⚡ electrical engineering

DeePC vs. Koopman MPC for Pasteurization: A Comparative Study

تقدم هذه الورقة دراسة مقارنة بين التحكم التنبؤي المعتمد على البيانات (DeePC) والتحكم التنبؤي القائم على كوبمان (KMPC) في عملية بسترة، حيث كشفت أن كلا النهجين يحققان تحكماً مقيداً ممكناً مع أخطاء تتبع متشابهة، غير أن KMPC يوفر تتبعاً أكثر دقة بينما يولد DeePC مسارات مدخلات أكثر سلاسة بشكل ملحوظ.

المؤلفون الأصليون: Branislav Daráš, Patrik Valábek, Martin Klaučo

نُشر 2026-04-02

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Branislav Daráš, Patrik Valábek, Martin Klaučo

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 سفينة ضخمة ومعقدة (وحدة البسترة). مهمتك هي الحفاظ على درجة حرارة الشحنة (الحليب أو العصير) لتكون مثالية وآمنة للشرب. لديك ثلاث روافع للتحكم: مضخة لتدفق السو، وصمام للمياه الساخنة، ومفتاح لسخان كهربائي.

المشكلة؟ السفينة قديمة، والطقس يتغير، والشحنة تتصرف بشكل مختلف في كل مرة. ليس لديك مخطط مثالي (نموذج فيزيائي) لكيفية استجابة السفينة. كل ما تملكه هو سجل لما حدث في الماضي.

هذه الورقة البحثية هي سباق بين قبطانين مختلفين يحاولان قيادة هذه السفينة باستخدام ذلك السجل فقط. كلاهما يريد الحفاظ على درجة الحرارة مثالية مع احترام حدود السفينة (لا تكسر المحرك، ولا ترفع حرارة الشحنة بشكل مفرط).

إليك تفصيل الاستراتيجيتين:

القبطانان

1. القبطان "DeePC" (الباحث عن الأنماط)

التشبيه: تخيل طباخاً لم يطبخ طبقاً معيناً من قبل، لكنه شاهد آلاف الساعات من فيديوهات الطبخ. عندما يُطلب منه الطبخ، لا يحاول فهم كيمياء الحرارة أو فيزياء الغليان. بدلاً من ذلك، ينظر إلى سجل الفيديوهات الماضية، ويجد تسلسلاً من الأفعال يشبه تماماً الوضع الحالي، ويقول: "حسناً، إذا فعلت هذا بعد ذلك، ستكون النتيجة هي تلك".

كيف يعمل: يستخدم جدول بيانات ضخم (يسمى مصفوفة هانكل - Hankel Matrix) لترتيب المدخلات والمخرجات الماضية. يجد نمطاً في التاريخ يطابق الحاضر ثم يسقط هذا النمط على المستقبل.
الأسلوب: إنه حذر وناعم جداً. لا يريد تحريك الروافع بعنف؛ بل يفضل إجراء تعديلات صغيرة ولطيفة لأنه ببسا de يتبع نمطاً رآه من قبل.

2. القبطان "Koopman MPC" (المترجم)

التشبيه: هذا القبطان أكاديمي بعض الشيء. ينظر إلى السجل الفوضوي والمربك ويقول: "هذا فوضوي للغاية. دعونا نترجم هذا الواقع المربك إلى لغة خيالية أبسط حيث تتحرك كل الأشياء في خطوط مستقيمة". يقوم ببناء "نموذج افتراضي" (Lifted State-Space) يحاكي سلوك السفينة. وبمجرد حصوله على هذه الخريطة المبسطة، يستخدم نظام GPS قياسي (MPC) لرسم المسار المثالي.

كيف يعمل: يستخدم شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) لتعلم "ترجمة" لسلوك السفينة. يحول الواقع المعقد وغير الخطي إلى معادلة خطية بسيطة. ثم يحل لغزاً رياضياً لإيجاد أسرع طريق للوصول إلى الهدف.
الأسلوب: إنه عدواني ودقيق. يريد الوصول إلى درجة الحرارة المستهدفة الآن. إذا كانت درجة الحرارة بعيدة عن الهدف، فإنه يسحب الروافع بقوة لتصحيح المسار فوراً.

