Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Diterima: 8 Oktober 2018 Revisi: 29 Februari 2020 Diterima: 16 Juli 2020

DOI: 10.1002/oca.2667

ARTIKEL PENELITIAN

Kontrol prediktif model diskrit terbatas dari

manipulator lengan menggunakan fungsi Laguerre

Tarcisio Carlos F. Pinheiro Antonio S. Silveira

Laboratorium Kontrol dan Sistem,

Universitas Federal Pará, Belém, Brasil
Korespondensi
Tarcisio Carlos F. Pinheiro, Laboratorium
Kontrol dan Sistem, Universitas Federal
Pará, Rua Augusto Corrêa, 01 - Guamá,
Belém, Pará 66075-110, Brasil.
Email: tpinheiro@ufpa.br
Informasi pendanaan
Dewan Nasional Brasil untuk
Pengembangan Ilmiah dan Teknologi
(CNPq), Nomor Hibah/Penghargaan:
142414/2018-2, 408559/2016-0
Ringkasan
Karya ini menyajikan pengontrol prediktif multivariabel yang diterapkan pada
manipulator robotik redundan dengan tiga derajat kebebasan. Artikel ini berfokus pada
desain kontroler prediktif berbasis model diskrit (DMPC) menggunakan fungsi Laguerre
sebagai metode pembobotan upaya kontrol untuk meningkatkan solusi pemrograman
kuadratik Hildreth dan meminimalkan masalah trade-off dalam kasus terbatas. Fungsi
Laguerre digunakan untuk menyederhanakan dan menyempurnakan
kontrol efek cakrawala melalui lintasan kontrol pelit, sehingga mengurangi beban
komputasi yang diperlukan untuk menemukan solusi kontrol yang optimal.
Selanjutnya, hasil ini dapat dikonfirmasikan dengan simulasi dan tes eksperimental
pada manipulator dan membandingkannya dengan pendekatan DMPC tradisional
dan regulator kuadrat linier diskrit.

RDS KATA KUNCI

kontrol terbatas, kontrol prediktif model diskrit, pemrograman kuadratik Hildreth, fungsi
Laguerre, kontrol masa depan yang pelit

1 PENGANTAR

Dalam beberapa tahun terakhir, otomasi industri telah digunakan dalam banyak strategi untuk meningkatkan tingkat produksi.
Strategi utama adalah penggunaan manipulator lengan robot dalam proses industri untuk aplikasi dalam pengecatan, pengelasan,
pengambilan, penanganan, pembersihan, dan pembuatan palet.1Saat ini, sistem otomasi dan lengan robot membuat tugas yang
dianggap mustahil 10 tahun lalu, menjadi mungkin dan umum.2Namun, karena dinamika nonlinier manipulator robot, penggunaan
pengontrol klasik, seperti pengontrol proporsional-integral-derivatif (PID), untuk menyelesaikan tugas yang sangat kompleks, tidak
dapat seefisien teknik kontrol canggih.
Dalam beberapa tahun terakhir, pengontrol PID tradisional secara bertahap diubah dengan teknik kontrol lanjutan, seperti
pengontrol prediktif berbasis model diskrit (DMPC), yang mampu menangani sistem multivariabel nonlinier dengan lebih
efisien. Ini berarti aplikasi dengan DMPC telah meningkat di industri dalam beberapa tahun terakhir. Itu karena DMPC
meningkatkan kinerja loop tertutup untuk sistem multivariabel dengan upaya kontrol minimum. Meskipun demikian,
beberapa industri masih lebih suka menggunakan pengontrol PID daripada kontrol prediktif karena implementasi yang rumit
dan pemahaman yang sulit.3
Meskipun kompleksitas algoritme dan beban komputasi membatasi penyebaran kontroler prediktif, implementasi
menggunakan teknik kontrol tingkat lanjut meningkat dalam sistem kontrol industri, misalnya: DMPC fuzzy hibrid,4DMPC
hibrid berdasarkan algoritme genetika,5Jaringan saraf probabilistik DMPC.6Ini mendapatkan ruang dalam proses industri di
mana ada kebutuhan upaya kontrol terbatas, di mana DMPC dapat memberikan keuntungan yang kuat karena

Met Aplikasi Kontrol Optimal. 2020;1–20. wileyonlinelibrary.com/journal/oca © 2020 John Wiley & Sons, Ltd. 1
2 PINHEIRO dan SILVEIRA

fakta bahwa prosedur optimisasinya dapat dimodifikasi untuk menangani kendala, memastikan kinerja loop tertutup
yang diinginkan sesuai dengan batasan fisik pabrik.
Di luar penggunaan DMPC dalam aplikasi dengan sistem dinamis lambat, penggunaannya juga meningkat di bidang loop kontrol frekuensi
pengambilan sampel cepat, seperti dalam elektronika daya,7dan sistem ruang angkasa,8sehingga kebutuhan akan cakrawala prediksi yang
panjang dalam metode MPC mungkin diperlukan karena dinamika sementara terdiri dari lusinan, ratusan, atau bahkan ribuan sampel untuk
menggambarkan perilaku sementara yang lengkap.
Pendekatan DMPC klasik tidak efisien secara komputasi untuk cakrawala prediksi yang besar dan dapat menyebabkan solusi yang
dikondisikan secara numerik buruk dan upaya komputasi yang berat ketika diimplementasikan secara online, dalam kasus loop
kontrol frekuensi pengambilan sampel cepat. Itu karena pendekatan tradisional menggunakan operator pergeseran maju untuk
representasi lintasan kontrol.9Kemudian, akan menarik untuk memiliki teknik kontrol prediktif yang tidak memerlukan biaya
komputasi yang tinggi, terutama bila diterapkan dalam kasus energi kontrol terbatas. Ini dapat dicapai melalui jaringan Laguerre
yang diterapkan dalam metode solusi pemrograman kuadratik Hildreth yang digunakan untuk memecahkan masalah optimisasi
terbatas.
Seperti diketahui, mengurangi upaya komputasi di MPC adalah bidang penelitian yang mapan. Ada beberapa cara untuk
mengurangi kompleksitas dan dengan demikian beban komputasi dalam kontrol prediksi model. Metode yang dapat disorot adalah
pemindahan pemblokiran,10,11pemanasan dalam metode titik interior,12,13pendekatan set aktif,14,15dan metode gradien cepat.16Selain
itu, fungsi Laguerre juga memiliki manfaat potensial untuk mencapai beban komputasi yang rendah dengan kelayakan yang baik dan
performa yang baik dalam desain MPC.17,18Itu karena sifat ortogonalnya, menjadikannya sebagai aproksimator universal yang
menghasilkan representasi lintasan kontrol yang pelit.19
Tujuan dari artikel ini adalah untuk menggunakan fungsi Laguerre dalam desain DMPC, mencapai desain kontrol yang disebut Laguerre
DMPC atau LDMPC. Tujuannya adalah untuk mengontrol posisi sudut untuk setiap sambungan lengan robotik dengan kontrol terbatas,
menurunkan biaya komputasi, dan mempertahankan trade-off yang lebih baik antara upaya kontrol dan kinerja loop tertutup, dibandingkan
dengan DMPC tradisional. Hal ini dimungkinkan karena fungsi Laguerre merupakan fungsi ortonormal yang digunakan untuk meningkatkan
efek horizon pada urutan kontrol yang akan datang. Dengan kata lain, himpunan fungsi Laguerre digunakan untuk menangkap lintasan
kontrol masa depan dengan sejumlah kecil parameter. Kemudian, dapat mengurangi beban komputasi saat dibutuhkan control horizon yang
besar.18
Artikel tersebut menjelaskan desain DMPC menggunakan fungsi Laguerre yang diterapkan pada manipulator lengan dengan tiga
derajat kebebasan (3-DOF). Hasil eksperimen dan simulasi ditunjukkan berdasarkan uji kontrol posisi sudut masing-masing
sambungan manipulator. Hasilnya dibandingkan dengan kontrol prediktif berbasis model diskrit klasik lainnya (CDMPC) dengan
kontrol cakrawala surut, baik untuk kasus yang dibatasi maupun yang tidak dibatasi. Selain itu, untuk kasus yang tidak dibatasi,
LDMPC dan CDMPC dibandingkan dengan regulator kuadrat linier diskrit (DLQR).
Tidak diragukan lagi, kontribusi utama pekerjaan ada di sisi aplikasi, karena LDMPC menggunakan pendekatan multivariat untuk
mengontrol lengan robot melalui perangkat keras antarmuka sederhana berbasis Arduino, menunjukkan bahwa metode yang
disajikan dapat diterapkan dalam sistem nyata dengan beberapa input dan beberapa keluaran (MIMO). Selain itu, artikel dengan hasil
percobaan serupa menggunakan LDMPC dan manipulator lengan robot, sepengetahuan penulis, tidak ditemukan dalam literatur
sistem kontrol. Artikel dengan hasil terdekat ditemukan di Referensi 20, namun karya ini menampilkan lengan robot hanya dengan 2-
DOF.
Di luar bagian pengantar ini, artikel disusun sebagai berikut: di Bagian 2, fungsi Laguerre dalam desain DMPC disajikan; di
Bagian 3, kontrol terbatas dalam desain DMPC menggunakan fungsi Laguerre diperlihatkan; pada Bagian 4, disajikan
karakteristik manipulator robot lengan, hasil eksperimen dan simulasi dari sistem kendali. Selain itu, analisis stabilitas loop
tertutup dijelaskan; kesimpulan dan pekerjaan masa depan ditunjukkan dalam Bagian 5.

