⚡ electrical engineering

Uncertainty-Aware Digital Twins: Robust Model Predictive Control using Time-Series Deep Quantile Learning

本文提出了一种感知不确定性的数字孪生框架，该框架将单步多步时间序列密集编码器（TiDE）与分位数回归相结合，从而将鲁棒的模型预测控制问题构建为确定性优化问题，进而增强定向能量沉积等工程系统中实时决策能力和约束满足能力。

原作者： Yi-Ping Chen, Ying-Kuan Tsai, Vispi Karkaria, Wei Chen

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Yi-Ping Chen, Ying-Kuan Tsai, Vispi Karkaria, Wei Chen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位正在试图降落在颠簸且不可预测的外星行星上的飞船船长。你拥有一个超级聪明的计算机（“数字孪生”），它可以模拟行星表面并告诉你精确的转向位置。但问题在于，这个星球是混乱的。有时风会比预期的吹得更猛，或者地面会发生意外位移。如果你的计算机只去猜测“平均路径”，你可能会因为没有考虑到最坏情况下的颠簸而坠毁。

这正是工程师在面对像激光熔化金属粉末进行制造的 3D 打印机这类复杂机器时所面临的问题。他们需要做出瞬时决策以保持过程安全，但现实世界是混乱且充满惊喜的。

旧方法：一次只猜一步

传统上，这些计算机试图一次只预测极其微小的一步。想象一下，你正试图通过黑暗的森林行走，你先看脚下，走一步，然后再看一眼，再走一步，然后再看一眼。这很慢，而且如果你绊倒了，你必须从头开始重新计算一切。

为了处理“颠簸”（不确定性），旧方法使用了“管状”（tube）方法。他们会在路径周围画一个巨大的、宽阔的安全管，假设任何时刻都可能发生最坏的情况。虽然这种方法保证了飞船的安全，但它极其保守。这就像开车时双手被胶水粘在方向盘上，拒绝承担任何风险，这意味着你无法快速或高效地移动。论文指出，这些旧方法通常过于谨慎且计算量巨大，尤其是在系统复杂且具有非线性特征时。

新方法：“一键式”水晶球

西北大学的研究人员提出了一种更快、更智能的导航方式。他们将三种强大的工具整合进了一个统一的框架中：

水晶球 (TiDE)： 他们没有采用向前看一步的方法，而是使用了一个名为 时间序列密集编码器 (TiDE) 的特殊 AI 模型。你可以把它想象成一个水晶球，它不仅能展示下一步，还能在一次闪现中展示未来 10 步的整个路径。这就像是直接看清前方整片森林的地图，而不是只盯着自己的脚尖。这种“一键式”预测比旧的步进式方法要快得多。
不确定性地图 (分位数学习)： 旧的“管状”方法假设最坏情况是一个固定且僵硬的盒子。新方法使用的是 分位数回归 (Quantile Regression)。想象一下，计算机绘制的不再是一个僵硬的盒子，而是一个“迷雾区域”。它通过学习过去的数据，了解到即使风力强劲，飞船也有 95% 的概率会保持在这个迷雾区域内。它并不假设风遵循完美的钟形曲线；它从数据中学习风真实的、混乱的形状。
安全缓冲器： 通过使用这些“迷雾区域”（分位数），计算机可以创建一个既足够紧凑以保证效率，又足够宽阔以保证安全的缓冲带。这并不是要避开每一个颠簸，而是要准确知道你有多少回旋余地。

结果：更快且更安全

团队通过两种方式测试了这一新系统：

1. 模拟测试：
他们首先在一个简单的线性系统（类似于基础物理问题）上进行了测试。他们将这种新方法与旧有的“基于管状”的方法进行了对比。

旧的管状方法： 它保持了飞船的安全，但过于谨慎，在飞船与悬崖边缘之间留下了巨大的间隙。在 1,000 次测试运行中，它有 6.2% 的概率未能达到目标。
新方法： 失败率仅为 5.8%。更重要的是，“回旋余地”变得更小了，这意味着飞船可以更靠近边缘而不至于坠毁。论文指出，这是因为新方法是从数据中学习误差的实际分布，而不是仅仅猜测最坏情况。

2. 现实世界测试 (定向能量沉积)：
随后，他们将此技术应用于一个真正的工程挑战：定向能量沉积 (DED)。这是一种高科技 3D 打印工艺，通过激光熔化金属粉末来构建零件。这里的“数字孪生”负责预测熔池（熔融金属）的温度和深度。如果熔池过深或过浅，零件就会报废。

挑战： 该过程存在噪声。激光在移动，金属在加热，且模拟过程中产生的微小数值误差会产生“偶然不确定性”（aleatoric uncertainty，即无法消除的随机噪声）。
结果： 新的鲁棒模型预测控制 (Robust MPC) 系统成功地将熔池深度保持在安全范围（10% 到 30% 的稀释率）内，成功率达 95%。
- 一个标准的“约束型”MPC（忽略不确定性）偶尔会违反安全限制。
- 新的 鲁棒 MPC 添加了一个安全缓冲。它牺牲了一点点完美的追踪性能（其 $r^2$ 分数从无约束版本的 0.9730 下降到了鲁棒版本的 0.6920），以确保零件不会被毁坏。
速度： 最棒的部分是，它非常快。该系统在每一步的优化问题求解平均耗时 0.1793 秒，最大耗时为 0.903 秒。这足以满足实时决策的需求。

这意味着什么（以及它不意味着什么）

论文表明，通过使用“一键式”预测器 (TiDE) 结合智能不确定性映射（分位数），我们可以使数字孪生比以前更快、更安全。它证明了你不需要假设最坏情况也能保证安全；你只需要理解不确定性的真实形状。

然而，作者也谨慎地指出，这并非解决所有问题的万灵药：

数据依赖性： 系统的好坏取决于训练数据的质量。如果现实世界抛出了训练数据从未见过的突发状况，系统可能无法很好地处理。
稳定性： 他们仅在稳定系统上进行了测试。他们承认目前尚未证明该方法在不稳定系统上的有效性。
复杂度： 虽然它比旧方法快，但仍需要大量的计算能力，这对于高维问题来说可能是一个挑战。

简而言之，这篇论文提出了一种在迷雾中驾驶飞船的新途径：与其猜测最坏的颠簸，不如去学习迷雾本身的形状，从而让你在不坠落的前提下，飞得离悬崖边缘更近。这是向着实现未来工程系统真正具备前瞻性、具备不确定性感知能力的控制迈出的重要一步。

技术摘要：通过鲁棒 MPC 与深度分位数学习实现具备不确定性感知能力的数字孪生

问题定义

数字孪生（Digital Twins, DTs）为物理系统的实时监测和主动控制提供了一种范式，通过维护一个虚拟副本来实现这一目标。在为自主系统部署数字孪生时，一个关键挑战是在存在不确定性的情况下实现实时决策。虽然模型预测控制（Model Predictive Control, MPC）是基于预测优化系统性能的标准方法，但传统的 MPC 通常依赖于确定性模型或计算成本极高的不确定性量化（Uncertainty Quantification, UQ）方法。

现有的基于学习的 MPC 方法面临两个主要障碍：

UQ 的计算成本： 标准的神经网络 UQ 技术（例如，蒙特卡洛 Dropout、集成学习、贝叶斯神经网络）依赖于采样，这需要多次前向传播，通常对于实时 MPC 来说过于缓慢。
预测效率低下： 传统的数据驱动 MPC 通常使用单步预测器，必须进行递归展开才能生成完整的轨迹。这种递归过程计算负担沉重，并可能由于误差传播导致过度保守的不确定性边界。
分布假设： 许多鲁棒 MPC 方法假设特定的扰动分布（例如高斯分布）或有界集合，但这对于具有未知或非高斯噪声（偶然不确定性/aleatoric uncertainty）的复杂非线性系统可能并不成立。

本文旨在解决一个需要整合多步预测、高效不确定性量化以及鲁棒约束处理的框架，以实现数字孪生中实时的、具备不确定性感知能力的决策。

方法论

所提出的框架被称为同步多步鲁棒 MPC（Simultaneous Multi-Step Robust MPC），它集成了三个核心组件：时间序列密集编码器（TiDE）代理模型、深度分位数学习以及加速优化方案。

1. 基于 TiDE 的代理建模

框架没有采用递归的单步预测器，而是采用了 TiDE（Time-Series Dense Encoder），这是一种专为时间序列预测设计的深度神经网络架构。

架构： TiDE 利用具有并行密集层的残差网络（ResNet）结构，使其能够以批处理方式处理整个输入序列。这避免了 RNN/LSTM 的顺序处理过程以及 Transformer 的二次方复杂度，确保了线性时间复杂度和快速推理。
输入结构： Ti递接受过去的目标值（系统状态）、过去的协变量（过去的输入）以及未来的协变量（计划的控制输入和静态系统参数）。这种结构允许该模型作为动力学系统代理，通过单次前向传播（“一步到位”）根据未来的控制动作预测未来状态。

2. 用于不确定性量化的深度分位数学习

为了解决 UQ 的计算成本问题，框架使用**分位数回归（Quantile Regression）**取代了基于采样的方法。

机制： TiDE 模型使用分位数损失函数进行训练，以同时预测中位数（标称状态）和特定的分位数（例如第 5 和第 95 百分位数），从而代表不确定性边界。
优势： 与假设高斯分布的方法不同，分位数回归可以灵活地学习数据的条件分布，而无需预设先验假设。它直接捕捉来自噪声训练数据的偶然不确定性（aleatoric uncertainty），提供预测区间（PIs）而非仅仅是置信区间（CIs）。
实现： 输出张量被扩展以包含多个分位数水平，使模型能够在单次前向传播中预测完整的轨迹及其不确定性边界。

