模型预测控制(MPC)是控制理论中的一类方法,通过反复求解有限时域的数学优化问题来确定控制动作。数学模型用于预测系统对候选控制动作的响应,目标函数则用于评价这些动作的后果。控制器执行优化所得动作序列中的第一个动作,获取新的测量数据,然后再次求解该问题。这种反复重新规划的机制,将基于模型的规划转化为反馈控制。
当多个输入与输出相互耦合、必须遵守物理或运行限制,且当前决策的影响存在延迟时,MPC 尤其有用。它最早在工业过程控制领域得到广泛应用,随后扩展到交通、建筑、电网和机器人等领域。其核心特征并非某种特定的模型或优化算法,而是将预测、约束优化与滚动时域反馈相结合。
这种方法将工程模型、状态估计、数值优化和稳定性分析联系起来。其实际性能取决于这四个方面:如果模型不准确、当前状态估计不佳,或者计算未能在规定的控制时限内完成,那么即使规划在数学上最优,也可能无法取得有效的控制效果。
历史发展与理论基础
模型预测控制(MPC)源于更广泛的最优控制理论,该理论研究如何选择输入,使动力系统的某个性能指标达到最小。经典的有限时域最优控制根据初始条件计算一条输入轨迹,而滚动时域控制则随着系统的演变,反复重新计算这条轨迹。随着数字计算机使在线优化成为可能,这一区别开始具有实际意义,尤其是对于动态变化足够缓慢、能够留出必要计算时间的工业过程而言。
一些早期进展已显现出现代方法的雏形。1967年,J. Richalet及其同事创立了ADERSA公司,该公司与工业预测控制的发展密切相关。1978年,Richalet、A. Rault、J. L. Testud和J. Papon发表了一篇颇具影响力的论文,阐述了模型预测启发式控制。他们的方法利用过程模型预测未来输出,并选择输入,使这些输出跟踪期望轨迹。由此形成的相关工业控制方法后来被称为模型算法控制。
另一条颇具影响力的发展路线是动态矩阵控制,由壳牌公司的Charles R. Cutler和Brian L. Ramaker开发,并于1979年公开介绍。该方法使用通过实验辨识得到的阶跃响应来描述过程行为,再将这些响应组合成矩阵,建立未来输入变化与未来输出变化之间的关系。这种表述方式非常适合炼油过程,因为在这类过程中,多个操纵变量会影响多项产品质量指标和运行限值。后来出现的约束形式将设备约束和产品约束明确纳入优化,使之成为工业控制的一项核心能力。
David W. Clarke、C. Mohtadi和P. S. Tuffs于1987年提出了广义预测控制,将预测控制与离散时间输入—输出模型以及自适应控制思想联系起来。在随后的几十年里,研究人员针对稳定性、递归可行性和鲁棒性提出了日益系统化的条件。有关终端代价、终端约束集和非线性形式的研究,帮助弥合了成功的工业算法与一般数学理论之间的鸿沟。
因此,MPC的发展历程不同于那些先形成完整理论、随后才投入应用的方法。其工业应用与理论分析是并行推进的。早期的成功依赖于实用的经验模型、精心的工程设计,以及接近约束边界运行所带来的经济价值。此后,数值计算软件和计算硬件的进步,使同一基本原理得以应用于动态变化快得多的系统。如今,MPC这一名称涵盖了多种方法,从采用分钟级采样周期的炼油线性控制器,到以短得多的时间间隔运行的车辆和机器人非线性控制器,均在其列。
滚动时域运行与数学表述
典型的 MPC 控制器使用离散时间模型描述被控对象:
其中, 为状态, 为操纵输入, 为扰动, 为输出。在采样时刻 ,控制器获取状态估计值 ,预测未来 步的系统行为,并选择一个未来输入序列。符号 表示利用时刻 可获得的信息,对时刻 的状态所作的预测。
一种常见的优化问题为:
这里, 为阶段代价, 为终端代价,、 和 为约束集合。终端约束在许多设计中很有用,但并非所有 MPC 表述都必须包含它。此外,还可以施加变化率限制、输出上下界和耦合约束。
对于参考跟踪问题,阶段代价通常对输出误差和控制输入的变化进行惩罚:
参考值 可以是恒定的,也可以随时间变化。权重矩阵决定了跟踪精度与控制输入变化幅度之间的权衡。对输入增量施加惩罚,可以减少不必要的阀门动作、急剧转向或功率需求的频繁变化。约束则用于表达仅靠权重无法可靠保证的限制。
实际执行的只有优化所得的第一个输入:
在下一个采样时刻,时域向前滚动,并根据更新后的信息重新进行优化。因此,优化得到的未来输入只是暂定计划,而非不可更改的安排。新的测量结果会改变后续计划,由此形成反馈。对于可预测的扰动,例如计划中的生产调整或前方道路的弯道,可以在其影响反映到测量输出之前,就将其纳入考虑。
预测时域不仅表示步数,也对应一段实际时长:,其中 为采样间隔。预测时域必须覆盖相关的时延和相互作用,同时避免不必要地增加计算难度。在某些实现中,参与优化的独立输入动作数量少于预测输出的采样点数。通过区分预测时域与控制时域,可以在保留对较远未来行为的预测能力的同时,减少决策变量的数量。
预测模型与状态估计
模型决定了 MPC 控制器能够预见哪些行为。对于线性时不变系统,一种常见的表示形式为
这些矩阵可以由物理方程、实验辨识,或在某个工作点附近进行线性化得到。线性模型的吸引力在于,线性约束与凸二次目标函数相结合,可以得到易于求解的优化问题。线性模型还可以描述多个输入和输出之间的相互作用,而不必为每一种相互作用分别设置控制回路。
工业预测控制器经常采用有限阶跃响应模型或有限冲激响应模型。这些模型通过叠加过去和未来输入变化的影响来预测输出变化。对于输入发生阶跃变化后能够趋于稳定的过程,这类模型直观易懂。对于积分过程或不稳定过程,则需要特殊处理,不能直接使用未经修正的有限响应近似。状态空间模型提供了一种紧凑的替代方案,尤其适用于测量变量众多或响应时间较长的系统。
第一性原理模型采用守恒定律和本构关系。在化学工程中,这些模型通常结合质量衡算、能量衡算、反应动力学和传递关系。反应器模型可能包含浓度和温度,车辆模型则可能包含位置、速度和轮胎力。非线性模型能够描述更宽的运行范围,但增加的细节也提高了辨识、估计和计算方面的要求。高度精细的仿真模型并不一定就是最适合在线控制的模型。
大多数被控对象无法测量所有状态。因此,需要通过状态估计,提供与模型及可用传感器数据相符的估计值。对于存在随机扰动的线性模型,卡尔曼滤波器得到了广泛应用。非线性情况下可采用扩展卡尔曼滤波器和无迹卡尔曼滤波器等方法。移动时域估计则通过在一个移动时间窗口内求解优化问题,重建近期的状态和扰动,并允许显式施加状态约束和扰动约束。它的结构与 MPC 十分相似,但估计重建的是过去的行为,而控制选择的是未来的动作。
持续存在的模型误差可能导致稳态跟踪偏差。一种常见的补救方法是在预测模型中增广缓慢变化的扰动状态或积分型扰动状态,并在线估计这些状态。与之配套的目标值计算会寻找一个可行的稳态,使其与估计的扰动及期望输出相一致。在适当的模型和可观测性条件下,这种架构可以实现无静差跟踪。仅仅添加一个扰动项,并不能保证对所有被控对象或所有受控输出都实现无静差控制。
模型验证必须考虑控制器实际运行时的条件。一个模型即使能够准确预测常规运行数据,也可能无法正确描述输入接近饱和或发生大幅工况转换时的响应。需要关注的特性包括时延、主导时间常数、交叉耦合、扰动敏感性和外推表现。因此,判断模型的精度是否足够,应着眼于它需要支持的决策和约束,而不能仅凭总体预测误差指标。
