⚡ electrical engineering

DeePC vs. Koopman MPC for Pasteurization: A Comparative Study

本論文は、パストライゼーション装置におけるデータ駆動型予測制御手法として、直接入出力軌跡を用いる DeePC と、Koopman 理論に基づく KMPC を比較し、両者とも制約付き制御を達成できるものの、KMPC は追従精度が高く、DeePC は入力軌跡がより滑らかであるというトレードオフを明らかにした。

原著者： Branislav Daráš, Patrik Valábek, Martin Klaučo

公開日 2026-04-02

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Branislav Daráš, Patrik Valábek, Martin Klaučo

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、**「お湯を温めて殺菌する装置（パストゥリゼーション装置）」**を、AI を使ってより賢く、効率的に制御する方法を比較した研究です。

具体的には、従来の「物理の法則を全部計算して制御する」のではなく、「過去のデータから直接学習して制御する」という2 つの新しい AI 制御テクニックを、同じ条件で戦わせてみました。

その 2 つのテクニックとは、**「DeePC（ディー・ピー・シー）」と「Koopman MPC（クープマン・エム・ピー・シー）」**です。

わかりやすくするために、**「プロの料理人が新しいレシピを覚える」**という例え話で説明しましょう。

🍳 シチュエーション：お湯の温度を完璧に保つ料理人

あなたは、お湯の温度を一定に保ちながら、牛乳を殺菌する料理人です。

目標： お湯の温度（出力）を、レシピの指定通り（目標値）に保つこと。
制約： 火加減（入力）を急に変えすぎると鍋が壊れるし、温度が高すぎると牛乳が焦げる。
課題： この装置は複雑で、物理の法則（熱力学など）をすべて数式で表すのは大変です。そこで、**「過去の成功した調理記録（データ）」**を使って、AI に制御を任せることにしました。

ここで登場するのが、2 人の「AI 料理人」です。

🥊 対決：2 人の AI 料理人の戦い

1. DeePC（ディー・ピー・シー）：「過去の記録をそのままなぞる天才」

やり方：
この料理人は、**「過去に成功した調理の記録（温度と火加減の履歴）」をすべて大きな帳簿（ハンケル行列）にまとめます。
新しい調理が始まると、「今、温度がこうなっているなら、過去の記録のどこかと同じ状況だったはずだ」と探して、「その時の火加減をそのまま真似する」**という方法です。
- 特徴： 「なぜそうなるのか？」という理屈（モデル）は作りません。「過去にこうだったから、こうすればいい」という**「経験則の直接活用」**です。
性格： 非常に慎重で、急な動きを嫌います。

2. Koopman MPC（クープマン・エム・ピー・シー）：「複雑な現象を単純化する数学者」

やり方：
この料理人は、まず過去のデータを勉強して、**「複雑な温度変化を、単純な直線の動き（線形モデル）に変換する魔法の鏡」を作ります。
一度、複雑な現象を「単純なルール」に置き換えてしまえば、あとは「そのルールに基づいて、未来を計算して最適の火加減を決める」**という、伝統的な計算機制御の手法を使います。
- 特徴： データから「モデル（仕組み）」を自動で作り上げ、その上で制御します。
性格： 目標に素早く、鋭く反応します。

🏆 結果：どっちが勝った？

同じ条件（同じ目標温度、同じ制限）で 5.5 時間ほど調理をさせたところ、**「どちらも失敗せず、目標温度に到達した」という共通点がありました。しかし、その「動き方」**に大きな違いがありました。

