⚡ electrical engineering

Model Predictive Control and Moving Horizon Estimation using Statistically Weighted Data-Based Ensemble Models

تقترح هذه الورقة إطار عمل للتحكم التنبئي بالنموذج يستخدم تجميعًا مرجحًا قائمًا على مسافة ماهالانوبيس لنماذج قائمة على البيانات ومراقب تقدير الأفق المتحرك للتحكم بفعالية في الأنظمة المعقدة عبر ظروف تشغيل متعددة.

المؤلفون الأصليون: Laura Boca de Giuli, Samuel Mallick, Alessio La Bella, Azita Dabiri, Bart De Schutter, Riccardo Scattolini

نُشر 2026-05-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Laura Boca de Giuli, Samuel Mallick, Alessio La Bella, Azita Dabiri, Bart De Schutter, Riccardo Scattolini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك قبطان لسفينة ضخمة ومعقدة (نظام تدفئة مناطقية) تحاول التنقل عبر تقلبات الطقس. أحياناً تكون المياه هادئة ودافئة (ظروف الصيف)؛ وأحياناً أخرى تكون عاصفة ومتجمدة (ظروف الشتاء). لكي تقود هذه السفينة بكفاءة وأمان، فأنت بحاجة إلى فريق ملاحة يمكنه التنبؤ بمكان وجود السفينة بدقة في الساعات القليلة القادمة.

تقدم هذه الورقة البحثية طريقة جديدة لبناء فريق الملاحة هذا وطريقة جديدة لقيادة السفينة. إليك التفاصيل بأسلوب مبسط:

المشكلة: خريطة واحدة لا تكفي

عادةً، يحاول المهندسون بناء نموذج واحد "صندوق أسود" (مثل ذكاء اصطناعي فائق الذكاء) للتنبؤ بكيفية سلوك السفينة في جميع الظروف. ولكن تماماً كما أن الخريطة الواحدة لا يمكنها إظهار الصحراء والجليد في آن واحد، فإن النموذج الواحد غالباً ما يصاب بالارتباك عندما يتغير الطقس. قد يتنبأ بأن السفينة ستتحرك بسرعة أثناء العاصفة بينما هي في الواقع تتباطأ، مما يؤدي إلى قرارات سيئة أو انتهاكات لمعايير السلامة.

الحل: فريق من المتخصصين (نماذج التجميع - Ensemble Models)

بدلاً من الاعتماد على خبير عام واحد، يقترح المؤلفون توظيف فريق من المتخصصين.

المتخصص (أ): هو خبير في "الظروف الصيفية". لقد تدرب فقط على بيانات الصيف.
المتخصص (ب): هو خبير في "الظروف الشتوية". لقد تدرب فقط على بيانات الشتاء.

عندما تحتاج إلى تنبؤ، فأنت لا تكتفي باختيار أحدهما فقط؛ بل تطلب رأي كليهما وتدمج إجاباتهما. لكن الجزء الصعب هو: إلى أي مدى تثق في كل متخصص؟

الابتكار 1: "البوصلة الإحصائية" (مسافة ماهالانوبيس - Mahalanobis Distance)

في الماضي، كان الناس يفعلون أحد أمرين:

يأخذون متوسط الرأيين (50/50)، وهو ما يكون خاطئاً في كثير من الأحيان.
يسألون: "من كان محقاً في الماضي؟" ويثقون به أكثر. لكن في نظام التحكم، أنت تنظر إلى المستقبل، وأنت لا تعرف المستقبل بعد.

يقترح المؤلفون قاعدة جديدة تعتمد على مسافة ماهالانوبيس. فكر في هذا كـ بوصلة إحصائية.

ينظر النظام إلى الطقس الحالي (المدخلات، مثل درجة الحرارة والحمل).
يتساءل: "إلى أي مدى يشبه طقس اليوم، إحصائياً، البيانات التي تعلم منها المتخصص (أ)؟ وإلى أي مدى يشبه البيانات التي تعلم منها المتخصص (ب)؟"
إذا كان اليوم يشبه "يوماً صيفياً" جداً، فإن البوصلة تمنح المتخصص (أ) صوتاً قوياً (وزناً عالياً) والمتخصص (ب) صوتاً ضئيلاً.
والأهم من ذلك، أن هذه البوصلة تعمل فقط على المدخلات (ما تنوي فعله لاحقاً)، وليس على المخرجات المستقبلية (التي لا تعرفها بعد). وهذا يسمح للنظام بتغيير الثقة بين المتخصصين بسلاسة مع تغير الطوال خلال فترة التنبؤ.

الابتكار 2: "مراقب ممر الذاكرة" (تقدير الأفق المتحرك - Moving Horizon Estimation)

هناك مشكلة ثانية. فهؤلاء المتخصصون من الذكاء الاصطناعي (تحديداً وحدات "غيتد ريكرنت يونيتس" أو GRUs) لديهم "ذاكرة" داخلية أو "حالة" تساعدهم في تقديم التنبؤات. ومع ذلك، فإن هذه الذاكرة غير مرئية للقبطان؛ فأنت لا ترى سوى درجة الحرارة الخارجية وتدفق المياه.

إذا أخطأ القبطان في تخمين الذاكرة، فسوف ينحرف التنبؤ عن مساره.

الطريقة القديمة: ترك النموذج يعمل بمفرده (الحلقة المفتوحة - Open Loop). إذا ارتكب خطأً صغيراً، فإن الخطأ يكبر ويكبر.
الطريقة الجديدة (MHE): بنى المؤلفون مراقباً يسمى "ممر الذاكرة". فبدلاً من النظر إلى الثانية الأخيرة فقط، ينظر إلى الـ 50 خطوة الماضية من التاريخ. يتساءل: "بالنظر إلى كل ما حدث في الدقائق الخمسين الماضية، ما هي الذاكرة الداخلية التي يجب أن تكون موجودة لإنتاج هذه النتائج؟"
ثم يقوم بتعديل الذاكرة لتتناسب مع التاريخ بشكل مثالي قبل إجراء التنبؤ التالي. هذا يشبه المحقق الذي يعيد بناء مسرح الجريمة لفهم الموقف الحالي بشكل أفضل.

النتيجة: رحلة أكثر سلاسة وأقل تكلفة

اختبر المؤلفون طريقتهم على نظام تدفئة حقيقي (نظام AROMA) الذي ينتقل بين أوضاع الصيف والشتاء. وقارنوا طريقتهم مع:

القائم على القواعد: مجموعة صارمة وبسيطة من القواعد (مثل إنسان يتبع دليلاً إرشادياً).
المتوسط: الثقة في كلا المتخصصين بالتساوي.
المربعات الصغرى (Least Squares): الثقة في من كان محقاً في الفترة الأخيرة.
ماهالانوبيس الثابت: استخدام البوصلة، ولكن بالنظر فقط إلى اللحظة الحالية، وليس المستقبل.
طريقتهم (MD-2): استخدام البوصلة لتعديل الثقة طوال نافذة التنبؤ المستقبلية بأكملها.

النتائج:

التوفير: حققت طريقتهم أكبر قدر من التوفير (الأداء الاقتصادي) لأنها استطاعت توقع تغيرات الطقس بشكل أفضل من الطرق الأخرى.
السلامة: سجلت أقل عدد من الأخطاء فيما يتعلق بحدود السلامة (مثل ارتفاع أو انخفاض درجة حرارة الماء بشكل مفرط).
الدقة: قلل مراقب "ممر الذاكرة" بشكل كبير من الأخطاء في التنبؤات الداخلية للنموذج، مما جعل النظام بأكمله أكثر موثوقية.

باخت مختصر

تعلمنا هذه الورقة كيفية التحكم في الأنظمة المعقدة من خلال استخدام فريق من نماذح الذكاء الاصطناعي المتخصصة بدلاً من نموذج واحد عام. فهي تستخدم بوصلة إحصائية لتحديد من نثق به بناءً على الظروف الحالية، ومحققاً تاريخياً لإصلاح ذاكرة الذكاء الاصطناعي الداخلية. والنتيجة هي نظام أقل تكلفة وأكثر أماناً في التشغيل عند تغير الظروف.