稳定性、可行性与约束保证
求解有限时域问题本身,并不能证明由此形成的反馈系统是稳定的。控制器选择的动作可能在预测时域内看似有利,却在该时域结束后立即引发困难。预测时域过短、终端惩罚过弱,以及对不稳定动态的描述不准确,都可能导致这种现象。稳定性分析关注的是反复优化所形成的闭环系统,而非某一条预测轨迹的优劣。
一种标准构造方法采用终端区域 、局部终端控制器 和终端代价 。终端区域的选取应使局部控制器能够在满足约束的同时,将系统保持在该区域内。一个有用的条件是
如果优化问题在初始时刻可行,就可以将其最优序列中尚未使用的部分向前移一时步,并在末尾接上终端控制器给出的控制动作。在标称模型完全准确的假设下,这便为下一次优化构造了一个可行的候选解。
这一论证确立了递归可行性:在所述假设下,当前可行意味着后续各步也可行。再结合代价函数适当的正定性条件,还可使最优有限时域值函数成为闭环系统的李雅普诺夫函数。对于线性调节问题,终端代价和局部反馈律通常根据线性二次调节器来构造。其他模型预测控制理论则不设置显式的终端区域,而是通过足够长的预测时域、收缩性要求或其他结构性假设来保证稳定性。
讨论约束时,需要明确区分硬约束与软约束。硬约束必须由每一个可行解满足。软约束则引入松弛变量,例如
并在目标函数中对 施加惩罚。将选定的性能界限软化,可以避免优化问题在受到扰动后变得不可行。但这并不意味着实际违反约束就没有危害。对设备限值和安全要求的处理应与其实际重要性相符,而不能不加区分地将其软化。
标称可行性也不同于实际运行中的约束满足。意外扰动、估计误差、数值容差以及执行器的实际行为,都可能使实际轨迹偏离预测轨迹。形式化保证必须明确说明相关假设。即使标称控制器具有递归可行性,也不意味着它自动具备抵御未建模影响的鲁棒性。
因此,不可行情况的处理也是控制器架构的一部分。可采用的机制包括按优先级放松约束、求解可行性恢复问题、使用参考指令管理器,以及采用经过预先验证的备用控制器。稳定性与可行性结论是整个设计的性质,涉及状态估计、不确定性假设、求解器行为和后备逻辑等方面,而不是仅凭“模型预测控制”这一名称就能获得的。
不确定性、鲁棒控制与随机控制表述
MPC 中的不确定性来自扰动、参数误差、未测量状态以及预测误差。标称 MPC 通常基于一个状态估计和一条预测扰动序列进行优化。当反馈校正频繁且误差较小时,这种方法可以取得良好效果,但通常无法保证约束始终得到满足。鲁棒控制和随机控制提供了两种显式处理不确定性的不同方法。
鲁棒 MPC 将不确定性视为属于某个指定集合。极小极大表述选择一种控制策略,使其在允许的最坏扰动序列下的代价最小。控制策略与固定控制序列之间的区别至关重要:未来的输入应当能够根据未来获得的信息作出调整。直接表示所有这类响应方式,可能导致难以承受的计算开销。因此,实用的表述会采用具有特定结构的扰动反馈策略、场景树、不变集,或其他受限的策略类别。
管束 MPC 将标称轨迹与有界跟踪误差分开处理。一种常见结构为
其中, 和 分别为标称状态和标称输入, 用于提供辅助反馈。如果误差 始终处于鲁棒不变集 内,就可以通过收紧标称约束,确保实际状态和输入仍满足约束。例如,
集合运算 表示庞特里亚金差。由此得到的“管束”界定了标称规划周围可能出现的轨迹范围。其保证依赖于有效的不确定性界限以及适当的不变性。
随机模型预测控制则采用概率形式描述不确定性。它可以在满足如下机会约束的同时,最小化运行代价的期望值:
参数 表示在所假设的模型下允许的约束违反概率。在每个预测步上施加机会约束,并不等同于对整个运行时段内发生任何一次约束违反的概率设定上界。联合概率、单项概率、条件概率和长期概率要求各不相同,需要采用不同的分析方法。
