Event-Triggered Decentralized Robust Model Predictive Control with Stackelberg Game-Based Adaptive Tuning for Optimal Tracking

Dans le monde vaste et interconnecté de l'ingénierie moderne, des réseaux électriques aux usines chimiques, les systèmes sont rarement des machines simples et isolées. Ce sont des réseaux complexes où une partie influence constamment une autre, et où l'environnement est imprévisible, changeant sous l'effet de perturbations et d'incertitudes cachées. Depuis des décennies, les ingénieurs s'appuient sur une stratégie puissante appelée commande prédictive de modèle pour gérer ces systèmes. Cette approche fonctionne comme un navigateur hautement qualifié qui regarde constamment devant lui, calculant la meilleure trajectoire possible tout en respectant les limites physiques et en se préparant aux obstacles potentiels. Cependant, à mesure que les systèmes deviennent plus grands et plus complexes, un ordinateur central unique tentant de piloter l'ensemble du réseau se retrouve submergé. Il peine à gérer le volume colossal de données et la vitesse requise pour prendre des décisions, créant un goulot d'étranglement qui peut menacer la stabilité de toute l'opération. Pour résoudre ce problème, les ingénieurs se sont tournés vers la commande décentralisée, où de nombreux contrôleurs locaux plus petits travaillent ensemble, chacun gérant sa propre section du système. Bien que cela distribue la charge de travail, cela introduit un nouveau défi : comment s'assurer que ces contrôleurs locaux coopèrent efficacement sans une communication constante et épuisante, surtout lorsqu'ils doivent réagir à des changements inconnus en temps réel.

Mohsen Erfani Hajipour et Heydar Toossian Shandiz, chercheurs à l'Université Ferdowsi de Mashhad, ont développé un nouveau cadre pour répondre à ces difficultés exactes. Ils ont créé un système qui permet aux contrôleurs locaux de prendre des décisions intelligentes et indépendantes tout en restant robustes face à l'incertitude et aux manières complexes dont les différentes parties d'un système s'influencent mutuellement. Leur approche combine trois innovations distinctes pour créer une méthode de contrôle qui est non seulement stable mais aussi efficace. Premièrement, ils ont conçu un moyen pour que chaque contrôleur local tienne compte de l'influence de ses voisins sans avoir besoin d'échanger des flux constants de données, garantissant que le système reste sûr même lorsque le comportement exact de la machinerie n'est pas parfaitement connu. Deuxièmement, ils ont introduit un mécanisme qui empêche les contrôleurs de gaspiller de l'énergie en recalculant constamment leurs plans. Au lieu de mettre à jour chaque instant, le système attend qu'il soit véritablement nécessaire, vérifiant si le plan actuel maintient toujours le système dans une zone de sécurité. Enfin, et de manière plus ingénieuse encore, ils ont développé une méthode permettant au système d'ajuster automatiquement ses propres paramètres en temps réel, équilibrant le besoin de précision de suivi avec le besoin d'économiser de l'énergie et de la puissance de calcul.

Le cœur de leur travail réside dans la manière dont ces contrôleurs locaux gèrent le « couplage d'entrée », un terme technique désignant la façon dont les actions d'une partie du système poussent ou tirent physiquement sur une autre. Dans de nombreuses tentatives précédentes, les contrôleurs ignoraient ces interactions, ce qui entraînait de mauvaises performances, ou ils reposaient sur une communication constante, ce qui annulait le but de la décentralisation. Les chercheurs ont résolu cela en utilisant une vérification de sécurité mathématique qui garantit la stabilité même lorsque le système est incertain. Ils ont défini une région de sécurité spécifique, une frontière invisible que l'état du système ne doit pas franchir. Tant que le système reste à l'intérieur de cette frontière, le contrôleur local sait qu'il est en sécurité et n'a pas besoin d'agir. C'est ici que la deuxième innovation, le mécanisme de déclenchement par événement, entre en jeu. Imaginez un agent de sécurité qui ne vérifie les portes que lorsqu'un capteur indique l'approche de quelqu'un, plutôt que de vérifier chaque seconde indépendamment de toute activité. De même, ce système ne réveille le moteur de calcul intensif que lorsque l'état du système s'approche de la limite de sa zone de sécurité. Si le système se comporte bien, le contrôleur reste silencieux, économisant ainsi des ressources de calcul importantes.

