Anda di halaman 1dari 6

ABORDAGEM FUZZY PARA SINTONIA ON-LINE DE UM MPC DE HORIZONTE

INFINITO

Raony Maia Fontes∗, Márcio A. F. MArtins∗, Ricardo A. Kalid∗



Rua Aristides Novis, nº2, 6ºandar, Federação, 40210630
Universidade Federal da Bahia, Escola Politécnica, Programa de Pós-Graduação em Engenharia
Industrial
Salvador–Bahia

Emails: raonyfontes@gmail.com, marciomartins@ufba.br, kalid@ufsb.edu.br

Abstract— This paper deals with an online tuning method based on fuzzy approach for an infinite horizon
model predictive control (IHMPC). The method focuses on the weighting matrices of the controlled outputs,
Q, and of the input moves, R, so that the proposed fuzzy inference system (FIS) comprises rules based upon
the relation between the controlled and manipulated variables. On the basis of suitable performance indexes
which relate the signals from the controlled outputs and the control effort, the application results of the proposed
algorithm in a CSTR system shows its effectiveness when compared to corresponding results from tuning technique
others.
Keywords— Model predictive control, Tuning on-line, fuzzy Logic

Resumo— Este trabalho focaliza um método de sintonia on-line de um controlador preditivo de horizonte
infinito (IHMPC) baseado na lógica fuzzy. O método centra-se sobre a correção das matrizes de peso sobre
as variáveis controladas, Q, e as ações de controle, R, do controlador IHMPC através de um Fuzzy inference
System (FIS) no qual tem suas regras construı́das com base no comportamento das variáveis controladas e
manipuladas. Resultados de aplicação do algoritmo proposto em um reator CSTR demonstram sua eficácia,
quando comparada aos correspondentes resultados provenientes de outras técnicas de sintonia, avaliada por meio
de ı́ndices de desempenho adequados aos sinais das variáveis controladas e das ações de controle.

