El Control Predictivo por Modelo No Lineal, o NMPC por sus siglas en inglés, es una variante del Control Predictivo por Modelo (MPC) que está caracterizada por el uso de modelos no lineales de sistema en la predicción. Como en MPC lineal, el NMPC requiere de la solución iterativa de problemas de control en cuanto optimización en un horizonte de predicción finito. Mientras estos problemas son convexos en MPC lineal, en NMPC dejan de serlo. Esto supone retos tanto para la teoría estabilidad en NMPC como para la solución numérica.[5]​.

La solución numérica de los problemas de control óptimo en NMPC está típicamente cimentado en métodos de control óptimo que usan esquemas de optimización tipo Newton: métodos del tiroteo directo aislado"), tiroteo directo múltiple"), o colocación directa.")[6]​ Así mismo, los algoritmos NMPC típicamente aprovechan el hecho de que los problemas de control óptimo consecutivos son similares unos con otros.

Esto permite inicializar el procedimiento de solución tipo Newton con una estimación adecuadamente desplazada que proviene de la solución óptima previamente computada, ahorrando una cantidad considerable de tiempo de computación. La similitud en problemas subsecuentes es aprovechada todavía más allá por medio de algoritmos rastreadores de trayectoria (también «iteraciones en tiempo real») que nunca intentan iterar un problema de optimización hacia la convergencia, sino únicamente realizar una iteración hacia la solución del problema NMPC más reciente, antes de proseguir con el siguiente, que será también adecuadamente inicializado.

Mientras que las aplicaciones NMPC han sido utilizadas en el pasado principalmente en las industrias químicas y de procesos que tienen tasas de muestreo comparativamente lentas, es cada vez más común ver NMPC en aplicaciones con tasas de muestreo más rápidas, por ejemplo en la industria automotriz, o incluso cuando los estados se distribuyen en el espacio (sistemas de parámetros distribuidos")).[7]​ Como aplicación en ingeniería aeroespacial, el NMPC ha sido recientemente utilizado para conseguir rastreadores-de-terreno/trayectorias-de-evasión en tiempo real.[6]​.

Las variantes robustas del Control Predictivo por Modelo (MPC) son capaces de considerar perturbaciones acotadas y fijadas mientras se asegura que todavía se cumplan las restricciones de estado. Existen tres principales enfoques en la búsqueda de MPC robusto:.

El control predictivo por modelo ha sido aplicado para el desarrollo óptimo de proyectos en depósitos de gas y petróleo.[12]​.

Varios paquetes de software comercial en MPC se encuentran disponibles y normalmente contienen herramientas que asisten en la identificación y análisis de modelos, diseño y afinación de controladores, así como evaluación de rendimiento.

[1] Una lista de las tecnologías disponibles en MPC ha sido proporcionada por S.J. Qin y T.A. Badgwell en «Control Engineering Practice 11» (2003) 733–764.

El Control Predictivo por Modelo No Lineal, o NMPC por sus siglas en inglés, es una variante del Control Predictivo por Modelo (MPC) que está caracterizada por el uso de modelos no lineales de sistema en la predicción. Como en MPC lineal, el NMPC requiere de la solución iterativa de problemas de control en cuanto optimización en un horizonte de predicción finito. Mientras estos problemas son convexos en MPC lineal, en NMPC dejan de serlo. Esto supone retos tanto para la teoría estabilidad en NMPC como para la solución numérica.[5]​.

La solución numérica de los problemas de control óptimo en NMPC está típicamente cimentado en métodos de control óptimo que usan esquemas de optimización tipo Newton: métodos del tiroteo directo aislado"), tiroteo directo múltiple"), o colocación directa.")[6]​ Así mismo, los algoritmos NMPC típicamente aprovechan el hecho de que los problemas de control óptimo consecutivos son similares unos con otros.

Esto permite inicializar el procedimiento de solución tipo Newton con una estimación adecuadamente desplazada que proviene de la solución óptima previamente computada, ahorrando una cantidad considerable de tiempo de computación. La similitud en problemas subsecuentes es aprovechada todavía más allá por medio de algoritmos rastreadores de trayectoria (también «iteraciones en tiempo real») que nunca intentan iterar un problema de optimización hacia la convergencia, sino únicamente realizar una iteración hacia la solución del problema NMPC más reciente, antes de proseguir con el siguiente, que será también adecuadamente inicializado.

Mientras que las aplicaciones NMPC han sido utilizadas en el pasado principalmente en las industrias químicas y de procesos que tienen tasas de muestreo comparativamente lentas, es cada vez más común ver NMPC en aplicaciones con tasas de muestreo más rápidas, por ejemplo en la industria automotriz, o incluso cuando los estados se distribuyen en el espacio (sistemas de parámetros distribuidos")).[7]​ Como aplicación en ingeniería aeroespacial, el NMPC ha sido recientemente utilizado para conseguir rastreadores-de-terreno/trayectorias-de-evasión en tiempo real.[6]​.

Las variantes robustas del Control Predictivo por Modelo (MPC) son capaces de considerar perturbaciones acotadas y fijadas mientras se asegura que todavía se cumplan las restricciones de estado. Existen tres principales enfoques en la búsqueda de MPC robusto:.

El control predictivo por modelo ha sido aplicado para el desarrollo óptimo de proyectos en depósitos de gas y petróleo.[12]​.

Varios paquetes de software comercial en MPC se encuentran disponibles y normalmente contienen herramientas que asisten en la identificación y análisis de modelos, diseño y afinación de controladores, así como evaluación de rendimiento.

[1] Una lista de las tecnologías disponibles en MPC ha sido proporcionada por S.J. Qin y T.A. Badgwell en «Control Engineering Practice 11» (2003) 733–764.