带有模型误差模型的多阶段 NMPC
《Journal of Process Control》:Multistage NMPC with model-error model
【字体:
大
中
小
】
时间:2026年09月29日
来源:Journal of Process Control 4.4
编辑推荐:
•针对非结构化(非参数)模型不确定性的一种新型鲁棒NMPC方法
•模型误差模型(MEM)在多阶段NMPC方案中动态地对不确定性进行界定
•约束收紧和管集增强型多阶段NMPC可减少计算量
•所提出的方案在两项化学工程基准研究中进行了验证
引言
模型预测控制(MPC)因其处理
•针对非结构化(非参数)模型不确定性的一种新型鲁棒NMPC方法
•模型误差模型(MEM)在多阶段NMPC方案中动态地对不确定性进行界定
•约束收紧和管集增强型多阶段NMPC可减少计算量
•所提出的方案在两项化学工程基准研究中进行了验证
引言
模型预测控制(MPC)因其处理多输入多输出(MIMO)系统和约束的能力,在流程工业中被广泛接受([1])。模型预测控制利用被控对象模型来预测其对控制输入变化的响应。控制量通过求解有限时域上的优化问题来计算。目标函数可选择为将系统驱动至原点,如线性二次调节器(见例如[2]);或跟踪已知参考值,即跟踪MPC([3]);或最大化经济目标,即经济MPC([4],[5])。
在实际中,许多被控对象表现出显著的非线性行为,因此需要使用一组非线性方程来准确表示被控对象模型。非线性模型预测控制(NMPC)采用非线性动态模型,并可能包含非线性目标函数和约束。
模型不可避免是对现实的简化表示。各种因素如干扰、磨损、结垢等作用于被控系统,导致被控对象模型无法精确表示真实过程。模型不确定性可分为参数不确定性、结构不确定性、算法不确定性、插值不确定性和实验不确定性。关于不同类型不确定性的详细说明,读者可参见([6])。结构化不确定性源于模型方程中参数的值不完全已知。然而,始终存在非结构化或参数外不确定性,这意味着对于任何参数取值,模型均无法表示被控对象的真实行为。非结构化不确定性的例子包括被忽略的动态特性(包括使用常微分方程模型所隐含的简化)、模型方程中的简化以及外部变量的未建模效应。本文聚焦于无法被固定模型的参数置信区域或加性干扰所捕获的非结构化(参数外)模型不确定性。非结构化不确定性可通过在线调整模型参数在一定程度上减小,以降低未知或未建模效应的影响。两种不确定性均可用加性干扰来表示,但这是一种粗略的表达方式,会导致保守性并忽略变量与误差之间的耦合关系。
控制理论的一项重要进展是认识到:通过使用模型误差模型(MEM),可以显著降低鲁棒控制表述的保守性。MEM描述了反映误差动态特性的非结构化模型误差的界限。在线性控制理论中,MEM的经典形式是从被控对象输入到受控输出的加性模型,并对其频率响应加以界定。这种描述反映了非结构化不确定性在不同频率范围内的差异,也是文献([7],[8],[9])中线性控制器鲁棒稳定性和鲁棒性能经典结果的基础。模型误差模型的潜在思想同样可扩展至非线性系统。由于非线性系统通常不具有全局频域表示,因此模型不确定性必须在时域中描述,并与非线性模型一同传播。这使得模型误差模型能够表示沿预测轨迹的残余建模误差的动态界限。
模型预测控制的性能很大程度上取决于用于计算控制量的模型精度。在存在模型不确定性的情况下,仅使用被控对象标称模型的NMPC方案可能会导致性能下降、约束违反甚至不稳定。鲁棒非线性模型预测控制方法明确处理了被控对象模型中不确定性的存在,在计算未来控制输入时考虑模型不确定性。已知的方法包括极小极大MPC([10],[11])、基于管集的NMPC([12],[13])和多阶段MPC([14],[15])。
极小极大MPC针对不确定性的最坏情况实现来求解MPC优化问题([10],[11])。其主要缺点是固有的保守性,因为一组控制输入必须满足所有未来行为可能实现的约束。