📊 比較結果のまとめ

項目	Koopman MPC（数学者）	DeePC（経験則）	解説
目標への追従	非常に鋭い	少し緩やか	目標温度が変わると、Koopman はすぐに反応して追いつきます。DeePC は少し遅れて、ゆっくり追いつきます。
火加減の動き	ガクガク・激しい	滑らか・なめらか	Koopman は「急げ！」と火を強弱を激しく変えます。DeePC は「焦らずに」と、火加減を非常に滑らかに変えます。
エネルギー消費	標準	少し多い	DeePC は滑らかですが、結果的に少し多くのエネルギーを使いました。
コスト（評価）	追従コストが低い	操作コストが 84% 減	「火加減を急に変えること」の代償（摩耗や振動）は、DeePC の方が圧倒的に少なくて済みました。

💡 結論：どっちを選ぶべき？

この研究が示したのは、**「正解は一つではない」**ということです。

Koopman MPC が向いている人：
「とにかく目標温度に素早く、正確についてほしい！」という場合。
- 例：温度のズレが許されない、厳密な品質管理が必要な場合。
- 代償： 装置（火加減）が激しく動くため、摩耗や振動のリスクがある。
DeePC が向いている人：
「装置を優しく、滑らかに動かしたい！」という場合。
- 例：機械の寿命を延ばしたい、急な温度変化で製品が傷つくのを防ぎたい場合。
- 代償： 目標への追従が少しだけ緩やかになる。

🌟 一言で言うと

この論文は、**「AI に制御を任せる時、あなたは『速さ』を優先するか、『滑らかさ』を優先するか」**という、実務的なトレードオフ（二者択一）を明確に示してくれたのです。

どちらが「正解」ではなく、**「あなたの装置にとって、どちらの特性が重要か」**を選ぶための指針となった研究です。

論文要約：Pasteurization（加熱殺菌）プロセスにおける DeePC と Koopman MPC の比較研究

本論文は、データ駆動型予測制御（Data-driven Predictive Control）の 2 つの主要なアプローチである**DeePC（Data-enabled Predictive Control）とKoopman ベースの MPC（KMPC）**を、多変量な加熱殺菌プロセス（Pasteurization Unit）において比較検討した研究です。第一原理モデル（物理法則に基づくモデル）に依存せず、データのみから制御器を構築する手法の性能とトレードオフを明らかにすることを目的としています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題定義と背景

対象プロセス: 加熱殺菌プロセスは、安全性と品質に直結する熱処理工程であり、複数の操作変数（流量、加熱電力など）と測定変数（温度など）が強く結合した多変量システムです。
課題: 従来のモデル予測制御（MPC）は優れた性能を発揮しますが、高忠実度の第一原理モデルの構築には多大な時間とコストがかかり、熱損失や運転条件の変化によりモデルの精度が低下するリスクがあります。
目的: 物理モデルを必要とせず、入力 - 出力データのみから制御を行うデータ駆動型手法の中で、DeePCとKoopman 理論に基づく MPCのどちらが、多変量プロセス制御に適しているかを比較し、実務家への指針を提供することです。

2. 手法の概要

両手法とも第一原理モデルを直接使用しませんが、データの扱い方と予測モデルの構築プロセスが異なります。

A. DeePC (Data-enabled Predictive Control)

基本原理: 行動システム理論（Behavioral Systems Theory）と Willems の基本補題に基づきます。
仕組み: 状態空間モデルを構築せず、過去の入力・出力軌跡を**ハンケル行列（Hankel Matrix）**として整理します。この行列の列の線形結合を用いて、将来の軌跡を直接予測し、制約付き最適化問題を解いて制御入力を決定します。
特徴: モデル構築ステップを完全に排除し、データそのものが予測器となります。本研究では、数値的安定性とノイズ耐性のために正則化（Ridge 正則化）とスラック変数を導入した正則化 DeePCを採用しました。

B. Koopman ベースの MPC (KMPC)

基本原理: Koopman 演算子理論に基づき、非線形ダイナミクスを「リフト（lifted）」された無限次元の線形空間で表現します。
仕組み: ニューラルネットワークを用いて、非線形システムを線形状態空間モデル（ $z_{k+1} = A_K z_k + B_K u_k$ ）に近似するリフト関数を学習します。学習された行列（ $A_K, B_K, C_K$ ）を用いて標準的な MPC を設計します。
特徴: データからモデルを「学習・同定」するプロセスを含みますが、制御設計は古典的なモデルベースの MPC パイプラインに従います。オフセット除去（Offset-free）を実現するために、外乱モデルとカルマンフィルタを組み合わせています。

