Modellvorhersagekontrolle

Modellvorhersagekontrolle (MPC) ist eine Regelungsmethode, die ein dynamisches Prozessmodell verwendet, um zukünftiges Verhalten zu prognostizieren und eine Optimierungsaufgabe zu lösen. Die daraus abgeleitete Stellgrößenfolge wird über einen endlichen Vorhersagehorizont bestimmt; in der Regel wird nur die erste Eingabe umgesetzt, danach wird das Optimierungsproblem erneut gelöst. Dadurch berücksichtigt MPC fortlaufend neue Messungen und Störungen in der Regelstrecke.

Kernkomponenten der Methode sind ein Prozessmodell, der Vorhersagehorizont, der Stellgrößenhorizont, eine Zielfunktion sowie Nebenbedingungen wie Zustand- und Eingrößenbeschränkungen. Modelle können linear oder nicht linear sein. Die resultierende Optimierung ist oft ein quadratisches Programm bei linearem MPC oder ein allgemeines Nichtlinearprogramm bei nichtlinearem MPC. Zur Handhabung unvollständiger Messungen wird häufig eine Zustandsschätzung eingesetzt (zum Beispiel Kalman-Filter oder Erweiterte Kalman-Filter).

Anwendungen finden sich insbesondere in der chemischen Industrie, Petrochemie, Energie- und Prozesstechnik, Fertigung, Robotik und Automobiltechnik. Varianten umfassen robustes MPC, das Störungen und Modellungssauschwerte berücksichtigt, sowie stochastisches MPC, das Wahrscheinlichkeiten von Störungen einbezieht, und Economic MPC, das zusätzlich wirtschaftliche Ziele optimiert.

Vorteile der Modellvorhersagekontrolle liegen in der Fähigkeit, Mehrgrößensysteme, Verzögerungen und komplexe Nebenbedingungen zu berücksichtigen, sowie in ihrer Mehrziel- und Mehrgrößennutzung. Herausforderungen ergeben sich aus dem hohen Rechenaufwand, der Abhängigkeit von Modellqualität und Messungen, dem notwendigen Abstimmungsaufwand sowie potenziellen Stabilitäts- und Robustheitsaspekten, insbesondere bei starken Nichtlinearitäten.