模型预测控制的可解释性:迈向增强控制行为的透明度

《Computers & Chemical Engineering》:Explainability for Model Predictive Control: Towards Enhancing the Transparency of Control Actions

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers & Chemical Engineering 4.9

编辑推荐:

   摘要:模型预测控制(MPC)通过在多变量系统中提供卓越的调控能力,在流程工业中发挥着至关重要的作用。尽管优势明显,但其面临一个显著挑战:操作人员缺乏对控制器决策过程的可解释性;由于MPC算法结构复杂,操作人员往往将其视为"黑箱"。这会导致对系统的信任度下降,操作人员在其无法理

  

摘要:模型预测控制(MPC)通过在多变量系统中提供卓越的调控能力,在流程工业中发挥着至关重要的作用。尽管优势明显,但其面临一个显著挑战:操作人员缺乏对控制器决策过程的可解释性;由于MPC算法结构复杂,操作人员往往将其视为"黑箱"。这会导致对系统的信任度下降,操作人员在其无法理解系统行为时有时会关闭MPC。为应对这一挑战,我们提出了一种名为XMPC(MPC解释方法)的框架,用于解释控制动作。XMPC利用局部代理模型来近似MPC的隐式优化过程。我们提出了一组公理,用以识别邻域内塑造优化空间的活跃约束,从而对代理模型进行解释。这些解释构成了对MPC控制动作进行解释的基础。我们通过两个案例研究验证了该方法的有效性——连续搅拌釜反应器(CSTR)案例研究和田纳西东曼(Tennessee Eastman)基准流程。结果表明,该方法能够准确识别出驱动MPC动作的变量子集及其相对于相关约束的取值。这些发现表明,该方法有望通过在受约束的多变量控制系统中使控制器的决策与人类直觉相一致,从而增强操作人员对MPC动作的理解与信任。

引言:现代流程工业具有复杂且动态的系统特性,通常包含大量持续交互的相互连接单元,需要细致的监控以提升生产效率和全厂整体效益。模型预测控制(MPC)是一项成熟且被广泛接受的技术,用于实现这一目标,能为多变量系统提供卓越的调控能力(Qin and Badgwell, 2003)。MPC能够做出超越经验丰富的操作人员能力的控制决策,从而提升装置性能。然而,尽管具有诸多优势,MPC仍面临与"人机冲突"相关的重要挑战——即操作人员与MPC之间的摩擦——这会阻碍系统的有效运行。

MPC依赖过程模型,在考虑系统约束以及运行过程中过程变量之间的相互依赖关系的前提下,生成优化的控制序列(Maciejowski et al., 2007)。MPC算法的复杂性以及其与过程之间的动态交互,使得操作人员难以理解MPC的行为(Guerlain et al., 2002)。在多变量系统(变量间存在强耦合)中,这种脱节尤为突出。MPC可能会激进地调节某一输入,其目的并非为了控制其直接配对的输出,而是为了解耦影响下游变量的扰动。对于受单回路(SISO)配对训练的操作人员而言,这类多变量交互显得含义模糊,因为它们与其熟悉的直觉性单回路控制机制相悖(Lindscheid et al., 2016)。这会导致操作人员将MPC视为黑箱,进而阻碍信任和采用,并且已有报告指出,当操作人员无法理解MPC的控制动作时,会将其关闭(Forbes et al., 2015; Kano and Ogawa, 2010)。

控制室操作人员对MPC的理解通常局限于面向结果的观察:即被控变量(CVs)是否跟踪其设定值、运行约束是否得到遵守,以及是否需要手动调整变量边界。然而,MPC通过调节操纵变量(MVs)来缓解扰动变量(DV)的内部推理过程,超出了操作人员的理解范围。操作人员可以在人机接口(HMI)上观察变量轨迹,但对于这些变量在MPC每个采样时刻的预测优化中如何被使用,却缺乏深入了解。这种高层级的交互方式使MPC对操作人员而言基本是不透明的,限制了他们验证、诊断或干预其决策的能力。

MPC不仅需要计算上的可靠性与高效性;其可信性还依赖于操作人员验证控制器意图的能力(Kim et al., 2016)。正如工业调查所述(Qin and Badgwell, 2003),MPC以两种截然不同的模式运行:约束处理与经济优化。操作人员必须能够区分这两种模式,以验证一次控制动作。例如,一次看似反直觉的阀门调整可能是为了维持过程处于安全极限内的必要"约束推动"动作,而非经济优化步骤。提升可解释性的一种方法是暴露驱动控制动作的具体约束和变量依赖关系。这将使操作人员能够区分有效的优化操作与源于模型-装置失配的错误动作。

传统上,MPC的实现通过基于优化的方法(如活动集方法和多参数编程)提供了对控制器行为的某些洞察,这些方法会暴露出每个决策所约束的绑定约束和显式控制律(Bemporad et al., 2002; Ferreau et al., 2008)。类似地,Peterson等人(2011)通过向操作人员提供定量的实时工具解决了相关问题:通过对控制器的稳态增益矩阵进行轴转置,预测在下一个约束激活之前约束可以被移动多远,以及无约束变量对该变化的响应。这些方法返回的是优化原生的诊断信息,例如活动集方法的影子价值(拉格朗日乘子和对偶变量)、多参数编程的参数敏感性、以及敏感性分析中的允许移动量与增益。这些诊断信息以定量矩阵形式表达,仍需操作人员自行解读。然而,这些矩阵在某种意义上原生属于优化问题本身的表述,而非物理过程。操作人员通过被控变量、操纵变量和约束边界与MPC交互。他们既无权访问、也未经训练来解读内部的优化解。此外,这些基于优化的量并不能直接映射到操作人员用于推理过程时所使用的"约束极限"和"变量范围"的表述语言。因此,以这些量来构建解释,与操作人员所扮演的角色是不相容的。因此,问题所在并非MPC内部缺乏信息,而是缺乏一种机制,能将这种优化内部的信息转化为局部有意义、约束感知并与操作人员心智模型相符的解释。这类解释可通过可解释人工智能方法生成。

可解释人工智能(XAI)指一套用于为AI预测生成人类可理解、可解释说明的工具和技术(Das and Rad, 2020)。XAI的主要目标是为满足多种不同需求而提供解释:它可以用于建立对模型预测的信任、判断模型输出是否反映底层系统中的关系、确保模型能可靠地迁移到未见数据上(Lipton, 2018),以及支持模型的迭代改进(Adadi and Berrada, 2018)。就MPC而言,操作人员需要理解和验证某次控制动作,这直接映射到他们对MPC解的信任与接受。这些解释可以嵌入模型本身(内在型),或作为后处理步骤引入(事后型)。事后方法还可进一步分为模型特异型和模型无关型。基于这些基础,我们提出一种事后、模型无关的解释方法,用于解释MPC所做的控制动作。本文其余部分结构如下:第2节对理解MPC控制动作的挑战进行文献综述,并讨论XAI及其在理解MPC控制动作中的应用。第3节描述所提方法,即适配XAI技术以解决MPC黑箱问题。第4节和第5节通过两个案例研究演示该方法——模拟的连续搅拌釜反应器过程和田纳西东曼基准过程。

文献综述节选:加工装置通常配备分布式控制系统(DCS),使控制室操作人员能够监控、诊断和管理过程运行。其主要职责包括维持稳定的过程条件、确保产品质量、遵守安全和环境标准,以及优化能源和原料的消耗。压力、温度和流量等关键过程变量的控制,通过单输入……

MPC与操作人员交互节选:MPC是一类利用过程模型来预测和调节动态系统未来行为的先进控制策略。通过构建并求解一个约束优化问题,MPC隐式地确定了实现期望性能目标所需的控制动作(Schwenzer et al., 2021)。这种多变量控制方法通过在指定时间范围内预判过程响应来为基本仪表生成设定值,从而取代……

潜在解决方案节选:MPC在每个采样时刻求解的基础优化问题由多种组件构成,原则上可以暴露出来以解释其控制动作。然而,这种对优化内部状态的暴露本身并不能让一名对优化知识无储备或储备有限的控制室操作人员释怀。这类人为因素考虑常常被低估,却在确保成功实施和持续运行中发挥着至关重要的作用……

可解释人工智能节选:工业4.0的出现、仪表化的增强以及传感器数据的广泛可得性,正在推动人工智能的进步(Jiao et al., 2020)。在许多情况下,人工智能(AI)模型在抗噪性、非结构化数据的特征提取、可扩展性、迁移学习能力以及准确性方面优于传统算法。尽管性能更佳,这些算法在……方面往往缺乏可解释性。

局部可解释模型无关解释节选:局部可解释模型无关解释(LIME)是一种广泛用于使用可解释的局部代理模型近似复杂模型的XAI技术。LIME的核心概念是,可以通过构建一个简单模型(如线性回归或决策树)来近似复杂模型 f 在某输入样本邻域内的行为,从而为单个预测生成解释。给定输入向量 v_t ∈ ??,LIME通过以下三个步骤运行:……