3. 実験設定

シミュレーション環境: 3 つの操作変数（給液流量、温水循環流量、電気ヒータ電力）と 3 つの測定変数（保持管出口温度、タンク温度、熱交換器出口温度）を持つ加熱殺菌ユニットのニューラルネットワークベースのデジタルツインをプラントとして使用。
公平な比較: 両制御器は、予測ホライズン、コスト重み（追従誤差と制御努力）、制約条件を完全に同一に設定しました。これにより、閉ループ挙動の差異が「予測表現の選択」に起因することを保証しています。
評価指標: 追従誤差（RMS）、追従コスト、制御努力（入力の滑らかさ）、エネルギー消費量。

4. 主要な結果と発見

両手法とも制約を満たしつつ追従制御を達成しましたが、明確なトレードオフが観測されました。

指標	KMPC の結果	DeePC の結果	考察
追従誤差 (eRMS)	基準 (100%)	100.7%	両者ともほぼ同等の追従精度を達成。
追従コスト (Jy)	基準 (100%)	223.1%	KMPC は重み付けされた追従コストが低く、設定値への追従がより鋭敏。
制御努力 (JΔu)	基準 (100%)	16.4%	DeePC は制御入力の急激な変化が極めて少なく、非常に滑らかな操作を実現。
エネルギー消費	基準 (100%)	106.9%	DeePC は滑らかな操作の代償として、若干のエネルギー消費増加が見られた。

KMPC の特性: 設定値変化に対して素早く反応し、重み付けされた追従誤差を最小化することに優れています。
DeePC の特性: 制御入力が非常に滑らかで、アクチュエータの摩耗やプロセスの不安定化を抑制する傾向があります。その代わり、追従コスト（重み付き誤差の和）は KMPC よりも高くなりました。
定性的な観察: 図 4 の結果から、DeePC は入力を急激に変化させることなく、より緩やかに目標値に近づける傾向があり、KMPC はより攻撃的（aggressive）な制御を行うことが確認されました。

5. 主要な貢献

多変量システムへの適用: 標準的な仮定（可制御性、可観測性、持続的励起）の下で、ハンケル行列の構築、正則化設計、制約処理を含む正則化 DeePC の実用的な定式化を提供しました。
直接的な比較: 加熱殺菌プロセスという具体的な熱処理プロセスにおいて、DeePC と KMPC を同一条件で比較し、追従精度、制御努力、エネルギー消費の観点から定量的な評価を行いました。
明確なトレードオフの提示: 「設定値追従の厳密さ（KMPC が有利）」と「操作の滑らかさ（DeePC が有利）」という明確なトレードオフを明らかにしました。

6. 意義と結論

本論文は、熱処理プロセスにおけるデータ駆動型制御の実践的な選択基準を提供するものです。

KMPC が推奨されるケース: 設定値への追従精度が最優先され、制御入力の急激な変化が許容される場合。
DeePC が推奨されるケース: アクチュエータの寿命、プロセスの安定性、操作の滑らかさが重要視される場合（例：熱応力や機械的ストレスを最小化したい場合）。

限界と今後の課題:

本研究はノイズのないデジタルツイン上でのシミュレーションであり、実プラントでの測定ノイズやモデル不整合に対するオフセット除去機能（DeePC 側）の必要性が指摘されています。
今後の研究では、実機への適用と、ノイズ環境下でのオフセットフリー機能の拡張が予定されています。

総じて、両手法とも有効ですが、制御目標の優先順位（追従精度 vs 操作の滑らかさ）に応じて適切な手法を選択するべきであるという結論に至っています。