基于时间序列深度分位数学习的不确定性感知数字孪生体：鲁棒模型预测控制
系统与控制
2025-05-08 v3 系统与控制
摘要
数字孪生体是物理系统的虚拟复制，能够实现实时监测、模型更新、预测和决策，为自主系统的主动控制策略提供了新途径。然而，在考虑不确定性的情况下实现实时决策仍是一个挑战，这需要一种高效的不确定性定量 (UQ) 方法以及由准确预测驱动的优化方法。本文提出了一种集成实时决策与不确定性感知的数字孪生体鲁棒模型预测控制 (MPC) 框架。该框架利用名为 Time-Series Dense Encoder (TiDE) 的多步-ahead 预测器作为替代模型，与常规 MPC 模型仅提供单步-ahead 预测不同，TiDE 能在一次性预测预测窗口内的未来状态，显著加速 MPC。此外，采用分位数回归来训练 TiDE，可对数据不确定性执行灵活且计算高效的 UQ。因此，借助深度学习分位数，该鲁棒 MPC 问题被转化为确定性优化问题，并提供一种安全缓冲区，以容纳扰动从而提高约束满足率。结果表明，所提出的方法在提供较少保守 UQ 方面优于现有鲁棒 MPC 方法，并在涉及定向能量沉积 (DED) 添加制造的工程案例研究中证明了其有效性。这种具有主动性且不确定性感知的控制能力使所提出的方法成为未来数字孪生体应用和工程系统实时过程控制的强大工具。
引用
@article{arxiv.2501.10337,
title = {Uncertainty-Aware Digital Twins: Robust Model Predictive Control using Time-Series Deep Quantile Learning},
author = {Yi-Ping Chen and Ying-Kuan Tsai and Vispi Karkaria and Wei Chen},
journal= {arXiv preprint arXiv:2501.10337},
year = {2025}
}