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

Titolo: MPC Non Lineare per Sistemi Interconnessi in Feedback: un Approccio Subottimale e a Modello Ridotto

Autori: Stefano Di Gregorio, Guido Carnevale e Giuseppe Notarstefano

1. Il Problema

Il controllo predittivo non lineare (MPC) è una tecnica potente per la gestione di sistemi dinamici complessi, ma la sua principale limitazione risiede nella complessità computazionale. La necessità di risolvere un problema di ottimizzazione online ad ogni istante di campionamento rende l'approccio standard spesso proibitivo per sistemi con dinamiche rapide o architetture gerarchiche.

Il lavoro affronta due sfide specifiche:

1. Riduzione del carico computazionale: Come evitare di risolvere il problema di ottimizzazione completo ad ogni passo, limitandosi a un numero finito di iterazioni (approccio subottimale).
2. Gestione di sistemi multi-scala: Come controllare sistemi interconnessi in feedback dove una parte delle dinamiche (es. compensatori a basso livello o dinamiche non modellate) evolve molto più velocemente della dinamica target, senza dover modellare esplicitamente tutte le variabili di stato nel predittore MPC.

L'obiettivo è progettare un'architettura di controllo che combini ottimizzazione subottimale e riduzione dell'ordine del modello, garantendo al contempo la stabilità esponenziale globale del sistema in anello chiuso.

2. Metodologia

Gli autori propongono un'architettura di controllo basata su un sistema discreto interconnesso in feedback, descritto da:

• Dinamica target ($x_t$): La parte lenta del sistema che si desidera controllare.
• Dinamica extra ($\xi_t$): La parte veloce (es. corrente di un motore, compensatori interni) che evolve su una scala temporale più rapida.

Il parametro chiave è il tempo di campionamento $\delta$, che agisce come parametro di separazione delle scale temporali: un $\delta$ sufficientemente piccolo induce una separazione tra le dinamiche lente e quelle veloci.

Componenti dell'Architettura Proposta:

1. Modello Ridotto ($f_R$):
   L'ottimizzatore MPC non utilizza il modello completo del sistema. Invece, utilizza un modello ridotto che approssima le dinamiche target valutandole sulla varietà di equilibrio della dinamica veloce.
   $$f_R(x, u, \delta) := f(x, \xi_{eq}(x, u), u, \delta)$$
   dove $\xi_{eq}(x, u)$ è lo stato stazionario della dinamica veloce per un dato stato target $x$ e ingresso $u$.

2. Ottimizzazione Subottimale:
   Il problema di controllo ottimo a orizzonte finito viene risolto in modo subottimale. L'ottimizzatore non converge alla soluzione esatta ad ogni istante, ma esegue un numero finito di iterazioni (o un singolo passo di discesa del gradiente proiettato). Lo stato dell'ottimizzatore $z_t$ evolve secondo una dinamica $z_{t+1} = A(z_t, x_t)$.

3. Analisi di Stabilità (Separazione delle Scale):
   La stabilità dell'anello chiuso è dimostrata utilizzando argomenti di separazione delle scale temporali (teoria delle perturbazioni singolari discrete). Il sistema in anello chiuso è analizzato come l'interconnessione di:

   • Sistema a strato limite (Fast System): Analizzato fissando lo stato lento $x_t$. Si dimostra che le dinamiche veloci ($\xi_t$) e l'ottimizzatore ($z_t$) convergono esponenzialmente al loro equilibrio.
   • Sistema Ridotto (Slow System): Analizzato assumendo che le variabili veloci siano sempre sul loro equilibrio. Si dimostra che la dinamica lenta, guidata dal controllo subottimale calcolato sul modello ridotto, è esponenzialmente stabile.

3. Contributi Chiave

• Architettura Unificata: Integrazione di strategie subottimali e riduzione del modello in un unico framework teorico per sistemi interconnessi.
• Garanzia di Stabilità Globale: Dimostrazione che il punto di equilibrio del sistema in anello chiuso (composto da pianta completa, modello ridotto e ottimizzatore subottimale) è globalmente esponenzialmente stabile, a condizione che il tempo di campionamento $\delta$ sia sufficientemente piccolo.
• Ruolo del Parametro $\delta$: Identificazione formale del tempo di campionamento come parametro che permette la separazione delle scale temporali, sostituendo i piccoli parametri fisici tipici della teoria delle perturbazioni continue.
• Robustezza al Mismatch Modello-Pianta: Il metodo è progettato per gestire il disallineamento strutturale tra il modello ridotto usato dall'ottimizzatore e la pianta reale completa.

4. Risultati

I risultati teorici sono stati validati attraverso simulazioni numeriche su un sistema meccatronico: un pendolo azionato da un motore DC.

• Scenario: Il sistema include le dinamiche meccaniche lente (angolo e velocità del pendolo) e le dinamiche elettriche veloci (corrente dell'armatura).
• Confronto: L'approccio proposto (Subottimale + Modello Ridotto) è stato confrontato con:
  1. MPC Ottimale su Pianta Ideale (senza mismatch).
  2. MPC Subottimale su Pianta Ideale.
• Evidenze Sperimentali:
  • Per un $\delta$ piccolo (0.01 s), il sistema proposto mostra una convergenza esponenziale verso l'equilibrio, confermando la teoria.
  • Per un $\delta$ intermedio (0.12 s), l'approccio proposto mantiene prestazioni accettabili, mentre le prestazioni degradano se il tempo di campionamento non è sufficientemente piccolo da garantire la separazione delle scale.
  • Per un $\delta$ grande (0.2 s), la separazione delle scale non è più valida: il sistema proposto fallisce o degrada significativamente, dimostrando che la condizione di "piccolo $\delta$" è critica per la stabilità.

5. Significato e Implicazioni

Questo lavoro è significativo per diverse ragioni:

• Efficienza Computazionale: Permette l'implementazione di MPC su sistemi complessi o embedded con risorse limitate, riducendo drasticamente il carico di calcolo sia attraverso la semplificazione del modello che attraverso l'ottimizzazione iterativa limitata.
• Applicabilità Pratica: È particolarmente rilevante per applicazioni robotiche e meccatroniche dove esistono naturalmente dinamiche a più scale (es. controllo di coppia interno vs controllo cinematico esterno).
• Fondamento Teorico: Fornisce una giustificazione matematica rigorosa per l'uso comune di modelli ridotti e ottimizzatori approssimati in scenari reali, trasformando una pratica euristica in un metodo con garanzie di stabilità provate.
• Scalabilità: L'approccio suggerisce che, aumentando la velocità di campionamento (riducendo $\delta$), è possibile mantenere la stabilità anche con modelli molto semplificati e ottimizzatori poco iterativi, offrendo un compromesso flessibile tra prestazioni e costo computazionale.

In sintesi, il paper dimostra che è possibile ottenere stabilità garantita in sistemi complessi interconnessi accettando una subottimalità controllata e una semplificazione del modello, purché sia rispettata una precisa relazione tra la velocità di campionamento e la dinamica del sistema.