A Novel Iterative Learning Control Method Combined with Model Predictive Control for Tracking Specific Points

Abstract

본 논문에서는 제약조건이 있는 다변수 회분식 공정의 제어를 위해 반복학습제어(Iterative learning control, ILC)와 모델예측제어(Model predictive control, MPC)를 결합한 반복학습 모델예측제어(Iterative learning model predictive control, ILMPC)를 다룬다. 일반적인 ILC는 모델의 불확실성이 있더라도 이전 회분의 정보를 이용해 학습하기 때문에 출력을 기준궤적에 수렴시킬 수 있다. 하지만 기본적으로 개루프 제어이기 때문에 실시간 외란을 제거할 수 없다. MPC는 이전 회분의 정보를 이용하지 않기 때문에 모든 회분에서 동일한 성능을 보이며 모델의 정확도에 크게 의존한다. 본 논문에서 ILC와 MPC의 모든 장점을 포함하는 ILMPC를 제안한다. 많은 회분식 또는 반복 공정에서 출력은 모든 시간에서의 기준궤적을 추적할 필요가 없다. 따라서 본 논문에서는 원하는 점에만 수렴할 수 있는 새로운 ILMPC 기법을 제안한다. 제안한 기법을 사용할 경우 원하는 점을 지나는 기준궤적을 만드는 과정이 필요 없게 된다. 또한 본 논문은 점대점 추적, 반복 학습, 제약조건, 실시간 외란 제거 등의 성능을 보이기 위한 다양한 예제를 제공한다.

In this thesis, we study an iterative learning control (ILC) technique combined with model predictive control (MPC), called the iterative learning model predictive control (ILMPC), for constrained multivariable control of batch processes. Although the general ILC makes the outputs converge to reference trajectories under model uncertainty, it uses open-loop control within a batch

thus, it cannot reject real-time disturbances. The MPC algorithm shows identical performance for all batches, and it highly depends on model quality because it does not use previous batch information. We integrate the advantages of the two algorithms. In many batch or repetitive processes, the output does not need to track all points of a reference trajectory. We propose a novel ILMPC method which can only consider the desired reference points, not an entire reference trajectory. It does not require to generate a reference trajectory which passes through the specific desired points. Numerical examples are provided to demonstrate the performances of the suggested approach on point-to-point tracking, iterative learning, constraints handling, and real-time disturbance rejection.