor with a large memory. And the reason is that MPC solves an online optimization problem at each time step, which we’ll talk in

much more detail in the next video. In summary, MPC utilizes the model of a system to predict its future behavior,

and it solves an online optimization problem to select the best control action that drives the predicted output to the reference.

It can control multi-input multi-output systems that might have interactions between inputs and outputs.

MPC can handle constraints, and it has preview capability. It is also widely used in many industries.

In the next video, we will discuss how model predictive controllers work.