⚡ electrical engineering

DeePC vs. Koopman MPC for Pasteurization: A Comparative Study

本文通过数字孪生仿真对比了基于行为系统理论的 DeePC 与基于 Koopman 算子的 KMPC 在巴氏杀菌过程中的控制性能，发现两者均能有效处理约束，但 KMPC 跟踪更精准，而 DeePC 输入轨迹更平滑。

原作者： Branislav Daráš, Patrik Valábek, Martin Klaučo

发布于 2026-04-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Branislav Daráš, Patrik Valábek, Martin Klaučo

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

这篇论文讲述了一场关于“如何控制巴氏杀菌机”的智能驾驶大比拼。

想象一下，你正在驾驶一辆非常复杂的卡车（巴氏杀菌机），车上装着三个不同的油门和刹车（加热、冷却、流量），你需要精准地控制车厢里的温度，确保牛奶或果汁既不会变质（温度太低），也不会被烫熟（温度太高），同时还要遵守速度限制（设备安全）。

传统的做法是：你需要先画出一张极其复杂的物理地图（第一性原理模型），算出每个零件怎么动会影响温度。但这很难，因为机器会老化、环境会变化，地图画不准，车就开不好。

这篇论文比较了两种不需要画地图，而是靠“看历史行车记录”来开车的数据驱动新方法：

1. 两位参赛选手

🏎️ 选手 A：DeePC（直接经验派）

它的策略：“照猫画虎”。
它不试图理解车是怎么工作的，也不建立内部模型。它只是把过去所有的“油门踩了多少”和“温度变成了多少”的记录，像整理扑克牌一样排成一个大矩阵（Hankel 矩阵）。
当需要决定下一步怎么开时，它就在这些历史记录里找：“以前在类似的情况下，我是怎么做的？当时温度是怎么变的？”然后直接组合出新的操作方案。
特点：它不需要知道车内部的结构，完全依赖过去的“肌肉记忆”。

🧠 选手 B：KMPC（科曼学习派）

它的策略：“深度学习 + 简化地图”。
它先用神经网络去“死记硬背”历史数据，试图把复杂的非线性关系（比如温度变化的曲线）强行“拉伸”成一个简单的线性关系（就像把弯曲的橡皮筋拉直）。
一旦它学会了这个“简化地图”（升维状态空间模型），它就变成了一个传统的自动驾驶系统：先预测未来，再计算最优路径。
特点：它先花力气学了一个“简化版”的模型，然后再用这个模型来规划未来。

2. 比赛过程：巴氏杀菌机模拟赛

研究者在一个虚拟的“数字孪生”工厂里（就像《模拟城市》游戏里的工厂），让这两个选手控制同一台机器。它们的目标完全一样：

把温度控制在设定值。
不要超过设备的安全极限。
尽量少浪费能源。

3. 比赛结果：没有绝对的赢家，只有不同的风格

结果非常有趣，就像两个性格迥异的司机：

🏆 精度方面（谁跟得紧？）
KMPC（学习派）赢了。 它像是一个急性子、反应极快的赛车手。当温度设定值突然改变时，它能迅速猛踩油门或刹车，紧紧咬住目标温度，误差极小。
🛡️ 平稳性方面（谁开得稳？）
DeePC（经验派）大获全胜。 它像是一个老练、温和的出租车司机。它的操作非常平滑，不会猛踩油门或急刹车。
- 数据说话：在“控制动作的剧烈程度”这一项上，DeePC 比 KMPC 减少了 84% 的剧烈波动！这意味着它的操作对机器设备的磨损更小，运行更平稳。
⚖️ 代价是什么？
- KMPC 为了追求极致的精准，动作比较“猛”，虽然温度控制得更好，但设备可能会因为频繁剧烈动作而更容易疲劳。
- DeePC 虽然温度跟得稍微“松”了一点点（但在可接受范围内），但它换来了极度的平稳。而且，虽然它动作温和，但因为为了维持温度，它稍微多消耗了一点点能源（约 7%），但这在工业上通常是可以接受的。

