Nonlinear MPC for Feedback-Interconnected Systems: a Suboptimal and Reduced-Order Model Approach

1. Planteamiento del Problema

El Control Predictivo Basado en Modelos (MPC) es una técnica poderosa para sistemas dinámicos, pero su principal limitación es la complejidad computacional, derivada de la necesidad de resolver un problema de optimización no lineal en línea en cada instante de muestreo. Esta carga computacional se vuelve prohibitiva en sistemas complejos, jerárquicos o con múltiples subsistemas interconectados.

El artículo aborda este desafío en el contexto de sistemas discretos de tiempo interconectados por realimentación, caracterizados por:

• Una dinámica objetivo lenta ($x_t$) que se desea controlar óptimamente.
• Una dinámica extra rápida ($\xi_t$), que puede corresponder a dinámicas no modeladas o a un compensador de bajo nivel.
• La necesidad de diseñar un controlador que sea computacionalmente eficiente (subóptimo) y que utilice un modelo reducido (ignorando la dinámica rápida), sin comprometer la estabilidad del sistema completo.

2. Metodología

Los autores proponen una arquitectura de MPC que combina dos estrategias de reducción de carga computacional:

1. Optimización Subóptima: El solucionador no resuelve el problema de control óptimo hasta la convergencia exacta en cada paso, sino que realiza un número finito de iteraciones (o un solo paso de gradiente proyectado).
2. Modelo Reducido: El MPC se basa en un modelo de orden reducido que asume que la dinámica rápida ($\xi_t$) está siempre en su manifold de equilibrio ($\xi_{eq}$), ignorando así la dinámica transitoria rápida.

Estructura del Sistema:

• Sistema Completo: Se modela como una interconexión de dos subsistemas donde un parámetro $\delta$ (tiempo de muestreo) modula la separación de escalas temporales. La dinámica rápida es globalmente exponencialmente estable uniformemente respecto a la dinámica lenta.
• Algoritmo Propuesto:
  • Se define un mapa de dinámica reducida $f_R(x, u) = f(x, \xi_{eq}(x, u), u)$.
  • Se formula un problema de control óptimo de horizonte finito sobre este modelo reducido.
  • Se utiliza una dinámica de optimizador $z_{t+1} = A(z_t, x_t)$ que genera una solución subóptima iterativa.
  • Solo el primer elemento de la secuencia de control se aplica al sistema real (planta de orden completo).

3. Contribuciones Clave

• Arquitectura Unificada: Diseño de un esquema de MPC que integra simultáneamente la suboptimalidad y la reducción de orden para sistemas no lineales interconectados.
• Garantía de Estabilidad Exponencial: Demostración teórica de que el sistema en lazo cerrado (interconexión del optimizador subóptimo/reducido con la planta de orden completo) posee un punto de equilibrio globalmente exponencialmente estable.
• Análisis de Separación de Escalas: Uso de argumentos de separación de escalas temporales (típicos en teoría de perturbaciones singulares) para caracterizar la interacción entre la dinámica lenta, la dinámica rápida y el algoritmo de optimización.
• Interpretación del Parámetro $\delta$: Se establece que el tiempo de muestreo $\delta$ actúa como el parámetro pequeño que induce la separación de escalas, permitiendo que la dinámica rápida converja mucho más rápido que la dinámica lenta y la evolución del optimizador.

4. Resultados

• Análisis Teórico:
  • Se demostró que, bajo supuestos de Lipschitz y estabilidad exponencial para las dinámicas rápidas y el optimizador, existe un umbral $\bar{\delta}$ tal que, para todo tiempo de muestreo $\delta < \bar{\delta}$, el sistema en lazo cerrado es estable.
  • El análisis se divide en el estudio del "sistema de capa límite" (dinámica rápida con estado lento fijo) y el "sistema reducido" (dinámica lenta con estado rápido en equilibrio), combinando ambos resultados para el sistema interconectado real.
• Validación Numérica (Péndulo Accionado por Motor DC):
  • Se simuló un péndulo con motor DC, donde la corriente del motor es la dinámica rápida y el ángulo/velocidad es la lenta.
  • Escenario 1 ($\delta = 0.01$s): El sistema propuesto (MPC subóptimo + modelo reducido) converge exponencialmente al equilibrio, comportándose de manera similar a un MPC óptimo con planta ideal.
  • Escenario 2 ($\delta = 0.12$s): La separación de escalas es menos marcada. El MPC subóptimo con modelo reducido muestra degradación de rendimiento al interactuar con la planta real (orden completo) en comparación con la planta idealizada, aunque sigue siendo funcional.
  • Escenario 3 ($\delta = 0.2$s): Sin una separación de escalas adecuada, el enfoque propuesto falla o degrada severamente el rendimiento, incluso comparado con un MPC óptimo en planta ideal. Esto confirma la necesidad crítica de un $\delta$ suficientemente pequeño para que la aproximación de modelo reducido sea válida.

5. Significado e Impacto

• Viabilidad Computacional: El trabajo ofrece una solución práctica para implementar MPC en sistemas complejos o de tiempo real donde los recursos computacionales son limitados, permitiendo el uso de modelos simplificados y algoritmos iterativos rápidos.
• Fundamento Teórico Sólido: A diferencia de muchas aplicaciones prácticas que usan modelos reducidos sin garantías, este artículo proporciona una prueba rigurosa de estabilidad para el sistema completo, cerrando la brecha entre la teoría de perturbaciones singulares y el control predictivo subóptimo.
• Aplicabilidad en Robótica y Mecatrónica: La metodología es altamente relevante para aplicaciones robóticas jerárquicas, donde los controladores de bajo nivel (rápidos) y alto nivel (MPC, lentos) operan en diferentes escalas de tiempo, permitiendo diseñar controladores de alto nivel más ligeros sin sacrificar la estabilidad global.

En resumen, el artículo demuestra que es posible lograr un control robusto y estable en sistemas complejos mediante la combinación inteligente de simplificación de modelos y optimización aproximada, siempre que se respeten las condiciones de separación de escalas temporales.