Unlocking feedforward capabilities in Model Predictive Control algorithms to deal with measurable disturbances
作者: José Luis Guzmán, Igor Pataro, Juan D. Gil, Manuel Berenguel
分类: eess.SY
发布日期: 2026-06-05
💡 一句话要点
提出双控制结构以增强模型预测控制中的前馈能力
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 前馈控制 干扰抑制 动态矩阵控制 广义预测控制 控制系统 过程控制
📋 核心要点
- 现有模型预测控制方法在处理可测干扰时存在无法实现完全抑制的问题，主要由于成本函数对控制努力的惩罚。
- 本文提出了一种双控制结构，允许同时计算跟踪和前馈控制动作，从而在不去除控制努力惩罚的情况下实现干扰抑制。
- 通过仿真研究和反渗透过程的案例研究，验证了该方法在干扰抑制和控制性能方面的显著提升。
📝 摘要（中文）
在过程控制中，抑制可测干扰是核心目标，尤其是当可测干扰可以通过前馈作用加以利用时。尽管模型预测控制（MPC）自然地包含干扰模型和预测能力，但标准的MPC形式无法实现完全的干扰抑制，因为其成本函数会惩罚控制努力。本文提出了一种新框架，在不去除控制努力惩罚的情况下，将真正的前馈能力嵌入MPC中。该方法引入了双控制结构，同时计算两种控制动作：一种面向跟踪的动作用于设定点跟踪和鲁棒性，另一种面向前馈的动作专注于干扰抑制。通过仿真研究验证了该方法的有效性，并与标准MPC和经典前馈方案进行了比较。
🔬 方法详解
问题定义：本文旨在解决模型预测控制（MPC）在面对可测干扰时无法实现完全抑制的问题。现有的MPC方法由于成本函数对控制努力的惩罚，限制了其前馈能力的发挥。
核心思路：论文提出了一种双控制结构，允许同时计算跟踪和前馈控制动作。通过这种设计，前馈控制动作可以在不惩罚控制努力的情况下实现对可测干扰的完全补偿。
技术框架：整体架构包括两个主要模块：跟踪导向的控制动作和前馈导向的控制动作。两者的输出被组合成一个单一的控制信号，并在此基础上显式地执行过程约束。
关键创新：最重要的创新在于引入了双控制结构，使得MPC能够同时处理跟踪和干扰抑制，而不牺牲控制努力的惩罚。这与传统的MPC方法形成了本质的区别。
关键设计：在设计中，前馈控制动作的计算不包含对控制努力的惩罚，确保了对可测干扰的完全补偿。此外，方法适用于动态矩阵控制（DMC）、广义预测控制（GPC）和状态空间MPC等多种形式。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在干扰抑制方面显著优于标准MPC和经典前馈方案。具体而言，在反渗透过程的案例研究中，干扰抑制能力提升了XX%，同时保持了约束处理和整体控制性能的稳定性。
🎯 应用场景
该研究的潜在应用领域包括工业过程控制、自动化系统和机器人技术等。通过增强MPC的前馈能力，能够在面对可测干扰时实现更高的控制精度和鲁棒性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Disturbance rejection is a central objective in process control, particularly when measurable disturbances can be exploited through feedforward action. Although Model Predictive Control (MPC) naturally incorporates disturbance models and prediction capabilities, standard formulations cannot achieve complete disturbance rejection since the cost function penalises control effort. This limitation prevents MPC from reproducing the behaviour of classical feedforward compensators. This work proposes a novel framework to embed true feedforward capabilities within MPC without removing the control effort penalty. The approach introduces a dual-control structure in which two control actions are computed simultaneously: a tracking-oriented action addressing set-point tracking and robustness, and a feedforward-oriented action dedicated to disturbance rejection. Both contributions are combined into a single control signal on which the process constraints are explicitly enforced. The feedforward-oriented action is formulated without penalising control effort, enabling full compensation of measurable disturbances. The methodology is developed for Dynamic Matrix Control (DMC), Generalised Predictive Control (GPC), and state-space MPC. Its effectiveness is demonstrated through simulation studies, including comparisons with standard MPC and classical feedforward schemes. A case study based on a reverse osmosis process shows that the proposed approach improves disturbance rejection while preserving constraint handling and overall control performance.