本文的主要作者为Shuyu Zhang、Xiao-dong Li (IEEE会员) 及Xuefang Li (IEEE高级会员),均来自中国中山大学深圳校区智能系统工程学院的研究团队。论文发表于IEEE Transactions on Systems, Man, and Cybernetics: Systems第54卷第12期(2024年12月),DOI号为10.1109/TSMC.2024.3450126。
本研究属于控制理论与工程领域,专注于迭代学习模型预测控制(Iterative Learning Model Predictive Control, ILMPC)的优化设计。传统迭代学习控制(ILC)虽然在重复系统中能实现高精度跟踪,但由于其沿时间轴的开环特性,难以处理非重复性扰动或时变不确定性。而模型预测控制(MPC)虽能优化实时性能,但其计算和通信负载较高。为此,本文提出了一种新型事件触发ILMPC框架,旨在:
1. 降低资源消耗:通过沿时间和迭代轴双重事件触发机制减少通信与计算负载;
2. 放宽初始化条件:引入初始状态学习策略,消除传统ILC对初始状态严格一致性的依赖;
3. 处理输入饱和:直接整合输入饱和约束,避免复杂优化问题。
研究基于线性离散系统模型:
[ x_k(t+1) = Ax_k(t) + Bu_k(t), \quad y_k(t) = Cx_k(t) ]
其中系统需满足相对度为1(即矩阵CB满秩)。通过提升技术(Lifting Technique)将系统转化为向量形式,构建多步预测模型,并采用收缩视界(Shrinking Horizon)策略动态调整预测步长。
研究分为三个阶段:
(1)名义ILMPC设计
- 初始状态学习:通过动态调整初始状态 ( x_{k+1}(0) = x_k(0) + Lek(0) ) 消除初始偏移。
- 复合控制律:结合D型ILC的误差反馈 ( \Delta u{k+1}^{\text{ilc}}(t) = Kek(t+1) ) 与MPC的优化输入增量 ( \Delta u{k+1}^{\text{mpc}}(t) ),并通过饱和函数处理输入约束。
(2)时间方向事件触发ILMPC(TDET-ILMPC)
- 触发机制:当输出误差 ( |e_k^y(t)| > \vartheta |e_k(t)| ) 时更新数据,减少通信次数。
- 收敛性分析:基于压缩映射和Lyapunov理论证明跟踪误差的收敛性。
(3)混合时间-迭代方向事件触发ILMPC(HTIDET-ILMPC)
- 双重触发:在时间轴和迭代轴上分别设置触发条件,进一步降低计算负载。迭代触发条件综合误差变化率与阈值 ( \varepsilon )。