Využití paralelizace v nelineárním prediktivním řízení pohonu se synchronním motorem

Abstract

Práce se zaměřuje na problém využití nelineárního prediktivního řízení (NMPC) synchronního motoru s permanentními magnety (PMSM). Je představeno inovativní řešení problému pomocí paralelizace řídicího procesu a snížení jeho výpočetní složitosti. Navržený algoritmus je založen na optimalizacích a využívá nezjednodušený nelineární model synchronního motoru s fyzikálními omezeními. Řídicí algoritmus byl implementován na grafické kartě (GPU). Navržený přístup v offline přípravách regulátoru nalezne a eliminuje části optimalizační funkce, které není třeba počítat. Části jsou redukovány tak, aby bylo zachována přesnost a robustnost řídicího algoritmu, ale zároveň snížena jeho výpočetní náročnost. Vlastní solver byl vyvinut na míru pro tento otimalizační problém. Solver využívá paralelních výpočtů dostupných na GPU pro maximální zrychlení doby výpočtu. Vlastnosti regulátoru a jeho real-time potenciál byly v práci demonstrovány a diskutovány, stejně jako byly ověřeny další specifické vlastnosti navrženého paralelizovaného algoritmu.

This thesis addresses the challenge of utilizing the nonlinear model predictive control (NMPC) for permanent magnet synchronous motors (PMSM) by proposing a novel approach that exploits parallel computing and reduces the complexity of the control problem. The algorithm is optimization-based and utilizes the full nonlinear model of the motor while adhering to the imposed constraints. The controller was implemented on a graphics processing unit (GPU). The proposed approach initially identifies and eliminates parts of the optimization function that are rendered unnecessary during the offline preparation of the NMPC. The robustness of the control is preserved, but the computational burden is significantly reduced. A dedicated optimization solver was developed to perform the subsequent optimization task in parallel to further exploit the capabilities of the GPU. The control performance and real-time potential of the solution were demonstrated and further addressed in the thesis. The underlying principles of computational complexity reduction and parallelized optimization were also validated.