السباق: ماذا حدث؟

وضع الباحثون كلا القبطانين في محاكاة لوحدة البسترة لمدة 5.5 ساعة تقريباً. أعطوهما نفس الأهداف ونفس القواعد تماماً.

النتائج:

الوصول إلى الوجهة (دقة التتبع):
- كلا القبطانين وصلا إلى درجة الحرارة الصحيحة. كان كلاهما جيداً بنفس القدر في الحفاظ على سلامة الحليب. إذا نظرت إلى درجة الحرارة النهائية، فلن تستطيع التمييز بين من كان يقود السفينة.
جودة الرحلة (النعومة مقابل العدوانية):
- القبطان "Koopman" (المترجم): قاد مثل سائق سيارات فورمولا 1. عندما تغيرت درجة الحرارة المستهدفة، ضغط على المكابح بقوة أو ضغط على دواسة السرعة بالكامل. وصل إلى الهدف بسرعة، لكن الرحلة كانت متعرجة. كانت الروافع (المضخات والسخانات) تتحرك صعوداً وهبوطاً بعنف.
- القبطان "DeePC" (الباحث عن الأنماط): قاد مثل سيارة ليموزين فاخرة. عندما تغير الهدف، انساب نحو الهدف بهدوء. تحركت الروافع ببطء ونعومة شديدة.
- الفائز: فاز الـ DeePC بجائزة "النعومة" بفارق شاسع. لقد استخدم 84% مجهوداً أقل لتحريك الروافع. وهذا أمر بالغ الأهمية في العالم الحقيقي لأن الحركات المفاجئة تُتلف المضخات والسخانات بشكل أسرع.
التكلفة (الطاقة):
- القبطان "Koopman" كان أكثر كفاءة في استهلاك الطاقة من الناحية "الرياضية" للرحلة، ولكن القبطان "DeePC" استخدم 7% فقط أكثر من الطاقة.
- لماذا؟ على الرغم من أن "DeePC" حرك الروافع بلطف، إلا أنه أبقى السخان يعمل لفترة أطول قليلاً لإنجاز المهمة. لقد قايض القليل من الكهرباء الإضافية مقابل رحلة أكثر سلاسة.

الخلاصة الكبرى

خلصت الورقة البحثية إلى أنه لا يوجد "قبطان أفضل" بشكل مطلق. الأمر يعتمد على ما تقدره أكثر:

اختر القبطان "Koopman" (Koopman MPC) إذا كان هدفك الرئيسي هو الدقة. إذا كنت بحاجة للوصة إلى درجة الحرارة المستهدفة فوراً ولا تهتم إذا اهتزت المعدات قليلاً، فهذا هو الشخص المناسب.
اختر القبطان "DeePC" إذا كان هدفك الرئيسي هو سلامة المعدات والاستقرار. إذا كنت تريد حماية مضخاتك من التآكل، وتجنب الحركات المفاجئة، ومستعد لأسلوب أكثر هدوءاً واسترخاءً، فهذا هو الفائز.

ببساطة:

Koompan MPC هو نهج "أنجز الأمر بسرعة".
DeePC هو نهج "أنجز الأمر بلطف".

كلاهما يعمل، لكن أحدهما يحمي آلتك من الإجهاد، بينما يوفر لك الآخر بضع ثوانٍ من الانتظار.

إليك ملخص تقني مفصل لورقة البحث بعنوان "DeePC مقابل Koopman MPC لعمليات البسترة: دراسة مقارنة."

1. بيان المشكلة

تتناول الورقة تحدي التحكم في العمليات الحرارية متعددة المتغيرات، وتحديداً وحدة بسترة، حيث يصعب بناء نماذج عالية الدقة تعتمد على المبادئ الفيزيائية الأولى بسبب فقدان الحرارة غير المفسر، وظروف التشغيل المتغيرة، والارتباطات المعقدة بين عناصر التحكم في التسخين والتبريد والتدفق.

