Vývoj řídicích systémů a Model-Based Design: návrh, modelování, simulace, implementace
21.4.2026 (úterý), registrace od 12:30 (od 10:00 včetně Master Class), vstup zdarma
Kongresové centrum ČVUT, Praha, Česká republika
Vývoj řídicích systémů v prostředí MATLAB a Simulink je postaven na metodě Model-Based Design, kde jsou simulační modely systematicky využívány napříč celým vývojovým procesem.
Simulační model řídicího systému obsahuje v principu dvě části. Model řídicího algoritmu a model řízené soustavy. Model soustavy můžeme využít pro ladění parametrů řídicího systému (včetně funkcí pro automatické ladění) nebo pro testování a ověření, že zvolený řídicí algoritmus funguje správně a že je dostatečně robustní. Model řídicího algoritmu pak zachycuje nejen vlastní výpočet akčních zásahů, ale také nastavení, která se v dalším postupu použijí pro automatické generovaní zdrojového kódu pro cílovou platformu (způsob volání, perioda vzorkování, datové typy, apod.).
Master Class Vás provede krok po kroku ukázkovým příkladem. Postupně si představíme způsob práce v grafickém prostředí Simulink/Simscape. Ukážeme si, jak modelovat řídicí systém, jak nastavit parametry jednotlivých prvků a jak je sestavit do výsledného modelu, který propojuje fyzikální model soustavy s navrženými řídicími algoritmy. Dále si projdeme možnosti nastavení simulace, a jakým způsobem vizualizovat a interpretovat její výsledky. Na závěr, po otestování chování výsledného řídicího algoritmu, se podíváme na možnosti jeho implementace na cílovou platformu.
Modern control systems must deliver high performance and robustness despite increasing complexity and variability of systems. This presentation takes the audience on a practical journey through modern control design, starting from classical linear methods and progressing toward model predictive and adaptive techniques used in real world applications. Along the way, common engineering pain points are highlighted and connected to the strengths of each control approach.
Návrh řídicích systémů založený na modelech využívá simulační model soustavy k automatickému nastavení parametrů řídicího algoritmu za účelem dosažení požadovaných výsledků. Ladění může být založené na dvou odlišných principech – linearizaci a optimalizaci. K obojímu jsou k dispozici připravené metody i grafické aplikace, které Vás provedou celým procesem ladění. Pro zvýšení robustnosti lze pracovat i s nejistými hodnotami vybraných parametrů a provést nastavení tak, aby řídicí systém dodržel požadované chování pro různé kombinace jejich hodnot.
V příspěvku si představíme aktuální možnosti prostředí Simulink pro návrh a modelování řídicích systémů, ve kterých se využívají robustní metody s kompenzací poruch (např. Active Disturbance Rejection Control) nebo metody adaptace parametrů v reálném čase (např. Model Reference Adaptive Control, Iterative Learning Control). Další poskytované metody nejsou samostatnými regulátory, ale pracují jako doplnění klasické regulace (např. PID) o možnost adaptace akčního zásahu za účelem dodržení požadovaných kritérií pomocí optimalizačních technik (Constraint Enforcement). Popsané řídicí algoritmy nepotřebují ke svému naladění přesný model soustavy a umí pružně reagovat na změny v systému. Proto je lze také označit jako metody založené na datech.
Jazyk Stateflow byl navržen jako nástroj pro návrh a implementaci logických algoritmů pomocí stavů a podmíněných přechodů. Umožňuje popsat hierarchické uspořádání, paralelismus i další koncepce, které se ve složitých logických systémech vyskytují. Díky tomu nachází uplatnění při návrhu nadřazené řídicí logiky, v systémech pro plánování a přepínání režimů, nebo v systémech detekce poruch.
Prediktivní řízení metodou Model Predictive Control (MPC) využívá vnitřní model k predikci budoucího chování systému a určení optimálního akčního zásahu. Model může zachycovat lineární i nelineární dynamiku soustavy a výpočet akčního zásahu může podléhat zadaným omezením. V prostředí MATLAB je možné navrhovat různé typy MPC, s optimalizačním výpočtem v reálném čase nebo s před-počítaným řešením (explicitní MPC). Pro efektivní zachycení složitých soustav lze využít MPC s vnitřním modelem založeným na AI (neural state-space model). Prediktivní řízení nachází uplatnění zejména v oblasti pokročilého řízení procesů, autonomním řízení vozidel nebo robotice.
AI lze kromě prediktivního řízení využít také k vlastní implementaci a ladění řídicích systémů, zejména ve spojení s technikou reinforcement learning, kde AI model nahrazuje nebo doplňuje klasický řídicí algoritmus.