一种快速迭代式模型预测控制方法及其应用

摘要: 本发明涉及工业控制,特别涉及一种快速迭代式模型预测控制方法及其应用。背景技术:1、模型预测控制(modelpredictivecontrol,mpc)是一类基于...
一种快速迭代式模型预测控制方法及其应用

本发明涉及工业控制,特别涉及一种快速迭代式模型预测控制方法及其应用。

背景技术:

1、模型预测控制(modelpredictivecontrol,mpc)是一类基于系统动态模型进行在线滚动优化与反馈校正的先进控制策略。其核心思想是在每个采样时刻求解一个有限时域内的开环最优控制问题,将所得控制序列的首个元素施加于被控对象,并在下一时刻重复此过程。由于具备显式处理多变量约束、天然适配多输入多输出系统以及优异的跟踪性能等优势,mpc已被广泛应用于能源系统、化工流程、自动驾驶、机器人及船舶控制等工业领域。

2、然而,模型预测控制的实时实现长期受制于高昂的在线计算负担。在每个控制周期内,传统mpc需要构建一个维度与预测时域 hp及控制时域 hu成正比的二次规划问题。当采用标准求解方法时,该过程通常涉及一个维度为 hu×hu 的hessian矩阵的求逆运算。随着预测时域和控制时域的增加,矩阵维度急剧膨胀,导致计算时间与内存占用均呈现二次甚至三次增长趋势。这一固有特性严重限制了mpc在快速动态系统与资源受限嵌入式平台中的部署。例如,在电机电流环控制(采样周期常为微秒至百微秒级)、无人机姿态稳定及移动机器人运动控制等场景中,传统mpc因无法在规定采样间隔内完成优化求解而难以实用。

3、为缓解mpc的计算压力,学术界与工业界已提出多种改进方案。显式mpc通过多参数规划将在线优化转化为离线查表,但其存储需求随状态维度和约束数量呈指数爆炸,仅适用于极低维系统。基于梯度下降或交替方向乘子法的迭代优化mpc虽避免了矩阵求逆,却面临收敛速度依赖条件数、调参困难以及迭代次数不确定等问题。降阶模型mpc通过模型降阶技术缩减状态维数,但不可避免地引入了建模近似误差,且难以保证闭环稳定性与约束满足性。此外,分布式mpc与数据驱动mpc等方法各有侧重,却普遍未从根本上改变在线求解过程对高维矩阵代数运算的结构性依赖。尤其当预测时域需设置较长以保证闭环性能时,上述方法的实时性仍难满足苛刻的嵌入式应用需求。

4、因此,亟须发展一种在保持传统mpc最优性与约束处理能力的前提下,从底层求解机制层面根本性降低计算复杂度的模型预测控制新范式。

技术实现思路

1、本发明的目的在于克服现有技术中的上述缺陷,本发明提出了一种快速迭代式模型预测控制方法,通过反向参数递推与正向控制计算的解耦架构,完全规避高维矩阵构建与求逆操作,实现计算与内存开销随预测时域长度的线性标度增长,为mpc在实时嵌入式系统中的广谱应用扫清了关键障碍。

2、为实现上述目的,本发明提供了一种快速迭代式模型预测控制方法,包括以下步骤:

3、s1、构建反向递推所得参数与正向滚动计算相分离的迭代求解框架,并应用于被控对象的离散时间线性时不变动力学模型;

4、s2、将所述力学模型的预测控制目标函数分解为多个子目标函数,各所述子目标函数分别对应预测时域内的一个控制步;

5、s3、从最末段子目标函数开始,沿所述预测时域反向递推,依次求解各控制步的权矩阵参数与参考修正项,得到参数序列;

6、s4、在获得全部所述参数序列后,从当前时刻出发,利用所述参数序列正向依次计算各步最优控制输入,得到最优控制序列;

