Recurrent neural network-based robust control systems with closed-loop regional incremental ISS and application to MPC design

📄 arXiv: 2506.20334v2 📥 PDF

作者: Daniele Ravasio, Marcello Farina, Alessio La Bella, Andrea Ballarino

分类: eess.SY, cs.LG

发布日期: 2025-06-25 (更新: 2025-11-05)

备注: 16 pages, 5 figures, submitted to IEEE Transactions on Automatic Control (under review)

💡 一句话要点

提出基于递归神经网络的鲁棒控制系统以解决MPC设计问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 递归神经网络 鲁棒控制 增量稳定性 模型预测控制 线性矩阵不等式 状态反馈 数值仿真

📋 核心要点

  1. 现有方法在处理递归神经网络系统时，常面临鲁棒性不足和状态估计不确定性的问题。
  2. 本文提出了一种基于线性矩阵不等式的设计程序，结合增量ISS特性，确保系统对干扰的鲁棒性。
  3. 通过数值仿真验证，提出的方法在pH中和过程中的表现优于传统控制方法，具有更大的吸引域。

📝 摘要（中文）

本文研究了基于递归神经网络的输出反馈方案设计，提出了一种基于线性矩阵不等式的观察者和静态状态反馈控制器设计程序。该算法利用全局和区域增量输入到状态稳定性（增量ISS），确保在干扰和状态估计不确定性下的鲁棒性。为克服区域增量ISS的潜在局限性，本文引入了一种替代方案，通过管道式非线性模型预测控制器（NMPC）替代静态控制律，利用区域增量ISS特性。理论结果通过pH中和过程基准的数值仿真得到了验证。

🔬 方法详解

问题定义：本文旨在解决基于递归神经网络的控制系统在鲁棒性和状态估计不确定性方面的挑战。现有方法在面对外部干扰时，往往无法保证系统的稳定性和性能。

核心思路：论文提出了一种结合增量输入到状态稳定性（ISS）特性的控制设计方法，通过引入线性矩阵不等式来设计观察者和控制器，确保系统在干扰下的鲁棒性。

技术框架：整体架构包括两个主要模块：首先是基于线性矩阵不等式的观察者设计，其次是静态状态反馈控制器的设计。为克服区域增量ISS的局限性，进一步引入管道式NMPC作为替代方案。

关键创新：最重要的技术创新在于将区域增量ISS特性与管道式NMPC结合，形成了一种新的鲁棒控制策略，显著扩大了系统的吸引域。

关键设计：在设计过程中，关键参数包括增量ISS的定义和线性矩阵不等式的构造，损失函数的选择以及网络结构的设计均经过精心调整，以确保系统的稳定性和性能。

📊 实验亮点

实验结果表明，提出的控制方法在pH中和过程中的表现优于传统控制策略，系统的吸引域显著扩大，确保了在干扰下的稳定性和性能，验证了理论分析的有效性。

🎯 应用场景

该研究的潜在应用领域包括工业自动化、机器人控制和智能制造等。通过提高控制系统的鲁棒性和稳定性，能够有效应对复杂环境中的不确定性，提升系统的整体性能和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper investigates the design of output-feedback schemes for systems described by a class of recurrent neural networks. We propose a procedure based on linear matrix inequalities for designing an observer and a static state-feedback controller. The algorithm leverages global and regional incremental input-to-state stability (incremental ISS) and enables the tracking of constant setpoints, ensuring robustness to disturbances and state estimation uncertainty. To address the potential limitations of regional incremental ISS, we introduce an alternative scheme in which the static law is replaced with a tube-based nonlinear model predictive controller (NMPC) that exploits regional incremental ISS properties. We show that these conditions enable the formulation of a robust NMPC law with guarantees of convergence and recursive feasibility, leading to an enlarged region of attraction. Theoretical results are validated through numerical simulations on the pH-neutralisation process benchmark.