2 DESAIN DMPC LAGUERRE

Awalnya, dalam teori sistem dinamik, fungsi ortogonal Laguerre telah digunakan untuk identifikasi sistem,
karena fungsi ini dapat meningkatkan akurasi numerik dari masalah estimasi regresi linier yang sesuai.21-24
Selain itu, model Laguerre dihasilkan oleh respons impuls waktu diskrit dari sistem dinamis dan respons impuls waktu diskrit yang
sama yang mengarah ke desain LDMPC menggunakan fungsi Laguerre seperti yang ditunjukkan oleh Referensi 25.
Dalam literatur desain kontrol prediktif, sekumpulan fungsi Laguerre digunakan untuk menyatakan lintasan kontrol
inkremental di masa mendatang melalui ekspansi ortonormal. Selain itu, terdapat jenis fungsi ortonormal lainnya yang telah
digunakan untuk menangkap lintasan kontrol, di mana dapat disebutkan fungsi Kautz26,27dan fungsi Legendre.28,29
Namun, fungsi Laguerre bisa lebih baik daripada pendekatan lain yang disebutkan karena himpunan fungsi Laguerre
PINHEIRO dan SILVEIRA 3

membentuk sekelompok fungsi kandidat dengan urutan yang sesuai dan dengan peningkatan jumlah sukunya, sehingga ekspansi
ortonormal mungkin memiliki peluang yang lebih baik untuk konvergen ke lintasan kontrol optimal yang mendasarinya.25
Tujuan utama dalam desain DMPC adalah untuk mengoptimalkan lintasan masa depan dari sistem tertentu berdasarkan model
dinamisnya. Pada artikel ini, model desain ini dalam bentuk ruang keadaan karena dianggap lebih efektif untuk menangani tanaman
multivariabel daripada bentuk fungsi transfer.9
Model desain nominal harus dapat dikontrol dan diamati. Mempertimbangkan sistem tanpa waktu mati, dijelaskan dalam
domain operator shift mundurz−1(yaitu,F(z)z−1: =f(k−1)), model ruang keadaannya diberikan oleh

x(k+1) =Kapak(k) +Bu(k),

y(k) =Cx(k), (1)

di manakamu(k),y(k),x(k), adalah vektor dariq-masukan,q-output, dann1variabel negara, masing-masing.

Untuk menghilangkan kesalahan keadaan tunak, integrator perlu disematkan ke dalam (1) agar dapat bekerja dengan peningkatan kontrol
Δkamu(k) =kamu(k) -kamu(k−1). Dengan mengalikan Persamaan (1) dengan Δ = (1 −z−1)dan menulis ulang dalam bentuk vektor keadaan yang diperbesar,
[ ]
xsebuah(k) = Δx(k) y(k)T,model ruang keadaan tambahan berikut, untuk kasus kontrol regulasi, diberikan oleh:

xsebuah(k+1) SEBUAHsebuah xsebuah(k)

⏞⏞⏞⏞⏞⏞⏞⏞
⏞⏞⏞⏞⏞⏞⏞
⏞⏞⏞⏞⏞⏞⏞⏞
⏞⏞⏞⏞⏞⏞⏞
⏞⏞⏞⏞⏞ ⏞⏞⏞⏞
[ ] [ ][ ]
Δx(k+1) SEBUAH 0m
T Δx(k)
=
y(k+1) CA Sayaq×q y(k)
Bsebuah

⏞⏞ ⏞
[ ]
B
+ Δkamu(k)
CB
xsebuah(k)

Csebuah
⏞⏞⏞⏞⏞ ⏞⏞⏞⏞
[ ]
[ ]
⏞⏞⏞⏞⏞⏞⏞
⏞⏞⏞⏞⏞⏞

Δx(k)
y(k) = 0m , (2)
y(k)
Sayaq×q

di manaSayaq×qadalah matriks identitas, 0madalah matriks nol dengan dimensiq×n1danSEBUAHsebuah,Bsebuah,Csebuah, adalah matriks ruang-ruang
model augmented.25
Untuk masalah kontrol servo, yaitu untuk kasus pelacakan referensi, vektor keadaan yang diperbesar berubah menjadix [ sebuah(k) =
]
Δx(k) e(k)T,di manae(k) adalah vektor kesalahan pelacakan referensi. Namun, penting untuk dicatat bahwa kapane(k) adalah
disertakan, model desain augmented tidak lagi dapat diamati dan keadaan ini harus dipaksakanxsebuah(k).
Dalam Referensi 21, thez-transform polinomial Laguerre waktu-diskrit didefinisikan sebagai berikut:

√
(1 −sebuah2)
Γ1(z) =
1 -az−1
√
(1 −sebuah2)z−1−sebuah
Γ2(z) =
(1 −az−1) (1 -az−1)
⋮
√ (z−1−sebuah)N−1
ΓN(z) = (1 -sebuah2) . (3)
(1 −az−1)N

ParametersebuahdanNditunjukkan pada (3) dapat dipilih secara terpisah untuk setiap sinyal input dalam sistem kasus MIMO, di
manasebuahadalah kutub diskrit dari fungsi Laguerre, disebutfaktor skaladalam literatur, yang dapat dipilih oleh pengguna dan harus
berada dalam kisaran 0≤sebuah<1 untuk menjamin stabilitas sistem. Umumnya,sebuahdipilih sebagai estimasi bagian nyata (nilai
absolut) dari nilai eigen dominan loop tertutup, di mana nilai besar untuksebuahdan sejumlah kecilN, sesuai dengan kontrol
inkremental dengan tingkat peluruhan yang lambat.25Nadalahurutan jaringan Laguerredan digunakan untuk menangkap sinyal
kontrol. KapanNmeningkat, derajat kebebasan mengenai lintasan kontrol juga meningkat.9Parameter
4 PINHEIRO dan SILVEIRA

Nmemiliki peran yang mirip dengan cakrawala kontrol (Nc) di DMPC, denganN=NcKapansebuah=0.25Namun, keuntungannya adalah menggunakan bukan
nolsebuahdan untuk bekerja denganN≤Ncdalam desain LDMPC.
lN(k) adalah kebalikannyaz-transformasi dari (3), diberikan oleh:

lN(k) = -−1{ΓN(z)}. (4)

Kemudian, fungsi Laguerre waktu diskrit dapat ditulis ulang dalam bentuk vektor, untuksaya=1,… ,qmasukan, sebagai berikut:

[ ]T
Lsaya(k) =l1(k) l2(k) …lN(k), (5)

[ ]
L(k)T=L1(k) L2(k) …Lsaya(k). (6)

Kondisi awal (5) dapat diperoleh dari Referensi 9

√ [ ]
Lsaya(0)T= 1 -sebuah sebuah2 … (-1)N−1sebuahN−1 , (7)

di mana = (1 -sebuah2).
∑∞ ∑∞
Ortonormalitasnya dapat dinyatakan dengan lsaya(k)lj(k) =0 untuksaya≠j, dan lsaya(k)lj(k) =1 untuksaya=j. Ini akan digunakan di
k=0 k=0
desain LDMPC.
Menurut Referensi 9,Lsaya(k) juga dapat diselesaikan secara rekursif dengan

