Desain Disturbance Observer-Based Stochastic Model Predictive Control Untuk Sistem Dengan Ketidakpastian Parameter Dan Gangguan

Purnawan, Heri (2024) Desain Disturbance Observer-Based Stochastic Model Predictive Control Untuk Sistem Dengan Ketidakpastian Parameter Dan Gangguan. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 7002201002-Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Ketidakpastian dalam sistem dinamik, seperti ketidakakuratan parameter dan gangguan, dapat merusak kinerja pengendali loop tertutup yang dirancang menggunakan teknik klasik. Ketidakpastian parameter terjadi ketika persamaan sistem diketahui, tetapi parameternya tidak diketahui atau diperkirakan akan bervariasi selama masa operasional sistem. Hal ini sering terjadi saat membangun model sistem berdasarkan data eksperimental menggunakan teknik identifikasi sistem, menghasilkan model yang direpresentasikan oleh fungsi transfer dengan parameter yang bervariasi. Dalam penelitian ini, ketidakpastian parameter diasumsikan bersifat stokastik, dengan distribusi yang diketahui. Di sisi lain, gangguan dapat juga mempengaruhi kinerja sistem kontrol dari luar sistem, menyebabkan penyimpangan dari kinerja yang diharapkan dan mempengaruhi stabilitas dan respons sistem. Penelitian ini memperkenalkan pendekatan baru untuk menangani sistem dengan parameter probabilistik dan gangguan: Stochastic Model Predictive Control berbasis Disturbance Observer (DO-SMPC) menggunakan metode Polynomial Chaos Expansion (PCE). Desain DO-SMPC menggabungkan estimasi gangguan aditif berdasarkan masalah pelacakan. Disturbance Observer yang dimodifikasi (MDO) dibangun menggunakan ruang keadaan pengganti dari bentuk sistem linear stokastik yang diperoleh dengan metode intrusif PCE. Estimasi gangguan dari MDO kemudian ditambahkan ke prediksi sistem dan diasumsikan tetap konstan sepanjang langkah prediksi. Untuk menyelesaikan optimasi pelacakan DO-SMPC pengganti berdasarkan PCE, digunakan toolbox Quadratic Programming (QP) di Matlab. Hasil simulasi menunjukkan bahwa MDO dapat memperkirakan gangguan sebenarnya dalam sistem dengan ketidakpastian parameter yang bervariasi, dengan beberapa osilasi awal untuk gangguan konstan. Untuk gangguan sinusoidal, MDO secara akurat memperkirakan gangguan sebenarnya pada throttle, meskipun estimasi pada elevator kurang akurat. Selain itu, hasil simulasi DO-SMPC menunjukkan respons sudut jalur penerbangan yang lebih baik dibandingkan dengan SMPC untuk gangguan konstan. Untuk gangguan yang bervariasi dengan fungsi sinusoidal, baik DO-SMPC maupun SMPC menghasilkan kinerja yang identik. Meskipun terdapat osilasi, kedua metode tersebut mempertahankan respons sudut jalur penerbangan mendekati referensi yang diberikan. Untuk meningkatkan respons sudut jalur penerbangan dalam DO-SMPC, disarankan untuk menyetel nilai eigen. Berdasarkan hasil ini, DO-SMPC menunjukkan ketahanan yang lebih besar dalam menangani sistem dengan parameter probabilistik dan gangguan yang bervariasi
=====================================================================================================================================
Uncertainties in dynamic systems, such as parameter inaccuracies and noise, can impair the performance of closed-loop controllers designed using classical techniques. Parameter uncertainty occurs when the system equations are known, but the parameters are not known or expected to vary during the system's operational lifetime. This often occurs when building a system model based on experimental data using system identification techniques, resulting in a model represented by a transfer function with varying parameters. In this research, parameter uncertainty is assumed to be stochastic, with a known distribution. On the other hand, disturbances can also affect control system performance from outside the system, causing deviations from expected performance and affecting system stability and response. This research introduces a new approach to handle systems with probabilistic parameters and disturbances: Stochastic Model Predictive Control based on Disturbance Observer (DO-SMPC) using the Polynomial Chaos Expansion (PCE) method. The DO-SMPC design incorporates additive noise estimation based on a tracking problem. The modified Disturbance Observer (MDO) is built using a surrogate state space of the form of a stochastic linear system obtained by the intrusive PCE method. The disturbance estimates from the MDO are then added to the system predictions and assumed to remain constant throughout the prediction step. To complete the replacement DO-SMPC tracking optimization based on PCE, the Quadratic Programming (QP) toolbox in Matlab was used. Simulation results show that MDO can estimate actual disturbances in systems with varying parameter uncertainties, with some initial oscillations for constant disturbances. For sinusoidal disturbances, MDO accurately estimates the actual disturbance at the throttle, although the estimate at the elevator is less accurate. In addition, the DO-SMPC simulation results show a better flight path angle response compared to SMPC for constant disturbances. For varying faults with sinusoidal functions, both DO-SMPC and SMPC produce identical performance. Despite oscillations, both methods maintain the flight path angle response close to the given reference. To improve the angular response of the flight path in DO-SMPC, it is recommended to tune the eigenvalues. Based on these results, DO-SMPC shows greater robustness in handling systems with varying probabilistic parameters and disturbances

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Disturbance observer, parameter probabilistik, polynomial chaos, stochastic model predictive control Disturbance observer, polynomial chaos, probabilistic parameters, stochastic model predictive control
Subjects:	Q Science > QA Mathematics > QA371 Differential equations--Numerical solutions Q Science > QA Mathematics > QA401 Mathematical models. Q Science > QA Mathematics > QA614.8 Differentiable dynamical systems
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44002-(S3) PhD Thesis
Depositing User:	Heri Purnawan
Date Deposited:	15 Aug 2024 01:08
Last Modified:	15 Aug 2024 01:08
URI:	http://repository.its.ac.id/id/eprint/115404

Actions (login required)

View Item