Palavras-chave— Controle preditivo, Sintonia on-line, Lógica Fuzzy

1 Introdução maioria são práticos e eficazes, a exemplo Lee and


Yu (1994), Shridhar and Cooper (1998b) e Sh-
Sabe-se que a grande maioria dos processos indus- ridhar and Cooper (1998a); e os métodos ótimos,
triais são sistemas multivariáveis, não lineares e os quais estima-se os parâmetros através da solu-
vivem o constante desafio de operar seguindo cri- ção de um problema de otimização, escrito para
térios econômicos, ambientais e de segurança. De atender critérios de desempenho especificados, a
forma a garantir a adequação de tais critérios, tem exemplo van der Lee et al. (2008), Susuki et al.
ocorrido um grande avanço no desenvolvimento de (2008) e Nery Júnior et al. (2014). Garriga and
estratégias de controle avançado, das quais os con- Soroush (2010) apresenta uma revisão detalhada
troladores baseados em modelo (ou MPC, da si- dessas duas categorias de métodos.
gla em inglês - Model Predictive Control ) ganham
mais destaque por se apresentar como uma exce- Em paralelo, estudos na área de estratégias
lente ferramenta no que concerne à aglutinação de sintonia que permitam o acompanhamento do
de dinâmicas multivariáveis e restrições do pro- sistema em malha fechada em tempo real (on-
cesso a ser controlado (Garcı́a et al., 1989; Maci- line) tem sido desenvolvidas. Essas estratégias
ejowski, 2000). tem como principal objetivo corrigir os parâme-
tros do sistema de controle com base na predição
No entanto, o sucesso na condução de um pro-
da malha fechada realizada a cada intervalo de
cesso está diretamente ligado ao bom desempenho
tempo (Fan and Stewart, 2009), a exemplo Al-
de suas malhas de controle e para tanto o desenvol-
Ghazzawi et al. (2001).
vimento de técnicas de sintonia que simplifiquem
o processo de definição do conjunto de parâme- Dentro deste cenário, este trabalho apresenta
tros de um sistema de controle, seja ela automá- uma modificação nos métodos de sintonia on-line
tica ou heurı́stica, é fundamental. Diferentemente baseados na lógica fuzzy, propostos por Ali (2001),
das malhas clássicas de controle PID (Proportional Ali (2003) e Ali and Al-Ghazzawi (2008), e o aplica
Integral Derivative), os controladores MPC ainda em um controlador MPC de horizonte infinito. No
não tem consolidada uma metodologia sistemática método aperfeiçoado, são acrescentadas uma nova
para o ajuste de seus parâmetros. entrada e mais nove regras ao FIS (Fuzzy Infe-
Em aspectos gerais, as estratégias de sinto- rence System). O novo sistema criado tem como
nia MPC podem ser divididas em duas grandes principal objetivo conduzir as variáveis controla-
categorias (Garriga and Soroush, 2010): os mé- das para suas especificações sem provocar grandes
todos ad hoc, os quais fornecem diretrizes, sejam variações nas ações de controle ocasionando uma
elas por equações ou limites tabelados, e na sua resposta mais eficiente para o processo.
2 MPC de horizonte infinito onde p and m são os horizontes de predição e con-
trole, respectivamente; Q e R são matrizes de pon-
Os controladores MPC tem seu desempenho forte- deração; ysp é o vetor de referência (set-point);
mente influenciado pelo modelo do processo iden- ∆u (k) é o vetor das ações de controle.
tificado, pois suas ações de controle são computa- A lei de controle apresentada não garante a
das com base nas predições desse modelo a cada estabilidade do sistema em malha fechada, sendo
instante de amostragem. Na sua grande maioria uma desvantagem dos tradicionais MPC. Sendo
os controladores MPC implementados na indús- assim, controladores com garantia de estabilidade
tria fazem uso de modelos lineares (Darby and nominal têm sido desenvolvidos na literatura, com
Nikolaou, 2012), no entanto podem ser utilizados destaque para abordagem do MPC com horizonte
modelos não lineares mais rigorosos, que tendem a infinito (IHMPC), apresentado por Rawlings and
melhorar o desempenho do controlador a um custo Muske (1993). Dessa forma, neste trabalho o
computacional maior. MPC usado é apresentado por Odloak (2004), e
Neste trabalho, o modelo utilizado é obtido sua lei de controle é escrita como segue:
com base em uma expressão analı́tica da resposta
m
ao degrau da matriz de função transferência do X 2
sistema (Odloak, 2004). Dado um sistema com min V (k) = ky(k + j|k) − ysp − δ y,k kQ
∆uk ,δ y,k
j=0
nu entradas e ny saı́das e que existam apenas po- 2 2
+ xd (k + m|k) Q̄ + kδ y,k kSy

los estáveis, não repetidos e sem atraso, o modelo
espaço de estado obtido é representado como se- m−1
gue:
X 2
+ k∆u(k + j|k)kR , (4)
 s   s  j=0
x (k + 1) x (k)
= A + B∆u (k)
xd (k + 1) xd (k) sujeito a (3), e
 s  (1)
x (k)
y (k) = C d , xs (k + m|k) − ysp − δ y,k = 0, (5)
x (k)
onde δ y,k é o vetor de variáveis de folga; Sy ma-
onde xs e xd são os estados integradores artifi-
triz de peso das variáveis de folga, e a matriz de
ciais (obtidos pela forma incremental) e os es-  peso terminal Q̄ é estimada através da equação de
I 0
tados estáveis, respectivamente; A = ny , Lyapunov da representação do sistema proposta
0 F
em (1):
D0
 
