Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Principes de la commande prédictive. Applications sous MATLAB
Cristina Vlad
Ecole d’été francophone CA’NTI 25/2019
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 2
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 3
Introduction
Avantages de la commande prédictive
Facilité de mise en œuvre (bonnes performances et simplicité d’implémentation)
Effet anticipatif : par utilisation explicite de la trajectoire à suivre dans le futur
Méthode systématique de manipulation des contraintes
Technique bien adaptée pour :
commande des systèmes complexes : multivariables (plusieurs entrées – plusieurs sorties),systèmes soumis aux contraintes, systèmes non linéaires, …
problèmes de suivi de trajectoire sans/sous contraintes (entrées, sorties, états), pour lesquelsla trajectoire à suivre est parfaitement connue à l’avance et planifiée
différents objectifs
parmi les commandes avancées les plus utilisées dans le milieu industriel
28/05/2019 4
Introduction Historique : Début à la fin des années ’70 (Richalet et al., Cutler&Ramaker)
Améliorations dans les années ’90 : conditions de faisabilité, de stabilité en boucle fermée
Maturité depuis le début des années 2000 : développements de la commande prédictive robuste(Mayne et al.), solutions explicites, commande prédictive des systèmes hybrides et non-linéaires, applications aux systèmes rapides
2010 : commande prédictive stochastique, distribuée, économique
Applications industrielles : initialement sur des systèmes linéaires et lents
1979 Dynamic Matrix Control (DCM) : applications dans l’industrie pétrolière (raffinerie depétrole)
Plus de 1000 applications répertoriées (Qin&Badgwell’03)
Robots, machines-outils, applications dans l’industrie chimique ou biochimique,aéronautique, thermique, l’industrie du ciment …
Exemple : régulation de vitesse des ascenseurs de la tour Eiffel
surtout pour des systèmes avec une trajectoire à suivre connue à l’avance
28/05/2019 5
Applications
28/05/2019 6
Principe de la commande prédictive
Exemple introductif
Objectif : Minimiser le temps de parcours en suivant le trajet et en évitant lesautres voitures
Contraintes :
Rester sur la piste, pas de dérapage, accélération limité,
éviter les autres voitures
Perturbations : la manque d’attention du chauffeur
Référence : le parcours souhaité
Approche intuitive :
Regarder la route et anticiper les décisions en fonction de :
‒ Conditions de la route
‒ Virages
‒ Caractéristiques de la voiture (puissance, stabilité…)
28/05/2019 7
Principe de la commande prédictive
Exemple introductif
Solution : résoudre un problème d’optimisation afin de minimiser le temps deparcours
Minimiser (temps de parcours) commande calculée en utilisant des
tel que respecter le trajet méthodes d’optimisation
éviter les autres voitures …
o Nécessité : anticiper les évènements possibles (présence d’une autre voiture aprèsun virage )
introduire un retour (feedback) dans la boucle
o Optimisation en temps-réel planification de la route à chaque itération
28/05/2019 8
Utilisation d’un modèle du processus pour la prédiction du comportementdynamique du processus afin d’optimiser le signal de commande
Trajectoire de référence connue et planifiée
Effet anticipatif
Horizon glissant
Prise en compte des contraintes
28/05/2019 9
Principe de la commande prédictive
Optimisation
à base de
modèle
Processus )(tr
référence
)(tu )(ty
commande sortie
mesures
Stratégie de commande prédictive – principe de l’horizon fuyant
28/05/2019 10
Principe de l’horizon fuyant
Horizon de
commande
Horizon de prédiction
FuturePassé
k+1 k+N − 1
Sorties prédites y(k+i)
Entrées prédites u(k+i)
k+1 k+N − 1
k+1 k+N−1
y(k)
u(k)
Horizon de prédiction k+1
Horizon de prédiction k
k
k
r(k+i)
k
r(k+i)
k+Nu − 1
Plan du cours
Introduction
