Development and implementation of a framework for Model Predictive Control of discrete-events manufacturing systems

Model Predictive Control (MPC) is widely recognized for its ability to optimize complex systems, but its application to discrete-event manufacturing systems often demands detailed equation-based modelling, limiting flexibility and adaptability. This thesis introduces an open-source software framework that automates the synthesis of MPC controllers based solely on plant topology, enabling a natural, topology-driven approach that bypasses traditional mathematical formulations. This framework makes MPC more accessible for dynamic manufacturing environments by automating controller design without extensive manual setup. Built on free software principles, the framework is developed in Python and employs Google’s CP-SAT solver to handle the discrete optimization challenges. By leveraging CP-SAT’s constraint programming capabilities, the framework efficiently manages the discrete and nonlinear dynamics, allowing for real-time adaptability and control. Its object-oriented design provides modularity, making it easy for users to define and extend system components, while Python's versatility ensures compatibility with other open-source tools. Simulation results demonstrate that the synthesized MPC controllers effectively optimize production speed, resource utilization, and constraint adherence across various manufacturing scenarios, requiring minimal user intervention. The framework's performance shows it's well-suited for industries that need to quickly reconfigure manufacturing lines to keep up with shifting production demands. This thesis shows that a topology-driven, open-source MPC framework can significantly reduce the complexity of controller design for discrete-event systems. This framework contributes to advancing automation in manufacturing, providing a scalable and free solution to enhance control performance while maintaining adaptability in complex, discrete-event environments.

Il Model Predictive Control (MPC) è ampiamente riconosciuto per la sua capacità di ottimizzare sistemi complessi, ma la sua applicazione ai sistemi di produzione a eventi discreti richiede spesso una modellazione dettagliata basata su equazioni, limitando flessibilità e adattabilità. Questa tesi introduce un framework software open-source che automatizza la sintesi dei controllori MPC basandosi esclusivamente sulla topologia dell'impianto, consentendo un approccio naturale e guidato dalla topologia che evita le formulazioni matematiche tradizionali. Questo framework rende l'MPC più accessibile per ambienti di produzione dinamici, automatizzando la sintesi del controllore senza necessità di configurazioni manuali complesse. Basato sui principi del software libero, il framework è sviluppato in Python e utilizza il solver CP-SAT di Google per gestire le complessità dell'ottimizzazione discreta. Sfruttando le capacità constraint programming di CP-SAT, il framework gestisce in modo efficiente le dinamiche discrete e non lineari, permettendo controllo e adattabilità in tempo reale. Il design orientato agli oggetti fornisce modularità, rendendo semplice per l'utente definire ed estendere i componenti del sistema, mentre la versatilità di Python assicura la compatibilità con altri strumenti open-source. I risultati delle simulazioni dimostrano che i controllori MPC sintetizzati ottimizzano efficacemente la produzione, l'utilizzo delle risorse e il rispetto dei vincoli in diversi scenari di produzione, richiedendo un intervento minimo da parte dell'utente. Le prestazioni del framework mostrano che è adatto per le industrie che necessitano di riconfigurare rapidamente le linee di produzione per rispondere alle mutevoli esigenze produttive. Questa tesi dimostra che un framework MPC open-source, guidato dalla topologia, può ridurre significativamente la complessità della progettazione del controllore per i sistemi a eventi discreti. Questo framework contribuisce all'avanzamento dell'automazione nella produzione, fornendo una soluzione scalabile e gratuita per migliorare le prestazioni di controllo mantenendo l'adattabilità in ambienti complessi a eventi discreti.