TY - THES ID - 136168066 TI - Model-based predictive control to increase the capacity of harvesting machinery in uncertain conditions. AU - Coen, Tom AU - Diehl, Moritz. AU - Hens, Hugo. AU - Deconinck, Geert. AU - Ramon, Herman. AU - Vandewalle, Joseph AU - Missotten, Bart AU - Goulart, Paul AU - De Moor, Bart AU - De Baerdemaeker, Josse. AU - K.U.Leuven. Faculteit Bio-ingenieurswetenschappen. Departement Biosystemen (BIOSYST) AU - K.U.Leuven. Faculteit Ingenieurswetenschappen. Departement Elektrotechniek (ESAT) PY - 2009 SN - 9789460180385 PB - Leuven K.U.Leuven. Faculteit Ingenieurswetenschappen DB - UniCat UR - https://www.unicat.be/uniCat?func=search&query=sysid:136168066 AB - De laatste jaren is het belang van automatisatie in de wereld van landbouwmachines enorm toegenomen. Verdere capaciteitsverhogingen en het verbeteren van het comfort van de operatoren is immers enkel nog mogelijk door een verregaande automatisatie van de machines. De belangrijkste uitdaging bij de controle van landbouwmachines in het algemeen, en een maaidorser in het bijzonder, is de interactie tussen de machine en het inkomende gewas. Dit gewas wordt immers gekenmerkt door een hoge mate van variabiliteit. Bovendien bevatten de processen in landbouwmachines vaak aanzienlijke niet-lineariteiten. Deze beide effecten maken het systeem tijdsvariabel. Dit betekent dat de modelonzekerheid bijna even belangrijk is als het model zelf. Tijdsvariabele, onzekere systemen vormen een belangrijke modelklasse. Er is al veel onderzoek gebeurd om regelsystemen robuust te maken tegen modelonzekerheid, maar meestal gaat men uit van een deterministische visie. In dit werk wordt gefocust op de mogelijkheden van een stochastische aanpak. Het onderzoek start vanuit het capaciteitscontrole-probleem op de maaidorser, en past de meest geschikte controletechniek toe die beschikbaar is in de academische wereld. Gezien het belang van beperkingen en het voorspellen van verstoringen, is Modelgebaseerde Predictieve Controle (MPC) een geschikte methodologie voor deze applicatie. In deze thesis wordt een uitbreiding van MPC afgeleid om te kunnen omgaan met stochastische informatie. Dit is een versie van zogenoemde Stochastische MPC. Dit werk bevat implementaties van zowel traditionele als Stochastische MPC, die extensief getest zijn op verschillende real-life controleproblemen op gebied van landbouwautomatisatie. Deze tekst kan gezien worden als een handleiding om MPC te implementeren op een real-life, onzeker systeem. Tuning is één van de grote uitdagingen van controle-applicaties in de praktijk. Het is mijn persoonlijke overtuiging dat Stochastische MPC de tuning van een regelaar aanzienlijk kan vereenvoudigen. Stochastische MPC maakt het mogelijk om de trade-off tussen controlefout en ingangseffort automatisch bij te stellen afhankelijk van de toestand van het proces. Dit betekent dat de regelaar sneller zal reageren indien de modelonzekerheid klein is, en de regelaar trager zal reageren bij een minder nauwkeurig model om zo stabiliteit te garanderen. In the last decade automation has become a hot topic on agricultural machinery, and is considered the key to further capacity increases and enhanced operator comfort. One of the main challenges of controlling agricultural machinery, and more specifically a combine harvester, is the close interaction between the system (the combine harvester process itself) and the biological variation of the field which influences the process input. Moreover, a machine such as a combine harvester contains nonlinearities which cause any linear model to depend on the current working point. Due to this time-varying nature of the system, the model uncertainty is just as important as the model itself. Time-varying, uncertain systems form a very important model class. A lot of work has been done to make control systems robust to model uncertainties, but most of these approaches started from a deterministic point of view. This research focuses on the possibilities of a stochastic approach, and is unique for its combination of theory and practice. The research starts from the capacity control problem on the combine harvester, and selects and modifies the most suited technique available in academia. In view of the importance of constraints and disturbance prediction, Model-based Predictive Control (MPC) is a well-suited control methodology for this application. In the course of this research an extension to MPC to deal with stochastic information is derived, which is in fact a form of so-called Stochastic MPC. Classic MPC as well as Stochastic MPC are also implemented and extensively tested on several real-life control problems in the area of agricultural automation. This work can be seen as a manual on how to implement MPC on a real-life, uncertain system. It is my personal conviction that Stochastic MPC will greatly simplify one of the main challenges of control theory in practice, namely tuning. The methodology enables an automatic correction of the trade-off between control error and input effort depending on the actual plant condition. This allows swift, aggressive control if the model uncertainty is small, without compromising on stability in situations where the model is less accurate. De laatste jaren is het belang van automatisatie in de wereld van landbouwmachines enorm toegenomen. Verdere capaciteitsverhogingen en verbeteringen van het comfort van de operatoren zijn immers enkel nog mogelijk door een nog verder doorgedreven automatisatie van de machines. De belangrijkste uitdaging bij de controle van landbouwmachines in het algemeen, en bij een maaidorser in het bijzonder, is het gewas. De eigenschappen ervan kunnen namelijk sterk variëren doorheen een veld. Dit zorgt ervoor dat het gedrag van de machine tijdsvariabel is. De hoofdapplicatie in dit onderzoek is de capaciteitsregeling van een maaidorser. De snelheid van deze machine wordt zodanig geregeld dat ze steeds op het gewenste niveau belast is. De toekomstige acties, in dit geval de snelheidsaanpassingen, worden bepaald op basis van de huidige toestand en verwachte respons van de machine. Deze respons hangt af van de gewaseigenschappen, is tijdsvariabel en slechts bij benadering gekend. De betrouwbaarheid van de voorspelling is bijgevolg eveneens tijdsvariabel en gerelateerd tot de variatie van de gewaseigenschappen. In dit onderzoek wordt een nieuwe methode toegepast die bij de controle van de machine rekening houdt met de betrouwbaarheid van de schatting van het machinegedrag. Als men namelijk weet hoe de machine gaat reageren, mag de regelaar agressiever reageren dan wanneer de respons van de machine moeilijker te voorspellen is. The last decade automation has become a hot topic on agricultural machinery, and is considered the key to further capacity increases and enhanced operator comfort. One of the main challenges of controlling agricultural machinery, and more specifically a combine harvester, is the close interaction between the system (the combine harvester process itself) and the biological variations in the field which influence the process input. Because of this variability, the behavior of the machine is also time-variable. The main application of this research is capacity control on a combine harvester. The speed of the combine is regulated such that the machine is always charged at the desired level. The actions of the controller, in this case speed changes, are calculated based on the current state of the machine and the expected response of the machine. This response depends on the crop properties, and is thus only approximately known. The amount of uncertainty on the response prediction is related to the variation of the crop properties. This research uses a novel control methodology, Stochastic MPC, that can take the reliability of the prediction of the machine behavior into account. After all, if the prediction is very reliable, the controller may respond more aggressively than when the behavior of the machine is very uncertain. ER -