Concepts de la commande prédictive
Principes de base
Choix du modèle du processus
Paramètres de réglage
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 11
Élaboration de la commande
Choix d’un modèle numérique du processus sur lequel est fondée la prédiction dela sortie
Spécification de la trajectoire que doit suivre la sortie
Formulation d’un critère de performance à partir des objectifs de la commande
Choix des paramètres de réglage
Minimisation d’un critère quadratique à horizon fini élaborant une séquence decommandes futures en boucle ouverte
Application du premier élément de la séquence de commande optimale au système
Répétition à chaque période d’échantillonnage : principe de l’horizon fuyant
structure de commande en boucle fermée
28/05/2019 12
Concepts de la commande prédictive
Choix du modèle du processus
Un « bon » modèle = le plus simple possible, mais malgré tout suffisamment significatif etadapté aux besoins, en offrant des prédictions suffisamment précises
une connaissance appropriée du système
Un modèle résultant souvent d’un phase d’identification
Un modèle capable de prédire le comportement du système
Souvent un modèle linéaire
Généralement un modèle à temps discret
Procédure
Modèle initial premier essai de commande prédictive
Modèle retouché nouvelle loi de commande prédictive
Remarque
Simplicité du modèle l’intérêt de l’utilisation en milieu industriel
28/05/2019 13
Concepts de la commande prédictive
Fonction de coût
Structure du critère Facteurs de pondérations sur l’erreur de poursuite (Q) sur l’effort de commande (R)
Horizons de prédiction Horizon inférieur (N1) de prédiction sur la sortie Horizon supérieur (N2) de prédiction sur la sortie Horizon de prédiction sur la commande (Nu)
Choix de la période d’échantillonnage
Remarque
MIMO : généralement les mêmes horizons de prédiction sur toutes les sorties, ainsique les mêmes horizons de commande
28/05/2019 14
Concepts de la commande prédictive
1ou / 11 NTdN e
er TtN /2
uu NN ou 1
IQ
1
0
22
)()()(ˆ2
1
uN
iR
N
NiQr ikuikykikyJ
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Modèle CARIMA (Controlled AutoRegressive Integrated Moving Average)
Structure du prédicteur optimal
Minimisation du critère pour l’élaboration de la loi de commande
Structure polynomiale RST équivalente
Tableau récapitulatif
Exemple
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 15
Approche GPC
Modèle numérique : système SISO
Définition du modèle sous forme CARIMA (Controlled AutoRegressive IntegratedMoving Average)
Cette structure apporte un terme intégrateur dans la loi de commande et garantitl’annulation de toute erreur statique vis à vis de consigne ou de perturbation constante
28/05/2019 16
)(
)()()1()()()(
1
111
q
kqCkuqBkyqA
onperturbati de polynôme )(
centré blancbruit )(
temporelretardopérateur , 1)(
)(
1)( : avec
1
111
2
2
1
10
1
2
2
1
1
1
qC
k
qqq
qbqbqbbqB
qaqaqaqA
b
b
a
a
n
n
n
n
Approche GPC
Structure du prédicteur optimal
Prédiction de la sortie à l’instant i :
Apres avoir mis en évidence les valeurs futures et passés :
réponse libre réponse forcée
Les polynômes inconnus sont solutions d’équations diophantiennes pouvant êtrerésolues récursivement :
28/05/2019 17
)()()1()( )1()(
)()(
)(
)()( 11
1
1
1
1
ikqJikuqGkuqC
qHky
qC
qFkiky ii
ii
)()()()()(
)()()()()(11111
11111
qJqBqHqqGqC
qCqFqqJqAq
ii
i
i
i
i
i
1 1( ) ( )( ) ( 1) ( )
1 1 1( ) ( ) ( )
B q C qy k i u k i k i
A q A q q
Approche GPC
Forme matricielle de l’équation de prédiction
r
28/05/2019 18
1 1
réponse libre
1 1ˆ ( ) ( 1)
( ) ( )y Gu F Hy k u k
C q C q
1 1
1 1
1 1
1 1
2 2 2
2 2 2
1
1 1
1
1 1
G
u
N N
N N
N N
N N
N N N
N N N N
g g
g g
g g g
1 11
1 1
( ) ( )ˆ( ) ( ) ( 1) ( ) ( 1)
( ) ( ) i i
i
F q H qy k i k y k u k G q u k i
C q C q
Les coefficients de la matrice G
sont les coefficients de la
réponse indicielle du modèle.
