Robuste und stochastische ökonomische prädiktive Regelung
Zusammenfassung der Projektergebnisse
In diesem Projekt haben wir modellprädiktive Regelungsverfahren (MPC) für Systeme entwickelt, die Störungen oder Unsicherheiten ausgesetzt sind. Der Schwerpunkt des Projekts lag auf ökonomischen MPC, wo das Ziel darin besteht, das Betriebsverhalten zu finden, das die beste Leistung für eine gegebene ökonomische Kostenfunktion erbringt. Einige Teile des Projekts befassten sich jedoch auch mit stabilisierenden MPC-Verfahren, bei der das Ziel darin besteht, eine bestimmte gewünschte Referenztrajektorie zu stabilisieren, was einen Zwischenschritt zum wirtschaftlichen Fall darstellt. Insbesondere haben wir recheneffiziente Algorithmen zur Steuerung linearer und nichtlinearer Systeme entwickelt, die deterministischen oder stochastischen additiven Störungen unterliegen. Wir haben Modifikationen der Kostenfunktion abgeleitet, um durchschnittliche, Worst-Case- oder erwartete Leistungskriterien zu berücksichtigen, und wir haben gezeigt, wie man den Konservatismus durch Anpassung des Reglers reduzieren kann, wenn wir online Daten sammeln, um unbekannte Parameter zu lernen. Wir haben gezeigt, dass der potenziell mühsame Entwurf von Endbedingungen nicht erforderlich ist, wenn man bereit ist, ein wenig Leistung zu opfern oder lange Vorhersagehorizonte zu verwenden. Wir haben die asymptotische durchschnittliche Leistung der ökonomischen MPC-Schemata sowie die transiente nicht-gemittelte Leistung analysiert. Für die stabilisierenden MPC-Schemata haben wir Stabilität bewiesen, und für alle entwickelten Schemata haben wir die Erfüllung von Nebenbedingungen und rekursive Machbarkeit gezeigt. Schließlich haben wir eine mögliche Anwendung der ökonomischen MPC auf das Problem der Auftragsplanung in der Industrie 4.0 untersucht. Diese Ergebnisse beantworten nicht nur die im Projektantrag gestellten Fragen, sondern gehen an vielen Stellen weit über die ursprünglichen Ziele hinaus und haben international große Beachtung gefunden sowie mehrere Auszeichnungen erhalten. Insgesamt können über die beiden Förderphasen hinweg 4 Dissertationen, 17 Journalartikel und 18 peer-reviewed Konferenzbeiträge als wissenschaftlicher Output dieses Projekts aufgeführt werden.
Projektbezogene Publikationen (Auswahl)
-
Average Constraints in Robust Economic Model Predictive Control∗∗The authors would like to thank the German Research Foundation (DFG) for financial support of the project within the Cluster of Excellence in Simulation Technology (EXC 310/2) at the University of Stuttgart. IFAC-PapersOnLine, 48(8), 44-49.
Bayer, Florian A.; MUller, Matthias A. & Allgower, Frank
-
Min-max economic model predictive control approaches with guaranteed performance. 2016 IEEE 55th Conference on Decision and Control (CDC), 3210-3215.
Bayer, Florian A.; Muller, Matthias A. & Allgower, Frank
-
Robust economic Model Predictive Control using stochastic information. Automatica, 74, 151-161.
Bayer, Florian A.; Lorenzen, Matthias; Müller, Matthias A. & Allgöwer, Frank
-
Constraint-Tightening and Stability in Stochastic Model Predictive Control. IEEE Transactions on Automatic Control, 62(7), 3165-3177.
Lorenzen, Matthias; Dabbene, Fabrizio; Tempo, Roberto & Allgower, Frank
-
Stabilizing stochastic MPC without terminal constraints. 2017 American Control Conference (ACC), 5636-5641.
Lorenzen, Matthias; Muller, Matthias A. & Allgower, Frank
-
Stochastic model predictive control without terminal constraints. International Journal of Robust and Nonlinear Control, 29(15), 4987-5001.
Lorenzen, Matthias; Müller, Matthias A. & Allgöwer, Frank
-
Economic Model Predictive Control for Robust Periodic Operation with Guaranteed Closed-Loop Performance. 2018 European Control Conference (ECC), 507-513.
Wabersich, Kim P.; Bayer, Florian A.; Muller, Matthias A. & Allguwer, Frank
-
On optimal system operation in robust economic MPC. Automatica, 88, 98-106.
Bayer, Florian A.; Müller, Matthias A. & Allgöwer, Frank
-
Linear robust adaptive model predictive control: Computational complexity and conservatism. 2019 IEEE 58th Conference on Decision and Control (CDC), 1383-1388.
Kohler, Johannes; Andina, Elisa; Soloperto, Raffaele; Muller, Matthias A. & Allgower, Frank
-
A robust adaptive model predictive control framework for nonlinear uncertain systems. International Journal of Robust and Nonlinear Control, 31(18), 8725-8749.
Köhler, Johannes; Kötting, Peter; Soloperto, Raffaele; Allgöwer, Frank & Müller, Matthias A.
-
Augmenting MPC Schemes With Active Learning: Intuitive Tuning and Guaranteed Performance. IEEE Control Systems Letters, 4(3), 713-718.
Soloperto, Raffaele; Kohler, Johannes & Allgower, Frank
-
Periodic optimal control of nonlinear constrained systems using economic model predictive control. Journal of Process Control, 92, 185-201.
Köhler, Johannes; Müller, Matthias A. & Allgöwer, Frank
-
Robust Economic Model Predictive Control without Terminal Conditions. IFAC-PapersOnLine, 53(2), 7097-7104.
Schwenkel, Lukas; Köhler, Johannes; Müller, Matthias A. & Allgöwer, Frank
-
A Computationally Efficient Robust Model Predictive Control Framework for Uncertain Nonlinear Systems. IEEE Transactions on Automatic Control, 66(2), 794-801.
Kohler, Johannes; Soloperto, Raffaele; Muller, Matthias A. & Allgower, Frank
-
Model Predictive Control for Flexible Job Shop Scheduling in Industry 4.0. Applied Sciences, 11(17), 8145.
Wenzelburger, Philipp & Allgöwer, Frank
-
Robust and optimal predictive control of the COVID-19 outbreak. Annual Reviews in Control, 51(2021), 525-539.
Köhler, Johannes; Schwenkel, Lukas; Koch, Anne; Berberich, Julian; Pauli, Patricia & Allgöwer, Frank
-
Transient Performance of Tube-based Robust Economic Model Predictive Control. IFAC-PapersOnLine, 54(6), 28-35.
Klöppelt, Christian; Schwenkel, Lukas; Allgöwer, Frank & Müller, Matthias A.
-
Guaranteed Closed-Loop Learning in Model Predictive Control. IEEE Transactions on Automatic Control, 68(2), 991-1006.
Soloperto, Raffaele; Muller, Matthias A. & Allgower, Frank
