Optimality Enhancement in Move-blocked Model Predictive Control and Offset-free Model Predictive Control

Abstract

Model predictive control (MPC) is a receding horizon control which derives finite-horizon optimal solution for current state on-line by solving an optimal control problem. MPC has had a tremendous impact on both industrial and control research areas. There are several outstanding issues in MPC. MPC has to solve the optimization problem within a sampling period so that the reduction of on-line computational complexity is a one of the main research subject in MPC. Another major issue is model-plant mismatch due to the model based predictive approach so that offset-free tracking schemes by compensating model-plant mismatch or unmeasured disturbance has been developed. In this thesis, we focused on the optimality performance of move blocking which fixes the decision variables over arbitrary time intervals to reduce computational load for on-line optimization in MPC and disturbance estimator approach based offset-free MPC which is the most standardly used method to accomplish offset-free tracking in MPC. We improve the optimality performance of move blocked MPC in two ways. The first scheme provides a superior base sequence by linearly interpolating complementary base sequences, and the second scheme provides a proper time-varying blocking structure with semi-explicit approach. Moreover, we improve the optimality performance of offset-free MPC by exploiting learned model-plant mismatch compensating signal from estimated disturbance data. With the proposed schemes, we efficiently improve the optimality performance while guaranteeing the recursive feasibility and closed-loop stability.

모델예측제어는 현재 시스템 상태에 대한 유한 구간 최적해를 도출하는 온라인 이동 구간 제어 방식이다. 모델예측제어는 피드백을 통한 공정 동특성과 제약 조건을 효과적으로 반영하는 장점으로 인해 산업 및 제어 연구 분야에 큰 영향을 미쳤다. 이러한 모델예측제어에는 몇 가지 해결되어야 할 문제가 있다. 모델예측제어에서는 샘플링 기간 내에 최적화 문제를 풀어내야 하기 때문에, 온라인 계산 복잡성의 감소가 주요 연구 주제 중 하나로 활발히 연구되고 있다. 또 다른 주요 문제는 모델에 기반한 예측을 이용하는 접근 방식으로 인해 모델-플랜트 불일치로 인한 오차를 해결해야 한다는 점이며, 모델 플랜트 불일치 또는 측정되지 않은 외란을 보상하여 잔류편차 없이 참조신호를 추적하는 연구가 활발히 이루어지고 있다. 이 논문에서는 모델예측제어에서의 온라인 최적화를 위한 계산 부하를 줄이기 위해 임의의 시간 간격에 걸쳐 결정 변수를 고정시키는 이동 블록 전략의 최적성 향상에 중점을 두었으며, 또한 잔류편차를 제거하기 위해 가장 표준적으로 사용되는 외란 추정기를 이용한 잔류편차-제거 모델예측제어 기법의 최적성 향상에 중점을 두었다. 이 논문에서는 이동 블록 모델예측제어의 최적 성능을 향상시키기 위한 두 가지 전략을 제시한다. 첫 번째 전략은 이동 블록 전략에서 일반적으로 고정된 채로 사용되는 기반 시퀀스를 상호 보완적인 두 기반 시퀀스의 선형 보간으로 대체함으로써 보다 우수한 기반 시퀀스를 제공하며, 두 번째 전략은 준-명시적 접근법을 활용하여 현재 시스템 상태에 적절한 시변 블록 구조를 온라인에서 제공한다. 또한, 잔류편차-제거 모델예측제어 기법의 최적 성능을 향상시키기 위해 추정 외란 데이터로부터 학습된 모델-플랜트 불일치 보상 신호를 온라인에서 이용하는 전략을 제안하였다. 제안된 세 가지 기법을 통해 모델예측제어의 반복적 실현가능성과 폐쇄-루프 안정성을 보장하면서 최적 성능을 효율적으로 개선 하였다.