Powered by OpenAIRE graph
Found an issue? Give us feedback
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/ Norwegian Open Resea...arrow_drop_down
image/svg+xml art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos Open Access logo, converted into svg, designed by PLoS. This version with transparent background. http://commons.wikimedia.org/wiki/File:Open_Access_logo_PLoS_white.svg art designer at PLoS, modified by Wikipedia users Nina, Beao, JakobVoss, and AnonMoos http://www.plos.org/
versions View all 1 versions
addClaim

Light-Weight MPC

Authors: Tvinnereim, Geir Ola;

Light-Weight MPC

Abstract

Modell-prediktiv regulering har vorte eit viktig verktøy i moderne industri. Mykje på grunn av dugleiken til å optimalt styre avanserte system. Ved å ta prediksjonar og systembegrensingar i betraktning kan styringslova heve grad av sikkerheit og pålitelegheit for industrielle operasjonar. Den modellbasserte styringsmetoden kan også hjelpe industriar med å etterkomme miljøkrav ved å optimalisere energibruk og redusere klimautslepp. Dette gjer den overlegen i forhold til klassiske regulatorar, sidan den kan forebetre produktiviteten på fleire plan. Med ein aukande etterspurnad etter berekraftige og effektive løysingar, kan styringsmetoden nyttast innan ei rekke ulike industriar, til dømes innanfor produksjon, prosess, robotikk og energi. Modell-prediktiv regulering har vorte ein kritisk komponent i industrielle styringssystem og er antatt å vere ein sentral styringsmetode i dagens samfunn. Light-Weight MPC er eit simuleringsverktøy nytta til å vurdere ytinga til den modellbasserte regulatoren. Som ei lettvektsklasse programvare brukar den minimalt med ressursar slik som minne. Grensesnittet er enkelt oppbygd og brukarvennleg. I tillegg, skal programmet køyre effektivt. Forskjellege senario kan undersøkast ved å definere ein system-modell og styrings-tuner. Simuleringsdataen er ryddig strukturert i JavaScript object notation (JSON), og er lett tilgjengeleg for analyse i fleire andre rammeverk. Simulatoren er programmert i C++ og importerar Operator Splitting Quadratic Solver (OSQP) programvara til å optimalisere styringa. Algoritma nytta er basert på formuleringa skildra i doktor-avhandlinga High-performance Industrial Embedded Model Predictive Control (Kufoalor, Imsland og Johansen, 2015). Denne utleda stryingsformuleringa antek slakk variablar og feilkorrigering som kjernefunksjonaliteten i ein Modell-prediktiv regulator. Styringsmetoden basserar seg på endelege sprangresponsemodellar, som er ein mykje brukt modell i prosess-industrien. Desse modellane vert både brukt til styring i tillegg til å skildre modellen. Dermed tek ikkje simulatoren modellfeil i betrakning. For å gjere verktøyet tilgjengeleg og brukarvenleg for mange ulike apparat, vart ein Create-React-App-bassert nettsideløysing utvikla. Simulatorlogikken blir overført til applikasjonen ved bruk av Empscripten kompilatoren og Webassembly (Wasm). Wasm er eit høg-effektivt binært instruksjonsformat designa for nettsider. Dette oppsettet er uavhengig frå bruken av serverkall sidan heile applikasjonen vert køyrt i nettlesaren. Simuleringsprogrammvara er eit akademisk verktøy for å lære, teste og utforske lineære Modell-prediktive regulatorar. Rammeverket er ope kjelde publisert og lisensiert under BSD 3-Clause: https://github.com/orgs/Light-weight-MPC/repositories.

  • BIP!
    Impact byBIP!
    selected citations
    These citations are derived from selected sources.
    This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    0
    popularity
    This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
    Average
    influence
    This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
    Average
    impulse
    This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
    Average
Powered by OpenAIRE graph
Found an issue? Give us feedback
selected citations
These citations are derived from selected sources.
This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Citations provided by BIP!
popularity
This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.
BIP!Popularity provided by BIP!
influence
This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).
BIP!Influence provided by BIP!
impulse
This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.
BIP!Impulse provided by BIP!
0
Average
Average
Average
Green