Explainable LP-MPC: Shadow Price Contributions Reveal MV-CV Pairings
作者: Lim C. Siang, Daniel L. O'Connor
分类: eess.SY
发布日期: 2025-12-05
备注: Submitted to the 2026 IFAC World Congress
💡 一句话要点
提出基于影子价格贡献的可解释LP-MPC方法，揭示MV-CV配对关系
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 线性规划 模型预测控制 可解释性 影子价格 工业控制
📋 核心要点
- 工业LP-MPC系统复杂，异常行为难以解释，现有方法缺乏有效的诊断工具。
- 利用影子价格作为MV-CV关系的归因机制，解析CV约束成本敏感性，实现MV-CV配对。
- 该框架可诊断次优约束，验证控制器行为与设计意图的一致性，提升系统可维护性。
📝 摘要（中文）
大型工业线性规划模型预测控制（LP-MPC）系统包含成百上千个操纵变量（MV）和控制变量（CV），用于在满足约束条件的同时，以全厂经济最优的方式运行。LP是一个白盒模型，但由于多种原因，工业控制器中的异常行为通常难以解释。本文提出了一种新颖的、事后的LP可解释性方法，通过将影子价格在LP解决方案中的作用重新定义为MV-CV关系的归因机制。核心思想是CV影子价格不仅仅是最优解的内在属性，而是MV在执行CV约束时贡献的成本敏感性的聚合，然后使用线性求和分配解决方案将其解析为一对一的MV-CV配对。所提出的MV-CV配对框架作为在线LP-MPC系统的实用可解释性工具，使从业人员能够诊断次优约束，并验证控制器的行为与其原始设计意图和历史约束的一致性。
🔬 方法详解
问题定义：大型工业LP-MPC系统虽然是白盒模型，但由于变量众多、约束复杂，当系统出现异常行为时，难以快速定位问题根源。现有的方法缺乏有效的工具来解释控制器行为，诊断次优约束，并验证控制器是否按照设计意图运行。这增加了维护和优化系统的难度。
核心思路：本文的核心思路是将LP求解器中的影子价格重新定义为MV-CV关系的归因机制。影子价格反映了约束条件变化对目标函数的影响，因此可以用来衡量每个MV对满足特定CV约束的贡献。通过分析影子价格，可以识别哪些MV对哪些CV的约束起着关键作用，从而建立MV-CV之间的联系。
技术框架：该方法主要包含以下几个阶段：1) 求解LP-MPC问题，得到最优解和影子价格；2) 计算每个MV对每个CV约束的成本敏感性贡献，这基于影子价格和约束条件中的系数；3) 使用线性求和分配（Linear Sum Assignment）算法，将MV和CV进行一对一配对，目标是最大化MV对CV约束的贡献总和；4) 将配对结果可视化，并提供给操作人员进行诊断和验证。
关键创新：该方法最重要的创新点在于将影子价格从单纯的最优解属性，转化为MV-CV关系的解释工具。通过量化MV对CV约束的贡献，并使用线性求和分配算法进行配对，该方法能够清晰地揭示控制器内部的因果关系，从而实现对LP-MPC系统的可解释性。与传统方法相比，该方法无需额外的模型训练或数据分析，可以直接利用LP求解器的输出进行解释。
关键设计：关键设计在于如何将影子价格转化为MV-CV的贡献度量。具体来说，对于每个CV约束，其影子价格表示该约束放松一个单位对目标函数的改善程度。然后，通过分析约束条件中的系数，可以确定每个MV对该约束的贡献比例。线性求和分配算法的选择也很重要，它保证了MV和CV之间的一对一配对，避免了模糊性。
🖼️ 关键图片
📊 实验亮点
论文提出了一种新颖的基于影子价格贡献的LP-MPC可解释性方法，无需额外训练或数据分析，直接利用LP求解器的输出进行解释。该方法能够清晰地揭示控制器内部的因果关系，帮助操作人员快速诊断控制器异常，优化控制策略。
🎯 应用场景
该研究成果可应用于各种工业LP-MPC系统，例如炼油、化工、电力等领域。通过提供可解释的MV-CV配对关系，该方法可以帮助操作人员快速诊断控制器异常，优化控制策略，提高生产效率，并降低运营成本。此外，该方法还可以用于验证控制器设计是否符合预期，从而提高系统的安全性和可靠性。
📄 摘要（原文）
Large industrial LP-MPC (Linear Program-Model Predictive Control) systems contain tens to hundreds of manipulated variables (MVs) and controlled variables (CVs) for honoring constraints while operating at plant-wide economic optima. The LP is a white-box model, yet for a number of reasons, abnormal behaviors in industrial controllers are often difficult to rationalize. We introduce a novel, post-hoc LP explainability method by recasting the role of shadow prices in the LP solution as an attribution mechanism for MV-CV relationships. The core idea is that CV shadow prices are not just intrinsic properties of the optimal solution, but an aggregate of the cost sensitivities contributed by MVs in enforcing CV constraints, which is then resolved into one-to-one MV-CV pairings using a linear sum assignment solution. The proposed MV-CV pairing framework serves as a practical explainability tool for online LP-MPC systems, enabling practitioners to diagnose suboptimal constraints and verify alignment of the controller's behavior with its original design intent and historical constraints.