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

Título: MPC Não Linear para Sistemas Interconectados por Feedback: Uma Abordagem Subótima e de Ordem Reduzida

1. Problema Abordado

O controle Preditivo por Modelo (MPC) é uma técnica poderosa, mas sua aplicação em sistemas complexos e não lineares é frequentemente limitada pela complexidade computacional. Resolver um problema de controle ótimo online a cada instante de amostragem pode ser proibitivo, especialmente em sistemas com estruturas hierárquicas ou múltiplos subsistemas interconectados.

O artigo foca em sistemas de tempo discreto caracterizados por dinâmicas interconectadas por feedback, onde existe uma separação de escalas de tempo entre:

• Dinâmica Alvo (Lenta): O estado principal $x_t$ que se deseja controlar.
• Dinâmica Extra (Rápida): Um estado adicional $\xi_t$ (que pode representar dinâmicas não modeladas ou um compensador de baixo nível) que evolui muito mais rapidamente.

O desafio é projetar um controlador que seja computacionalmente eficiente (reduzindo o tempo de cálculo) sem comprometer a estabilidade do sistema de malha fechada, mesmo quando o controlador utiliza um modelo simplificado e não resolve o problema de otimização até a convergência exata.

2. Metodologia

Os autores propõem uma arquitetura de MPC que combina duas estratégias de redução de carga computacional:

1. Modelo de Ordem Reduzida:

   • Em vez de usar o modelo completo do sistema, o otimizador do MPC opera sobre um modelo reduzido.
   • Este modelo assume que a dinâmica rápida ($\xi_t$) está sempre em seu equilíbrio instantâneo $\xi_{eq}(x, u)$ em relação à dinâmica lenta.
   • A função de dinâmica reduzida é definida como $f_R(x, u) = f(x, \xi_{eq}(x, u), u)$.

2. Otimização Subótima:

   • O solver de MPC não resolve o problema de otimização até a exatidão em cada instante de amostragem.
   • Em vez disso, ele executa apenas um número finito de iterações (ou até mesmo uma única iteração de gradiente projetado) para obter uma solução aproximada.
   • O controlador aplica apenas o primeiro elemento da sequência de controle calculada.

Análise de Estabilidade:
A estabilidade é provada utilizando argumentos de separação de escalas de tempo (teoria de perturbação singular em tempo discreto). O parâmetro de amostragem $\delta$ atua como o parâmetro pequeno que separa as dinâmicas rápida e lenta. A análise decompõe o sistema em:

• Sistema de Camada Limite (Rápido): Analisa a estabilidade da dinâmica extra e do otimizador quando o estado lento $x$ é fixo.
• Sistema Reduzido (Lento): Analisa a estabilidade da dinâmica alvo assumindo que as variáveis rápidas estão em equilíbrio.
• Sistema Interconectado: Combina os resultados acima para provar que, se $\delta$ for suficientemente pequeno, o sistema completo mantém a estabilidade.

3. Principais Contribuições

• Arquitetura Híbrida: Propõe um esquema de MPC que integra simultaneamente a redução de ordem do modelo e a subotimalidade da otimização, abordando dois gargalos computacionais de uma só vez.
• Garantia de Estabilidade Global Exponencial: Demonstra teoricamente que o ponto de equilíbrio do sistema de malha fechada (interconectando o otimizador subótimo/reduzido com a planta de ordem completa) é globalmente exponencialmente estável.
• Interpretação do Parâmetro de Amostragem: Estabelece uma conexão teórica rigorosa onde o tempo de amostragem $\delta$ não é apenas um parâmetro de discretização, mas o parâmetro que induz a separação de escalas de tempo necessária para a estabilidade.
• Validação em Sistema Mecatrônico: Aplica e valida a teoria em um sistema físico realista: um pêndulo acionado por um motor DC, onde a dinâmica elétrica (corrente) é muito mais rápida que a dinâmica mecânica (ângulo/velocidade).

4. Resultados

Os resultados foram validados através de simulações numéricas no sistema pêndulo-motor:

• Cenário de $\delta$ Pequeno (0.01s): O sistema proposto (MPC subótimo com modelo reduzido) demonstrou convergência exponencial para o equilíbrio desejado, performando de maneira comparável a um MPC ótimo com planta ideal.
• Cenário de $\delta$ Intermediário (0.12s): O desempenho do método proposto degradou-se em comparação com o ideal, mas ainda manteve estabilidade, enquanto a diferença entre o modelo reduzido e a planta real começou a impactar o controle.
• Cenário de $\delta$ Grande (0.2s):
  • O método proposto falhou em garantir bom desempenho, levando a uma degradação severa.
  • Mesmo um MPC ótimo (resolvendo o problema exatamente) aplicado a uma planta idealizada falhou em manter o desempenho quando a separação de escalas não era suficiente.
  • Isso confirma a necessidade crítica de uma separação de escalas de tempo adequada (um $\delta$ suficientemente pequeno) para que a aproximação de ordem reduzida e a subotimalidade sejam válidas.

5. Significância e Impacto

Este trabalho é significativo porque oferece uma solução prática para a implementação de MPC em sistemas complexos e em tempo real, onde a computação exata é inviável.

• Viabilidade Computacional: Permite o uso de MPC em hardware com recursos limitados ou em sistemas de alta frequência, ao permitir que o controlador "pule" iterações de otimização e ignore dinâmicas rápidas irrelevantes para o horizonte de controle.
• Segurança Teórica: Diferente de abordagens puramente empíricas que usam modelos reduzidos sem garantias, este artigo fornece uma prova matemática de que a estabilidade não é perdida, desde que o tempo de amostragem respeite certas condições.
• Aplicabilidade Robótica: A estrutura proposta é altamente relevante para aplicações robóticas e mecatrônicas, onde controladores de baixo nível (rápidos) e planejamento de alto nível (lentos) operam em diferentes frequências.

Em resumo, o artigo estabelece que é possível sacrificar a otimalidade exata e a fidelidade do modelo (usando aproximações) sem sacrificar a estabilidade do sistema, desde que a separação de escalas de tempo seja adequadamente explorada e controlada.