基于管集的MPC由一个标称控制器和一个辅助控制器组成([12])。标称控制器在收紧的约束下计算最优的未来轨迹,辅助控制器则在存在不确定性的情况下将系统状态维持在标称轨迹附近的邻域内。基于管集的MPC最初是为线性系统提出的,后来在([16])中被扩展至非线性系统。约束收紧定义了辅助控制器可以对不确定性实现做出反应的区域。文献中存在多种形式不同的基于管集的MPC,它们主要区别在于标称轨迹周围不确定性区域的计算方法和辅助控制器的表述([13],[2])。不同的方法导致不同的计算复杂性和保守程度。近期的基于管集和分布鲁棒的方法将预测控制与基于Koopman的提升模型、数据驱动的不确定性描述以及非线性过程动态的线性化表示相结合([17],[18]),扩展了这一思路。在这些方法中,通过传播围绕所选预测模型的管集、可达集或模糊集来获得鲁棒性。
多阶段NMPC通过离散场景的树来对结构化不确定性(干扰或参数不确定性)下的决策问题进行建模([14],[15])。多阶段NMPC在计算控制量时明确考虑了关于不确定性未来实现的信息,因此与其他鲁棒NMPC方法相比,保守性较小。多阶段NMPC根据不确定性的可能实现树来计算输入序列的树,该树比不确定性的场景树滞后一个时间步,因为在每个给定时刻必须施加唯一的控制输入,而下一次不确定性的实现此刻尚不可知。在下一阶段,为所有可能的不确定性实现计算相同的输入。控制输入的树根据在该时刻可获得的状态信息分支。基于学习的鲁棒NMPC也得到了研究,以减少建模工作和在线计算负担。使用高斯过程不确定性模型和神经网络近似的基于学习的多阶段NMPC从数据中自适应不确定性描述([19]),而神经网络和贝叶斯代理模型已被嵌入约束收紧或不确定性感知的NMPC表述中([20],[21],[22])。辅助强化学习的MPC表述也被提出,用于学习或调整预测控制策略,或将神经动力学模型与NMPC类型优化相结合([23],[24],[25])。
上述大多数鲁棒控制方案假设存在以加性干扰或标称模型中参数不确定性形式的结构化不确定性。以非保守的方式处理非线性模型预测控制框架中普遍存在的非结构化被控对象模型失配仍然是一个开放的研究领域。非结构化被控对象模型失配通常被表示为加性干扰。Falugi和Mayne([26])通过引入对被控对象输出的额外硬约束来近似将非结构化不确定性表示为加性干扰。Subramanian等人([27])将非参数被控对象模型失配的存在建模为时变加性有界干扰,并在多阶段NMPC框架中加以处理。
然而,将非结构化失配建模为加性干扰不可避免地会高估被控对象模型失配,因为真正的不确定性是乘性的而非加性的,取决于输入,并且在采样实例之间并非不相关,而是具有特征性的动态特性。这一观察在鲁棒线性控制理论中长期已被认识到,其中引入了加性或乘性模型误差描述来表征频率相关的模型不确定性,而无需将所有失配都表示为单一的全局时域干扰界限。通过考虑模型不确定性的频率依赖性,模型误差模型可以显著降低鲁棒控制表述的保守性,如([28],[7],[29])所示。此类不确定性描述可从输入-输出数据或残差数据中估计([30],[31],[32])。([33])中展示了使用基于数据的MEM进行反应蒸馏柱鲁棒线性控制的成果。
最近讨论的鲁棒和基于学习的方法解决了传统NMPC的重要局限性,但它们的不确定性描述通常与选定的预测模型、加性残差模型、概率误差描述或参数表示相关联。本工作处理的是真实被控对象的动态特性可能在阶次和结构上均与标称模型不同的情况,且残余动态特性可通过从测量数据构建的模型误差模型来表示。
本文的核心思想是利用MEM的强大功能进行非线性鲁棒MPC,以非保守的方式将NMPC对非结构化模型误差进行鲁棒化。在此方向上的第一篇出版物是([34]),其中首次在线性MPC中采用模型误差模型(MEM)来处理被控对象模型的结构性失配。该模型误差模型由一个线性模型后接一个具有有界增益的未知非线性静态算子组成,以捕捉被控对象的未建模动态特性,遵循([31])。在([34])中提出的多阶段NMPC表述在场景树中同时考虑了标称模型和一组模型误差模型。在([35])中提出了对模型误差模型结构的扩展,即在MEM中加入有界干扰,以防止在输入幅值接近零时模型误差模型过高估计被控对象模型失配。所提出的表述从根本上不同于带有增广干扰或参数动态的被控对象模型观测器。额外的MEM变量并非对未测量物理状态、恒定输出偏移或标称模型内不确定参数的估计,而是描述由被控对象模型结构性失配所引起的单步预测残差的包络线。将此包络线的极端实现嵌入多阶段场景树中,引入了关于可能残余动态特性的鲁棒性,而不仅仅是关于预定义的被控对象参数或加性干扰的鲁棒性。