1 2
1 2
1 1
1 1
1 2
1 2
( ) ( )
( ) ( )
( ) ( 1)
ˆ ˆ ˆ( ) ( )
( ) ( )
T
N N
T
N N
Tu
T
Tr r r
F q F q
H q H q
u k u k N
y k N y k N
y k N y k N
F
H
u
y
y
Approche GPC
Minimisation du critère pour l’élaboration de la loi de commande
Forme matricielle du critère
Forme matricielle du critère
Séquence de commandes optimales
Commande appliquée au système à l’instant k
28/05/2019 19
opt 1 1
1 1 ( ) ( 1)
( ) ( )u N F H yry k u k
C q C q
T
T
1
T1T
u
u
N
N
n
n
GIGGN
T1 1 1
1 1( ) ( 1) n ( ) ( 1)
( ) ( )r F H yopt opt optu k u k y k u k
C q C q
0~
u
J
opt
( )
( 1)
opt
opt u
u k
u k N
u
1 1
1 1( ) ( 1)
( ) ( )rM Gu F H yy k u k
C q C q T T( )u M M u uJ
2
1
2 2
1
ˆ( ( ) ( )) ( ( 1)) , avec , uNN
ri N i
J y k i y k i u k i Q I R
sous l’hypothèse
avec
avec
( ) 0 pour uu k i i N
Approche GPC
Mise en œuvre : Régulateur polynomial équivalent
Equation aux différences pour l’implantation de la loi de commande
Par rapport à une structure RST classique, le polynôme T est ici non causal
Reformulation avec un polynôme T causal :
Loi de commande :
28/05/2019 20
+
+
+
-
yr(k)
u(k) y(k)
)(
11
zS
)(
11 zBz
)(
11
zA
Régulateur
polynomial
équivalent
)(zT
)( 1zR
1 2
1 1 T 11
1 T1
T1 T
1
( ) ( ) n
( ) n
( ) ( )n
H
F
N N
S z C z z
R z
T z C z z z
1 1 1( ) ( ) ( ) ( ) ( ) ( ) ( )rS z z u k R z y k T z y k
2 1 2 1T11 1 T
1( ) ( )n 1N N N N
T z C z z z
)()()()()()()( 2
1111 NkyzTkyzRkuzzS r
Approche GPC
Tableau récapitulatif
Programmation hors ligne
Définition de la consigne (stockage point par point)
Choix d’une période d’échantillonnage et définition des polynômes A et B du modèle
CARIMA (par identification préalable si nécessaire)
Choix des paramètres de réglage de la fonction de coût
Calcul des prédicteurs optimaux par résolution des équations diophantiennes
Synthèse des polynômes R, S et T du régulateur équivalent
Boucle temps réel
Acquisition de la sortie
Calcul de la commande par équation aux différences
Envoi de la commande
28/05/2019 21
Boucle temps réel très
rapide (moins de 200 ms)
Approche GPC
Cas 1 : commande GPC d’un moteur asynchrone
Le transfert entre le couple et la vitesse identifié pour une période
d’échantillonnage de 5ms
Paramètres de réglage GPC :
28/05/2019 22
m m
21
21
02,098,01
024,3344,1
)(
)(
zz
zz
k
k
m
m
200,1,8,121
u
NNN
8765
432
11
211
01010008700073000590
00460003200018000040)(
734201)(
00490237102840)(
z,z, z,z,
z,z, z,z,zT
z,zS
z,z,, zR
Approche GPC
Exemple : commande GPC d’un moteur asynchrone
Simulation sous MATLAB : échelon unitaire de consigne sans aucune perturbation
Réponse indicielle Commande
28/05/2019 23
0 0.05 0.1 0.15 0.2 0.25 0.30
0.2
0.4
0.6
0.8
1
Temps (s)
Rép
onse
tem
pore
lle
y
MPC0
Consigne yr
0 0.05 0.1 0.15 0.2 0.25 0.30
0.01
0.02
0.03
0.04
Temps (s)
Com
man
de
u
MPC0
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Modèle sous forme d’état
Prédiction de la sortie
Minimisation du critère pour l’élaboration de la loi de commande