4. 核心结论：怎么选？

这篇论文告诉工程师们，没有“最好”的方法，只有“最适合”的方法：

如果你最在乎温度必须分毫不差（比如生产极其昂贵的药品），选 KMPC。它反应快，跟得紧。
如果你最在乎设备寿命、运行平稳，不想让机器“折腾”（比如大规模生产普通饮料），选 DeePC。它虽然动作慢半拍，但温柔、顺滑，能保护机器。

总结比喻

KMPC 就像是一个拿着精密导航仪的赛车手，为了走最短路径，可能会急转弯、急刹车，但能最快到达终点。
DeePC 就像是一个经验丰富的老司机，不看导航，全靠以前跑过的路感，开得慢一点、稳一点，乘客（设备）更舒服，虽然可能多花几分钟，但车不容易坏。

这篇论文的价值在于，它不再争论谁的技术更“先进”，而是清晰地展示了这两种数据驱动方法在实际应用中的性格差异，帮助工程师根据实际需求做出明智的选择。

这是一份关于论文《DeePC vs. Koopman MPC for Pasteurization: A Comparative Study》（DeePC 与 Koopman MPC 在巴氏杀菌中的应用：比较研究）的详细技术总结。

1. 研究背景与问题 (Problem)

应用场景：巴氏杀菌（Pasteurization）是一个对安全性和质量至关重要的热过程。该过程具有多变量、强耦合的特性（加热、冷却和流量执行器同时影响多个温度和质量变量）。
传统挑战：
- 建立高保真的第一性原理（物理）模型耗时且容易出错，因为存在未建模的热损失、工况变化和设备特异性效应。
- 模型预测控制（MPC）虽然能处理约束和优化，但其性能高度依赖于准确的预测模型和状态估计。
研究目标：比较两种数据驱动的预测控制方法，旨在无需第一性原理模型的情况下，实现约束处理和优化控制。
- DeePC (Data-enabled Predictive Control)：基于行为系统理论，直接利用输入 - 输出轨迹（通过 Hankel 矩阵）进行预测，不构建状态空间模型。
- Koopman-based MPC (KMPC)：基于 Koopman 算子理论，利用神经网络学习提升（lifted）的线性状态空间表示，然后应用标准 MPC。
核心问题：目前缺乏针对多变量过程控制问题的这两种方法的直接对比研究。本文旨在通过一个具有三个输入和三个输出的巴氏杀菌单元，在相同的控制参数设置下，评估这两种架构在闭环行为上的差异。

2. 方法论 (Methodology)

2.1 实验设置

被控对象：实验室规模的连续巴氏杀菌单元（包含板式热交换器、热回收、加热和冷却段）。
仿真环境：使用基于神经网络的数字孪生（Digital Twin）作为被控对象模拟器。
控制变量：
- 输入 ( $u$ )：进料流量、热水循环流量、电加热器功率。
- 输出 ( $y$ )：持管出口温度 ( $T_1$ )、热罐温度 ( $T_2$ )、热交换器出口温度 ( $T_3$ )。
公平性原则：两个控制器使用完全相同的预测时域 ( $N=60$ )、成本权重 ( $Q, R$ ) 和约束集，以确保性能差异仅源于预测表示形式的不同，而非参数整定。

2.2 方法一：正则化 DeePC

理论基础：Willems 基本引理（Willems' Fundamental Lemma）。
实现流程：
1. 构建 Hankel 矩阵，将历史输入输出数据划分为过去窗口 ( $T_{ini}$ ) 和未来预测窗口 ( $N$ )。
2. 通过求解凸二次规划（QP）问题，寻找数据轨迹的线性组合系数 $g$ 。
3. 正则化：引入松弛变量 $\sigma_y$ 处理噪声导致的过去输出匹配不可行问题，并引入岭回归项 $\lambda_g \|g\|^2$ 改善数值条件性。
4. 直接输出未来控制序列，无需状态估计器。

2.3 方法二：Koopman 基础 MPC (KMPC)

