博文

上海交通大学李少远教授丨“智能”增强的预测控制进展与展望

已有 729 次阅读 2026-9-21 08:54 |个人分类:论文推荐|系统分类:博客资讯

编辑荐语

本期将给大家分享"“智能”增强的预测控制进展与展望(Intelligence-enhanced model predictive control and beyond)". 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

预测控制作为流程工业过程控制的核心技术, 历经单变量/多变量回路级控制、分层递阶优化设点值控制, 直至网络信息模式下分布式系统控制的演进, 始终以满足复杂工业系统的优化需求为驱动力. 本文以"智能增强"为主线, 系统回顾并前瞻性地展望了人工智能技术——尤其是机器学习、深度学习与强化学习——在预测控制各个关键环节中所发挥的催化与赋能作用. 文章深入剖析了三大核心议题: 其一, 在预测模型建立与误差校正层面, 数据驱动方法突破了传统机理建模的局限, 使模型能够在线更新以适应工况变化; 其二, 在分层递阶结构下, 实时优化与经济预测控制的求解难题借助学习算法获得了更高效的近似求解途径, 显著降低了在线计算负担; 其三, 在分布式预测控制中, 协同优化问题通过智能体的学习与通信策略得到了有效缓解, 提升了大规模系统的可扩展性与鲁棒性. 与此同时, 文章并未回避当前面临的严峻挑战: 工业场景中数据质量与学习效率的矛盾、学习模型在线自适应性与安全性之间的权衡、深度神经网络嵌入MPC后非凸优化求解的实时性困境, 以及大规模分布式系统中协同控制与计算瓶颈的突破难题. 这些问题的系统梳理为后续研究指明了方向. 本文兼具历史纵深与技术前沿, 既为初学者勾勒出清晰的发展脉络, 又为深耕该领域的学者提供了富有洞见的未来路线图, 是理解并推动预测控制智能化演进不可或缺的文献.

论文介绍

“智能”增强的预测控制进展与展望

Intelligence-enhanced model predictive control and beyond

李少远†

机构: 上海交通大学自动化与智能感知学院

引用: 李少远. “智能”增强的预测控制进展与展望. 控制理论与应用, 2026, 43(7): 1407 – 1418

DOI: 10.7641/CTA.2026.50391

全文链接:

https://jcta.ijournals.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA250391&flag=1

摘要

预测控制是适应复杂控制系统的优化需求而在算法策略上不断创新发展的, 从最初的单变量/多变量回路级的预测控制, 到分层递阶优化设点值的优化, 再到随着信息交互技术发展而出现的网络信息模式下分布式系统的预测控制. 在这一发展轨迹上, 以人工智能为一族的各类学习算法起到重要的促进作用, 从预测模型的建立及其误差校正, 到分层递阶结构下实时优化/经济预测控制(RTO/EMPC)的优化求解, 再到分布式预测控制中的协同优化等, 正在呈现以具有学习/自适应功能为主要特征的“人工智能”预测控制, 本文将讨论以上这些方面预测控制新的发展及其今后的展望.

