基于深度算子网络的容错模型预测控制新方法研究

为解决未知非线性系统在存在执行器故障时的容错控制难题，本研究创新性地提出一种基于深度算子网络（DeepONet）的模型预测控制（MPC）方法。通过模式模拟技术采样虚拟故障信息，克服故障数据不可获得性；设计改进的故障估计和自适应梯度下降优化方案，实现高精度系统动态预测。模拟实验验证了方法的有效性，显著提升工业系统的鲁棒性与容错能力。

　　

在工业自动化的浪潮中，模型预测控制（Model Predictive Control, MPC）以其卓越的鲁棒性和可靠性，成为过程控制的核心技术。自1978年Richalet开创MPC启发式控制以来，它在石化、电力等领域大放异彩。然而，随着系统复杂度的提升，一个棘手问题浮出水面：当执行器发生故障时，未知非线性系统的容错控制变得举步维艰。传统MPC依赖精确数学模型，但现实中许多系统动态未知；数据驱动方法虽能避免建模，却因线性框架局限而无法处理非线性故障场景，导致预测误差飙升。更糟糕的是，故障信息往往无法直接获取，造成神经网络训练“死胡同”。与此同时，现有容错方案要么需精确模型支持，要么仅适用于线性系统，工业界亟需一种能“自学成才”的智能容错方案。

面对这一挑战，东北大学的研究团队在Yun-He Zhang的带领下，于《Neurocomputing》期刊发表突破性研究。他们巧妙融合深度学习和控制理论，开发出基于深度算子网络（Deep Operator Network, DeepONet）的容错MPC方法。该方法通过模式模拟生成虚拟故障数据集，训练改进的DeepONet捕捉系统动态，并创新故障估