Tableau récapitulatif
Exemples
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 24
Approche MPC
Modèle sous forme d’état : système MIMO (m entrées, p sorties)
Modèle linéaire à temps invariant
Ajout d’une action intégrale pour annuler les erreurs statiques
Représentation d’état étendue :
28/05/2019 25
1 1 1( 1) ( ) ( ), où ,B ,C ,x ,u , y
( ) ( )
x A x Bu A R R R R R R
y Cx
n n n m p n n m pk k k
k k
( ) ( 1) ( )u u uk k k
( 1) ( ) ( )
( ) ( )
x A x B u
y C x
e e e e
e e
k k k
k k
mpe
m
e
mnm
eek
kk ,
,
,,,)1(
)()(où 0CC
I
BB
I0
BAA
u
xx
Approche MPC
Prédiction de la sortie
Fonction de coût quadratique
minimisation du critère pour l’élaboration de la loi de commande
28/05/2019 26
1
0
)(
0
1 )()1()()(ˆ)(ˆi
j
jk
j
l
jii lkkkkikik
u
uuBACxACyy
2
1
12 2
Q( ) R( )0
ˆ ( ) ( ) ( )y y uuNN
r i ii N i
J k i k i k i
npondératio de facteurs,
commande lasur prédiction dehorizon
supérieur prédiction dehorizon
inférieur prédiction dehorizon
2
1
RQ
N
N
N
u
Approche MPC
Forme matricielle du critère
avec
et
28/05/2019 27
2222)()()()()()(
RQRQUΘUΦUYY kkkkkkJ r
)1()(ˆ)()(
)()1()(ˆ)(
kkkk
kkkk
r uΦxΨYΘ
UΦuΦxΨY
)(kU
)()()( 1 kk JJJ ΘQΦΦQΦRUTT
i
j
ji
i
NNNNNNN
N
N
N
N
N
u
0
11
01
1
1
,
00
,,
212122
1
2
1
2
1
BACΣ
ΣΣΣΣ
ΣΣ
Φ
Σ
Σ
Φ
CA
CA
Ψ
,
)1(
)(
)(,
)(
)(
)(,
)(ˆ
)(ˆ
)(
2
1
2
1
ur
r
r
Nk
k
k
Nk
Nk
k
Nk
Nk
k
u
u
U
y
y
Y
y
y
Y ))((
))((
idiag
idiag
J
J
RR
0)(
k
J
UCommandes futures
Etat étendu et
consignes futures
Approche MPC
Loi de commande
Séquence de commandes futures obtenue par minimisation du critère J
Par application du principe de l’horizon fuyant, seule la première valeur de cette
séquence est appliquée au système
28/05/2019 28
JJJNmmm u
QΦΦQΦR0IμTT
1
)1(, )(,
)(ky
0C
BA)( 2Nkr y )(ku )(ku
)(kex
Modèle étendu
L
)(kFry
rF
)()()( 2 kNkk err LxyFu μΦμΨLLL 21avec
)1(
2
1
)(
12,
,
NNpmmm
nmmnm
RμRL
RLRL
Approche MPC
Tableau récapitulatif
Définition de la consigne
Choix du modèle sous la forme d’une représentation d’état (matrices A, B, C), choix
d’une période d’échantillonnage
Choix des paramètres de réglage de la fonction de coût
Calcul direct des matrices nécessaires pour la mise sous forme matricielle du critère J
Dans le cas où l’état est mesurable, synthèse de la matrice L (« retour d’état ») du
correcteur équivalent
28/05/2019 29
Approche MPC Exemple : Commande MPC de la bicyclette (Astrom et al., IEEE CSM 2015)
Modèle non-linéaire
Modèle linéarisé
avec :
28/05/2019 30
2 2
2sin
d g aV d V
h bh dt bhdt
2
sin( )d d aV g V
dt dt bh h bh
1 1
22 21
0 1
cos 0
aV
x x bhg
x xx Vh
bh
1
2
xx d aV
xdt bh
1y x
Approche MPC
Exemple : Commande MPC de la bicyclette (Astrom et al., IEEE CSM 2015)
Fonction de transfert E/S
système instable en boucle ouverte
Synthèse MPC
Système discrétisé avec Te = 0,1s
Paramètres de réglage MPC
28/05/2019 31
2
( )
( )
Vs
s V a ags bh
sh
1 21 , 10
1 , 10 000
u
N N
N λ
Approche MPC
Réponse à une consigne d’angle d’inclinaison de 10° (situation improbable …)