引言

在石油、化工、炼钢、发电等领域存在一类工艺流程繁复、操作环境多变、能耗高昂且动态模型复杂的流程工业过程[1–2] , 这类过程往往涉及原料的传送、转换、浓缩、干燥、冷却等物理或化学操作, 依托能源输入与信息控制手段, 驱动物质形态与性能的持续演化, 最终实现原料向高附加值产品的转化. 先进控制技术[3]是实现流程工业过程智能制造的核心基础, 模型预测控制(model predictive control, MPC)以其良好的控制性能, 有效地处理过程约束的能力以及经济效益可观等优点, 在复杂工业过程的先进控制中取得了巨大成功[4–5]. MPC 的创新发展在提升工业系统的运行效率与稳定性的同时, 为智能制造动态优化内核提供了有力支撑. 面对新一代智能制造发展对约束优化控制提出的不断增长的要求, 现有的模型预测控制理论和技术仍面临着巨大挑战. 这些挑战既源于智能制造系统的高度复杂性、动态性和数据依赖性, 也与MPC自身的技术特性密切相关. 工业系统中复杂的物理过程交互与动态不确定性使得精确建模困难, 传统的机理模型难以全面刻画多物理过程耦合与动态变化. 同时, 多变量系统在控制过程中需实时求解复杂优化问题, 高维特性与约束显著加剧了计算压力, 实时性需求与求解复杂度之间的矛盾使得控制实现面临严峻挑战. 此外, 大规模系统中子系统间存在显著耦合与信息分散, 使得协同控制复杂化, 而传统集中式控制架构在应对这类分布式任务时面临计算瓶颈与扩展性不足的局限, 亟需实现架构层面的突破. 这些挑战共同指向智能制造场景下MPC技术在模型构建、优化效率以及控制范式等层面的革新需求, 亟待通过智能算法融合与跨学科技术协同探索突破路径. 在智能制造背景下, 传感器中产生的海量实时数据为提高效率和优化生产流程提供了新的可能性. 这一趋势推动了人工智能 (artificial intelligence, AI)[6]与MPC技术的集成研究和应用. 作为建模、解释、处理和利用数据的有用工具, 人工智能技术诸如机器学习[7–8]、深度学习[9–10]和强化学习[11–12]等方法已与MPC结合, 这引发了对基于学习的MPC(learning-based MPC, LBMPC)[13–14]的重点关注, 并在过程控制领域取得了显著进展. LBMPC为处理复杂系统、提高控制性能和实现实时控制提供了新的解决方案, 但在动态适应性、实时性、安全性和学习效率方面仍然存在许多悬而未决的技术问题. 因此, 复杂工业系统中基于学习的MPC是一个具有实际工程应用背景而富有挑战性的课题.

640 (3).png

展望

基于学习的模型预测控制研究主要集中在机器人、自动驾驶、能源与电力系统等系统上, 这些系统数据丰富、局部容错性高, 数据驱动方法具有显著优势. 而工业场景由于动态性和不确定性、数据获取难度和实时性约束, 以及对安全性和可靠性的严苛要求, 基于学习的MPC研究仍处于探索与试点阶段, 仍存在许多悬而未决的技术问题, 主要表现在数据质量与学习效率、学习模型的动态适应性、安全性与约束满足、实时计算与优化效率等方面. 具体的, 基于学习的控制方案在实际工业应用中仍面临以下关键挑战和待解决问题:

1) 工业系统建模过程存在未建模动态, 生产过程也受到各种不确定因素影响, 导致控制器无法得到满意的控制效果, 以及带来可行性和安全性的挑战. 传统的学习方法难以在线快速适应, 并且在线学习与控制过程容易导致控制指令违反物理约束, 从而引发安全性问题. 如何在保证安全性的同时提高学习模型的在线自适应能力成为关键.

2) 在线学习与优化的双重计算成本, 对工业控制毫秒级实时性要求构成挑战, 如何减少在线计算成本并保证系统性能成为难题. 传统的基于事件的MPC方案依赖于精确的系统模型和预定义的触发条件, 对模型误差和外部干扰敏感, 并且设计过程需要闭环系统的先验知识, 这些在实际工业过程难以获得. 如何从数据中自动学习事件触发策略和控制策略, 减少在线计算负担并保证系统性能是待解决的问题.

3) 当复杂学习模型(如深度神经网络等)嵌入MPC时, 非凸优化问题难以在有限时间内收敛, 需牺牲精度或采用近似方法. 现有的近似控制器学习方法依赖大量数据且泛化能力受限, 造成学习效率低下和准确性不足. 同时由于复杂学习模型高度非凸, 控制优化问题求解难以达到全局最优, 近似控制器不可避免地出现误差, 导致近似方案难以满足约束和性能要求. 因此, 如何实现MPC近似方法降低在线计算成本, 在近似控制器结构设计、高效训练以及满足约束和性能要求方面都面临挑战.

4) 实际工业过程中, 全流程系统通常涵盖多个不同的工艺单元(装置), 这类大规模系统中子系统间存在显著耦合与信息分散, 使得协同控制和计算更加复杂. 现有的集中式学习与控制架构在应对这类分布式任务时面临计算瓶颈与扩展性不足的局限, 而分布式方案在训练效率和学习过程平稳性等方面也面临挑战, 如何针对这类系统设计学习和协调策略, 在降低在线计算成本的同时实现高性能控制成为重点问题.

作者简介

李少远教授, 目前研究方向为预测控制、自适应智能控制、模糊智能控制.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg