基于物理约束的在线残差学习混合MPC方法,用于模型不确定性下的动态定位

《Ocean Engineering》:Hybrid MPC with physics-regularized online residual learning for dynamic positioning under model uncertainties

【字体: 大 中 小 】 时间:2026年08月03日 来源:Ocean Engineering 6.3

编辑推荐:

  •一种结合在线物理正则化残差学习的混合MPC框架,用于动态定位系统。该物理正则化损失函数能够体现海洋载荷的有界性及低频特性。基于预测误差的自动模式切换机制可确保学习过程中的安全性。实验验证表明,相较于传统MPC,该方法可使均方根误差降低多达79%。 引言 动态定位系统通

  •一种结合在线物理正则化残差学习的混合MPC框架,用于动态定位系统。该物理正则化损失函数能够体现海洋载荷的有界性及低频特性。基于预测误差的自动模式切换机制可确保学习过程中的安全性。实验验证表明,相较于传统MPC,该方法可使均方根误差降低多达79%。

引言
动态定位系统通过推进器使船舶自动保持位置和航向,在海上钻井、海底施工以及电缆铺设等领域发挥着关键作用(S?rensen, 2011; Mehrzadi等人, 2020)。然而,海洋环境中的波浪、海流和风等复杂且不断变化的干扰因素,再加上流体动力学参数的巨大不确定性,使得精确可靠的定位控制成为一项极具挑战性的任务(Fossen, 2011)。

传统的动态定位控制器通常基于PID或线性二次高斯设计,在正常工况下表现良好,但难以有效处理执行器约束及多变量耦合问题(Woolsey, 2005)。模型预测控制则通过在滚动时域内优化成本函数并明确施加约束条件,从而克服了这些缺陷(Richalet等人, 1987; Veksler等人, 2016)。不过,MPC的性能在很大程度上取决于预测模型的准确性。在动态定位系统中,由于未建模的非线性效应、参数漂移以及未知的环境力,真实船舶的动力学特性往往无法被理想模型准确描述(Grüne和Pannek, 2017)。

为应对模型不匹配问题,人们提出了多种先进的控制策略。鲁棒MPC虽能考虑有界不确定性,但性能较为保守(Xie等人, 2025)。自适应MPC可在线估计模型参数,但它通常假定模型结构固定,难以处理非结构化不确定性(Adetola等人, 2009)。纯数据驱动的神经网络控制器虽能学习复杂行为,但其预测结果可能违背物理规律,且需要大量训练数据(Raissi等人, 2019; Hassani等人, 2018)。而那些通过高斯过程或神经网络为理想模型添加学习得到的残差项的基于学习的MPC方法,则为解决这一问题提供了可行的折中方案(Hewing等人, 2020; Wang等人, 2021; Floriano等人, 2022)。基于高斯过程的残差模型虽能提供不确定性界限,但随着数据量增加其性能会下降;而现有的神经网络残差学习方法则往往缺乏物理约束机制。表1对这些不同方法进行了简要对比。

另一类快速发展的重要研究方向是将物理信息神经网络与MPC相结合,用于过程控制领域(Wu等人, 2023; Zheng等人, 2023; Zheng和Wu, 2023)。在这些研究中,首先离线训练一个物理信息神经网络,以近似由已知偏微分方程描述的完整系统动力学,然后在在线MPC优化过程中将该训练好的网络作为替代模型。例如,Wu等人(2023)将物料平衡方程嵌入到用于批量结晶的物理信息循环网络中;Zheng等人(2023)将这一理念推广到一般的非线性系统,并给出了泛化误差界限;Zheng和Wu(2023)则提出了一种基于误差触发的在线更新机制,用以处理参数不确定性。尽管这些全模型物理信息神经网络替代模型取得了成功,但它们依赖于三个在海洋动态定位应用中很少满足的假设:(i)系统的控制偏微分方程是完全已知的,因而可以运用偏微分方程残差损失函数;(ii)该网络完全取代了原有的正向模型,忽略了早已确立的刚体及流体动力学结构;(iii)训练主要在离线状态下进行,在线更新仅用于对预训练模型进行微调。而在动态定位系统中,环境干扰缺乏完整的数学描述,船舶参数会随载荷和水深变化,操作条件也持续变动,因此仅靠离线训练远远不够。