Lsaya(k) =SEBUAHlLsaya(k−1),
saya
(8)

di manaSEBUAH
saya
ladalah matriks Toeplitz dengan dimensiN×Ndan merupakan fungsi darisebuahdan parameter. Matriks ini diberikan oleh

Referensi 9:

⎡ 0 0 0 … 0⎤
⎢ ⎥
sebuah

⎢ sebuah 0 0 … 0⎥
⎢ ⎥
⎢ − sebuah sebuah 0 … 0⎥
SEBUAHl=⎢
saya ⎥. (9)
⎢ sebuah2 − sebuah sebuah … 0⎥
⎢ ⋮ ⋮ ⋮ ⋱ ⋱0⎥
⎢ ⎥
(-1)N−3sebuahN−3
⎢(−1)N−2sebuahN−2
⎣ …… ⎦
sebuah⎥

Desain LDMPC menggunakan seperangkat fungsi Laguerre,l1(m),l2(m),… ,lN(m), untuk mewakili lintasan kontrol masa depan, Δkamu(ksaya),Δ
kamu(ksaya+1),…,Δkamu(ksaya+m), untuk setiap instan sampelk, di manaksayaadalah waktu awal jendela horizon bergerak, sementaramadalah
instan sampel masa depan yang sewenang-wenang. Strategi kontrol menggunakan fungsi ortonormal ini dapat digunakan untuk menyatakan
sinyal kenaikan kontrol,

∑N
Δkamu(ksaya+m|ksaya) = pj(ksaya)lj(m) =Lsaya(m)T , (10)
j=1

dimana dalam kasus SISO, adalah vektor parameter dengan dimensi 1×N,

[ ]T
=p1 p2 … pN , (11)
PINHEIRO dan SILVEIRA 5

pj,j=1,2,… ,N, adalah koefisien, dan merupakan fungsi dari waktu awal jendela horizon bergerak,ksaya. Perluas ke casing
MIMO, diwakili oleh,
[ ]
T= T 1 2
T … Tsaya (12)

dengan dimensi 1×Njumlah,Njumlah=N1+… +Nsaya,saya=1,… ,qinput, di mana setiap sinyal input ditunjuk untuk memiliki
independen saya. Vektor koefisien akan dioptimalkan dan dihitung dalam desain melalui minimalisasi fungsi biaya (13).

Fungsi biaya LDMPC didasarkan pada minimalisasi kesalahan antara sinyal set-point dan sinyal keluaran,25di mana
tujuannya adalah untuk menemukan vektor yang meminimalkan fungsi biaya
Np
∑
J= TΩ +2 TΨxsebuah(k) + xsebuah(k)T(SEBUAHTsebuah)mQAm
sebuahxsebuah(k). (13)
m=1

Matriks Ω dan Ψ masing-masing adalah

Np
∑
Ω= Sc(m)TQSc(m) +RL, (14)
m=1

∑Np
Ψ= Sc(m)TQAm sebuah.
(15)
m=1

MatriksSc(m),m=1,… ,Np, adalah jumlah konvolusi untuk menghitung prediksi sistem yang ditunjukkan pada (2) sehubungan dengan
cakrawala prediksi keluaranNp, diberi bobot oleh jaringan Laguerre dan diberikan oleh Referensi 9

m
∑−1
T
Sc(m) = (16)
SEBUAHm−j−1
sebuah
BsebuahL(j).
j=0

Solusi untuk jumlah konvolusi dapat diperoleh melalui persamaan aljabar linier atau secara rekursif
[ ]
Sc(m) =SEBUAHm−1S(m−1) +B1L1(m−1)T
sebuah B2L2(m−1)T … BsayaLsaya(m−1)T. (17)

Perhatikan pada (17) bahwaBsebuahmatriks dibagi menjadi bentuk

[ ]
Bsebuah=B1 B2 … Bsaya (18)

untuk mewakili setiap kolom matriksBsebuahdan untukm=2,3,4,… ,Np,Sc(1) =BsebuahL(0)T,menggunakan relasiLsaya(m) =SEBUAHlLsaya(m− saya
1) dengan kondisi awalL(0)Tseperti yang diberikan dalam (7).
Dalam (14),RL=RIadalahN×Nmatriks diagonal danRadalah skalar yang bertindak sebagai faktor pembobot upaya kontrol untuk menyetel kecepatan
respons loop tertutup. Semakin rendah nilai dariR, lebih sedikit bobot yang diletakkan pada kontrol, akibatnya mengarah ke yang lebih cepat
respons loop tertutup. Selanjutnya matriksQ=CT sebuahCsebuahdigunakan untuk tujuan meminimalkan pelacakan referensi
kesalahan.

Minimisasi fungsi biaya pada persamaan (13) dilakukan dengan mengambil turunan parsialnya untuk mencari solusi
optimal vektor kontrol , tanpa kendala, menghasilkan Referensi 25

= −Ω−1Ψxsebuah(k). (19)

Akhirnya, istilah Laguerre statis dimasukkan dalam (19) dan persamaan terakhir ini ditulis ulang berdasarkan input model desain
yang ditambah, yang merupakan peningkatan kontrol optimal (tanpa kendala), katakanlah itu hukum kontrol horizon surut, diberikan
oleh:

Δkamu(k) = −Kmpcxsebuah(k). (20)

6 PINHEIRO dan SILVEIRA

Kontribusi istilah Laguerre dalam gain pengontrol,Kmpc, didefinisikan oleh Referensi 25:

L
⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞
Tikar⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞

⎡L T2 … Tsaya⎤
⎢1(0)T ⎥
⎢T 1 L2(0)T … Tsaya⎥
Kmpc=⎢ ⎥Ω−1Ψ (21)
⎢⋮ ⋮ ⋱ ⋮ ⎥
⎢ … T
Lsaya(0)⎥
⎣T 1 T2 ⎦
[ ]
Tsayaelemen semua vektor baris nol dengan dimensi sama denganNsaya,saya=1,… ,qmasukan, danxsebuah(k) = Δx(k) e(k)T.Di mana,
e(k) =y(k) -yr(k), danyr(k) adalah titik setel.
ItuKmpckeuntungan dapat ditulis ulang dan dibagi menjadi dua bagian,

[ ]
Kmpc=Kx Ke (22)

makhlukKxkeuntungan untuk keadaan (Δx(k)) umpan balik danKeadalah keuntungan untuk umpan balik status kesalahan. Kemudian, loop tertutup dari LDMPC

diberikan oleh,

[ ] [ ]
Δx(k+1) Δx(k)
= (SEBUAHsebuah−BsebuahKmpc) + BsebuahKeyr(k),
y(k+1) y(k)
[ ]
Δx(k)
y(k) =Csebuah . (23)
y(k)

Selanjutnya, untuk membantu memahami proyek LDMPC, diagram alir dan diagram blok masing-masing ditunjukkan pada Gambar 1
dan 2.

3 CONSTRAINED CONTROL PADA DESAIN LDMPC MENGGUNAKAN LAGUERRE

FUNGSI

Kendala pada amplitudo variabel kontrol diselesaikan melalui metode pemrograman kuadrat. Metode ini menggunakan
fungsi Laguerre agar memiliki fleksibilitas untuk menentukan batasan pada lintasan kontrol di masa mendatang. Ini
mengurangi jumlah kendala yang diselesaikan secara online dalam horizon prediksi dan mengurangi beban komputasi untuk
sistem orde tinggi dengan prediksi jarak jauh.25
Kendala diartikulasikan sebagai ketidaksetaraan linier dan digabungkan dengan fungsi biaya

1
J= TΩ + (Ψxsebuah( k))T , (24)
2

digunakan dalam desain kontrol prediktif. Prosedur optimisasi adalah meminimumkanJmenggunakan pemrograman kuadrat untuk
menemukan kontrol prediktif yang optimal dan selanjutnya, temukan minimum terkendala dari fungsi kuadrat definit positif yang tunduk pada
kendala pertidaksamaan linier, dinyatakan oleh Referensi 25:

M
⏞⏞ ⏞ ⏞⏞⏞⏞ ⏞⏞⏞
⎡M ΔAS ⎤ ⎡V ⎤
⎢ ⎥ ⎢ΔASmaks ⎥
⎢−MΔAS⎥ ⎢−VΔASmin⎥
⎢ ⎥ ≤⎢ ⎥. (25)
⎢MAS ⎥ ⎢VASmaks ⎥
⎢ ⎥ ⎢ ⎥
⎣ −M AS⎦ ⎣ −VASmin⎦
PINHEIRO dan SILVEIRA 7