 
B = d e C = Iny Ψ . Os detalhes
D FN >
Q̄ − F> Q̄ F = (Ψ F) Q (Ψ F) . (6)
para a geração das matrizes D0 , Dd , F, N, Ψ e
Iny e da definição dos estados podem ser consul-
tados em Odloak (2004). 3 Sintonia On-line
Dado um modelo para representação do sis-
tema, os algoritmos MPC tem como principal ob- Os métodos de sintonia são usados para deter-
jetivo calcular uma sequência de valores para as minar os parâmetros que melhorem o desempe-
variáveis manipuladas que minimizam tanto o des- nho/robustez de um sistema de controle. No caso
vio quadrático entre os valores preditos e o va- dos métodos on-line, os critérios são testados e o
lor de referência a cada instante de amostragem, parâmetros corrigidos a cada intervalo de tempo.
quanto as ações de controle, respeitando-se ainda A metodologia aqui apresentada corrige os pa-
uma série de restrições do processo. Ou seja, em râmetros do IHMPC de forma a conduzir o pro-
cada instante o seguinte problema de otimização cesso para uma especificação projetada no domı́-
é resolvido: nio do tempo, denominada de túnel de desempe-
nho. Esses túneis são projetados tanto para o pro-
p
X 2 blema servo, como para o problema regulatório, e
min V (k) = ky(k + j|k) − ysp kQ podem ser usados para redução de overshoot, cor-
∆uk
j=1
reção de tempo de resposta, entre outros critérios
m−1
X 2 (Ali and Al-Ghazzawi, 2008). As correções nos
+ k∆u(k + j|k)kR , (2) parâmetros são feitas através de um FIS (Fuzzy
j=0
Inference System), que tem como referência a pre-
dição do sistema em malha fechada.
sujeito a:
A aplicação deste algoritmo de sintonia on-
 Pj line é dividida em duas etapas. A primeira con-
umin ≤ u (k − 1) + i=0 ∆u (k + i|k) ≤ umax

siste no monitoramento da predição do sistema
−∆umax ≤ ∆u (k + j) ≤ ∆umax em malha fechada, e no caso de violação do li-

∆u (k + j|k) = 0, ∀j ≥ m,

mite especificado ou na mudança de set-point o
(3) algoritmo entra na segunda etapa, correção. Na
segunda etapa, os túneis de desempenho são es-
calonados proporcionalmente à magnitude do dis-
túrbio ou mudança de set-point e então as predi-
ções são usadas no FIS para determinar os novos
parâmetros (Al-Ghazzawi et al., 2001).
Um FIS pode ser dividido em três etapas:
Fuzzificação, Inferência e Defuzzificação (Mendel,
2000).
O estágio de Fuzzificação consiste em deter-
minar o grau de pertinência de uma entrada a Figura 2: Conjuntos fuzzy para violação da taxa.
um conjunto fuzzy. Diferente dos trabalhos de Adaptado de Ali (2001).
Ali (2001), Ali (2003) e Ali and Al-Ghazzawi
(2008), neste trabalho são usadas 4 entradas, e (H)igh determinados de forma heurı́stica, são
sendo 3 influenciadas pelo comportamento das va- representados na Figura 3.
riáveis controlada (Ali, 2001; Ali, 2003; Ali and Pm 2
Al-Ghazzawi, 2008) e 1 pelo comportamento da j=0 (∆u (k + j))
variável manipulada. D= (10)
m(∆umax )2
As duas primeiras entradas representam a
aproximação do valor predito aos limites especi-
ficados no túnel de desempenho e são avaliadas
pelas seguintes expressões (Ali, 2001):

yi (k + n) − yiu (k + n)
A≡ , (7)
yiu (k + n)
yil (k + n) − yi (k + n)
B≡ , (8)
yil (k + n)

onde yi é a variável controlada predita que ocasi-


Figura 3: Conjuntos fuzzy para violação na vari-
ona maior violação; yil e yiu são os limites inferior
ação da variável manipulada.
e superior especificada no túnel; n é o instante de
amostragem (da predição) no qual ocorre a maior
No estágio de Inferência, os resultados da
violação. Ambas entradas são representadas por
fuzzificação são processados com base em uma
dois conjuntos fuzzy, (G)ood e (H)igh, apresenta-
sequência de regras que determinam a relação das
dos esquematicamente na Figura 1.
entradas com as saı́das. No caso em questão, a
base de regras deve representar a influência dos
parâmetros sobre a resposta de malha fechada, de
tal forma que as devidas correções, ∆r e ∆q, serão
estimadas.
Neste trabalho, devido à inserção da nova en-
trada D e de se tratar de um IHMPC, a base de
regras apresentadas em Ali (2001), Ali (2003), Ali
and Al-Ghazzawi (2008) foi modificada com base
no conhecimento do sistema, resultando um total
de 18 regras apresentadas na Tabela 1.
Figura 1: Conjuntos fuzzy para violação dos limi-
Após o processamentos das regras, pela etapa
tes. Adaptado de Ali (2001).
de Inferência, as correções são estimadas através
ds combinação dos resultados obtidos em cada
A terceira entrada do FIS é usada para iden- regra. Esta nova etapa é conhecida por Defu-
tificar a taxa de variação, da variável controlada, zificação sendo necessários os conjuntos que re-
no instante de maior violação, n, e é computada presentam as saı́das, no caso (L)arge(N)egative,
por (S)emi(N)egative, (Z)eros, (S)emi(P)ositive e
yi (k + n) − yi (k + n − 1)
C= , (9) (L)arge(P)ositive (Figura 4), e o método de com-
yi (k + n) binação, que neste trabalho será usado o Center
e seus conjuntos fuzzy, (N)egative, (Z)ero e Of Area (Mendel, 2000) para ambas as saı́das.
(P)ositive estão apresentados na Figura 2 (Ali, Assim como a mudança na base de regras, a
2001). inserção de uma nova entrada ocasiona também
A quarta entrada do FIS representa a relação uma modificação no algoritmo de implementação
das ações de controle encontradas na simulação da sintonia on-line. Em cada instante de amostra-
de malha fechada, com sua restrição. Seu valor gem, k, e antes do cálculo das ações de controle,
é determinado por (10) e seus conjuntos, (L)ow os seguintes passos são executados:
Tabela 1: Diretrizes de sintonia representadas em
regras fuzzy.
dcA (t) [cA,in −cA (t)]Fin (t)


 dt = πr 2 h(t)h
Regras Correção em R Correção em Q  i
−k0 cA (t) exp − TE(t)


Se A é H e B é G e D é L então ∆r é LN ∆q é SP 


Se A é H e B é G e D é H então ∆r é SN ∆q é SP 

Se A é G e B é H e D é L então ∆r é LN ∆q é SP
Se A é G e B é H e D é H então ∆r é SN ∆q é SP dT (t) [Ti n−T (t)]Fin (t) (11)
 dt = πr 2 h(t)
Se A é G e B é G e D é L então ∆r é ZE ∆q é ZE 
 h i
+ ρCp k0 cA (t) exp − TE(t)
∆H
Se A é G e B é G e D é H então ∆r é LP ∆q é ZE



Se A é H e C é P e D é L então ∆r é LN ∆q é LP


2U

Se A é H e C é P e D é H então ∆r é SN ∆q é LP + ρrC [Tc (t) − T (t)]

Se A é H e C é Z e D é L então ∆r é SP ∆q é SN p

Se A é H e C é Z e D é H então ∆r é SP ∆q é SN
Se A é H e C é N e D é L então ∆r é ZE ∆q é ZE Os parâmetros que caracterizam o sistema es-
Se A é H e C é N e D é H então ∆r é SP ∆q é ZE
Se B é H e C é P e D é L então ∆r é SN ∆q é SP
tão dispostos na Tabela 2 e a linearização da Equa-
Se B é H e C é P e D é H então ∆r é ZE ∆q é SP ção 11 é feita em torno do seguinte estado es-
Se B é H e C é Z e D é L então ∆r é SP ∆q é SN tacionário: Fin = 0, 05 m3 /min, Tc = 295 K,
Se B é H e C é Z e D é H então ∆r é LP ∆q é ZE
Se B é H e C é N e D é L então ∆r é ZE ∆q é ZE cA = 0.9342 kmol/m3 e T = 319, 0404 K.
Se B é H e C é N e D é H então ∆r é LP ∆q é ZE
Fonte: Adaptado de Ali (2001)
Tabela 2: Valores dos parâmetros usado na simu-
lação.