هدف التحكم: تتبع نقاط الضبط لدرجات الحرارة الحرجة (تحديداً درجة حرارة مخرج أنبوب الحفظ، $T_1$ ) مع احترام القيود الصارمة على المشغلات (معدلات التدفق، القدرة) والمخرجات.
الفجوة: بينما يعد التحكم التنبئي بالنماذج (MPC) مثالياً لهذا النوع من التحسين المقيد، فإنه يعتمد تقليدياً على نماذج دقيقة قائمة على الفيزياء. توجد بدائل تعتمد على البيانات، لكنها تفتقر إلى مقارنات مباشرة ومواجهة وجهاً لوجه على معايير صناعية متعددة المتغيرات.
المقارنة: تقارن الدراسة بين بنيتين مختلفتين تعتمدان على البيانات:
1. التحكم التنبئي المعتمد على البيانات (DeePC): نهج غير معلمي (non-parametric) يستخدم نظرية الأنظمة السلوكية (لمة ويليمز - Willems' Lemma) للتنبؤ مباشرة من مسارات المدخلات والمخرجات عبر مصفوفات هانكل (Hankel matrices)، متجاوزاً بذلك تحديد النموذج الصريح.
2. التحكم التنبئي القائم على كوبمان (KMPC): نهج معلمي (parametric) يستخدم الشبكات العصبية لتعلم تمثيل فضاء الحالة الخطي "المرفوع" (lifted) (عامل كوبمان) من البيانات، يليه تصميم MPC قياسي مع مرشح كالمان.

2. المنهجية

أ. إعداد النظام

المصنع: وحدة بسترة مستمرة بمقياس مختبري تحتوي على 3 مدخلات يتم التحكم فيها (تدفق التغذية، تدوير المياه الساخنة، قدرة السخان الكهربائي) و 3 مخرجات مقاسة (درجات الحرارة في مراحل مختلفة).
بيئة المحاكاة: يعمل توأم رقمي قائم على الشبكة العصبية كمنظم للمصنع (محاكي).
- بيانات DeePC: تم توليدها من التوأم الرقمي (بدون ضجيج).
- بيانات KMPC: تم تحديدها من بيانات تجريبية حقيقية استُخدمت لتدريب التوأم الرقمي (تحتوي على ضجيج).
التصميم التجريبي: تم ضبط كلا المتحكمين بمعلمات متطابقة لعزل تأثير التمثيل التنبئي:
- أفق التنبؤ ( $N$ ) = 60 خطوة (10 دقائق).
- الأفق الماضي ( $T_{ini}$ ) = 10 خطوات.
- أوزان التكلفة ( $Q, R$ ) ومجموعات القيود متطابقة.

ب. صياغات المتحكم

1. DeePC المنظم (Regularized DeePC):

الآلية الجوهرية: يبني مصفوفات هانكل من مسارات المدخلات والمخرجات التاريخية. يقوم بحل مشكلة تحسين مقيدة لإيجاد تركيبة خطية من المسارات الماضية التي تطابق الحالة الحالية وتقلل التكلفة المستقبلية.
التنظيم (Regularization): للتعامل مع الضجيج وعدم الاستقرار العددي، نفذ المؤلفون ما يلي:
- متغيرات الارتخاء ( $\sigma_y$ ): تسمح بالمطابقة المرنة للمخرجات الماضية.
- تنظيم ريدج ( $\lambda_g$ ): يعاقب المعاملات الكبيرة في تركيبة المسار لتحسين الاستقرار.
الخوارزمية: تحسين الأفق المتراجع (receding horizon optimization) يتم حله كبرنامج تربيعي (QP).

2. التحكم التنبئي القائم على كوبمان (KMPC):

الآلية الجوهرية: يستخدم نموذج "ديب كوبمان" (Deep Koopman) لتعيين النظام غير الخطي إلى فضاء حالة خطي ذي أبعاد محدودة ( $z_{k+1} = A_K z_k + B_K u_k$ ).
التتبع الخالي من الإزاحة (Offset-Free Tracking): يعزز الحالة بنموذج اضطراب مخرج ثابت ( $d_k$ ) ويستخدم مرشح كالمان لتقدير كل من الحالة المرفوعة والاضطراب، مما يضمن عدم وجود خطأ في الحالة المستقرة في ظل عدم تطابق النموذج مع المصنع.
الخوارزمية: تحسين MPC قياسي باستخدام النموذج الخطي المحدد.