GAMBAR 1 Bagan alur LDMPC tidak dibatasi. LDMPC, Laguerre

DMPC

GAMBAR 2 Diagram blok LDMPC tidak dibatasi. LDMPC, Laguerre DMPC

8 PINHEIRO dan SILVEIRA

Batas kendala dapat dipilih untuk setiap input secara terpisah, di mana batas atas pada amplitudo kenaikan kontrol
dan kontrol masing-masing diberikan oleh

⎡ ΔASmaks 1 ⎤
⎢ ⎥
VΔASmaks =⎢ ⋮ ⎥, (26)
⎢⎣ΔASmaks ⎥
Njumlah⎦

⎡ (ASmaks−ASk−1)1⎤
⎢ ⎥
VASmaks =⎢ ⋮ ⎥ (27)
⎢⎣(ASmaks−ASk−1 ⎥
)N jumlah ⎦

dan demikian pula, batas bawahnya adalah

⎡ ΔASmin 1 ⎤
⎢ ⎥
VΔASmin=⎢ ⋮ ⎥, (28)
⎢⎣ΔASmin ⎥
Njumlah⎦

⎡ (ASmin−ASk−1)1⎤
⎢ ⎥
VASmin=⎢ ⋮ ⎥ (29)
⎢⎣(ASmin−ASk−1)Njumlah⎦ ⎥

[ ]
danASk−1=kamu1(k−1)kamu2(k−1) …kamuq(k−1)Tadalah vektor yang mengandung sebelumnyakamunilai untuk masing-masing
ΔASmin= [ Δkamumin min
] [
ASmin = kamu di
… kamu min ]T,
q minT ,
… Δkamu dan ΔASmaks=
kamu min
memasukkan, 1 Δkamu 1 2 q
[ ]2 [
m

maks bux ]T
Δkamu
1 maks … Δkamu
Δkamu2
mx
q maksT , ASsebuah=kamu1
maks kamu 2 … kamu
q adalah nilai minimum dan maksimum untuk
maks

masing-masing masukan.MΔASdanMASadalah matriks yang masing-masing mencerminkan batasan kenaikan kontrol

dan sinyal kontrol. Bisa dihitung dengan

⎡ D(1) ⎤
⎢ ⎥
⎢ D(2) ⎥
MΔAS=⎢ ⎥, (30)
⎢ ⋮ ⎥
⎢⎣D(Njumlah)⎦⎥

⎡ ⎤ D(1)
⎢ ⎥
D(1) +D(2)
⎢ ⎥
MAS=⎢ ⎥, (31)
⎢ ⋮ ⎥
⎢⎣D(Njumlah− 1) +D(Njumlah)⎦ ⎥

di manaD(k),k=1,2,… ,Njumlah, adalah matriks blok yang terdiri dari fungsi Laguerre mengenai setiap masukan yang diberikan oleh:

k−1L1(0) T T T ⎤
⎡(SEBUAH
l1 ) 2 … saya

⎢ ⎥
⎢ T1 ( SEBUAH
l2 k−1L(0))
2 T … Tsaya ⎥
D(k) =⎢ ⎥. (32)
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎢ T …
⎣ T1 2 (SEBUAH
l
saya
k−1Lsaya(0))T⎥ ⎦
PINHEIRO dan SILVEIRA 9

(saya=1,… ,qinput) adalah semua vektor baris nol dengan dimensiNsaya. ItuNjumlah=N1+… +Nsayaadalah jumlah
saya
Seperti yang dinyatakan sebelumnya, T

sama dengan urutan jaringan Laguerre.Njumlahjuga jumlah sampel masa depan untuk kendala yang akan dikenakan. Ini digunakan untuk
menyelesaikan prediksi lintasan kontrol masa depan.

• Pemrograman kuadrat Hildreth: ini adalah metode yang digunakan untuk memecahkan masalah pengoptimalan terbatas dalam artikel ini.
Itu karena algoritma Hildreth adalah metode yang efisien untuk menyelesaikan sistem ketidaksetaraan besar dengan matriks jarang,30dan
juga tidak memerlukan inversi matriks. Pemrograman kuadrat ini digunakan pada setiap waktu pengambilan sampel, setelah diperoleh
vektor ≥0 yang disebut variabel ganda dalam literatur optimasi. Algoritme Hildreth, seperti yang ditunjukkan pada Referensi 25, diulang
secara singkat, sebagai berikut:

+1= maks
msaya saya ) ,
(0,wm+1 (33)

di mana,

[ ]
∑ ∑n
wm+1 = − 1
saya−1

m
saya ksaya+ hakujj m+1+ h (34)
hii
aku j j

j=1 j=saya+1

haku jadalah elemen matriksH=MΩ−1MTdanksayaadalah elemen vektorK= +MΩ−1Ψxsebuah(k). Kemudian, solusi optimal untuk vektor
parameter istirahatyang menyelesaikan pertidaksamaan yang ditunjukkan pada (25), yang merupakan rangkaian kontrol terkendala,
didefinisikan sebagai berikut:

istirahat= −Ω−1(Ψxsebuah(k) +MT ). (35)

Hukum kontrol cakrawala surut dengan kendala diberikan oleh:

L
⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞
tikar⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞

⎡L T2 … Tsaya⎤
⎢1(0)T ⎥
⎢T 1 L2(0)T … Tsaya⎥
Δkamu(k) =⎢ ⎥ istirahat. (36)
⎢⋮ ⋮ ⋱ ⋮ ⎥
⎢ …
⎣T 1 T2 Lsaya(0)T⎦⎥

Untuk pemahaman yang lebih baik, diagram alir desain terbatas LDMPC menggunakan pemrograman kuadrat Hildreth
ditunjukkan pada Gambar 3.

4 LAGUERRE DMPC DARI ARM-MANIPULATOR

Bagian ini menjelaskan karakteristik lengan robot yang digunakan dalam artikel ini dan juga hasil eksperimen dan simulasi yang
diperoleh dengan menggunakan desain LDMPC yang disajikan pada Bagian 2 dibandingkan dengan CDMPC lain dengan kontrol
horizon surut. Selanjutnya pada Bagian ini dilakukan evaluasi terhadap analisis kekokohan dan stabilitas loop kontrol LDMPC.

4.1 Deskripsi manipulator lengan robot

Lengan robot yang digunakan adalah robot desktop Mentor, dibuat oleh Feedback Instruments Limited dan digambarkan dalam Gambar 4. Robot ini
memiliki 5-DOF, tetapi dalam pengujian kami, hanya 3-DOF yang digunakan. Ini memiliki sambungan revolute, di mana setiap sambungan digerakkan
oleh motor servo DC dengan sensor sudut potensiometrik untuk kontrol posisi yang tepat. Antarmuka analog-ke-digital dan digital-ke-analog,
bagaimanapun, bukan asli dari Umpan Balik, tetapi perangkat keras antarmuka berbasis Arduino dengan pustaka DAQ untuk Scilab/Xcos dan Matlab/
Simulink, yang dikenal sebagaiLACOS DaqDuino v2, ditemukan di Mathworks FileExchange1.