MPC解释方法:解释控制动作的所提方法节选:MPC通过在时间 t 求解一个基于输入向量 v_t = [y_t, d_t, x_t, u_{t?t′}]? 的约束优化问题来计算控制动作 u_t,该向量由被控变量 y_t、可测扰动 d_t、系统状态 x_t 和先前控制动作 u_{t?t′} 组成。输入向量 v_t 仅包含当前决策时刻可用的量,因此该方法产生的是控制动作(u*_t)的瞬时、约束分段归因,而非依赖于时间范围的……

基于约束的分段节选:LIME技术在给定操作点 v_t 的邻域内构建局部模型 g,并用于生成解释。因此,模型 g 必须用将构成解释基础的变量来表述。在MPC中,控制动作受约束强烈影响:当变量在标称区域内运行与在约束边界处或附近运行时,表现出截然不同的行为。为捕捉这些效应,在……情况下:

规范代理模型节选:构建一个代理模型,用于近似任意操作点 v_t 处的MPC。为捕捉局部行为,在 v_t 邻域内生成一组 S 个近邻样本 {v_s}。每个样本 v_s 使用MPC副本进行评估以得到相应的控制动作 u_s,作为代理模型训练的目标。上述定义的离散形式 ?_{s,n} 随后对每个变量进行计算。由于离散变量 ?_{s,n} ∈ {1, 2, …, b, …, B} 是类别值,……

代理模型的公理解释节选:式(9)定义的规范代理模型提供了操作点 v_t 邻域内MPC局部行为的一种可解释表示。在该表述中,控制动作被表达为反映变量是否与操作点处于同一约束所定义分段中的二进制指示器的函数。该模型的解释通过以下公理形式化,这些公理刻画了输入变量及其相关约束……的方式:

总体方法节选:上述概念可通过以下两阶段方法在实际部署中实现,包括离线阶段和在线阶段。离线阶段利用历史闭环过程数据构建系统的约束感知表示,而在线阶段则针对给定操作点为MPC控制动作生成局部解释。在离线阶段,历史数据被用于对每个过程变量进行适当分段。统计……

案例研究1:连续搅拌釜反应器过程节选:本节通过一个模拟的CSTR过程演示所提方法,其中发生一级、放热且不可逆反应(A → B)(Bequette, 1998)。过程参数如表1所示。鉴于该反应具有高度放热性质,必须有效散热以维持反应物A的期望剩余浓度。

因此,控制目标是通过操纵变量来维持残量浓度CA在设定值。案例研究2:田纳西伊士曼挑战问题。所提出的方法在田纳西伊士曼(TE)过程中进行了评估。如图6(a)所示,该过程由五个主要单元组成:反应器、冷凝器、循环压缩机、分离器和汽提器。气态反应物A、C、D和E,连同惰性反应物B,被送入反应器,通过四个放热不可逆反应生成液态产物G和H,以及副产物F。该过程共有52个变量:11个测试运行1:在测试运行1中,过程最初在正常条件下运行。在t=81时,扰动IDV11(Downs和Vogel,1993)被引入过程。该扰动涉及反应器冷却水进口温度的随机变化。MPC输入和输出变量的变化如图7所示。从操作员的角度来看,被控变量没有明显变化,但操纵变量(图7(c))围绕其Test Run 2:测试运行2开始时过程处于正常状态,随后在t=81引入IDV2。对过程变量的影响结果如图9所示。在TE流程图(图6(a))所示的进料流4中,B组分发生阶跃变化。这导致整个过程中惰性组分B增加。在此场景中,CV最初违反软约束,但逐渐返回各自的稳态范围。有趣的是,当CV稳定在Test Run 3:在测试运行3中,IDV6在t=81被引入过程(之前为正常状态),导致A进料速率突然下降,从而降低反应器进料中组分A的浓度(XMEA S23),如图12所示。在扰动之后,过程经历一个瞬态响应阶段,控制器试图抑制故障。然而,随着过程动力学在t=81和t=150之间稳定下来,出现了明显的稳态偏移。虽然B的组分为结论与讨论:基于MPC的控制系统在遵守操作约束的同时提供优越的控制性能。然而,其在线优化方法本质上对于非专业人士来说难以理解;所产生的控制动作背后的原因往往不够直观明确。这降低了操作员对MPC的信任。本文提出了一种名为XMPC的方法,以提高MPC控制动作的可解释性。XMPC受知名LIME可解释AI技术的启发,并且CRediT作者贡献声明:Anurag Pathak:初稿撰写、验证、软件、方法学、调查。Abhijit Bhakte:审阅与编辑、验证、软件、方法学、调查。Abhinav Garg:审阅与编辑、验证、监督、方法学、概念化。Rajagopalan Srinivasan:审阅与编辑、验证、监督、资源、项目管理、方法学、资助获取、概念化。Anurag Pathak|Abhijit Bhakte|Abhinav Garg|Rajagopalan Srinivasan
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号