7、s5、将所述最优控制序列的首个元素施加于被控系统。

8、进一步的,步骤s1中所述离散时间线性时不变动力学模型为:

9、

10、其中:

11、为离散采样时刻,表示非负整数集合;

12、为系统在时刻k的状态向量,m为状态维数,表示维实数列向量空间;

13、为系统在时刻(k)的控制输入向量,n为输入维数;

14、为系统状态转移矩阵,假设其为满秩方阵;

15、为系统输入矩阵。该模型形式具有普适性,任何可离散化为上述线性形式的物理系统均可适用,不受具体物理背景限制。

16、进一步的,步骤s2中所述的预测控制目标函数为,将其分解为hu个子目标函数:

17、

18、其中:

19、为当前时刻k下关于控制序列u的总代价函数;

20、为第i步的子代价函数,;

21、对应预测时域末段部分,其定义为;

22、为预测步数,为控制步数,且, 表示正整数集合;

23、为在当前时刻k对未来第步状态的预测值;

24、为在当前时刻k对未来第i步参考轨迹的预测值;

25、为待求解的未来第i步控制输入预测值;

26、为待优化的控制序列向量;

27、为状态跟踪误差权矩阵,满足对称正定,即;

28、为控制增量惩罚权矩阵,满足对称正定,即;

29、表示加权欧几里得范数的平方,即。通过将原始高维联合优化问题在结构上拆分为逐步子问题,为后续反向递推的参数化奠定了分解基础。

30、进一步的,步骤s2中,还包含预测时域末段状态与输入惩罚项的代价函数j2,经参数化配平方处理后,等价转化为仅关于倒数第二步状态与控制量的完全平方和形式,转化后的表达式为:

31、

32、其中:

33、为末端控制步的反馈增益矩阵;

34、为末端控制步的权矩阵,满足对称正定;

35、为末端状态惩罚权矩阵,满足对称正定;

36、为末端控制步的第一参考修正向量;

37、为末端状态惩罚的第二参考修正向量;

38、为仅与参考轨迹相关的标量函数,与控制量u无关;

39、上述参数由以下闭合公式确定:

40、定义,则:

41、;

42、;

43、;

44、;

45、;

46、该转化结果为步骤s3的反向递推提供递推起点。

47、进一步的,所述步骤s3中以所得的末端参数为递推起点,在无输入约束条件下,利用系统动态方程,将第步的子代价函数与上一轮递推结果合并配方,通过以下中间控制步参数反向递推公式依次计算第步的参数,递推公式为:

48、;

49、;

50、;

51、;

52、;

53、所述递推过程从开始向下执行至i=1,所得参数序列为;

54、在无输入约束条件下,基于所述反向递推获得的参数与参考修正量,导出了各控制步最优控制输入的显式解析表达式,从而在正向计算阶段直接求得最优控制序列,解析表达式为:

55、

56、该控制律为系统状态与参考轨迹误差的线性反馈形式,计算复杂度仅为矩阵与向量的乘法运算。该控制律为系统状态与参考轨迹误差的线性反馈形式,每次仅涉及矩阵与向量的乘法运算,与预测时域长度 h u 无关。

57、进一步的,在所述递推过程中利用舒尔补定理确保各步产生的权矩阵与保持正定性与对称性,以保证优化子问题的可解性,具体为:

58、定义分块矩阵,通过完全平方法将其展开为:

59、;

60、其中:

61、为求和项数;

62、均为适维非奇异方阵;

63、为非零列向量;

64、基于上述矩阵m的正定性,由舒尔补引理得出其舒尔补矩阵

65、亦为正定矩阵;从而确保了迭代过程中产生的权矩阵与始终保持正定性与对称性。由此确保了迭代过程中每一步配平方产生的(本质即为舒尔补矩阵)始终保持正定性与对称性,子问题始终可解。

66、进一步的,步骤s4中在处理系统输入饱和约束时,引入基于投影算子的迭代修正机制,具体包括如下步骤:

67、首先求解无约束最优值,然后按给定的输入边界进行投影,得到实际可执行的受约束输入,其中投影算子的定义为:

68、;

69、其中表示向量的第个分量,为控制输入的下界,为控制输入的上界,且;

70、基于投影前后的比例关系构造投影缩放对角矩阵,其对角线元素定位为:

71、;

72、当不为单位阵时,表征约束被激活,并据此生成约束修正项,其中为适维单位矩阵;所述约束修正项被传播至前一步的代价函数中进行补偿。优选的是,当=0时取1,以避免除零;将输入饱和这一非光滑约束转化为可沿时间反向传播的代数修正量,避免了引入互补松弛条件或障碍函数所带来的求解复杂化。

73、进一步的,在存在输入约束的情况下,对所述中间控制步参数反向递推公式进行扩展,以兼容约束修正项的传播:

74、在递推第i步参数时,计及前一步传递而来的约束修正二次项,其中;

75、扩展后各参数计算公式更新为:

76、;

77、;

78、;

79、;

80、;

81、该扩展递推过程从开始向下执行至,从而将输入约束的影响通过修正项融入反向递推过程中。使得约束信息沿时间反向传播至前序各控制步。

82、进一步的,所述步骤s3至s4的每个系统控制周期内,执行固定次数n或基于收敛残差判断的在线迭代优化流程;

83、所述在线迭代优化流程包含内、外双层循环:外循环为系统时间步进,内循环为针对输入约束的迭代寻优,迭代序号为,其中n为预设最大迭代次数;

84、在内循环中,不断利用上一轮结果更新投影缩放矩阵,并重新正向求解受约束控制序列;

85、当满足条件时 ,判定控制序列已收敛至带约束最优解,提前退出内循环;此迭代流程确保了在每个控制周期内均能获得满足输入边界约束的可行最优控制序列。

86、本发明还提供了一种快速迭代式模型预测控制方法的应用,主要将本发明应用于嵌入式实时控制系统、电机驱动系统、运动控制系统或自主无人系统。

87、相较于现有技术,本发明将传统mpc中对整个控制序列u的维联合求解拆解为“反向参数递推与正向控制计算相分离”的两阶段解耦架构。反向递推阶段,从预测时域末端的出发,利用配方法和舒尔补定理逐步凝聚代价函数信息,每一步仅涉及n×n规模(求逆)或m×m规模(计算)的小矩阵运算,完全规避了传统mpc中维大矩阵的构建与求逆;正向计算阶段,基于递推所得参数和参考修正量,通过解析表达式直接计算各步最优控制输入,每次仅执行一次矩阵乘向量运算,与hu无关。两个阶段的总计算耗时与内存占用均随hu呈线性增长,在预测时域hu=100、m=4、n=2的对比测试中,本方法无约束工况下运行时间仅为传统方法的约10.4%,内存占用降至约1.2%;随着hu继续增大,本方法的线性增长特性与传统方法的二次/三次增长之间的差距将进一步拉大。在处理输入饱和约束方面,本方法通过投影缩放矩阵和约束修正项将约束影响代数化,并扩展反向递推公式使约束信息沿时间反向传播至前序各控制步,配合内层迭代寻优机制,使得带约束问题的求解同样在所述递推框架内完成,无需引入额外的二次规划求解器或障碍函数法。在hu=100、m=4、n=2的对比测试中,有约束工况下运行时间仍低于传统方法的23.7%,内存占用降至约1.67%,且控制精度(稳态跟踪误差、超调量)与传统方法在统计意义上无显著差异。由于整个求解过程仅涉及固定规模的小矩阵乘加运算,无需在线执行任何优化求解器,本发明显著降低了mpc对硬件计算资源的需求,尤其适用于嵌入式实时控制、电机驱动、运动控制及自主无人系统等对实时性与资源消耗有严格限制的应用场景。