【模型预测控制】基于神经状态空间预测模型的非线性MPC控制

  要过年咯，最近为了寻找第二篇论文的创新点，在到处调研文献和复现新的方法，由于下一篇论文想往MPC这边靠，因此在学习线性MPC之后，开始探索非线性MPC的知识。

之前的线性MPC控制见这篇博客: 【模型预测控制】基于线性MPC的二阶弹簧阻尼系统轨迹跟踪控制

1. 非线性模型预测控制（NMPC）概述

  与传统线性MPC类似，非线性MPC通过基于模型的预测和受限优化相结合，计算每个控制区间的控制动作。主要区别包括： 预测模型可以是非线性的，并包含随时间变化的参数，等号和不等式约束可以是非线性的，需要最小化的标量成本函数可以是决策变量的非二次（线性或非线性）函数。 默认情况下，非线性MPC控制器通过fmincon函数解决非线性规划问题。

2. 基于神经状态空间预测模型的非线性MPC控制方法

  由于面向对象是非线性系统，而实际工程中非线性模型往往难以准确建立，而MPC的控制精度又非常依赖于预测模型的精度，因此，如何提高预测模型的准确性是MPC控制中的一个主要难点。
  由于神经网络的强大拟合性，可考虑使用神经网络对实际模型的输入输出进行辨识，然后将辨识好的神经网络模型作为MPC的预测模型，这样就能解决预测模型不准的问题，该思路可通过下图进行表示。
  需注意，NMPC不再使用传统的卡尔曼滤波，由于系统的非线性特性，须使用拓展卡尔曼滤波或无迹卡尔曼滤波进行状态估计。

3. 仿真示例

  假设有以下二阶非线性仿射系统
$$\{\begin{array}{l}{\dot{x}}_1=x_2\\ {\dot{x}}_2=-\left(\frac{k}{m}\right)x_1-\left(\frac{c}{m}\right)x_2-\left(\frac{\beta }{m}\right)x_2^3+\left(\frac{1}{m}\right)u\\ y=x_1\end{array}$$其中，x1为位置；x2为速度，u为控制输入；m为质量；c为线性阻尼系数；k为弹簧刚度；beta为非线性阻尼系数。
目标：假设模型是未知的，通过神经网络对该模型的输入输出数据进行拟合，然后将其拟合后的模型作为NMPC的预测模型，设计NMPC控制对该非线性模型进行控制。

3.1 神经网络辨识模型

  将系统的输入输出数据通过神经网络进行辨识，经过800次迭代后，辨识结果如下图所示
  辨识精度

  拟合误差

  经过训练后，最终的拟合精度为95.97%，拟合误差为23.01，可见辨识精度还是非常高的，可以再通过调参一下提高辨识精度。

3.2 NMPC控制器设计

• 由于NMPC没有内置状态估计器，因此不需要显式定义信号类型。
• 代价函数使用默认的线性二次型。
• 状态估计器使用拓展卡尔曼滤波，状态转移方程同样使用之前训练好的神经网络模型。
• 预测时域30步，控制时域10步，控制输入限制[-10, 10]，控制输入导数限制[-1, 1]，输出权重只关心位置跟踪误差即[50, 0]，控制输入及其变化导数设为较小的量0.01。
• is done：仿真步长0.01s，仿真时间10s，参考信号正弦sin(t)，系统初始状态x0 = [0.5; 0.5];.

3.3 仿真验证

搭建的simulink仿真框图如下所示：  启动仿真，跟踪效果以及控制信号如下所示：

  观察结果可得，图1的位置曲线平滑，与参考曲线基本重合，稳态误差约为0.1左右，该误差可通过降低采样时间来缩短，但同时计算量也会增大；图2的控制输入以及控制输入导数均受到了MPC的硬约束限制；整体控制效果良好。

总结

  综上所述，基于神经状态空间预测模型的非线性MPC控制方法基本实现，通过神经网络辨识解决了预测模型精度较低的问题，最终实现了对正弦信号的跟踪控制，能够严格处理输入/状态约束，动态响应好，控制精度高。相比于之前的线性MPC控制来说，能够解决很多非线性特性问题。
  后续展望：如果在此过程中，非线性模型是缓慢时变的，又该如何解决，如何对控制器参数进行实时或者缓慢更新？后续思考这一问题。