Self-tuning predictive control of nonlinear servo-motor

Abstract

Náplní příspěvku je návrh algoritmů samočinně se nastavujícího prediktovního regulátoru a jejich aplikace pro řízení laboratorního servomotoru v reálném čase. Algoritmus prediktivního řízení byl navržen pro omezení akční veličiny. V identifikační části byl použit ARX model, jehož parametry jsou odhadovány rekurzivní metodou nejmenších čtverců se směrovým zapomínáním. V optimalizační části algoritmu byla použita účelová funkce založená na minimalizaci kvadratických a absolutních odchylek jednotlivých veličin. Navržené prediktivní regulátory byly úspěšně ověřeny v reálném čase při řízení nelineárního servomotoru.

The paper is focused on a design of a self-tuning predictive model control (STMPC) algorithm and its application to a control of a laboratory servo ? motor. The model predictive control algorithm considers constraints of a manipulated variable. An ARX model is used in the identification part of the self-tuning controller and its parameters are recursively estimated using the recursive least squares method with the directional forgetting. The control algorithm is based on the Generalised Predictive Control (GPC) method and the optimization was realized by minimization of a quadratic and absolute values objective functions. A recursive control algorithm was designed for computation of individual predictions by incorporating a receding horizon principle. Proposed predictive controllers were verified by a real-time control of highly nonlinear laboratory model ? Amira DR300.