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

Nel vasto e interconnesso mondo dell'ingegneria moderna, dalle reti elettriche agli impianti chimici, i sistemi raramente sono macchine semplici e isolate. Sono reti complesse dove una parte influenza costantemente un'altra e dove l'ambiente è imprevedibile, mutando con disturbi e incertezze nascoste. Per decenni, gli ingegneri si sono affidati a una potente strategia chiamata controllo predittivo basato su modello. Questo approccio funziona come un navigatore altamente esperto che guarda costantemente avanti, calcolando il miglior percorso possibile pur rispettando i limiti fisici e preparandosi a potenziali ostacoli. Tuttavia, man mano che i sistemi diventano più grandi e intricati, un singolo computer centrale che tenta di guidare l'intera rete viene sopraffatto. Fatica a gestire l'enorme volume di dati e la velocità richiesta per prendere decisioni, creando un collo di bottiglia che può minacciare la stabilità dell'intera operazione. Per risolvere questo problema, gli ingegneri si sono rivolti al controllo decentralizzato, dove molti controller locali più piccoli lavorano insieme, ognuno gestendo la propria sezione del sistema. Sebbene questo distribuisca il carico di lavoro, introduce una nuova sfida: come garantire che questi controller locali cooperino efficacemente senza una comunicazione costante ed estenuante, specialmente quando devono reagire a cambiamenti sconosciuti in tempo reale.

Mohsen Erfani Hajipour e Heydar Toossian Shandiz, ricercatori della Fondazione Universitaria di Mashhad, hanno sviluppato un nuovo framework per affrontare esattamente queste difficoltà. Hanno creato un sistema che consente ai controller locali di prendere decisioni intelligenti e indipendenti, rimanendo al contempo robusti contro l'incertezza e i modi complessi in cui le diverse parti di un sistema si influenzano a vicenda. Il loro approccio combina tre innovazioni distinte per creare un metodo di controllo che sia non solo stabile, ma anche efficiente. In primo luogo, hanno progettato un modo affinché ogni controller locale tenga conto dell'influenza dei suoi vicini senza la necessità di scambiare flussi costanti di dati, garantendo che il sistema rimanga sicuro anche quando il comportamento esatto dei macchinari non è perfettamente noto. In secondo luogo, hanno introdotto un meccanismo che impedisce ai controller di sprecare energia ricalcolando costantemente i propri piani. Invece di aggiornare ogni singolo momento, il sistema attende finché non è veramente necessario, controllando se il piano attuale sta ancora mantenendo il sistema all'interno di una zona sicura. Infine, e forse più ingegnosamente, hanno sviluppato un metodo per cui il sistema regola automaticamente le proprie impostazioni in tempo reale, bilanciando la necessità di un tracciamento preciso con la necessità di risparmiare energia e potenza di calcolo.

Il cuore del loro lavoro risiede nel modo in cui questi controller locali gestiscono l' "accoppiamento di input", un termine tecnico per indicare il modo in cui le azioni di una parte del sistema spingono o tirano fisicamente un'altra. In molti tentativi precedenti, i controller ignoravano queste interazioni, portando a prestazioni scarse, oppure si affidavano a una comunicazione costante, il che vanificava lo scopo della decentralizzazione. I ricercatori hanno risolto questo problema utilizzando un controllo di sicurezza matematico che garantisce la stabilità anche quando il sistema è incerto. Hanno definito una specifica regione di sicurezza, un confine invisibile che lo stato del sistema non deve oltrepassare. Finché il sistema rimane entro questo confine, il controller locale sa di essere al sicuro e non ha bisogno di fare nulla. È qui che entra in gioco la seconda innovazione, il meccanismo di attivazione basato su eventi (event-triggering). Immaginate una guardia di sicurezza che controlla le porte solo quando un sensore indica che qualcuno si sta avvicinando, invece di controllare ogni secondo indipendentemente dall'attività. Allo stesso modo, questo sistema risveglia il motore di calcolo pesante solo quando lo stato del sistema si avvicina al bordo della sua zona di sicurezza. Se il sistema si comporta bene, il controller rimane silenzioso, risparmiando significative risorse computazionali.