Pas de saturation de commande
Angle d’inclinaison Angle de braquage
28/05/2019 32
Approche MPC
Réponse à une perturbation de 10° sur l’angle d’inclinaison (coup de vent)
Pas de saturation de commande
Angle d’inclinaison Angle de braquage
28/05/2019 33
Approche MPC
Réponse à une perturbation de 10° sur l’angle d’inclinaison (coup de vent)
Saturation de la commande à 5°
Angle d’inclinaison Angle de braquage
28/05/2019 34
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Formulation du problème d’optimisation
Exemple
Conclusion
Quelques références
28/05/2019 35
Approche MPC avec contraintes Fonction de coût quadratique
coût terminal
Séquence de commande
Système étendu Prédicteur
Contraintes
incrément de la commande :
commande :
sortie :
état final (contraintes terminales) :
28/05/2019 36
1
, , , , ,0
ˆ ˆ( , ) (( ) ( ) )u Q RN
T T Te k k e k N e k N k i r k i k i r k i k i k i
i
J x x x y y y y u u
P
)()(
)()()1(
kxky
kukxkx
ee
eeee
C
BA
NNN 21 ,0,
1:0 , )()( umaxmin NiuikuuUiku
1:0, )()( umaxmin NiuikuuUiku
1:0, )()( NiyikyyYiky maxmin
i
fe
i
ffe bNkxaXNkx )()(
11
0
ˆ ( ) ( ) ( )
ˆ ˆ( ) ( )
A A B
C
ii i j
e e e ej
e e
x k i k x k u k i
y k i k x k i k
TNkkkk uuu 11 ,,, u
Approche MPC avec contraintes
Formulation matricielle de la fonction de coût
avec
28/05/2019 37
, , , , ,
1( , )
2u u u y u
T T T T T Te k k k k e k x r k w k e k P e k JJ x x x x
H F F P R
2( ) ( ) ( ) 2 ( ) ( )
2( ) ( ) ( ) ( 1)
2 ( )
( )
Q R y Qy y Q
Q y
Q Q
Q R
T T T TN N J r r r e
TT T Tx N N r r r
Tw
T Tp N N
k k k x k
k y k y k N
diag Q
diag R
H λ Pλ Γ Γ R Φ
F Pλ Φ Γ
F Γ
P Φ Φ Pλ
Approche MPC avec contraintes
Formulation matricielle de la fonction de coût
Equation du prédicteur :
28/05/2019 38
u
e
i
j
ji
ee
i
ee
Niiku
Niikukxkiky
BACAC
,0)( avec
1:0),()()(ˆ1
0
1
ku
k
u
e
NN
eee
N
ee
eeeee
ee
e
N
ee
ee
e
Nku
ku
kx
kNky
kky
kky
u
y
)1(
)(0
000
)(
)1(ˆ
)1(ˆ
)(ˆ
12
1
ˆ
Γ
ΦBACBAC
BCBAC
BC
AC
AC
C
kek kx uy ΓΦ )(ˆ
)1(
)(
)()(ˆ1
u
e
NN
ee
N
ee
N
ee
Nku
ku
kxkNkx
N
u
N
λ
BABAA
kNeNe kxNkx u λ)()(ˆ
Approche MPC avec contraintes
Solution en absence des contraintes :
Problème d’optimisation avec contraintes :
Contraintes sur l’incrément Δu(k+i)
28/05/2019 39
))()(())(( 1 kkxkx rwexe
opt
SC yu FFH 0
k
J
u
)( àsujet
)),((minarg))((,
kx
kxJkx
ek
keeoptkk
EWG
u
uuu
max
max max
minmin
min
1 0 0
0
0
( ) 0 0 1
1 0 0( )
0
0
0 0 1
uk
u
u k i u u
uu k i u
u
Approche MPC avec contraintes
Problème d’optimisation avec contraintes :
Contraintes sur u(k+i), i = 0 : Nu − 1
Contraintes sur la sortie :
Contraintes sur l’état final :
28/05/2019 40
)(10)1(
)()1()();(
10
1
1
10
111
0
11
001
111
0
11
001
)(
)(
1
0
1
1
min
min
max
max
min
max
kxku
jkukuikukx
u
u
u
u
uiku
uiku
en
i
je
n
n
k u
)()(ˆ
)(ˆ
min
max
min
maxkx
kx
kxek
kek
kek
Φ
Φ
Γ
Γ
ΓΦ
ΓΦ
y
yu
yuy
yuy
)()()(
)(kxaba
kxNkx
bNkxaeN
i
f
i
fkN
i
f
kNeNe
i
fe
i
f
u
uλ
λ
)( àsujet
)),((minarg))((,
kx
kxJkx
ek
keeoptkk