本文扩展了([34],[35])中提出的思想,并将所得的鲁棒NMPC方案应用于一个复杂的、具有工业相关性的半间歇聚合反应器基准示例([36]),而早期工作使用低维连续搅拌釜反应器(CSTR)示例证明了基于MEM的表述的理论可行性。我们讨论了多阶段表述中场景树指数增长所带来的计算挑战,特别是当加性失配项也被纳入MEM结构时。为减轻这一负担,应用并评估了([34])中提出的两种替代方法:(i) 约束收紧方案和 (ii) 带有辅助反馈的管集增强型NMPC。所开发的鲁棒NMPC方案与([27])中提出的基于加性干扰的方案进行了对比,突出了使用模型误差模型处理被控对象模型结构性失配的优势。通过将方法从学术基准推进至实际的工业案例,本工作代表了弥合理论发展与工程实践之间差距的重要一步。
本文其余部分组织如下:第2节阐述被控对象模型结构性失配及其导致的控制问题。第3节介绍模型误差模型及其从有界噪声数据中的辨识。第4节给出基于MEM的完整多阶段NMPC表述和两种降低复杂度的多阶段NMPC表述。第5节在两个基准示例上评估控制器,第6节总结主要结论。
---
章节片段
问题陈述
假设被控对象的非线性动态特性由未知的非线性模型给出:
z_{k+1} = h(z_k, u_k)
其中 h: R^{n_z} × R^{n_u} → R^{n_z} 是一个未知的平滑非线性函数,z_k ∈ R^{n_z} 表示真实的被控对象状态,n_z 为被控对象状态的真实数量,u_k ∈ R^{n_u} 表示控制输入,n_u 为控制输入的数量。
被控对象的已知标称模型表示为:
x_{k+1} = f(x_k, u_k)
其中 f: R^{n_x} × R^{n_u} → R^{n_x} 是一个已知的平滑非线性函数,x_k ∈ R^{n_x} 表示模型状态,n_x 为……
模型误差模型
模型误差模型(MEM)捕捉了标称模型未描述的真实被控对象动态特性。模型误差模型在线性控制理论中广泛使用,作为设计对模型不确定性具有鲁棒性的线性控制器的工具([28],[7],[37],[38],[29],[39],[33])。
在此,我们将模型误差模型的表述方法适配于用于非线性模型预测控制(NMPC)方案的基于状态的模型。被控对象预测的下一状态与标称模型状态之间的误差
基于模型误差模型的多阶段 NMPC
基于模型误差模型的多阶段 NMPC 同时考虑了被控对象的标称模型和模型误差模型,旨在获得一种非保守的控制律,使其对从观测数据中估计出的结构性对象模型失配具有鲁棒性。本节展示了不同保守程度和计算复杂度的基于模型误差模型的多阶段 NMPC 方案。
案例研究
本节通过两个互补的案例研究,调查了所提出的基于 MEM 表述的多阶段 NMPC 的性能。第一个例子是著名的非线性连续搅拌槽反应器(CSTR)例子(来自文献 [50]),它被用作低维基准来说明基于 MEM 的表述的行为。第二个例子是半间歇聚合反应器例子(来自文献 [15], [51]),它代表了一个更高维度的工业相关的
结论
结构性对象模型失配的存在是非线性模型预测控制在工业应用中的核心难点,因为模型从未在结构上是正确的,而只是对真实系统的简化描述,有时甚至是高度简化的描述。用全局加性扰动来表示这种失配很简单,但这可能导致大的不确定性集合以及保守或不可行的鲁棒 NMPC 问题。本工作通过使用动态模型误差模型来解决这一问题,这些模型是一个……
CRediT 作者贡献声明
S. Thangavel:撰写——初稿,可视化,验证,软件,方法论,调查,形式分析,概念化。
S. Engell:撰写——审阅与编辑,监督,方法论,资金获取。
利益冲突声明
作者声明他们不存在已知的竞争性经济利益或个人关系,这些可能影响本文报告的工作。
S. Thangavel | S. Engell
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号