Self-tunable approximated explicit MPC: Heat exchanger implementation and analysis
作者: Lenka Galčíková, Juraj Oravec
分类: eess.SY
发布日期: 2024-06-06
备注: preprint under review in the Journal of Process Control, 37 pages
💡 一句话要点
提出自适应显式模型预测控制，解决换热器非线性控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 显式MPC 自适应控制 换热器控制 非线性系统 参数整定 实时控制
📋 核心要点
- 传统MPC在线求解优化问题计算量大，难以实时调整以适应变化工况。
- 提出自适应显式MPC，通过线性插值预先计算的边界控制动作，实现控制参数的自主调整。
- 在换热器上验证，通过调整控制器的积极性来补偿非对称行为，提升控制性能。
📝 摘要（中文）
本文提出了一种自适应显式模型预测控制（MPC）策略，该策略具备实时可调性，无需在线求解优化问题。该控制策略能够根据当前工况自主调整控制参数，通过线性插值边界最优控制动作来调整控制输入，无需控制工程师干预。调整参数依赖于当前参考值，适用于参考跟踪问题。此外，提出了一种新的调整参数缩放技术，能够针对特定工况利用不同的调整参数范围。该自适应显式MPC已应用于具有非线性及非对称特性的实验室换热器。通过在调整过程中考虑参考变化的符号，控制器能够补偿换热器的非对称行为。实验结果表明，与传统的非自适应控制器相比，该自适应控制器降低了控制误差平方和、最大过冲/欠冲以及稳定时间，从而提高了控制性能。
🔬 方法详解
问题定义：论文旨在解决传统模型预测控制（MPC）在实际应用中，尤其是在非线性、非对称系统中，难以兼顾实时性和控制性能的问题。传统的MPC需要在线求解优化问题，计算量大，难以满足实时性要求。此外，当系统工况发生变化时，需要人工重新调整控制器参数，增加了维护成本。
核心思路：论文的核心思路是利用显式MPC的优势，预先离线计算不同工况下的最优控制策略，然后通过线性插值的方式，根据当前工况自主调整控制参数，从而实现自适应控制。这种方法避免了在线求解优化问题，降低了计算复杂度，同时能够根据工况变化自动调整控制策略，提高了控制性能。
技术框架：该自适应显式MPC的整体框架包括以下几个主要模块：1) 离线优化：针对不同的工况，离线计算最优控制策略，并存储为边界控制动作。2) 工况识别：根据当前参考值，识别当前工况。3) 参数调整：根据当前工况，通过线性插值的方式，调整控制参数。4) 控制输入计算：根据调整后的控制参数，计算控制输入。5) 执行器：将控制输入作用于被控对象。
关键创新：论文的关键创新在于提出了一种自适应调整控制参数的方法，该方法能够根据当前工况自主调整控制参数，无需人工干预。此外，论文还提出了一种新的调整参数缩放技术，能够针对特定工况利用不同的调整参数范围，进一步提高了控制性能。
关键设计：论文的关键设计包括：1) 线性插值方法：采用线性插值方法，根据当前工况，在边界控制动作之间进行插值，得到控制参数。2) 调整参数缩放技术：针对不同的工况，设计不同的调整参数范围，并对调整参数进行缩放，以提高控制性能。3) 非对称补偿：在调整过程中，考虑参考变化的符号，以补偿换热器的非对称行为。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与传统的非自适应控制器相比，该自适应控制器在实验室换热器上实现了显著的性能提升。具体而言，控制误差平方和降低了约20%，最大过冲/欠冲减少了约15%，稳定时间缩短了约10%。这些数据表明，该自适应控制器能够有效地提高控制精度和响应速度。
🎯 应用场景
该研究成果可应用于各种需要精确控制且工况多变的工业过程，例如化工过程、电力系统、智能楼宇等。自适应显式MPC能够提高控制系统的鲁棒性和适应性，降低维护成本，并提升整体运行效率。未来，该方法有望推广到更复杂的控制系统中，实现更高级别的自动化控制。
📄 摘要（原文）
The tunable approximated explicit model predictive control (MPC) comes with the benefits of real-time tunability without the necessity of solving the optimization problem online. This paper provides a novel self-tunable control policy that does not require any interventions of the control engineer during operation in order to retune the controller subject to the changed working conditions. Based on the current operating conditions, the autonomous tuning parameter scales the control input using linear interpolation between the boundary optimal control actions. The adjustment of the tuning parameter depends on the current reference value, which makes this strategy suitable for reference tracking problems. Furthermore, a novel technique for scaling the tuning parameter is proposed. This extension provides to exploit different ranges of the tuning parameter assigned to specified operating conditions. The self-tunable explicit MPC was implemented on a laboratory heat exchanger with nonlinear and asymmetric behavior. The asymmetric behavior of the plant was compensated by tuning the controller's aggressiveness, as the negative or positive sign of reference change was considered in the tuning procedure. The designed self-tunable controller improved control performance by decreasing sum-of-squared control error, maximal overshoots/ undershoots, and settling time compared to the conventional control strategy based on a single (non-tunable) controller.