EWG
u
uuu
Exemple : Commande MPC de la bicyclette (Astrom et al., IEEE CSM 2015) Contraintes sur la commande , paramètres de réglage N1 = 1, N2 = 10, Nu = 1, λ = 10 000
Réponse à une perturbation de 10° sur l’angle d’inclinaison (coup de vent)
Angle d’inclinaison Angle de braquage
28/05/2019 41
5)( ku
Approche MPC avec contraintes
Exemple : Commande MPC de la bicyclette (Astrom et al., IEEE CSM 2015) Contraintes sur la commande , paramètres de réglage N1 = 1, N2 = 10, Nu = 2, λ = 10 000
Réponse à une perturbation de 10° sur l’angle d’inclinaison (coup de vent)
Angle d’inclinaison Angle de braquage
28/05/2019 42
5)( ku
Approche MPC avec contraintes
saturation
optimisation
en ligne
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 43
Conclusion
Commande prédictive : beaucoup utilisée dans l’industrie
Etapes à suivre en vue de l’élaboration d’un commande prédictive
choix du modèle sur lequel est basée la prédiction de la sortie
spécification de la trajectoire que doit suivre la sortie
minimisation d’un critère quadratique à horizon fini élaborant une séquence de commandes
futures
application du premier élément de la séquence de commande au système et au modèle et
réitération à l’instant suivant
Application possible à plusieurs classes de systèmes (SISO, MIMO, systèmes avec contraintes)
Approche polynomiale (GPC) Commande RST équivalente
Approche d’état (MPC) Commande par « retour d’état »
Atout : prise en compte des contraintes directement dans la synthèse
28/05/2019 44
Plan du cours
Introduction
Concepts de la commande prédictive
Commande prédictive sans contraintes
Approche GPC (Commande Prédictive Généralisée)
Approche MPC (Model Predictive Control)
Commande prédictive avec contraintes : Approche MPC (Model Predictive Control)
Conclusion
Quelques références
28/05/2019 45
P. Boucher, D. Dumur, “La commande prédictive”, Collection Méthodes et pratiques de l’ingénieur,Editions Technip, Paris, 1996.
E.F. Camacho, C. Bordons, “Model predictive control”, Ed. Springer-Verlag, 2nd ed., London, 2004.
J. M. Maciejowski, “Predictive control with constraints”, Ed. Prentice Hall, Pearson Education Limited,Harlow, 2002.
J.A. Rossiter, “Model based predictive control. A practical approach”, CRC Press LLC, 2003.
J. Richalet, G. Lavielle, J. Mallet, “La commande prédictive. Mise en œuvre et applications industrielles”,Groupe Eyrolles, Paris, 2005.
P. Borne, G. Dauphin-Tanguy, J.P. Richard, F. Rotella, I. Zambettakis, “Automatique. Analyse et régulationdes processus industrielles (2) : Régulation numérique”, Ed. Technip, 1993.
I.D. Landau, “Commande des systèmes : conception, identification et mise en œuvre”, Ed. Hermès, 2002.
Rawlings J.B., Mayne D. Q., “Model Predictive Control : Theory and Design”, Nob Hill Publishing, 2009.
Huang S., Lee T. H., “Applied predictive control”, Springer Science & Business Media, 2013.
28/05/2019 46
Quelques références