Cependant, savoir quand se réveiller ne suffit pas ; le contrôleur doit également savoir avec quelle agressivité agir. C'est là que la troisième innovation, un mécanisme de réglage adaptatif basé sur la théorie des jeux, brille. Les chercheurs ont reconnu que les paramètres contrôlant l'intensité du travail du système et la fréquence de ses vérifications sont en conflit naturel. Si le système travaille trop dur, il gaspille de l'énergie ; s'il vérifie trop souvent, il gaspille de la puissance de calcul. S'il travaille trop peu ou vérifie trop rarement, le système risque de perdre sa trajectoire. Pour résoudre cela, les auteurs ont traité les deux paramètres comme des joueurs dans un jeu stratégique. Un joueur, représentant l'objectif de haute qualité de suivi, agit comme le leader, tandis que l'autre, représentant l'objectif d'économie de ressources, agit comme le suiveur. Le leader fait un mouvement en premier, et le suiveur répond de la meilleure façon possible compte tenu de ce mouvement. Cette interaction trouve un équilibre parfait, ou équilibre de Nash, où le système atteint la meilleure performance de suivi possible sans gaspiller d'efforts inutiles. Cet équilibre change dynamiquement selon les conditions, garantissant que le système est toujours réglé sur la situation actuelle.

Pour tester leurs idées, les chercheurs ont appliqué leur cadre à une simulation complexe d'un système de huit réservoirs d'eau. Cette configuration impliquait quatre pompes et huit réservoirs interconnectés, où le niveau d'eau dans un réservoir était directement affecté par les pompes contrôlant les autres, créant un réseau complexe d'interactions. Ils ont simulé divers scénarios, incluant des changements soudains des niveaux d'eau souhaités, des perturbations non mesurées comme un flux d'eau inattendu entrant dans les réservoirs, et des incertitudes significatives dans les paramètres physiques du système. Les résultats étaient frappants. La nouvelle méthode a réussi à suivre les niveaux d'eau souhaités avec une précision presque identique à celle d'un système centralisé ayant accès à toutes les informations, un exploit que les systèmes décentralisés peinent souvent à accomplir. En même temps, elle a considérablement réduit le nombre de fois où les contrôleurs ont dû recalculer leurs plans. Dans un test, le système n'a eu besoin de mettre à jour ses calculs qu'environ 20 à 111 fois sur une période où un système traditionnel aurait mis à jour ses données en continu, tout en maintenant la stabilité et la performance.

L'étude a également démontré que le système pouvait gérer efficacement le « jeu » du réglage de ses propres paramètres. Lorsqu'une perturbation importante est survenue, le système a automatiquement abaissé sa résistance à l'utilisation de plus de puissance pour corriger l'erreur rapidement, tout en augmentant simultanément la fréquence de ses vérifications pour assurer la sécurité. À mesure que le système revenait à la normale, il passait naturellement à un mode plus conservateur, économisant de l'énergie et réduisant la charge de calcul. Cette capacité d'auto-ajustement signifiait que le système ne faisait pas que survivre aux perturbations ; il prospérait, maintenant les niveaux d'eau dans des limites sûres et les pompes dans leurs limites opérationnelles. Les chercheurs ont constaté qu'ignorer les interactions entre les réservoirs entraînait des erreurs significatives, mais que leur méthode compensait avec succès ces effets. De plus, le système s'est avéré robuste même lorsque les propriétés physiques des pompes et des tuyaux étaient incertaines, variant jusqu'à vingt-cinq pour cent par rapport à leurs valeurs attendues.

En fin de compte, ce travail offre une nouvelle façon de gérer des systèmes complexes et de grande envergure sans le fardeau d'un cerveau central ou l'inefficacité d'une communication constante. En combinant une vérification de sécurité robuste, un déclencheur intelligent qui ne s'active que lorsque nécessaire, et une méthode stratégique d'auto-réglage, les chercheurs ont créé un cadre de commande qui est à la fois résilient et efficace. Les simulations suggèrent que cette approche peut trouver un équilibre délicat entre haute performance et conservation des ressources, un équilibre essentiel pour l'avenir des systèmes industriels et d'infrastructure à grande échelle. Les conclusions indiquent qu'il est possible d'avoir un système décentralisé aussi fiable qu'un système centralisé, à condition que les contrôleurs locaux disposent des bons outils pour comprendre leurs voisins, savoir quand agir et ajuster leur propre comportement face au monde changeant qui les entoure.