模型-对象失配学习的无偏移模型预测控制
系统与控制
2020-12-15 v2 系统与控制
摘要
我们提出模型-对象失配学习的无偏移模型预测控制（MPC），其学习并应用内在的模型-对象失配，以有效利用基于模型与数据驱动控制策略的优势并克服各自方法的局限。在本研究中，通过对每个设定点处的稳态数据使用广义回归神经网络，近似受控变量空间中稳态流形上的模型-对象失配映射。尽管学习到的模型-对象失配映射可提供平衡点（即设定点）处的信息，其无法提供瞬态过程中的模型-对象失配信息。此外，内在的模型-对象失配可能因运行期间系统特性变化而改变。因此，我们额外施加一个由基于名义无偏移MPC方案的扰动估计器更新的补充扰动变量。随后，组合扰动信号被应用于无偏移MPC的目标问题与有限时域最优控制问题，以提升控制器的预测精度与闭环性能。由此，我们可同时利用学习到的模型-对象失配信息与名义扰动估计器方法的稳定特性。闭环仿真结果表明，所开发方案能恰当学习内在模型-对象失配，并有效提升无偏移MPC中的模型-对象失配补偿性能。此外，借助学习到的模型-对象失配信息，我们考察了所开发无偏移MPC方案的鲁棒渐近稳定性，而该稳定性在名义无偏移MPC中已知难以分析。
引用
@article{arxiv.2012.02753,
title = {Model-plant mismatch learning offset-free model predictive control},
author = {Sang Hwan Son and Jong Woo Kim and Tae Hoon Oh and Jong Min Lee},
journal= {arXiv preprint arXiv:2012.02753},
year = {2020}
}