本研究要解决的核心问题在于,目前还缺乏一种能够同时处理非结构化模型不确定性及时变外部干扰的动态定位控制框架,这种框架需具备实时可行性和约束满足能力,且既不需要精确的先验模型,也不需要为每种新的操作场景重复进行代价高昂的实验。为填补这一空白,我们提出了一种混合MPC框架,它将在传统线性MPC的基础上,加入一个物理正则化神经网络,用于学习理想船舶模型与真实动力学之间的附加残差。该架构保留了用于满足约束条件和保证系统稳定性的成熟理想模型,而物理正则化神经网络则仅负责捕捉两者之间的差异,从而大幅减轻学习负担。该网络可通过最近一段时间的测量数据在线训练,从而从部署开始就能实现真正的自适应调整。由于干扰动力学缺乏已知的控制偏微分方程,我们在损失函数中加入了定性物理先验:众所周知,海洋环境中的载荷是有限值的,且其变化速度远慢于船舶的反应速度(Fossen, 2011)。由此产生的物理正则化损失函数会对残差的大幅值及快速波动施加惩罚,引导网络得出符合物理规律的估计结果,而无需依赖偏微分方程残差。此外,我们还设计了一种基于滞回效应的模式切换机制,该机制可实时监测预测误差,只有当学习得到的残差能带来具有统计意义的改进时,才会启用混合控制模型,从而确保控制性能始终不低于传统MPC的水平。因此,本研究的主要目标就是开发一种无需精确先验模型,却能在参数不确定性和环境干扰同时存在的情况下保持精准动态定位的MPC框架。次要目标包括:(i)设计一种融入海洋载荷物理特性的残差学习架构;(ii)实现一种具有安全模式切换逻辑的在线学习策略;(iii)在真实的、可重复的干扰条件下对所提出的框架进行实验验证。

本研究的主要贡献如下:
1. 一种混合MPC-PRNN架构,它仅通过在线学习附加残差来补偿参数不确定性和外部干扰,同时保留理想模型以用于约束实施和系统稳定性保障。
2. 一种物理正则化损失函数,该函数体现了海洋载荷具有有界性及低频变化的物理特性,用具有物理意义的正则化项替代了无法获得的偏微分方程残差。
3. 一种基于滞回效应的自动模式切换规则,该规则利用实时的预测误差统计信息,在理想控制与混合控制之间安全切换,从而确保在初始学习阶段及系统分布发生变化时仍能保持系统稳健性。
4. 在恒定电流、谐波电流、脉冲电流以及多种不规则干扰共同作用下的大规模模型试验,结果表明,经过初始学习阶段后,该框架可使定位任务的均方根误差较传统MPC降低多达79%,轨迹跟踪的航向精度则提升75%。

与那些用受偏微分方程约束的替代模型完全取代原有正向模型的现有物理信息神经网络-MPC方法(Wu等人, 2023; Zheng等人, 2023; Zheng和Wu, 2023)不同,我们的架构仅学习残差项,采用定性物理先验而非偏微分方程残差,并且从零开始进行在线学习。与自适应MPC相比,它无需固定的参数设定;与基于高斯过程的残差学习方法相比,它能实现恒定时间的推理速度。这些优点共同使得我们所设计的动态定位控制器更为轻量、安全,且具备持续改进的能力,非常适合在实际环境中应用。

章节节选
船舶动力学模型与问题构建
海洋船舶的动态定位控制问题可被构建为一个轨迹跟踪问题,其中需明确考虑系统约束条件及环境干扰因素。对于具有6自由度的海洋船舶,其非线性动力学特性可简化为水平面运动(纵摇、横摇和偏航),这些运动在动态定位应用中最为重要。船舶的3自由度运动学方程可表示为η?=J(ψ)ν,其中η=[x,y,ψ]?∈R3表示……

在线学习策略与模式切换
图3展示了混合MPC-PRNN控制框架的时间结构,该图反映了在不同操作阶段中环境干扰、船舶动力学特性、控制器、物理正则化神经网络以及决策者之间的相互作用。如图3所示,该框架主要分为两个阶段:初始训练阶段和带有持续监控的运行阶段。在训练阶段,系统会收集状态测量数据、施加控制力,并存储……

结果与讨论
图4、图5、图6、图7、图8、图9以及表2、表3、表4、表5、表6、表7、表8、表9、表10、表11所提供的全面实验分析,证明了在充满不确定性和时变特性的环境条件下,混合MPC-PRNN框架在动态定位应用中的有效性。主要研究结论包括:(a)与传统方法相比,该混合控制器在面对复杂的干扰模式时,能够显著提升控制精度。

结论
本研究提出了一种适用于存在模型不确定性及环境干扰的动态定位系统的混合MPC-PRNN框架。该方法通过残差学习策略,将模型预测控制的优化能力与物理正则化神经网络的自适应学习能力有机结合。规模模型测试的实验结果表明,该混合控制器能够显著提高定位精度,并更有效地抑制干扰。

CRediT作者贡献说明
Ming Ding:撰写——初稿、可视化、概念构思。Yiting Wang:撰写——审阅与编辑、资源准备、方法设计、实验分析、概念构思。Ze Li:撰写——审阅与编辑、可视化、软件相关工作。Puzhe Zhang:撰写——审阅与编辑、验证工作、项目监督、软件相关工作。Lei Wang:项目监督、项目管理工作。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
作者衷心感谢中国国家重点研发计划(项目编号2023YFC2809801)、国家自然科学基金(项目编号42406205)以及国家海事技术安全重点实验室开放基金(项目编号W24CG000040)所提供的支持。

Ming Ding|Yiting Wang|Ze Li|Puzhe Zhang|Lei Wang
相关新闻
生物通微信公众号
微信
新浪微博

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