场景方法通过采样得到的扰动实现来近似表示不确定性。其他方法则利用特定分布的性质,或传播近似统计矩。分布鲁棒 MPC 针对一组合理的概率分布进行优化,而不是只针对单个指定分布。这可以应对统计信息有限的情况,但分布模糊集的选择会显著影响方法的保守性和计算开销。
无论鲁棒 MPC 还是随机 MPC,都无法消除不确定性假设错误所带来的后果。基于有界扰动的保证不涵盖超出指定集合的扰动,而概率保证则取决于分布假设是否有效,以及究竟对哪个事件的概率设定了界限。估计误差和时间相关性也可能产生影响。因此,工程上的任务是使不确定性的数学描述与物理环境相匹配,并区分形式化保证与实际观测到的性能。
数值优化与实时计算
对于线性动力学、二次型代价和线性不等式约束,MPC 通常可归结为二次规划。将决策变量汇集为向量 后,问题可写为
如果 为半正定矩阵,该问题就是凸问题;适当的正定性条件可保证最优解的唯一性。在每个采样时刻,当前测量值和预测值都会改变问题的数据,但问题的大部分结构保持不变。
两种主要的建模形式以不同方式利用这一结构。凝聚形式利用动力学方程消去预测状态,主要保留未来输入作为决策变量。这减少了变量数量,却可能产生稠密矩阵。稀疏形式则保留状态和输入,并将动力学方程表示为等式约束。由此得到的系统规模较大,但具有高度结构化的形式,通常呈块带状。哪种方法更合适,取决于时域长度、状态和输入的维数、硬件以及求解器的实现。
有效集求解器识别哪些不等式约束在最优解处取等号。相邻的 MPC 问题往往具有相似的有效约束,求解器可以利用这一特点。内点法通过求解一系列障碍问题逐步逼近解,并利用结构化线性代数进行计算。算子分裂法及其他一阶方法每次迭代的计算开销可以较低,也便于热启动,但达到给定精度所需的迭代次数很大程度上取决于问题的条件性和容差设置。没有哪一类求解器能在所有控制问题中都表现最佳。
非线性 MPC 会产生一个非线性规划问题。序列二次规划通过依次求解局部二次近似问题来求解;非线性内点法则通过障碍函数形式处理约束。直接多重打靶法在中间时刻引入状态变量,并施加约束,使其与积分得到的轨迹一致。直接配点法在各个区间上近似状态轨迹,并要求微分方程在选定点处成立。这些离散转录方式的选择会影响稀疏性、数值条件性和积分精度。
实时迭代方法在每个采样周期内只执行有限的优化计算,通常只进行一次结构化更新,而不是将每个非线性问题都求解到很高的精度。这类方法是否有效,取决于能否在条件变化时跟踪一个合适的局部解。将上一次求得的解沿时间向前移位,并以此热启动,可以大幅减少计算量。不过,非线性目标函数和约束可能导致局部极小值,因此数值收敛并不一定意味着获得了全局最优轨迹。
实时运行的可行性不仅取决于平均求解速度。完整的控制周期包括测量数据采集、估计、模型计算、优化、通信和执行。控制器还必须处理不可行性报告、求解器故障以及未能在截止时间前完成计算等情况。对状态和输入的量纲尺度进行缩放、监测残差,以及根据实际物理裕度选择容差,都十分重要,因为如果底层问题的条件性很差,即使某个解在数值上被判定为可接受,也仍可能不适用。
专门化形式与架构
一些重要的MPC变体在保留滚动时域反馈机制的同时,改变了优化目标、模型类别或计算的部署位置。经济模型预测控制直接优化能耗、产出价值或资源使用等运行目标。传统的跟踪MPC通常对偏离给定目标的程度施加惩罚;经济MPC则不要求阶段代价在该目标处取得最小值。其最优运行方式可能涉及状态间的过渡或周期性行为,而不是维持单一稳态。因此,稳定性分析往往采用基于耗散性的论证和经变换的代价函数,而非通常的跟踪误差惩罚项。