1http://www.mathworks.com/matlabcentral/fileexchange/50784-daqduino
10 PINHEIRO dan SILVEIRA

GAMBAR 3 Bagan alur LDMPC yang dibatasi. LDMPC, Laguerre DMPC [Gambar warna dapat dilihat di wileyonlinelibrary.com]

GAMBAR 4 Foto dan diagram manipulator lengan

Mentor, dari Umpan Balik [Gambar warna dapat dilihat di
wileyonlinelibrary.com]

4.2 Hasil eksperimen dan simulasi

Studi kasus eksperimental ini adalah untuk menunjukkan bahwa fungsi Laguerre dapat meningkatkan pertukaran antara energi
kontrol dan kinerja loop tertutup, dan optimalisasi lintasan kontrol di masa depan di bawah jendela cakrawala kontrol yang sama,
sehubungan dengan CDMPC. Studi kasus ini memberikan hasil yang signifikan untuk kedua kasus LDMPC, dengan kendala dan tanpa
kendala.
Sistem MIMO yang mewakili lengan robot 3-DOF dimodelkan menggunakan data eksperimen dan estimasi Recursive Least
Squares. Model fungsi transfer MIMO yang teridentifikasi diberikan oleh:

⎡Y1(z)⎤ ⎡G11(z) G12(z) G13(z)⎤ ⎡AS1(z)⎤

⎢⎥ ⎢ ⎥⎢⎥
⎢Y2(z)⎥ = ⎢G21(z) G22(z) G23(z)⎥ ⎢AS2(z)⎥, (37)
⎢⎥ ⎢ ⎥⎢⎥
⎣Y3(z)⎦ ⎣G31(z) G32(z) G33(z)⎦ ⎣AS3(z)⎦
PINHEIRO dan SILVEIRA 11

di mana,

0.0007272z+0.003917 5.2074e−9z+3.4674e−11
G11(z) = ; G12(z ) = ;
z2− 1.604z+0.6041 z2− 0.28848z−0.70734 1.
5.6358e−09z+5.5471e−09 1382e−9z+7.6199e−12
G13(z) = ; G21(z) = ;
z2− 0.5z−0.5 0. z2− 0.49889z−0.498254
0002373z+0.005518 0.002278z+0.01048
G22(z) = ; G33z)( = ;
z2− 1.5340z+0.5340 z2− 1.5393z+0.5393 G
G13(z) =G23(z); 31(z) =G21(z);G12(z) =G32(z); (38)

. Periode sampling sistem ini adalah 0,05 detik, karena perangkat akuisisi data yang digunakan dengan proses Mentor arm-
manipulator memiliki antarmuka USB, yang membatasi frekuensi sampel-dan-tahan maksimum hingga 100 Hz. Karena nilai
singular maksimum, dari sistem yang ditunjukkan pada (37), memiliki frekuensi cut-off sekitar 0,125 Hz, frekuensi sampling 20
Hz dipilih, mematuhi teorema sampling Shannon-Nyquist dan mengatasi frekuensi sampling yang digunakan dengan sistem
robot ditampilkan dalam karya serupa Wang.20

4.2.1 Hasil simulasi

Dalam pengujian pertama ini, sambungan Robot digerakkan oleh titik setel untuk setiap motor. Posisi set-point adalah 180◦untuk
sambungan-1 (J1), 90◦untuk sambungan-2 (J2), dan 60◦untuk sambungan-3 (J3). Cakrawala prediksi dan cakrawala kontrol untuk CDMPC
masing-masing adalahNp=100,Nc=2. Untuk LDMPC,Np=100 dan parameter untuk fungsi Laguerre adalahN1=N2=N3= 2
dansebuah1=sebuah2=sebuah3= 0,3. Matriks pembobotan adalahR1=R2=R3= 0,008 danQ=CT sebuahCsebuah. Eksperimen ini tidak sesuai dengan
kasus tegang dan parameter penyetelan pengontrol ini dipilih dengan coba-coba, sementara memaksa kesetaraan cakrawala prediksi CDMPC
dan LDMPC, memberikan perbandingan yang adil antara kedua MPC ini. Nilai kondisi awal parameter penyetelan ini dipilih sebagai berikut:Np
harus ditambah sampai tidak ada peningkatan yang signifikan dalam kinerja respon keluaran tercapai.Ncdan N harus sekecil mungkin, tetapi
keduanya ditingkatkan hingga menghasilkan pengontrol yang stabil secara internal. Cakrawala kontrol yang kecil berarti lebih sedikit variabel
untuk dihitung dalam masalah kuadrat yang diselesaikan pada setiap interval kontrol, yang mendorong perhitungan lebih cepat. Akhirnya,
sebuahadalah penyempurnaan kinerja, di mana jikasebuahmendekati nol, dihasilkan respons loop tertutup yang lebih cepat, tetapi jikasebuah
mendekati satu, respons loop tertutup yang lebih lambat tercapai.
Selain itu, DLQR yang didasarkan pada cakrawala tak terhingga, telah dibandingkan dengan CDMPC dan LDMPC, menggunakan
matriks R dan Q yang sama. Ini ditunjukkan untuk membenarkan keefektifan kinerja loop tertutup dari kedua pengontrol MPC dalam
kasus simulasi tanpa kendala.
Gambar 5-7, digunakan untuk menunjukkan masing-masing sinyal keluaran, sinyal kontrol, dan sinyal kontrol inkremental,
untuk kasus simulasi tanpa kendala. Hasil ini dibahas nanti dalam teks, bersama dengan data indeks kinerja.

4.2.2 Hasil percobaan yang dibatasi

Pada pengujian kedua ini, kontroler LDMPC dan CDMPC diterapkan pada Robot sesungguhnya. Parameter pengontrol dan
setpoint sama seperti pada pengujian simulasi pertama, tetapi dalam kasus ini, sinyal kontrol dibatasi. Kendala yang
digunakan pada sinyal kontrol ini adalah ΔASmaks= 2.5, ΔASmin= −2.5 danASmaks= 5,ASmin= −5 untuk semua masukan. Untuk
desain CDMPC mengadopsi kontrol saturasi sederhana, dan untuk desain LDMPC, mengadopsi pemrograman kuadratik
Hildreth, diberikan dalam Bagian 3. Hasil untuk posisi sambungan, sinyal kontrol dan sinyal inkremental, masing-masing,
ditunjukkan pada Gambar 8-10. Hasil eksperimen ini, bersama dengan hasil kasus simulasi pertama, akan dibahas selanjutnya.

4.2.3 Analisis hasil simulasi dan eksperimen

Performa loop-kontrol dapat dievaluasi dengan satu set versi diskrit dari indeks performa integral, berdasarkan
sinyal daya atau energi. Semakin rendah nilai indeks, semakin baik kinerja sistem loop tertutup. Dengan
ni menjadijumlah iterasites, matriks sinyal kontrol,kamuni×3, daya, akan terkait dengan indeks ISU =
∑m
k=1kamu(k)2terkait dengan konsumsi sinyal kontrol daya; matriks kesalahan pelacakan referensi,eni×3, kekuasaan, akan
12 PINHEIRO dan SILVEIRA

GAMBAR 5 Simulasi tanpa kendala

tes: Posisi sendi

GAMBAR 6 Simulasi tanpa kendala

uji: Sinyal kontrol

∑m
terkait dengan integral dari kesalahan kuadrat, ISE = k=1e(k)2; matriks perbedaan kontrol, kamuni×3, daya, yaitu, total
∑m
kontrol variasi, akan menjadi TVC = k=1|Δkamu(k)|;dan persentase overshoot akan dirujuk ke PO. Hasil kinerja
loop kontrol CDMPC dan LDMPC, dengan dan tanpa kendala, masing-masing disajikan pada Tabel 1 dan 2.
Menganalisis hasil antara kinerja pengontrol, untuk kasus simulasi tanpa kendala, CDMPC dan LDMPC menyajikan hasil
yang serupa di bawah cakrawala prediksi output dan kontrol yang sama (ingat bahwa di LDMPCNc=N). Amati Gambar 5 hingga
7, untuk melihat bahwa ketiga sambungan memiliki respons cepat dengan konvergensi asimtotik dan dengan upaya kontrol
serupa untuk kasus LDMPC, yang dapat dikonfirmasi oleh indeks kinerja yang ditunjukkan pada Tabel 1, di mana LDMPC
sedikit mengungguli CDMPC untuk sebagian besar indeks, tapi kalah di TVC. Kontribusi utama dari LDMPC muncul ketika
berhadapan dengan sistem nonlinier dalam pengujian eksperimental dengan kendala. Amati Gambar 8 sampai 10, dimana
PINHEIRO dan SILVEIRA 13

GAMBAR 7 Simulasi tanpa kendala

tes: Mengontrol sinyal kenaikan

ANGKA 8 Tes eksperimental yang dibatasi:

Posisi bersama

kecepatan respon case LDMPC masih lebih cepat daripada case klasik, tetapi sekarang, sinyal kontrolnya juga lebih konservatif, seperti dapat
dilihat pada Gambar 9 dan 10, meskipun amplitudo kontrol maksimum telah mencapai nilai yang sama, waktu yang dihabiskan pada nilai-nilai
di mana lebih pendek untuk LDMPC seperti yang dapat dikonfirmasi oleh indeks yang ditunjukkan pada Tabel 2, di mana LDMPC hanya kalah
dalam PO. Hasil yang sama ini juga diamati dalam kasus simulasi terbatas, tetapi tidak ditampilkan dalam artikel ini untuk menyajikan uji
eksperimental dan sebagai gantinya memberikan bukti konsep, yang mengonfirmasi bahwa algoritme bekerja pada eksperimen nyata.