Parâmetro Valor Unidade


cA,in 1,0 kmol/m3
Tin 350 K
r 0,1970 m
k0 7,2 ×1010 min−1
E 8750 K
U 54936 W/m2 /K
ρ 103 kg/m3
Figura 4: Conjuntos fuzzy das saı́das. Cp 239 J/kg/K
∆H -5×107 J/kmol
h 0,3270 m
1. Realizar a predição da malha fechada para Fonte: Martins et al. (2014)

um determinado horizonte;
2. Selecionar a variável manipulada (iu) com A configuração do IHMPC é definida para um
maior variação e calcular D (Equação 10); sistema 2x2, onde as variáveis manipuladas são
Fin e Tc , e as controladas são cA e T , os parâme-
3. Verificar se há violação da variável contro- tros1 são m = 3, R = diag 0, 4; 1, 15 × 10−5 ,

lada; Q = diag 2, 3 × 10−2 ; 9, 83 × 10−6 , tempo de


Caso verdadeiro: amostragem igual 0,5 min e as restrições2 defini-


das umax = [0, 1; 590], umin = [0; 0] e ∆umax =
• Selecionar a variável controlada que pro-
[0, 1; 10]. Para o sistema de sintonia, os túneis de
porciona maior violação (yi (k + n)) e
desempenho foram projetados para 90 instantes
calcular os ı́ndices A, B, C;
de amostragem e o horizonte de predição de ma-
lha fechada igual 17 instantes de amostragem.
Caso Falso:
Para se manter um mismatch, a planta é si-
• Fazer A = B = C = 0; mulada usando o sistema de equação diferencial
(Equação 11) enquanto que o IHMPC faz uso do
4. Avaliar as correções através do FIS (Ta- modelo linearizado. Como para implementação do
bela 1); sistema de sintonia se faz necessário a simulação
5. Corrigir os parâmetros: riu,k = da malha fechada, esta é feita para o caso nominal,
(1 + ∆r) riu,k−1 e qi,k = (1 + ∆q) qi,k−1 . ou seja, modelo de predição e planta representadas
pelo mesmo sistema de equações.
O teste do algoritmo de sintonia é feito sobre
4 Resultados a simulação na mudança do set-point da variável
controlada, y1 ≡ cA . Os gráficos apresentados
A tı́tulo de aplicação do método proposto, o es- nas Figuras 5 a 7 mostram o comportamento das
tudo de caso apresentado trata-se de um rea- variáveis controladas e manipuladas para a planta
tor CSTR (Continous Stirred Tank Reactor ) com sem o sistema de sintonia (Off-line - cor azul), com
uma jaqueta de resfriamento, onde ocorre uma 1 Cada elemento das matrizes R e Q possui unidade in-
reação elementar (A → B), representado pelo se- versa à sua respectiva variável.
guinte sistema de equações diferenciais (Martins 2 Os elementos dos vetores u
max , umin e ∆umax pos-
et al., 2014): suem unidades iguais às suas respectivas variáveis.
o sistema de sintonia apresentado por Ali (2001)
(Sintonia 1 - cor verde) e com o sistema de sin-
tonia apresentado neste trabalho (Sintonia 2 - cor
vermelho)
A partir das figuras (5 à 7), verifica-se que,
após a alteração no valor de referência, a planta
sem os sistemas de sintonia on-line resulta em
uma resposta oscilatória com amplitude constante
e não desejada. Uma vez ativado a sintonia, 1 ou
2, as variáveis são conduzidas para a amplitude
especificada no túnel de desempenho (Figura 6),
enquanto que a sintonia 2 promove uma resposta
Figura 5: Resposta das variáveis controladas y1 ≡
mais suave, consequência da atenuação nos movi-
cA e y2 ≡ T para uma variação em ysp,1 = −0, 3
mentos das variáveis manipuladas (Figura 7).
kmol/m3 .
As diferentes respostas são consequências das
modificações realizadas no FIS pela inserção do ı́n-
dice D e novas regras, o que resultou em correções
diferenciadas nos pesos, como mostra as Figuras 8
e 9. Nota-se (Figura 8) que ambas as sintonias não
alteram o peso da variável y2 , aumentando apenas
o peso da variável y1 , esendo que no caso da sinto-
nia 2 uma maior correção é aplicada. Isto ocorre
devido ao comportamento da matriz R, onde na
sintonia 1 ambos os pesos são reduzidos rapida-
mente, o que promove um ação de controle mais
severa não sendo necessário um aumento signifi-
cativo em qy,1 . Diferentemente, a sintonia 2 não Figura 6: Zoom da resposta apresentada na Fi-
reduz drasticamente ambos os elementos da ma- gura 5 entre os instantes 70 e 100.
triz R, o que resulta numa ação de controle mais
suave, sendo necessário o aumento no elemento
qy,1 da matiz Q para conduzir o sistema para as
especificações desejadas.
A Tabela 3 mostra que as duas sin-
tonias
Rt promovem um melhora nos ISEi =
2
0
(yi (t) − ysp,i ) dt, quando comparado com a
planta sem um sistema de sintonia (off-line).
No
R t entanto, quando combinado o IDMVi =
2
0
(∆u i (t)) dt, a aplicação da sintonia 1 provoca Figura 7: Resposta das variáveis manipuladas
um aumento no ı́ndice global, consequência do u1 ≡ Fin e u2 ≡ Tc para uma variação em
grande aumento das variações das ações de con- ysp,1 = −0, 3 kmol/m3 .
trole, diferente do método de sintonia 2 que con-
segue reduzir os ISEs sem aumentar significativa-
mente os IDMVs. Dessa forma, a resposta final
da planta é conduzida à especificação de forma
mais equilibrada, sem prejudicar o elemento final
de controle.