显式模型预测控制将大部分优化计算转移到离线阶段。对于某些带约束的线性二次优化问题,多参数规划可将可行参数区域划分为若干多面体子区域。在每个子区域内,最优控制动作都是状态或其他参数的仿射函数。在线执行主要包括查找相应区域并计算该函数的值。对于小型系统,这种方法可以实现耗时可预测且快速的执行,但区域数量可能随问题维数和约束复杂度的增加而迅速增长。
混合MPC用于处理同时包含连续动态和离散决策的系统,例如设备的启停、挡位选择以及运行模式选择。逻辑条件通常可以用二元变量编码,从而形成混合整数优化问题。这类模型能够表示连续近似可能遗漏的决策要求,包括最短开启时间或互斥模式。其计算负担可能远大于凸连续MPC,尤其是当大量离散选择贯穿较长预测时域时。
分布式模型预测控制将大型系统划分给多个相互协作的控制器。各控制器在优化自身子系统的同时,与其他控制器交换预测轨迹、协调变量或价格信息。其难点在于,当子系统共享约束或在动态上相互影响时,如何保持局部决策之间的相容性。没有通信的分散控制并不等同于分布式优化。通信延迟、未完成的迭代以及不一致的局部模型,都可能改变控制性能及其理论保证。
分层架构将不同的时间尺度和职责分配给不同层级。调度层可以选择生产目标,MPC层协调过程运行,而局部PID控制器则调节各个执行器或快速回路。在其他应用中,MPC会直接向执行器发出指令。具体如何分工取决于系统动态、计算资源以及现有的自动化基础设施。因此,MPC并不一定取代传统反馈控制,而是经常用于对其进行协调并施加约束。
自适应MPC在运行过程中更新模型参数,而基于学习的MPC则可能使用统计模型来表示不确定的动态或代价。这些方法也带来了有关辨识质量和安全自适应的额外问题。更新模型会改变预测问题,并可能使先前计算得到的可行域或不确定性界失效。因此,要实现有效的自适应,仅用新的参数估计替换旧的参数估计还远远不够。
工业及跨行业应用
模型预测控制最早在石油炼制及相关化工过程中得到广泛的工业应用。蒸馏装置中的回流量、再沸器热负荷、进料速率和压力控制可能相互影响,同时还受到产品纯度和设备处理能力的限制。MPC 预测这些相互作用,并协调各个操纵变量,而不是将每个受控输出分别独立处理。其经济价值通常来自以更小的波动在更接近起约束作用的边界处运行,从而提高处理量、改善产品一致性或降低公用工程消耗。
造纸术、聚合物生产、水泥制造和废水处理中也存在类似的控制结构。例如,废水处理控制器可以根据预测负荷协调曝气,同时兼顾溶解氧要求和出水指标。在间歇生产过程中,期望轨迹可能随生产周期的推进而变化,所关注的终点条件可能是最终产品质量,而不是对固定设定值的连续跟踪。过程时滞以及不够完善的质量测量,使模型和估计器的设计尤为重要。
建筑物提供了另一种应用机会:热惯性使控制器能够在时间上调整供暖和制冷安排。可以将室外温度、人员使用情况、电价和可用功率的预测与室内舒适度约束相结合。MPC 控制器可以在高电价时段到来之前对建筑物进行预冷,也可以协调热泵与蓄热系统的运行。实际效果取决于天气预报质量、建筑模型精度、设备限制,以及运行中对舒适度的具体定义。降低能耗与降低成本彼此相关,但并非相同的目标。
在电力系统中,MPC 用于协调储能、柔性用电需求和波动性发电。微电网控制器可以在荷电状态和功率限制下安排电池充电,同时平衡预测的发电量与用电需求。模型还可以纳入能量转换损耗和近似的老化成本。在更短的时间尺度上,电力电子技术中的预测控制可以选择开关动作或电压参考值。有限控制集 MPC 显式评估有限数量的变流器开关状态,不过实际实现方式在处理开关频率、损耗和计算延迟方面各有不同。
