Enhanced Performance Assessment of Subspace Model-Based Predictive Controller with Parameters Tuning

Authors


Abstract

This study focuses on performance assessment of model predictive control. An MPC-achievable benchmark for the unconstrained case is proposed based on closed-loop subspace identification. Two performance measures can be constructed to evaluate the potential benefit to update the new identified model. Potential benefit by tuning the parameter can be found from trade-off curves. Effect of constraints imposed on process variables can be evaluated by the installed controller benchmark. The MPC-achievable benchmark for the constrained case can be estimated via closed-loop simulation provided that constraints are known. Simulation of an industrial example was done using the proposed method.

Abstract

Cette étude porte sur l'évaluation de la performance du contrôle prédictif par modèles (MPC). On propose un banc d'essai adapté au MPC pour le cas non contraint en se basant sur l'identification de sous-espaces en boucle fermée. Deux mesures de performance sont élaborées pour évaluer l'avantage potentiel de mettre à jour le nouveau modèle identifié. L'avantage potentiel par réglage du paramètre peut s'obtenir à partir des courbes de compromis. L'effet des contraintes imposé sur les variables de procédé peut être évalué par le banc d'essai de contrôleur installé. Le banc d'essai adapté au MPC pour le cas contraint peut être estimé par la simulation en boucle fermée dans la mesure où les contraintes sont connues. On a réalisé la simulation d'un exemple industriel à l'aide de la méthode proposée.

Ancillary