Selain itu, waktu yang berlalu untuk menghitung waktu perhitungan dalam lingkungan simulasi yang tidak dibatasi
diukur dengantic-tocfungsi dari MATLAB®R2017a dan untuk perhitungan simulasi menggunakan desktop
14 PINHEIRO dan SILVEIRA

GAMBAR 9 Tes eksperimental yang dibatasi:

Sinyal kontrol

GAMBAR 10 Dibatasi
uji eksperimental: Mengontrol sinyal kenaikan

PC (dengan Microsoft Windows 10, Intel Core i7-3632QM 2,2 GHz, RAM 8 GB). Waktu berlalu, dengan periode 400 sampel untuk
LDMPC adalah≈0,02 detik, untuk CDMPC adalah≈0,03 detik, dan untuk DLQR adalah≈0,05 detik. Dengan demikian, hasil ini dapat
mengkonfirmasi bahwa fungsi Laguerre dapat mengurangi beban komputasi dari algoritma tersebut. Pendekatan berbasis polinomial
Laguerre dapat sangat berguna untuk desain MPC adaptif, di mana lintasan kontrol optimal masa depan perlu dihitung untuk setiap
waktu pengambilan sampel. Hasil serupa tentang pengurangan waktu komputasi pengontrol dapat ditemukan di Referensi 31.

Selanjutnya, untuk kasus yang dibatasi dalam aplikasi real-time, waktu yang telah berlalu untuk setiap periode pengambilan sampel untuk LDMPC
menggunakan pemrograman kuadratik Hidreth adalah≈0,0008 detik, sedangkan waktu berlalu untuk CDMPC menggunakan saturasi sederhana
PINHEIRO dan SILVEIRA 15

TABEL 1Hasil kinerja tanpa kendala

LDMPC DLQR

ISU Bersama 1 244.05 263.88 280.11

Bersama 2 137.94 149.91 154.63

Bersama 3 44.52 39.98 48.19

ISE Bersama 1 32.512 26.841 37.944

Bersama 2 10.069 8.297 11.667

Bersama 3 3.070 3.062 4.184

PO (%) Bersama 1 0,2347 0,2567 5.5889

Bersama 2 0,3026 1.3865 5.1515

Bersama 3 0 0 5.7711

TVC Bersama 1 107.41 158.03 89,99

Bersama 2 58.34 88.37 48.90

Bersama 3 46.08 35.51 23.87

Singkatan: DLQR, regulator kuadrat linier diskrit; LDMPC,

Laguerre DMPC.

MEJA 2Hasil kinerja yang dibatasi

CDMPC LDMPC

ISU Bersama 1 4982.28 4906.13

Bersama 2 3362.26 2906.77

Bersama 3 8753.17 7684.17

ISE Bersama 1 2.57e+06 2.55e+06

Bersama 2 4.28e+05 3.79e+05

Bersama 3 6.79e+04 6.46e+04

PO (%) Bersama 1 0,71 0,72

Bersama 2 0,63 0,64
Bersama 3 4.50 2.75
TVC Bersama 1 505.79 27.95

Bersama 2 325.21 23.27

Bersama 3 94.62 24.30

Singkatan: CDMPC, kontrol prediktif berbasis model

diskrit klasik; LDMPC, Laguerre DMPC.

dulu≈0,0007 detik. Meskipun CDMPC sedikit lebih cepat daripada LDMPC, karena ketimpangan matriks linier dalam algoritme Hildreth
yang menghabiskan lebih banyak waktu untuk memberikan solusi, LDMPC meningkatkan kinerja sistem loop tertutup secara wajar,
membenarkan penggunaannya. Penting untuk ditekankan bahwa jika LDMPC tidak digunakan untuk meningkatkan solusi waktu dari
Hildreth's Quadratic, waktu yang diperlukan menjadi lebih lama, terutama mengenai perangkat keras dengan kapasitas pemrosesan
yang rendah. Fitur ini sangat penting, terutama pada aplikasi real-time dimana controller harus menghitung solusi sinyal kontrol
dalam setiap waktu sampling.
Hasil eksperimen ini dapat mengonfirmasi bahwa LDMPC, dalam kasus terbatas, meningkatkan efek cakrawala kontrol
dan dapat menangkap dinamika sistem dengan lebih baik di bawah jendela cakrawala yang sama yang digunakan dalam
pendekatan klasik, sehingga meningkatkan kinerja loop kontrol dengan menggunakan lebih sedikit daya. Selain itu, fungsi
Laguerre dapat mencapai kinerja yang memuaskan tanpa jarak kontrol yang lama. Berbeda dengan CDMPC yang perlu
ditingkatkanNcdan Npuntuk mencapai kinerja LDMPC yang sama. Akibatnya, ini dapat meningkatkan beban komputasi tersirat
secara dramatis.
16 PINHEIRO dan SILVEIRA

Oleh karena itu, kontroler LDMPC yang menggunakan pemrograman kuadratik Hildreth dengan sinyal kontrol terbatas
menyajikan hasil terbaik. Dengan demikian, dapat disimpulkan bahwa algoritme ini efisien untuk kasus-kasus di mana diperlukan
sinyal kontrol yang dibatasi (hampir di setiap masalah kontrol yang sebenarnya), membawa perbaikan dalam trade-off antara kinerja
loop tertutup dan konsumsi energi kontrol. Selain itu, kontribusi lain dari pemrograman kuadratik Hildreth adalah pengurangan
dramatis kontrol daya inkremental varians seperti yang dapat dikonfirmasi oleh indeks TVC yang ditunjukkan pada Tabel 2.

4.3 Analisis stabilitas dan ketahanan

Evaluasi stabilitas dari beberapa algoritma kontrol prediktif, untuk beberapa kasus, agak kontroversial, karena keadaan yang
diprediksi terkadang disimulasikan secara real-time dan tidak dalamNyDeskripsi representasi ruang keadaan yang kompatibel dengan
pesanan. Namun, menurut Referensi 25, untuk mengevaluasi stabilitas loop tertutup dari CDMPC dan LDMPC hanya diperlukan untuk
menghitung nilai eigen dari matriks loop tertutup (SEBUAHsebuah−BsebuahKmpc), di manaKmpc=LTikarΩ−1Ψditunjukkan pada (21).
Dengan demikian, analisis stabilitas dan ketahanan CDMPC dan LDMPC dapat dilakukan berdasarkan metode tradisional dari teori
kontrol modern, tanpa meninggalkan keraguan mengenai stabilitas asimptotik dari sistem loop tertutup dan juga memberikan
penggunaan metode ruang keadaan yang mapan. Sebagai contoh, pada Gambar 11 ditunjukkan peta kutub CDMPC dan LDMPC,
dalam kasus tak terbatas, yang menegaskan stabilitas, berdasarkan lokasi kutub, yang telah terlihat pada uji simulasi sebelumnya
yang disajikan. Selain itu, ada tiang di z≈1 seperti terlihat pada Gambar 11, karena model lengan yang ditunjukkan pada (37) memiliki
nol pada z≈1. Kemudian, kutub loop tertutup ini tidak mempengaruhi dinamika sistem, dan dapat dibatalkan.

Analisis ketahanan dengan metode respons frekuensi tradisional juga dapat digunakan. Dengan demikian, metode desain
didasarkan pada nilai singular terstruktur ,32yang menggabungkan sensitivitas dan analisis sensitivitas komplementer dan
sudah tersedia di MATLAB®,dapat digunakan untuk analisis ketahanan sistem MIMO. Di -Analisis itu tepat untuk mewakili
ketidakpastian sistem kontrol olehM− Δplot, di manaMmenunjukkan sistem loop kontrol nominal dan Δ adalah matriks
ketidakpastian terstruktur.32
Menggunakan toolbox kontrol MATLAB yang kokoh, analisis ketahanan untuk CDMPC dan LDMPC tak terbatas diselidiki. Dianggap
bahwa model sistem robot memiliki ketidakpastian multiplikatif masukan. Ketidakpastian sistem, untuk semua masukan, terdiri dari
10%kesalahan dalam rentang frekuensi rendah, meningkat menjadi 100%pada 35 rad/s, dan mencapai 1000%dalam rentang
frekuensi tinggi, dan untuk analisis kinerja yang kuat fungsi transfer pembobotan yang digunakan untuk menentukan persyaratan
kinerja adalah:wp=0.01 danwkamu=0.05. Ringkasan dari -kondisi untuk contoh analisis ketahanan ini
z+0.00 1 z+0.005
adalah: kinerja yang kuat (RP)⇔ ||M|| <1 dan stabilitas yang kuat (RS)⇔ ||M11|| <1. Bukti dan penjelasan lebih lanjut untuk
kondisi ini diberikan dalam Referensi 32 tetapi dalam karya ini diterima sebagai persyaratan ketahanan untuk desain CDMPC
dan LDMPC.