3. المساهمات الرئيسية

المقارنة الهيكلية: تقدم مقارنة صارمة ومباشرة بين نهج "الخالي من النموذج" (DeePC) ونهج "النموذج المؤتمت" (KMPC) على عملية حرارية متعددة المتغيرات ومترابطة.
صياغة DeePC عملية: تقدم صياغة DeePC ذاتية الاحتواء ومنظمة، توضح كيفية بناء مصفوفات هانكل، واستراتيجيات التنظيم، ومعالجة القيود.
تحليل المقايضة الكمي: تضع مقايضة واضحة بين دقة التتبع وسلاسة المشغلات، مما يوفر إرشادات عملية للمهندسين لاختيار أي من الطريقتين.

4. النتائج ومقاييس الأداء

تم تقييم المتحكمين على مدار 2,000 خطوة زمنية (~5.5 ساعة) باستخدام المقاييس التالية:

خطأ التتبع ( $e_{RMS}$ ): جذر متوسط مربع الخطأ للمخرج الأساسي ( $T_1$ ).
تكلفة التتبع ( $J_y$ ): إجمالي خطأ التتبع الموزون.
تكلفة جهد التحكم ( $J_{\Delta u}$ ): إجمالي عقوبة تغيرات مدخلات التحكم (السلاسة).
استهلاك الطاقة ( $E$ ): إجمالي استخدام السخان الكهربائي.

النتائج الرئيسية:

المقياس	أداء KMPC	أداء DeePC	التفسير
خطأ التتبع ( $e_{RMS}$ )	100% (الأساس)	100.7%	دقة متقاربة. كلاهما يتتبع نقاط الضبط بفعالية.
تكلفة التتبع ( $J_y$ )	100%	223.1%	KMPC يتتبع بشكل أدق تحت دالة التكلفة المحددة.
تكلفة جهد التحكم ( $J_{\Delta u}$ )	100%	16.4%	DeePC أكثر سلاسة بشكل ملحوظ. يقلل حركة المشغلات بنسبة ~84%.
استهلاك الطاقة ( $E$ )	100%	106.9%	يستهلك DeePC طاقة أكثر قليلاً (~7% زيادة) لتحقيق تشغيل أكثر سلاسة.

الملاحظات البصرية:

KMPC: يستجيب بقوة لتغيرات المرجع، مستخدماً تحركات حادة في المشغلات لتقليل تكلفة التتبع الموزونة فوراً.
DeePC: ينتج مسارات مدخلات ( $u_1, u_2, u_3$ ) أكثر سلاسة بكثير، متجنباً التقلبات السريعة. يأتي هذا على حساب عقوبة تتبع موزونة أعلى قليلاً، رغم أن خطأ $RMS$ الفعلي يظل متقارباً جداً.

5. الأهمية والاستنتاجات

الإرشاد العملي: تخلص الدراسة إلى أن الاختيار بين DeePC و KMPC يعتمد على الأولوية التشغيلية:
- اختر KMPC إذا كان التتبع الدقيق لنقطة الضبط وتقليل الخطأ الموزون هما الهدفان الأساسيان.
- اختر DeePC إذا كانت طول عمر المشغل، واستقرار العملية، والتشغيل السلس هي الأولويات، حتى لو كان ذلك يعني استهلاك طاقة أعلى قليلاً أو مطابقة أقل لدالة التكلفة.
القيود:
- DeePC: يفتقر حالياً إلى آلية داخلية خالية من الإزاحة (offset-free). عدم وجود خطأ في الحالة المستقرة في النتائج كان بسبب بيئة المحاكاة الخالية من الضجيج؛ النشر في العالم الحقيقي سيتطلب توسعات (مثل نمذجة الاضطرابات).
- المحاكاة: النتائج مبنية على توأم رقمي، وليس على أجهزة مادية.
العمل المستقبلي: يخطط المؤلفون لنشر هذه المتحكمات على وحدة بسترة فيزيائية ودمج قدرات خالية من الإزاحة في إطار عمل DeePC للتعامل مع ضجيج العالم الحقيقي وعدم تطابق النموذج مع المصنع.

باختدال، تثبت الورقة أنه بينما تعد كلتا الطريقتين المعتمدتين على البيانات فعالتين للعمليات الحرارية المعقدة، إلا أنهما تقدمان خصائص سلوكية متميزة. يعمل DeePC كمتحكم "أكثر سلاسة"، بينما يعمل KMPC كمتحكم "أكثر دقة"، مما يسمح للممارسين باختيار البنية التي تناسب قيودهم الصناعية المحددة.