کنترل کننده پیش بین غیرخطی (Nonlinear Model Predictive Controller یا NMPC)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده پیش بین غیرخطی (Nonlinear Model Predictive Controller یا NMPC) :
کنترل پیش بین برای سیستم های غیرخطی
کنترل کننده پیش بین غیرخطی یا NMPC نسخه توسعه یافته MPC برای سیستم هایی است که دینامیک غیرخطی دارند. در بسیاری از سیستم های واقعی، مدل خطی نمی تواند رفتار سیستم را به خوبی توصیف کند (مثل سیستم های بیوشیمیایی، رباتیک، یا فرآیندهای با واکنش های شیمیایی پیچیده). NMPC از مدل غیرخطی برای پیش بینی استفاده می کند.
در NMPC، مدل سیستم به صورت یک معادله دیفرانسیل غیرخطی یا یک مدل غیرخطی گسسته در نظر گرفته می شود:
\[ \dot{x}(t) = f(x(t), u(t)) \]مسئله بهینه سازی در NMPC یک مسئله بهینه سازی غیرخطی با قیود است که در هر گام زمانی باید حل شود. این مسئله معمولا به شکل زیر است:
\[ \min_{u(\cdot)} \int_{0}^{T} L(x(t), u(t)) dt + V_f(x(T)) \]کاربردها: کنترل ربات های بازویی (با دینامیک غیرخطی قوی)، کنترل پهپادها و کوادروتورها، کنترل فرآیندهای بیوشیمیایی (تخمیر، رشد سلولی)، کنترل سیستم های قدرت با دینامیک غیرخطی، و خودروهای خودران.
✅ مزایا: دقت بالا برای سیستم های غیرخطی، توانایی کنترل سیستم های با دامنه وسیع کاری، عملکرد بهتر از MPC خطی در شرایط غیرخطی.
⚠️ معایب: محاسبات بسیار سنگین (چندین مرتبه سنگین تر از MPC خطی)، نیاز به روش های عددی پیشرفته، اثبات پایداری دشوارتر.
روش های مختلفی برای حل مسئله بهینه سازی در NMPC وجود دارد: روش های مبتنی بر گرادیان، روش های برنامه ریزی غیرخطی (NLP)، و روش های مستقیم مانند شوتینگ چندگانه.
یکی از رویکردهای رایج، استفاده از روش غیرخطی سازی با بازخورد است. در این روش، ابتدا با یک تبدیل غیرخطی، سیستم را خطی می کنیم و سپس MPC خطی روی سیستم تبدیل یافته اعمال می شود.
چالش اصلی در NMPC، زمان محاسبات است. برای سیستم های با دینامیک سریع (مثل رباتیک)، باید مسئله بهینه سازی را خیلی سریع حل کرد. این کار نیاز به الگوریتم های بهینه سازی سریع و سخت افزار قوی دارد.
مثال: یک بازوی رباتیک ۶ درجه آزادی که باید مسیر پیچیده ای را دنبال کند. دینامیک آن غیرخطی است (نیروهای کوریولیس و گریز از مرکز). NMPC می تواند با پیش بینی مسیر و در نظر گرفتن محدودیت های موتورها، حرکت دقیق و روانی ایجاد کند.
پایداری NMPC معمولا با انتخاب تابع هزینه و افق پیش بینی مناسب و یا افزودن قیود پایداری (مثل قید کاهش تابع لیاپانوف) تضمین می شود.