Tabela 3: Índices de desempenho avaliados para o


tempo de simulação.
Figura 8: Comparação entre as mudanças na ma-
Método ISE1 ISE2 IDMV1 IDMV2 Global
×101 ×105 ×101 ×103 (ISE + IDMV)×101
triz Q feitas pelos métodos de sintonia e seu valor
Off-line 5,10 7,67 4,33 1,33 9,44 inicial.
Sintonia 1 4,24 2,44 43,80 14,00 48,10
Sintonia 2 3,37 5,85 5,68 1,90 9,06

5 Conclusão

Os resultados encontrados mostram que a adição


de uma nova entrada (Equação 10) ao FIS pro-
posto nos trabalhos de Ali (2001), Ali (2003), Ali
Figura 9: Comparação entre as mudanças na ma-
triz R feitas pelos métodos de sintonia e seu valor
inicial.
and Al-Ghazzawi (2008), promove uma sintonia Garriga, J. L. and Soroush, M. (2010). Model Pre-
balizada na relação entre controladas e manipu- dictive Control Tuning Methods: A Review,
ladas. Dessa forma, as alterações avaliadas pelo Industrial & Engineering Chemistry Research
novo FIS (Tabela 1) refletem em ações de con- 49(8): 3505–3515.
trole mais atenuadas quando comparadas com o
FIS original. Como as sintonias tem seus conjun- Lee, J. H. and Yu, Z. H. (1994). Tuning of model
tos de regras pensados para melhorar o compor- predictive controllers for robust performance,
tamento das variáveis controladas, a consequência Computers Chemical Engineering 18(1): 15–
é aumentar os elementos da matriz Q enquanto 37.
diminui os elementos da matriz R. Este compor- Maciejowski, J. M. (2000). Predictive Control with
tamento fica evidente ao avaliar os ı́ndices de de- Constraints, Prentice Hall.
sempenho apresentados na Tabela 3 e as Figuras
8 e 9. Martins, M. A. F., Zanin, A. C. and Odloak,
É importante salientar que, apesar do IHMPC D. (2014). Robust model predictive control
ter ações de controle que não instabilizam o sis- of an industrial partial combustion fluidized-
tema, o uso de pesos variantes não garante a esta- bed catalytic cracking converter, Chemical
bilidade. Nesse sentido, estudos sobre o desenvol- Engineering Research and Design 92(5): 917–
vimento de regras que considere esta propriedade 930.
estão sendo realizados.
Uma vez que manteve as variáveis controladas Mendel, J. M. (2000). Uncertain rule-based fuzzy
em seu desempenho especificado sem causar gran- logic system: introduction and new directi-
des variações nas ações de controle, o algoritmo ons, 1 edn, Prentice Hall, Upper Saddle Ri-
proposto se mostra promissor para o problema de ver, NJ, USA.
