Un algoritmo MPC impulsado por el rendimiento para grúas de puente subaccionadas
Autores: Bao, Hanqiu; Kang, Qi; An, Jing; Ma, Xianghua; Zhou, Mengchu
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un algoritmo MPC impulsado por el rendimiento para grúas de puente subaccionadas
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Sistema de grúas
Modelo dinámico
Control predictivo basado en el rendimiento
Grúa de puente subactuada
Método basado en datos
Esquemas de control óptimo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Un sistema de grúas a menudo trabaja en un entorno complejo. Es difícil modelar o aprender su verdadera dinámica mediante enfoques tradicionales de identificación de sistemas. Si se crea un modelo de dinámica minimizando su error de predicción, su uso tiende a introducir inexactitudes y, por lo tanto, a llevar a un rendimiento subóptimo. ¿Es posible aprender el modelo de dinámica de una grúa que pueda lograr el mejor rendimiento, en lugar de aprender su verdadera dinámica? Este trabajo responde a la pregunta presentando un algoritmo de control predictivo basado en el rendimiento (P-MPC) para una grúa de puente subactuada en dos dimensiones. En la arquitectura de control de doble capa propuesta, un controlador de bucle interno utiliza un controlador proporcional-integral-derivativo para lograr un anti-balanceo rápidamente. Un controlador de bucle externo utiliza MPC para asegurar una posicionamiento preciso del carro bajo restricciones de control. En comparación con el MPC clásico, este trabajo propone un método basado en datos para el modelado de la planta y la actualización de parámetros del controlador. Al considerar el objetivo de control en la etapa de aprendizaje, el método puede evitar ajustar el controlador para lidiar con la incertidumbre. Utilizamos optimización bayesiana en un marco de aprendizaje activo donde se aprende un modelo de dinámica lineal localmente con la intención de maximizar el rendimiento del control y luego se utiliza junto con esquemas de control óptimo para diseñar de manera eficiente un controlador para una tarea dada. El modelo se actualiza directamente en función del rendimiento observado en experimentos en el sistema físico de manera iterativa hasta que se logra un rendimiento deseado. Los parámetros del controlador y los modelos de predicción del mejor rendimiento en lazo cerrado se pueden encontrar a través de experimentos continuos y optimización iterativa. Los resultados de simulación y experimentos muestran que podemos encontrar explícitamente el modelo de dinámica que produce el mejor rendimiento para un sistema real, y el método puede suprimir rápidamente el balanceo y realizar una posicionamiento preciso del carro. Los resultados verificaron su efectividad, viabilidad y rendimiento superior al compararlo con métodos de vanguardia.
Descripción
Un sistema de grúas a menudo trabaja en un entorno complejo. Es difícil modelar o aprender su verdadera dinámica mediante enfoques tradicionales de identificación de sistemas. Si se crea un modelo de dinámica minimizando su error de predicción, su uso tiende a introducir inexactitudes y, por lo tanto, a llevar a un rendimiento subóptimo. ¿Es posible aprender el modelo de dinámica de una grúa que pueda lograr el mejor rendimiento, en lugar de aprender su verdadera dinámica? Este trabajo responde a la pregunta presentando un algoritmo de control predictivo basado en el rendimiento (P-MPC) para una grúa de puente subactuada en dos dimensiones. En la arquitectura de control de doble capa propuesta, un controlador de bucle interno utiliza un controlador proporcional-integral-derivativo para lograr un anti-balanceo rápidamente. Un controlador de bucle externo utiliza MPC para asegurar una posicionamiento preciso del carro bajo restricciones de control. En comparación con el MPC clásico, este trabajo propone un método basado en datos para el modelado de la planta y la actualización de parámetros del controlador. Al considerar el objetivo de control en la etapa de aprendizaje, el método puede evitar ajustar el controlador para lidiar con la incertidumbre. Utilizamos optimización bayesiana en un marco de aprendizaje activo donde se aprende un modelo de dinámica lineal localmente con la intención de maximizar el rendimiento del control y luego se utiliza junto con esquemas de control óptimo para diseñar de manera eficiente un controlador para una tarea dada. El modelo se actualiza directamente en función del rendimiento observado en experimentos en el sistema físico de manera iterativa hasta que se logra un rendimiento deseado. Los parámetros del controlador y los modelos de predicción del mejor rendimiento en lazo cerrado se pueden encontrar a través de experimentos continuos y optimización iterativa. Los resultados de simulación y experimentos muestran que podemos encontrar explícitamente el modelo de dinámica que produce el mejor rendimiento para un sistema real, y el método puede suprimir rápidamente el balanceo y realizar una posicionamiento preciso del carro. Los resultados verificaron su efectividad, viabilidad y rendimiento superior al compararlo con métodos de vanguardia.