Adaptive Mode Switching Nonlinear Predictive Control Based on Continuous Learning Framework With Industrial Application

Jie Han

doi:10.1109/TASE.2026.3652581

2026-01-01

PRE

DOI：10.1109/TASE.2026.3652581

原文链接

原文求助

摘要

En 中文

工业过程常呈现多种运行模式，由生产条件、原料特性或操作设置的变化驱动。单一预测模型难以适应多模态动态，导致模型预测控制（MPC）性能欠佳。此外，大多数多模态MPC方法需为每种运行模式开发独立的预测模型，使MPC效果高度依赖模式切换策略。本文提出一种新颖的自适应模式切换非线性预测控制（AMSNPC）方法，以提升动态工业场景中的建模鲁棒性和控制精度。首先，基于持续学习框架的多模态建模方法被研究，以消除对显式模式切换逻辑的需求。其次，设计了一种自适应误差触发校正机制，可根据输出预测误差自动检测模式切换，并在运行模式切换时加速对目标值的响应速度。最后，采用名为状态转移算法（STA）的启发式优化算法求解非线性MPC问题的全局最优控制解。数值仿真实验和工业案例研究证明，AMSNPC方法在多模态过程控制中实现了高控制精度并最小化超调。实践者说明—多模态过程在化工制造、能源生产及材料加工等行业中普遍存在。传统模型预测控制方法常难以应对多模态动态，需为每种模式建立独立预测模型并采用复杂切换策略。本文引入一种自适应模式切换非线性预测控制方法以克服这些限制。首先，提出多模态持续学习框架（MCLF）以高效捕捉多模态动态。其次，开发自适应误差触发校正机制以确保模式切换时的快速响应，同时STA优化控制性能。最后，通过数值示例和氧化铝蒸发过程的工业应用验证了AMSNPC的有效性。实验结果表明，AMSNPC能在控制精度和超调方面实现满意的操作性能。

Keyword:

Switches

Predictive models

Predictive control

Optimization

Adaptation models

Feature extraction

Production

Prediction algorithms

Automation

Optimal control

Continuous learning