ملخص تقني: التحكم التنبئي بالنموذج وتقدير الأفق المتحرك باستخدام نماذج تجميعية قائمة على البيانات ذات أوزان إحصائية

بيان المشكلة
يُعد التحكم التنبئي بالنموذج (MPC) استراتيجية مهيمنة لإدارة الأنظمة المعقدة، ومع ذلك، يعتمد أداؤه بشكل كبير على دقة النموذج التنبئي الأساسي. وبينما توفر النماذج القائمة على البيانات (مثل الشبكات العصبية) مزايا في التطوير وتوافر البيانات، فإن النموذج الواحد "الصندوق الأسود" غالباً ما يفشل في الحفاظ على دقة التنبؤ عبر ظروف تشغيل متنوعة. علاوة على ذلك، فإن أساليب التعلم التجميعي القياسية، التي تدمج نماذج متعددة متخصصة، تعتمد عادةً على أوزان ثابتة أو أوزان بناءً على أخطاء المخرجات السابقة. وهذه الأساليب تكون دون المستوى الأمثل بالنسبة للتحكم التنبئي بالنموذج (MPC) لأنها لا تستطيع تعديل الأوزان ديناميكياً عبر أفق التنبؤ حيث لا تتوفر قياسات الحالة والمخرجات المستقبلية. بالإضافة إلى ذلك، يظل تقدير الحالات الداخلية لنماذج التجميع القائمة على البيانات (التي تفتقر غالباً إلى المعنى الفيزيائي) مع فرض قيود الحالة تحدياً لم يتم حله في الأدبيات العلمية.

المنهجية
يقترح البحث إطار عمل موحداً يدمج التحكم التنبئي بالنموذج (MPC) وتقدير الأفق المتحرك (MHE) للأنظمة التي تعمل تحت ظروف متعددة. يعتمد جوهر هذا النهج على مجموعة من النماذج القائمة على البيانات (تحديداً وحدات GRU - Gated Recurrent Units)، حيث يتم تدريب كل خبير على مجموعة بيانات تتوافق مع نطاق تشغيلي محدد.

التوزين بناءً على مسافة ماهالانوبيس (Mahalanobis Distance):
بدلاً من المتوسط الحسابي الثابت أو التوزين المعتمد على المخرجات، يقترح المؤلفون قاعدة دمج مبتكرة حيث تكون أوزان التجميع دوالاً لمدخلات النظام. الوزن المخصص لكل نموذج خبير $M^{[i]}$ عند خطوة زمنية محددة يتناسب عكسياً مع مسافة ماهالانوبيس الإحصائية بين متجه المدخلات الحالي (أو المستقبلي) وبيانات مدخلات التدريب الخاصة بهذا الخبير المحدد.
$\lambda^{[i]}_{MD}(u(h)) = \frac{1 / T^2(u(h), u^{[i]})}{\sum_{i=1}^{n} 1 / T^2(u(h), u^{[i]})}$
يسمح هذا بتغير الأوزان ديناميكياً عبر نافذة التنبؤ بناءً فقط على تسلسل المدخلات المستقبلية المعروفة، مما يمكن نظام الـ MPC من استباق التحولات في ظروف التشغيل.
مراقب الحالة القائم على MHE:
لمعالجة تحدي تقدير الحالة للنماذج القائمة على البيانات، تم تطوير مراقب يعتمد على تقدير الأفق المتحرك (MHE) لكل خبير في المجموعة. تقوم مسألة الـ MHE بتقليل الخطأ بين مخرجات النموذج المتوقعة ومخرجات المحطة الفعلية المقاسة عبر أفق ماضٍ محدود. ومن الأهمية بمكان أن هذه الصيغة تدمج صراحةً قيود الحالة (مثل حدود السعة على الحالات المخفية)، مما يضمن أن الحالات المقدرة المستخدمة لتهيئة الـ MPC متسقة فيزيائياً مع القيود الداخلية للنموذج.

