Modelpredictieve regeling: besturing die vooruitrekent

Bijgewerkt: 7 september 2026 · 6 min leestijd

Stel je een ervaren automobilist voor die op de snelweg rijdt. Die persoon kijkt niet alleen naar de auto vlak voor zich, maar scant voortdurend een paar honderd meter vooruit: is er een file aan het ontstaan, komt er een afslag, rijdt er iemand onregelmatig? Op basis van die vooruitblik wordt telkens opnieuw bepaald hoe hard te rijden en wanneer te remmen. Zodra er nieuwe informatie binnenkomt, wordt het plan bijgesteld. Iets vergelijkbaars gebeurt binnen modelpredictieve regeling, een besturingstechniek waarbij een computer voortdurend vooruitrekent wat een machine, fabriek of voertuig zal gaan doen, en op basis daarvan de beste actie kiest.

De Engelse naam, model predictive control (MPC), wordt in de techniek vaker gebruikt dan de Nederlandse vertaling. Het gaat om een wiskundige regelmethode: een computermodel van het te besturen systeem simuleert enkele stappen vooruit, waarna een optimalisatieprogramma de reeks stuursignalen kiest die het beste resultaat oplevert. Alleen de eerste stap van dat plan wordt uitgevoerd, waarna het hele proces bij de volgende meting opnieuw begint. Deze aanpak wordt al decennia gebruikt in raffinaderijen en chemische fabrieken, en duikt de laatste jaren steeds vaker op in zelfrijdende auto's, drones, warmtenetten en zelfs medische apparatuur.

Wat is het precies?

Regeltechniek, de tak van de techniek die zich bezighoudt met het automatisch sturen van machines en processen, kent talloze methoden. De bekendste is de PID-regelaar, een eenvoudige terugkoppelmethode die reageert op het verschil tussen de gewenste en de gemeten waarde, zoals een thermostaat die de verwarming harder zet zodra het te koud wordt. Zulke regelaars kijken niet vooruit en houden geen rekening met beperkingen, zoals een maximale motorbelasting of een grens aan hoe snel een klep mag opengaan.

Modelpredictieve regeling werkt anders. Het proces bestaat uit vier stappen die telkens worden herhaald:

Meten: de actuele toestand van het systeem wordt vastgesteld, bijvoorbeeld de snelheid van een auto of de temperatuur in een reactorvat.
Voorspellen: een wiskundig model, een vereenvoudigde beschrijving van hoe het systeem zich gedraagt, berekent hoe de toestand zich de komende seconden, minuten of uren zal ontwikkelen bij verschillende mogelijke stuuracties. Deze periode heet de voorspellingshorizon.
Optimaliseren: een algoritme zoekt de reeks stuursignalen die een zogeheten kostenfunctie minimaliseert, waarin bijvoorbeeld energieverbruik, afwijking van het doel en slijtage zijn verwerkt, terwijl rekening wordt gehouden met harde grenzen zoals een maximaal toerental.
Uitvoeren en herhalen: alleen de eerstvolgende actie uit dat optimale plan wordt daadwerkelijk uitgevoerd. Daarna wordt opnieuw gemeten en begint de cyclus van voren af aan, een principe dat in vakjargon receding horizon control heet: regelen met een steeds opschuivende horizon.

Het slimme zit in die herhaling: doordat het model na elke stap wordt bijgewerkt met de werkelijke meting, corrigeert het systeem zichzelf voortdurend voor onnauwkeurigheden in het model of onverwachte verstoringen. Het model hoeft daardoor niet perfect te zijn om toch goed te functioneren.

Wat wil men ermee bereiken?

Het belangrijkste doel is het beter benutten van de mogelijkheden van een systeem zonder de grenzen ervan te overschrijden. Klassieke regelaars houden vaak een ruime veiligheidsmarge aan omdat ze niet vooruit kunnen kijken; modelpredictieve regeling kan dichter tegen de fysieke grenzen aan opereren omdat het die grenzen expliciet meeneemt in de berekening. Dat levert doorgaans besparing op van energie, grondstoffen of tijd.

Daarnaast kan de methode meerdere doelen tegelijk afwegen. Een fabriek wil bijvoorbeeld tegelijk minder brandstof verbruiken, binnen kwaliteitsnormen blijven en apparatuur ontzien; een zelfrijdende auto wil tegelijk op koers blijven, comfortabel remmen en een botsing vermijden. Doordat al die doelen in één kostenfunctie worden gecombineerd, hoeft een ontwerper niet voor elk doel apart een regelaar te bouwen die vervolgens handmatig op de andere moet worden afgestemd.

Ten slotte speelt veiligheid een grote rol: doordat beperkingen zoals maximale snelheid, temperatuur of druk direct in de berekening zitten, kan een systeem vooraf al inschatten of een bepaalde actie tot een gevaarlijke situatie leidt, in plaats van pas achteraf te corrigeren.

