کنترل پیش بین (MPC)

 کنترل پیش بین مدل (MPC)

۱. مقدمه (مرور بر روش های قبل)

در یادداشت های پیشین با کنترل کننده های واکنش گرا مانند PID آشنا شدیم که صرفا به خطای لحظه ای پاسخ می دهند و با کنترل تطبیقی و مد لغزشی که برای مقابله با نایقینی های پارامتری طراحی شدند. اما در صنعت هوافضا، اغلب با سیستم هایی مواجهیم که نه تنها نایقینی دارند، بلکه محدودیت های فیزیکی شدید (حداکثر نیروی تراست، زاویه حمله مجاز، نرخ چرخش محدود) و نیاز به پیش بینی مسیر در آنها حیاتی است. اینجاست که کنترل کننده پیش بین مدل (MPC) وارد می شود.

۲. اصل عملکرد کنترلر پیش بین به زبان هوافضا

فرض کنید یک فضاپیما قصد فرود بر روی ماه را دارد. کنترلر پیش بین به جای اینکه هر لحظه بر اساس خطای ارتفاع، نیروی تراست را تنظیم کند، عملیات زیر را انجام می دهد:

· گام اول (مدل سازی): یک مدل ریاضی از دینامیک فضاپیما (شتاب ناشی از تراست و گرانش) در حافظه خود دارد.

· گام دوم (پیش بینی): در هر لحظه، یک بازه زمانی ۵ ثانیه ای به آینده را شبیه سازی می کند. یعنی هزاران سناریو را محاسبه می کند که "اگر در ثانیه بعد اینقدر تراست بدهم، در ثانیه دوم و سوم موقعیت من کجا خواهد بود؟"

· گام سوم (بهینه سازی با قیود): از بین تمام سناریوهای ممکن، سناریویی را انتخاب می کند که ضمن رسیدن به سطح ماه با سرعت صفر، حداقل سوخت را مصرف کرده و از برخورد با موانع سطحی جلوگیری کند. مهم تر اینکه، این انتخاب تحت محدودیت حداکثر نیروی موتور انجام می شود (که در PID قابل اعمال صریح نیست).

· گام چهارم (افق غلتان): تنها اولین فرمان کنترلی از این دنباله بهینه را به عملگرها اعمال می کند. در ثانیه بعد، کل محاسبات از نو با وضعیت جدید انجام می شود. به این مفهوم "افق غلتان" می گوییم که باعث می شود کنترلر نسبت به خطاهای پیش بینی شده، مقاوم باشد.

۳. کاربردهای کلیدی در صنایع هوافضایی

کاربرد این الگوریتم فراتر از آزمایشگاه است و در ماموریت های واقعی حضور پررنگی دارد:

· فرود خودکار ماه نشین ها و کاوشگرها: به خصوص در فاز ورود، کاهش سرعت و فرود دقیق روی سکوهای تعیین شده.

· ناوبری و کنترل وضعیت ماهواره ها: برای چرخش های سریع با کمترین مصرف سوخت واکنشی و بدون عبور از زوایای بحرانی.

· کنترل مسیر هواپیماهای بدون سرنشین (پهپادها) در پرواز گروهی: جایی که باید فاصله ایمنی با سایر پهپادها را به عنوان یک "قیف" یا محدودیت دائمی در نظر گرفت.

· سیستم های هدایت موشکی در لایه های متغیر جو: که مدل آیرودینامیکی به شدت وابسته به ارتفاع است و MPC با به روزرسانی مداوم مدل، بهترین مانور را انتخاب می کند.

۴. مزایای رقابتی نسبت به روش های سنتی (در یک نگاه)

· مدیریت همزمان قیود (Constraint Handling): مهم ترین برگ برنده. شما مستقیما به کنترلر دستور می دهید که "زاویه حمله از ۱۵ درجه بیشتر نشود" یا "نرخ چرخش حداکثر ۲ درجه بر ثانیه باشد" و خود الگوریتم، فرمانی صادر می کند که این محدودیت ها را نقض نکند. این ویژگی در PID کاملا غایب است.

· پیش بینی و پیش دستی (Predictive Action): کنترلر قبل از اینکه سیستم دچار خطای فاحش شود، عکس العمل نشان می دهد. برای مثال، اگر پیش بینی کند که ۳ ثانیه دیگر گردش غبار مانع دید سنسورها می شود، از الان مسیر را اصلاح می کند.

· قابلیت به کارگیری در سیستم های MIMO (چند ورودی-چند خروجی): به راحتی می تواند همزمان موقعیت، سرعت و وضعیت یک فضاپیما را با در نظر گرفتن تداخل بین محورها، کنترل کند.

۵. چالش ها و معایب (جنبه تاریک قضیه)

· وابستگی شدید به مدل (Model-Dependent): برخلاف PID که بی نیاز از مدل است، اگر مدل ریاضی فضاپیما (ضرایب اینرسی، مرکز جرم، یا ضرایب آیرودینامیکی) دقیق نباشد، پیش بینی ها اشتباه از آب درمی آیند و عملکرد به شدت افت می کند.

· هزینه محاسباتی سنگین (Computational Burden): حل یک مسئله بهینه سازی در هر لحظه (معمولا از نوع Quadratic Programming) نیاز به پردازشگرهای پرسرعت دارد. در گذشته، این محدودیت باعث می شد MPC فقط برای فرآیندهای کند شیمیایی استفاده شود، اما امروزه با ظهور پردازنده های نهفته (Embedded) پرسرعت، این مانع در حال شکسته شدن است.

· پایداری تحلیلی (Analytical Stability): برخلاف مد لغزشی که پایداری آن با اثبات ریاضی لیاپانوف تضمین می شود، اثبات پایداری حلقه بسته در MPC پیچیده تر است و معمولا نیاز به تنظیم دقیق افق پیش بینی (Horizon) و وزن های تابع هزینه دارد.

۶. جمع بندی و نگاه به آینده

کنترل پیش بین مدل (MPC)، پلی است بین تئوری بهینه سازی و کنترل دینامیکی. اگرچه نیازمند توان محاسباتی بالاست و طراحی آن نسبت به روش های کلاسیک دشوارتر است، اما به دلیل برخورداری از قابلیت اعمال محدودیت های سخت و ماهیت آینده نگر، به عنوان یکی از امیدوارکننده ترین الگوریتم ها برای نسل جدید خودروهای خودران فضایی و پهپادهای هوشمند شهری شناخته می شود. به خصوص که رویکردهای نوین مانند MPC غیرخطی (NMPC) و MPC مبتنی بر داده (Data-driven MPC) در حال رفع مشکل وابستگی به مدل دقیق هستند.