GAMBAR 11 Nilai eigen loop tertutup untuk tidak dibatasi

kasus
PINHEIRO dan SILVEIRA 17

GAMBAR 12 Analisis yang kuat untuk kasus yang tidak dibatasi

GAMBAR 13 Analisis ketahanan untuk LDMPC dibatasi

kasus. LDMPC, Laguerre DMPC

Pada Gambar 12 diperlihatkan -plot LDMPC dan CDMPC untuk kasus yang tidak dibatasi. Amati bahwa untuk kedua kasus,
RS dan RP memenuhi persyaratan ketahanan. Oleh karena itu, pengontrol Laguerre dapat menjamin stabilitas yang kuat dan
kinerja yang kuat dengan cara yang sama seperti metode klasik. Dalam contoh ini, dengan menggunakan LDMPC tak terbatas,
pengontrol ini telah mencapai a -plot yang diletakkan di atas plot CDMPC, karena LDMPC mengeksplorasi penyetelan yang
kurang konservatif (walaupun lebih konservatif dalam hal konsumsi daya) seperti yang digambarkan oleh indeks kinerja yang
ditunjukkan pada Tabel 1. Meskipun berada di atas, LDMPC masih memiliki ketahanan yang terjamin dalam artian - analisis
ketangguhan, menunjukkan bahwa fungsi Laguerre tidak banyak menurunkan sifat ketangguhan loop kontrol DMPC.

Dalam kasus terbatas menggunakan pemrograman kuadratik Hildreth, analisis kuat dilakukan untuk setiap penguatanKmpc=
− (LTikar istirahat),yang dihitung melalui istirahatdari Persamaan (35) untuk setiapk=1,… ,Akhirwaktuiterasi simulasi,
xsebuah(k)

seperti yang ditunjukkan pada diagram alir pada Gambar 3. Hasilnya dapat dianalisis pada Gambar 13, di mana ditunjukkan -kurva
LDMPC yang memiliki nilai puncak kurang dari satu untuk seluruh rangkaian penguatan, mengonfirmasi bahwa sistem loop tertutup
yang dibatasi mencapai kinerja yang kuat dan stabilitas yang kuat untuk ketidakpastian yang dimodelkan. Selain itu, pada Gambar 14
ditunjukkan nilai eigen loop tertutup untuk kasus terbatas LDMPC, di mana semua kutub berada di dalam lingkaran unit, memastikan
stabilitas sistem saat sinyal kontrol dibatasi oleh pemrograman kuadrat Hildreth.
18 PINHEIRO dan SILVEIRA

GAMBAR 14 Nilai eigen loop tertutup untuk LDMPC

kasus terkendala. LDMPC, Laguerre DMPC

5 KESIMPULAN

Artikel ini meninjau pengontrol prediktif waktu diskrit menggunakan fungsi Laguerre yang diterapkan pada masalah kontrol posisi
sudut manipulator lengan robot MIMO. Pekerjaan tersebut memperjuangkan manfaat potensial dari fungsi Laguerre dalam DMPC
yang diterapkan pada kontrol sistem MIMO dalam kasus terbatas dan tidak terbatas, terkait kendala masukan. Singkatnya, kerugian
dari metode kontrol yang diselidiki, sehubungan dengan CDMPC, adalah waktu yang dihabiskan untuk menyetel sistem, karena
menggunakan sekumpulan parameter penyetelan fungsi Laguerre untuk setiap input sistem.
Performa loop tertutup dari kedua pengontrol MPC telah dibandingkan dengan DLQR, membenarkan efektivitas performa
loop tertutup LDMPC. Lebih jauh lagi, untuk kasus unconstrained dan constrained, LDMPC masih menjaga margin kekokohan
dan stabilitas sebagaimana ditegaskan oleh -kurva dan lokasi kutub, masing-masing.
Pekerjaan ini juga menunjukkan bahwa algoritma LDMPC dapat mengurangi beban komputasi dan berjalan lebih cepat daripada CDMPC,
karena sifat ortogonalnya, yang menghasilkan lintasan kontrol masa depan yang pelit dengan beberapa parameter. Dengan demikian, LDMPC
tidak memerlukan control horizon yang besar untuk mencapai performa control-loop yang memuaskan. Intinya, besarNc
dapat diperoleh dengan jumlah yang sedikitN.
Terlepas dari sejumlah besar parameter penyetelan dalam desain LDMPC, penting untuk diperhatikan bahwa ini membawa lebih
banyak fleksibilitas bagi perancang dan membuka solusi baru untuk area kontrol prediktif berbasis model, dengan kontrol yang lebih
kecil dan variasi variabel yang dikontrol dan akibatnya lebih sedikit daya. konsumsi. Amati, misalnya, pada Tabel 1 dan 2, bahwa
konsumsi daya, terkait denganISUindeks, lebih kecil untuk LDMPC, sedangkan kinerja pelacakan, terkait denganISEindeks, juga lebih
kecil untuk LDMPC. Ini berarti LDMPC menyelesaikan masalah yang sama dengan lebih efisien dan menggunakan lebih sedikit daya
untuk melakukannya. Selain itu, pemrograman kuadratik Hildreth dapat mengurangi kontrol daya inkremental varians dan
memastikan bahwa batasan tidak dipatahkan saat kontrol inkremental dibatasi.
Meningkatnya jumlah parameter penyetelan dalam algoritme kontrol kompleks baru seperti LDMPC adalah kenyataan yang harus
ditangani oleh bidang akademik dan industri dalam waktu dekat. Sebagai contoh, CDMPC sudah menjadi produk yang tersedia di
pasar dan konfigurasi penyetelan tiga istilahnya, masing-masing untuk output horizon, control horizon dan energy weighting factor,
untuk loop SISO, menjadi standar baru di kalangan teknisi dan insinyur. Juga luar biasa bahwa ini telah dimulai pada dekade 1970 dan
masih dalam tahap transisi. Adapun LDMPC, yang hanya merupakan augmentasi dari kasus klasik, tujuan kami sekarang adalah
menyelidiki cara untuk mengkorelasikan apa yang diketahui oleh teknisi dan insinyur, misalnya, terkait dengan penyetelan PID, untuk
dicakup ke dalam prosedur fungsi Laguerre, untuk membuatnya tersembunyi bagi pengguna akhir tetapi mempertahankan
keunggulannya dalam hal varian yang lebih kecil dan peningkatan kinerja. Ini akan menguntungkan kontrol otomatis yang ditandai
dengan algoritme kontrol prediktif yang canggih, sekaligus menjaga antarmuka front-end yang terkenal bagi pengguna akhir.

Akhirnya, karena jaringan Laguerre, terkait dengan DMPC, telah membawa hasil varians yang berkurang, versi fungsi Laguerre
stokastik dapat dikembangkan untuk menyelesaikan masalah stokastik, seperti pendekatan dalam area Generalized Predictive Control
(GPC), berdasarkan model proses stokastik . Studi yang disajikan dalam artikel ini memberikan substansial
PINHEIRO dan SILVEIRA 19

bukti konsep bahwa tidak hanya beban komputasi dapat dikurangi, tetapi juga bahwa biaya varians minimum dimungkinkan terhadap
algoritme varians minimum yang tidak berbasis Laguerre seperti GPC.

PENGAKUAN
Penulis berterima kasih atas dukungan finansial dari Dewan Nasional Brasil untuk Pengembangan Ilmiah dan
Teknologi (CNPq) di bawah hibah 142414/2018-2 dan proyek 408559/2016-0.