Voorbeelden uit de praktijk

Modelpredictieve regeling klinkt abstract, maar wordt al lang toegepast, vaak zonder dat gebruikers het merken:

Olieraffinaderijen (vanaf 1979): Shell Oil ontwikkelde met ingenieurs Charles Cutler en Brian Ramaker een van de eerste industriële toepassingen, bekend als Dynamic Matrix Control (DMC), om destillatiekolommen in raffinaderijen efficiënter te sturen. Dit werk vormde de basis voor commerciële MPC-software die tegenwoordig door bedrijven als AspenTech en Honeywell wordt verkocht aan de chemie- en olie-industrie.
Landing van de Falcon 9 (vanaf 2015): SpaceX gebruikt voor het besturen van de terugkerende rakettrap een op convexe optimalisatie gebaseerde vorm van voorspellende regeling, mede ontwikkeld door onderzoeker Lars Blackmore. Het algoritme berekent voortdurend het optimale traject om de raket rechtop op een platform te laten landen, binnen de harde grenzen van brandstof en motorvermogen.
Autonome raceauto's (rond 2012): onderzoekers van Stanford University lieten een zelfrijdende Audi TTS, bijgenaamd 'Shelley', een racecircuit rijden op de grens van wat de banden aankunnen. Modelpredictieve regeling berekende telkens de stuur- en remacties die de auto net binnen de grip van de banden hielden.
Klimaatregeling in gebouwen (2006-2013): in het OptiControl-project van de ETH Zürich werd onderzocht of gebouwen met voorspellende regeling, die rekening houdt met weersvoorspellingen en de te verwachten warmteafgifte van zonlicht, aantoonbaar minder energie konden verbruiken dan met klassieke thermostaatregelingen. Veldtests lieten besparingen zien die konden oplopen tot tientallen procenten op de verwarmings- en koelvraag.
Insulinedosering (sinds 2019): het Control-IQ-systeem van fabrikant Tandem Diabetes Care werkt met een voorspellend algoritme, ontwikkeld door het bedrijf TypeZero, dat voortkomt uit onderzoek aan de University of Virginia. Het berekent vooruit hoe de bloedsuikerspiegel zich zal ontwikkelen en past de insulinetoediening van een pomp daarop aan.

Hoe ver is de techniek?

In de procesindustrie, zoals raffinaderijen, chemische fabrieken en papierfabrieken, is modelpredictieve regeling volwassen technologie die al sinds de jaren tachtig en negentig op grote schaal wordt gebruikt. Daar speelt tijd nauwelijks een beperkende rol: de processen veranderen traag genoeg dat een computer ruim de tijd heeft om de optimalisatie te doorlopen.

De grootste ontwikkeling van de afgelopen tien à vijftien jaar is dat MPC ook haalbaar is geworden voor systemen die razendsnel reageren, zoals voertuigen, drones en elektronica. Dat komt doordat processoren goedkoper en sneller zijn geworden en doordat onderzoekers slimmere, snellere optimalisatiemethoden hebben ontwikkeld, zoals 'expliciete MPC', waarbij een deel van de berekening vooraf wordt gedaan. Toch blijft rekentijd de belangrijkste beperkende factor: hoe verder vooruit en hoe nauwkeuriger het model, hoe zwaarder de berekening, en in een auto of drone moet die berekening binnen milliseconden klaar zijn.

Een tweede obstakel is de kwaliteit van het model. MPC is namelijk zo goed als het wiskundige model waarop het steunt. Bij systemen die zich sterk niet-lineair gedragen, dat wil zeggen waarbij een kleine verandering in input soms een onevenredig grote of juist kleine verandering in output geeft, of die moeilijk te modelleren zijn, zoals menselijk gedrag in het verkeer, is het lastiger om betrouwbare voorspellingen te maken. Onderzoekers combineren MPC daarom steeds vaker met machinaal leren, waarbij het model deels uit data wordt geleerd in plaats van volledig met natuurkundige vergelijkingen te worden opgesteld. Dit is een veelbelovende richting, maar er bestaat nog geen algemeen geaccepteerde manier om de veiligheid ervan sluitend te bewijzen.

Wie werken eraan?

Het fundamentele onderzoek naar modelpredictieve regeling wordt wereldwijd gedaan aan technische universiteiten met een sterke traditie in regeltechniek. De ETH Zürich in Zwitserland geldt als een van de meest toonaangevende centra, met onderzoek naar toepassingen in gebouwen, drones en energiesystemen. Ook MIT en Stanford University in de Verenigde Staten en Imperial College London in het Verenigd Koninkrijk hebben invloedrijke onderzoeksgroepen. In de Lage Landen doen onder meer de TU Delft en KU Leuven onderzoek naar voorspellende regeling, met toepassingen in bijvoorbeeld de maritieme sector, energienetten en robotica.

Op industrieel vlak zijn Shell, Honeywell, AspenTech, Siemens en ABB al decennialang leveranciers van commerciële MPC-software voor de procesindustrie. In de ruimtevaart en autotechniek passen bedrijven als SpaceX en verschillende autofabrikanten en toeleveranciers voorspellende regelalgoritmen toe voor navigatie en voertuigbesturing. Softwarebedrijf MathWorks, bekend van MATLAB en Simulink, levert veelgebruikte ontwikkelgereedschappen waarmee ingenieurs wereldwijd MPC-regelaars ontwerpen en testen.