3. 鲁棒 MPC 公式化

控制问题经过重新构建，利用学习到的分位数作为安全缓冲。

约束重构： 概率约束（例如 $P(x \in \mathcal{X}) \geq \alpha$ ）通过利用预测的上分位数和下分位数转化为确定性约束。例如，确保预测状态的第 95 百分位数保持在物理极限内，即可保证约束以 9 5% 的概率得到满足。
约束收紧： 为了应对标称轨迹与实际系统状态之间的偏差，控制输入约束通过辅助线性控制器（ $K$ ）进行收紧。这在标称轨迹周围创建了一个“管状区域（tube）”，确保即使存在扰动，系统仍保持在可行区域内。
优化加速：
- 自动微分： MPC 的目标函数和约束在 PyTorch 中实现，从而通过反向传播实现解析梯度计算。
- L-BFGS 求解器： 使用基于梯度的优化器（L-BFGS）来高效求解优化问题。
- 增广拉格朗日法： 为了处理约束而不产生二阶导数近似的计算开销，采用了增广拉格朗日法将约束问题转化为带有惩罚项的无约束问题。

4. 数字孪生集成

该框架分为两个阶段运行：

第一阶段（离线）： 收集带噪声的系统数据，并训练 TiDE 以学习标称动力学和不确定性分位数。
第二阶段（在线）： 训练好的 TiDE 作为虚拟系统。在每个时间步，物理系统的状态被输入到虚拟模型中。鲁棒 MPC 求解器利用多步分位数预测来优化未来的控制输入，并将最优输入应用于物理系统。

核心贡献

统一框架： 本文提出了第一个将多步预测深度学习预测器与深度分位数学习相统一的框架，用于鲁棒 MPC。这消除了对递归展开和基于采样的 UQ 的需求。
高效的不确定性量化： 本文证明了深度学习分位数可以有效地量化数据不确定性，且在处理非高斯噪声时，其速度和准确性均优于传统的基于采样的 UQ 方法（如集成学习或 MC Dropout）。
鲁棒决策制定： 该方法通过利用学习到的不确定性边界，构建了一个确定性优化问题，提供了一个安全缓冲，在增强约束满足率的同时，避免了传统最坏情况管状 MPC 的过度保守性。
验证： 通过线性系统数值示例和定向能量沉积（DED）增材制造工程案例研究验证了该方法，展示了其在现实世界、非线性及不确定环境中的有效性。

结果

数值示例（线性系统）

性能： 相比于标称 MPC（56.3% 违反率）和传统的管状 MPC（6.2% 违反率），所提出的鲁棒 MPC 在 1,000 次重复实验中实现了 5.8% 的约束违反率。
保守性： 虽然管状 MPC 略微更加保守（6.2% 失败率），但所提出的方法在轨迹与约束边界之间的间距更小的条件下实现了更低的失败率，表明其控制更高效且不那么保守。
准确性： TiDE 成功捕捉了系统动力学和不确定性分布，预测的中位数与地面真值高度匹配，且分位数边界有效地包络了带噪声的验证数据。

工程案例研究（DED 增材制造）

应用： 该框架被应用于控制 DED 工艺中的熔池深度和温度，这是防止孔隙率的关键步骤。
约束处理： 在存在数值模拟噪声（作为偶然不确定性）的情况下，鲁棒 MPC 成功地将熔池深度维持在要求的 10%–30% 稀释率范围内。
权衡： 与无约束情况下的标称 MPC 相比，虽然鲁棒 MPC 牺牲了一些参考跟踪性能（ $R^2$ 从 0.9730 下降到 0.6920），但它显著减少了约束违反。标称约束 MPC 由于缺乏安全缓冲，偶尔会违反深度约束，而鲁棒 MPC 则会调整控制输入以应对潜在的扰动。
计算效率： 在高性能 CPU 上，鲁棒 MPC 每步的平均求解时间为 0.1793 秒（最大 0.903 秒）。这比无约束和约束标称 MPC 都要快，这归功于安全缓冲限制了可行解空间，从而减少了收敛所需的迭代次数。

重要性与主张

本文声称这项工作为不确定性感知数字孪生应用和实时过程控制建立了一个强大的工具。通过将多步预测器的计算效率与分位数学习的灵活性相结合，所提出的方法推向了当前 MPC 能力的极限。

主动控制： 该框架支持主动控制策略，使其能够对反馈做出反应并预判扰动，而不仅仅是响应误差。
可扩展性： 该方法被呈现为一种可扩展的、数据驱动的物理建模鲁棒 MPC 的替代方案，特别适用于系统动力学复杂或未知的场景。
实用性： 对 DED 制造的成功应用表明，该方法不仅是理论性的，而且适用于对安全性及约束满足要求极高的关键工程系统。

作者也谦虚地承认了局限性，指出该框架的有效性依赖于训练数据的质量，在处理不稳定系统时可能会面临挑战，并且目前对于特定的非线性实现仍缺乏全面的稳定性及递归可行性证明。未来的工作将致力于解决代理模型的动态自适应问题。