المساهمات الرئيسية
يقدم البحث مساهمتين رئيسيتين:

صياغة مبتكرة للتحكم التنبئي بالنموذج (MPC): يقدم منظم MPC يستخدم مجموعة تجميعية قائمة على البيانات حيث يتم تحديد أوزان الدمج بناءً على التقارب الإحصائي (مسافة ماهالانوبيس) بين المدخلات المثلى وبيانات تدريب كل خبير. يسمح هذا بأوزان متغيرة حسب المدخلات ومتغيرة عبر الأفق دون الحاجة إلى قياسات المخرجات المستقبلية.
مراقب حالة مقيد: يقترح بحثاً تصميماً جديداً للمراقب القائم على المجموعات التجميعية باستخدام MHE. يتيح هذا المنهج التقدير الدقيق للحالات لجميع خبراء المجموعة مع فرض قيود الحالة بصرامة، وهي قدرة لم يتم معالجتها سابقاً لنماذج التجميع في الأدبيات.

النتائج العددية
تم التحقق من صحة إطار العمل باستخدام نظام تدفئة مناطق (DHS) كمعيار مرجعي يتميز بظروف تشغيل متعددة (يحاكي ملفات أحمال الصيف والشتاء). تم التحكم في النظام باستخدام MPC بأفق قدره 72 خطوة زمنية، مع مقارنة أربع استراتيجيات للتوزين:

AV: المتوسط الحسابي البسيط.
LS: تحسين المربعات الصغرى بناءً على الـ 100 خطوة زمنية الماضية.
MD-1: أوزان قائمة على مسافة ماهالانوبيس مثبتة على القيمة عند الخطوة الزمنية السابقة.
MD-2: أوزان قائمة على مسافة ماهالانوبيس مُحسّنة كدالة للمدخلات عبر أفق التنبؤ بأكمله.

أظهرت النتائج أن استراتيجية MD-2 المقترحة حققت أفضل أداء اقتصادي (أقل تكلفة) وأقل عدد من انتهاكات القيود مقارنة باستراتيجيات MPC الأخرى والأساس القائم على القواعد. وتحديداً، بينما أظهرت استراتيجيات AV و LS انتهاكات للقيود، حافظت مناهج ماهالانوبيس على الجدوى. تفوقت استراتيجية MD-2 على MD-1 بقدرتها على الاستجابة المبكر لتغيرات الظروف المستقبلية، مما يبرز فائدة الأوزان المتغيرة عبر الأفق. بالإضافة إلى ذلك، قلل المراقب القائم على MHE بشكل كبير من خطأ تنبؤ المخرات لخطوة واحدة للنماذج الفردية مقارنة بنشر الحالة في الحلقة المفتوحة.

الأهمية والادعاءات
يزعم المؤلفون أن منهجيتهم تتفوق بشكل كبير على طرق التوسيط القياسية وطرق اختيار الأوزان القائمة على التحسين من حيث الأداء الاقتصادي والالتزام بالقيود. ويؤكدون أن قاعدة الدمج القائمة على مسافة ماهالانوبيس هي حل قوي للتعامل مع ظروف التشغيل المتغيرة ضمن إطار عمل MPC، لأنها تعتمد فقط على بيانات المدخلات المتاحة بدلاً من المخرجات المستقبلية غير المتوفرة. علاوة على ذلك، يسلط البحث الضوء على أن المراقب القائم على MHE يعالج بفعالية مشكلة تقدير الحالة للنماذج القائمة على البيانات تحت القيود، مما يؤدي إلى تحسين أداء الحلقة المغلقة. كما لوحظ أن العبء الحسابي للمنهج المقترح يظل معقولاً رغم التعقيد المضاف. وقد تم تحديد العمل المستقبلي في دمج هذا الإطار في إعدادات التعلم النشط للحصول على بيانات معلوماتية.