sintonia de um MPC de horizonte infinito. Nery Júnior, G. A., Marins, M. A. F. and Ka-
Agradecimentos lid, R. (2014). A PSO-based optimal tuning
strategy for constrained multivariable predic-
Os autores agradecem à Coordenação de Aperfei-
tive controllers with model uncertainty., ISA
çoamento de Pessoal de Nı́vel Superior (CAPES)
transactions 53(2): 560–7.
pelo suporte financeiro do projeto de desenvolvi-
mento em que se insere este trabalho. Odloak, D. (2004). Extended robust model pre-
Referências dictive control, AIChE Journal 50(8): 1824–
1836.
Al-Ghazzawi, A., Ali, E., Nouh, A. and Zafiriou,
E. (2001). On-line tuning strategy for mo- Rawlings, J. B. and Muske, K. R. (1993). The
del predictive controllers, Journal of Process stability of constrained receding horizon con-
Control 11(3): 265–284. trol, IEEE Transactions on Automatic Con-
trol 38(10): 1512–1516.
Ali, E. (2001). Automatic Tuning of Model
Predictive Controllers, IASTED Conference Shridhar, R. and Cooper, D. J. (1998a). A novel
on Control and Application, Banff, Canadá, tuning strategy for multivariable model pre-
pp. 136–142. dictive control, ISA transactions 36(4): 237–
280.
Ali, E. (2003). Heuristic on-line tuning for nonli-
near model predictive controllers using fuzzy Shridhar, R. and Cooper, D. J. (1998b). A Tuning
logic, Journal of Process Control 13(5): 383– Strategy for Unconstrained Multivariable
396. Model Predictive Control, Industrial & En-
gineering Chemistry Research 37(98): 4003–
Ali, E. and Al-Ghazzawi, A. (2008). On-line Tu-
4016.
ning of Model Predictive Controllers Using
Fuzzy Logic, The Canadian Journal of Che- Susuki, R., Kawai, F., Nakazawa, C., Matsui, T.
mical Engineering 81(5): 1041–1051. and Aiyoshi, E. (2008). Parameter optimiza-
tion of model predictive control using PSO,
Darby, M. L. and Nikolaou, M. (2012). MPC:
2008 SICE Annual Conference pp. 1981–
Current practice and challenges, Control En-
1988.
gineering Practice 20(4): 328–342.
van der Lee, J. H., Svrcek, W. Y., Young, B. R.,
Fan, J. and Stewart, G. E. (2009). Automatic
Lee, J. H. V. D., Svrcek, W. Y. and Young,
tuning method for multivariable model pre-
B. R. (2008). A tuning algorithm for model
dictive controllers.
predictive controllers based on genetic algo-
Garcı́a, C. E., Prett, D. M. and Morari, M. (1989). rithms and fuzzy decision making, ISA tran-
Model Predictive Control: Theory and Prac- sactions 47(1): 53–59.
tice a Survey, Automatica 25(3): 335–348.

Anda mungkin juga menyukai