Tuttamente, sapere quando svegliarsi non è sufficiente; il controller deve anche sapere quanto deve agire con aggressività. È qui che risplende la terza innovazione, un meccanismo di sintonizzazione adattiva basato sulla teoria dei giochi. I ricercatori hanno riconosciuto che le impostazioni che controllano quanto duramente il sistema lavora e quanto spesso controlla il proprio stato sono in un naturale conflitto. Se il sistema lavora troppo duramente, spreca energia; se controlla troppo spesso, spreca potenza di calcolo. Se lavora troppo poco o controlla troppo raramente, il sistema potrebbe perdere la strada. Per risolvere questo, gli autori hanno trattato le due impostazioni come giocatori in un gioco strategico. Un giocatore, che rappresenta l'obiettivo di un tracciamento di alta qualità, agisce come il leader, mentre l'altro, che rappresenta l'obiettivo di risparmiare risorse, agisce come il follower. Il leader compie una mossa per primo, e il follower risponde nel modo migliore possibile data quella mossa. Questa interazione trova un equilibrio perfetto, dove il sistema raggiunge la migliore prestazione di tracciamento possibile senza sprecare sforzi inutili. Questo equilibrio si sposta dinamicamente al variare delle condizioni, garantendo che il sistema sia sempre sintonizzato sulla situazione attuale.

Per testare le loro idee, i ricercatori hanno applicato il loro framework a una simulazione impegnativa di un sistema idrico a otto serbatoi. Questa configurazione coinvolgeva quattro pompe e otto serbatoi interconnessi, dove il livello dell'acqua in un serbatoio era direttamente influenzato dalle pompe che controllavano gli altri, creando una complessa rete di interazioni. Hanno simulato vari scenari, inclusi cambiamenti improvvisi nei livelli d'acqua desiderati, disturbi non misurati come l'afflusso inaspettato di acqua nei serbatoi e incertezze significative nei parametri fisici del sistema. I risultati sono stati sorprendenti. Il nuovo metodo è riuscito a tracciare i livelli d'acqua desiderati con un'accuratezza quasi identica a un sistema centralizzato che aveva accesso a tutte le informazioni, un traguardo che i sistemi decentralizzati spesso faticano a raggiungere. Allo stesso tempo, ha ridotto drasticamente il numero di volte in cui i controller dovevano ricalcolare i propri piani. In un test, il sistema ha avuto bisogno di aggiornare i propri calcoli solo circa 20 o 111 volte in un periodo in cui un sistema tradizionale avrebbe aggiornato continuamente, pur mantenendo stabilità e prestazioni.

Lo studio ha anche dimostrato che il sistema può gestire efficacemente il "gioco" della sintonizzazione delle proprie impostazioni. Quando si verificava un grande disturbo, il sistema abbassava automaticamente la sua resistenza all'uso di maggiore potenza per correggere l'errore rapidamente, aumentando simultaneamente la frequenza dei suoi controlli per garantire la sicurezza. Man mano che il sistema tornava alla normalità, passava naturalmente a una modalità più conservativa, risparmiando energia e riducendo il carico computazionale. Questa capacità di auto-regolazione significava che il sistema non si limitava a sopravvivere ai disturbi; prosperava, mantenendo i livelli dell'acqua entro i limiti di sicurezza e le pompe entro i loro limiti operativi. I ricercatori hanno scoperto che ignorare le interazioni tra i serbatoi portava a errori significativi, ma il loro metodo compensava con successo questi effetti. Inoltre, il sistema si è dimostrato robusto anche quando le proprietà fisiche delle pompe e delle tubature erano incerte, variando fino al venticinque per cento rispetto ai loro valori attesi.

In definitiva, questo lavoro offre un nuovo modo per gestire sistemi complessi e su larga scala senza il peso di un cervello centrale o l'inefficienza di una comunicazione costante. Combinando un controllo di sicurezza robusto, un trigger intelligente che si attiva solo quando necessario e un metodo strategico di auto-sintonizzazione, i ricercatori hanno creato un framework di controllo che è sia resiliente che efficiente. Le simulazioni suggeriscono che questo approccio può raggiungere un delicato equilibrio tra alte prestazioni e conservazione delle risorse, un equilibrio che è essenziale per il futuro dei sistemi industriali e infrastrutturali su larga scala. I risultati indicano che è possibile avere un sistema decentralizzato che sia affidabile quanto uno centralizzato, a patto che i controller locali siano dotati degli strumenti giusti per comprendere i propri vicini, sapere quando agire e regolare il proprio comportamento rispetto al mondo che cambia intorno a loro.