车辆应用包括轨迹跟踪、速度规划和能量管理。道路车辆控制器可以预测转向和加速对未来运动的影响,同时对转向速率、轮胎力需求以及与障碍物之间的距离施加约束。在电动汽车中,以能量管理为导向的 MPC 可以协调驱动需求、电池运行和热管理。预测的行驶路线或道路坡度能够提供纯反应式控制器无法获得的信息。然而,准确处理摩擦条件、其他道路使用者以及感知中的不确定性仍然至关重要;仅靠优化并不能保证驾驶安全。
在机器人学中,非线性 MPC 可以在关节、接触和执行器约束下协调运动。足式机器人可以优化接触力或机身轨迹,而机械臂则可以将碰撞几何关系和关节限位纳入考虑。为了在规定的计算时限内完成求解,通常需要简化完整的刚体模型,由此形成预测保真度与优化速度之间的权衡。灌溉和供水管网应用的动态变化较慢,但其思路相似:当前的抽水或水量分配决策会影响未来的蓄水量、压力和资源可用性。在这些行业中,当预先考虑相互作用和约束所带来的价值显著超出即时误差校正时,MPC 最能发挥作用。
部署、学习与持续研究
实际部署的模型预测控制(MPC)控制器不仅是一种优化问题的数学表述,也是一套软件与仪表系统。在工业应用中,它通常与分布式控制系统、可编程逻辑控制器或监控平台连接。测量数据必须在时间上对齐、经过校验,并采用一致的单位。数据缺失、执行器饱和、检修状态和手动操作,都会影响计算出的控制指令与装置实际行为之间的关系。如果不对这些情况作出明确处理,预测和稳定性分析所依据的假设就可能失效。
投运调试通常包括模型辨识、离线仿真、闭环测试,以及控制权限的分阶段移交。仿真可以暴露约束冲突和不合适的参数整定,但其结论取决于测试模型对装置的表征有多准确。硬件在环测试将实际控制硬件和通信接口纳入测试,能够揭示理想仿真可能遗漏的时序与集成问题。部署后的监测同样重要,因为设备磨损、原料变化和操作方式调整都可能逐渐使原有模型失效。
在安全关键应用中,必须区分运行优化与独立保护。功能安全功能和安全仪表系统通过另行规定的保护动作,应对特定危险状况。MPC 约束有助于将正常运行维持在安全范围内,但并不自动等同于经过认证的保护功能。网络安全也十分重要,因为测量数据、预测信息或控制指令一旦遭到篡改,就可能改变优化问题及物理系统的响应。
机器学习扩展了 MPC 可用的预测模型类型。通过学习得到的残差模型可以补充物理方程,神经网络模型可以近似非线性动态,而学习得到的代理模型则可以加快反复求解优化问题的速度。这些方法也凸显了平均预测准确与控制行为可靠之间的区别。对于罕见扰动或接近约束边界的运行情况,训练数据可能几乎无法提供有效依据。因此,分布偏移、外推误差和不确定性校准都会直接影响控制效果。
MPC 与强化学习的联系包括学习价值函数、终端惩罚项、系统模型或控制器参数。MPC 本身也可以作为一种结构化策略,通过优化求取控制动作。反过来,也可以用学习得到的策略近似 MPC 控制器,以降低在线计算开销。近似会改变实际执行的控制律,因此原优化求解器所具有的保证并不会自动适用于近似后的控制器。评估计算开销的节省时,必须同时考虑近似误差和约束处理表现。
持续开展的研究涉及模型有限条件下的可靠控制、更快的非线性优化、分布式协调,以及控制与信息获取之间的相互作用。在对偶控制情境中,输入既影响装置运行,也影响能够从装置中学到什么;常规的确定性等价预测可能忽略后一种作用。另一些研究将 MPC 与形式验证及运行时监测相结合,以确定标称控制器何时应将控制权移交给备用机制。这些问题不仅关乎如何找到更好的轨迹,也关乎如何确定计算出的轨迹何时值得信赖,以及在其所依据的假设不再成立时应如何继续实施控制。