理论基础：Koopman 算子理论，将非线性动力学在提升的观测空间中表示为线性系统。
实现流程：
1. 模型识别：使用神经网络训练，学习提升状态 ( $z_k$ ) 的线性动力学矩阵 ( $A_K, B_K, C_K$ )。
2. 无偏跟踪：引入输出扰动模型（假设扰动在预测时域内恒定），构建增广状态 $\xi_k = [z_k, d_k]^T$ 。
3. 状态估计：使用卡尔曼滤波器估计提升状态和扰动。
4. MPC 求解：基于识别出的线性模型求解标准 MPC 问题。

3. 主要贡献 (Key Contributions)

多变量系统下的正则化 DeePC formulations：提出了适用于多变量系统的正则化 DeePC 具体实现方案，包括 Hankel 矩阵构建、正则化设计及约束处理，并在标准假设（可控、可观、持续激励）下进行了验证。
直接对比研究：在耦合热过程中首次对 DeePC 和 KMPC 进行了严格的头对头（head-to-head）比较，评估指标包括跟踪精度、控制努力、约束满足和能耗。
明确的权衡（Trade-off）发现：揭示了两种方法在闭环行为上的核心差异——KMPC 在加权跟踪成本上表现更优，而 DeePC 能产生显著更平滑的执行器动作。

4. 实验结果 (Results)

实验在 2000 个时间步（约 5.5 小时）的仿真中进行，关键指标对比如下（以 KMPC 性能为基准 100%）：

指标	含义	KMPC	DeePC	结果分析
$e_{RMS}$	跟踪误差 (RMS)	100.0%	100.7%	两者跟踪精度相当，误差差异极小 (<1%)。
$J_y$	跟踪成本 (加权)	100.0%	223.1%	KMPC 的加权跟踪成本显著更低（DeePC 是其 2.2 倍），说明 KMPC 在设定值跟踪上更“激进”和紧密。
$J_{\Delta u}$	控制努力成本 (输入变化率)	100.0%	16.4%	显著差异：DeePC 的控制动作变化率成本仅为 KMPC 的 16.4%，意味着其执行器动作极其平滑，大幅减少了磨损。
$E$	能耗 (加热器累积)	100.0%	106.9%	DeePC 能耗略高（约 7%），因为它为了平滑动作牺牲了部分能量效率。

动态行为观察：
- KMPC：在参考值变化时响应更快，执行器动作更尖锐，能更紧密地跟随设定值。
- DeePC：执行器动作非常平滑，避免了剧烈波动，但在跟踪加权成本上略高。
- 稳态误差：在仿真中两者均无稳态误差（因为 DeePC 训练数据来自无噪声的数字孪生，无模型失配）。但在实际应用中，DeePC 可能需要无偏扩展。

5. 意义与结论 (Significance & Conclusions)

实践指导意义：
- 如果应用的首要目标是紧密的设定值跟踪（例如对温度波动极其敏感的质量控制），KMPC 是更好的选择。
- 如果应用更看重执行器的平滑性、减少机械磨损或过程稳定性（例如防止加热器频繁启停或阀门剧烈动作），DeePC 是更优的选择，尽管它可能略微增加能耗。
方法论价值：
- 证明了无需物理模型，仅凭数据即可实现高性能的约束控制。
- 展示了 DeePC 作为一种“无模型”架构，在数值优化层面直接利用数据轨迹的有效性。
局限性与未来工作：
- 当前 DeePC 缺乏无偏（offset-free）机制，实际应用中需解决稳态误差问题。
- 实验基于数字孪生，未来需在真实物理硬件上验证，并处理测量噪声和模型失配。

总结：该论文通过严谨的对比实验表明，DeePC 和 Koopman MPC 都是处理多变量热过程的有效数据驱动方法。两者的核心区别不在于“能否控制”，而在于控制策略的偏好：KMPC 倾向于“精准但激进”，而 DeePC 倾向于“平滑但稍显保守”。这为工业过程控制工程师选择数据驱动策略提供了明确的决策依据。