ORCID
Tarcisio Carlos F. Pinheiro https://orcid.org/0000-0002-2753-0963

REFERENSI
1. Siciliano B, Sciavicco L, Villan L, Oriolo G.Robotika: Pemodelan, Perencanaan dan Kontrol. Buku Teks Tingkat Lanjut dalam seri Kontrol dan
Pemrosesan Sinyal. London, Inggris. Springer-Verlag; 2009.
2. Cubero S. .Robotika Industri: Teori, Pemodelan dan Kontrol. Sistem Robot Lanjutan Internasional. Mammendorf, Jerman. Pro
Literatur Verlag; 2007.
3. Rossiter JA, Haber R. Pengaruh Horizon kebetulan pada kontrol fungsional prediktif.Proses. 2015;3(1):25-45.
4. Dovžan D, Škrjanc I. Kontrol fungsional prediktif berdasarkan model fuzzy adaptif dari reaktor semi-batch hybrid.Kontrol Eng Praktek.
2010;18(8):979-989.
5. Causa J, Karer G, Núnez A, Sáez D, Škrjanc I, Zupančič B. Kontrol prediktif fuzzy hibrid berdasarkan algoritme genetik untuk kontrol suhu
reaktor batch.Komputer Kimia Eng. 2008;32(12):3254-3263.
6. Potočnik B, Mušič G, Škrjanc I, Zupančič B. Kontrol prediktif berbasis model dari sistem hybrid: pendekatan jaringan saraf probabilistik untuk kontrol
waktu nyata.Sistem Robot J Intell. 2008;51(1):45-63.
7. Quevedo DE, Aguilera RP, Kontrol Prediktif Model Geyer T. untuk Aplikasi Elektronika Daya. Di dalam: Rakovic S., Levine W. (eds)Handbook
of Model Predictive Control. Teknik Kontrol, Birkhäuser, Cham, 2019. https://doi.org/10.1007/978-3-319-77489-3_23.
8. Eren U, Prach A, Koçer BB, Rakovic SV, Kayacan E, Aç kmeşe B. Model kontrol prediktif dalam sistem kedirgantaraan: keadaan saat ini dan
peluang.J Guid Control Dyn. 2017;40(7):1541-1566.
9. Desain kontroler prediktif model diskrit Wang L. menggunakan fungsi Laguerre.Kontrol Proses J. 2004;14(2):131-142.
10. Schwickart T, Voos H, Darouach M, Bezzaoucha S. Strategi pemblokiran gerakan yang fleksibel untuk mempercepat kontrol prediksi model sambil
mempertahankan kinerja pelacakan yang tinggi. Makalah dipresentasikan pada: Prosiding Konferensi Kontrol Eropa 2016. Aalborg, Denmark: IEEE;
2016:764-769.
11. Cagienard R, Grieder P, Kerrigan EC, Morari M. Pindahkan strategi pemblokiran dalam kontrol horizon surut.Kontrol Proses J.
2007;17(6):563-570.
12. Shahzad A, Kerrigan EC, Constantinides George A. Metode titik interior mulai hangat untuk kontrol prediktif; Coventry, Inggris;
2010:949-954.
13. Otta P, Santin O, Havlena V.Strategi Awal-Mulai yang Didorong Kondisi Terukur untuk MPC Linear. Linz, Austria: IEEE; 2015:3132-3136.
14. Ferreau HJ, Bock HG, Diehl M. Strategi set aktif online untuk mengatasi keterbatasan MPC eksplisit.Int J Kontrol Nonlinier Kuat
IFAC-Afiliasi J. 2008;18(8):816-830.
15. Herceg M, Jones CN, Morari M. Faktor kecepatan dominan metode set aktif untuk MPC cepat.Metode Appl Kontrol Keikutsertaan. 2015;36(5):608-627.
16. Richter S, Mariéthoz S, Morari M. MPC online berkecepatan tinggi berdasarkan metode gradien cepat yang diterapkan pada kontrol konverter daya. Makalah
dipresentasikan pada: Proceedings of the 2010 American Control Conference. Marriott Waterfront, Baltimore, MD, AS: IEEE; 2010:4737-4743; IEEE.

17. Abdullah M, Rossiter JA. Memanfaatkan fungsi Laguerre dalam kontrol fungsional prediktif untuk memastikan konsistensi prediksi. Makalah dipresentasikan
pada: Proceedings of the 2016 UKACC 11th International Conference on Control (CONTROL). Belfast, Inggris: IEEE; 2016:1-6.
18. Rossiter J, Anthony WL, Valencia-Palomo G. Algoritma yang efisien untuk memperdagangkan kelayakan dan kinerja dalam kontrol prediktif.Kontrol Int
J. 2010;83(4):789-797.
19. Wang L. Perancangan kontrol prediktif model waktu kontinyu menggunakan fungsi ortonormal.Kontrol Int J. 2001;74(16):1588-1600.
20. Wang L, Freeman CT, Chai S, Rogers E. Kontrol berulang-prediktif multivariabel dari lengan robot dengan hasil eksperimen.IFAC Proc Vol.
2011;44(1):7672-7677.
21. Wahlberg B. Identifikasi sistem menggunakan model Laguerre.Kontrol IEEE Trans Automat. 1991;36(5):551-562.
22. Akçay H, Nineness B. Fungsi basis ortonormal untuk memodelkan sistem waktu kontinu.Proses Sinyal. 1999;77(3):261-274.
23. Olivier PD. Identifikasi sistem menggunakan fungsi Laguerre: contoh sederhana. Makalah dipresentasikan pada: Prosiding Simposium Tenggara ke-29
tentang Teori Sistem; Cookeville, TN: IEEE, 1997:457-459.
24. Tuma M, Jura P. Identifikasi sistem dinamis dengan fungsi Laguerre yang digeneralisasikan. Makalah yang dipresentasikan pada: Prosiding Kongres
Internasional ke-7 2015 tentang Sistem dan Lokakarya Telekomunikasi dan Kontrol Ultra Modern (ICUMT); 2015:220-225; IEEE.
25.Wang L.Model Perancangan dan Implementasi Sistem Kontrol Prediktif Menggunakan MATLAB®. Kemajuan dalam Kontrol Industri, edisi kedua.
London, Inggris: Springer-Verlag; 2009.
26. Yakub F, Mori Y. Model kontrol prediktif berdasarkan fungsi Kautz untuk jalur kendaraan darat otonom mengikuti aplikasi kontrol.
Makalah dicetak pada: Prosiding Prosiding Konferensi Tahunan SICE (SICE) 2014; 2014:1035–1040; IEEE.
20 PINHEIRO dan SILVEIRA

27. Mingzhu X, Yiping J, Cunzhi P, Zhanzhong W. Kontrol fungsional prediktif inkremental berdasarkan model Kautz. Makalah dipresentasikan
pada: Prosiding Konferensi Tahunan SICE 2014 (SICE); Nanjing, Tiongkok: IEEE; 2009:1-5.
28. Dubravić A, Šehić Z, Burgić M. Fungsi orthonormal berdasarkan model kontrol prediktif proses netralisasi pH.Tehnički vjesnik. Osijek,
Kroasia, 2014;21(6):1249-1253.
29. Yin G, Wang Z, Jin XJ. Kemudi aktif kendaraan otonom menggunakan model kontrol prediktif dengan fungsi Legendre. Makalah dipresentasikan pada:
Prosiding Konferensi Kontrol dan Keputusan Tiongkok 2016 (CCDC). Yinchuan, Tiongkok: IEEE; 2016:3277-3281.
30. Jamil N, Chen X, Algoritma Cloninger A. Hildreths dengan aplikasi untuk kendala lunak untuk tata letak antarmuka pengguna.Jurnal Komputasi dan
Matematika Terapan. 2015;288:193-202.
31. Abdullah M, Idres M. Kontrol kelaparan sel bahan bakar menggunakan teknik prediksi model dengan Laguerre dan fungsi bobot eksponensial.
Teknologi J Mech Sci. 2014;28(5):1995-2002.
32. Gu DW, Petkov P, Konstantinov MM.Desain Kontrol yang Kuat dengan MATLAB®. Buku Teks Tingkat Lanjut dalam Kontrol dan Pemrosesan Sinyal
London, Inggris: Springer-Verlag; 2013.

Cara mengutip artikel ini:Pinheiro TCF, Silveira AS. Kontrol prediktif model diskrit terbatas dari manipulator lengan
menggunakan fungsi Laguerre.Met Aplikasi Kontrol Optimal. 2020;1–20.https://doi.org/10.1002/oca.2667