DeePC vs. Koopman MPC for Pasteurization: A Comparative Study

📄 arXiv: 2604.00524v1 📥 PDF

作者: Branislav Daráš, Patrik Valábek, Martin Klaučo

分类: eess.SY

发布日期: 2026-04-01

💡 一句话要点

对比DeePC与Koopman MPC在巴氏消毒过程控制中的性能差异

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 数据驱动控制 模型预测控制 DeePC Koopman MPC 巴氏消毒 过程控制 数字孪生 神经网络

📋 核心要点

  1. 传统MPC依赖精确的第一性原理模型，但在复杂工业过程中难以获取或维护，限制了其应用。
  2. DeePC和KMPC通过数据驱动的方式替代传统模型，实现预测控制，无需显式系统辨识。
  3. 实验表明，DeePC和KMPC在巴氏消毒单元控制中各有优势，KMPC跟踪精度高，DeePC控制输入平滑。

📝 摘要（中文）

本文对比了两种数据驱动的预测控制方法：数据使能预测控制(DeePC)和基于Koopman的MPC(KMPC)在巴氏消毒单元控制中的性能。这两种方法都旨在利用数据替代传统的基于第一性原理的模型，实现模型预测控制(MPC)的约束处理和优化。DeePC使用行为系统理论，通过Hankel矩阵直接从输入-输出轨迹进行预测；KMPC则从数据中学习一个提升的线性状态空间表示。研究在一个基于神经网络的数字孪生巴氏消毒单元上进行了对比实验，该单元具有三个操纵输入和三个测量输出。实验结果表明，两种方法都能实现可行的约束控制，并具有相当的跟踪误差。KMPC在所选成本函数下跟踪更紧密，而DeePC产生更平滑的输入轨迹，这为实际应用中选择这两种方法提供了参考。

🔬 方法详解

问题定义：本文旨在解决巴氏消毒过程中传统模型预测控制(MPC)对精确系统模型的依赖问题。现有方法，如基于第一性原理建模的MPC，在复杂工业过程中难以建立精确模型，导致控制性能下降甚至失效。数据驱动的控制方法，如DeePC和KMPC，提供了一种无需精确模型即可实现预测控制的替代方案，但缺乏在多变量过程控制问题上的直接比较。

核心思路：本文的核心思路是直接比较DeePC和KMPC在同一巴氏消毒过程控制任务中的性能差异，通过控制目标、约束条件和成本函数的统一设置，突出两种方法在预测表示上的差异对闭环控制行为的影响。通过这种方式，为实际应用中选择合适的数据驱动控制方法提供依据。

技术框架：本文采用的实验框架包括：一个基于神经网络的巴氏消毒单元数字孪生模型作为被控对象；DeePC和KMPC作为控制器，共享相同的预测步长、成本权重和约束条件。通过对比两种控制器在跟踪性能和控制输入平滑性方面的表现，评估其在巴氏消毒过程控制中的适用性。

关键创新：本文的关键创新在于对DeePC和KMPC进行直接的头对头比较，特别是在一个多变量过程控制问题上。以往的研究通常侧重于对单个方法的性能分析，而缺乏对不同数据驱动控制方法之间差异的深入理解。通过这种比较，本文揭示了两种方法在跟踪精度和控制输入平滑性之间的权衡关系。

关键设计：DeePC和KMPC的关键设计包括：Hankel矩阵的构建方式（DeePC）；Koopman算子的学习方法和状态空间表示的构建（KMPC）；以及成本函数中跟踪误差和控制输入的权重设置。此外，约束条件的设计也至关重要，以确保控制过程的安全性和可行性。神经网络数字孪生模型的精度直接影响了实验结果的可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DeePC和KMPC均能实现巴氏消毒单元的可行约束控制，且跟踪误差相当。KMPC在所选成本函数下跟踪更紧密，但DeePC产生更平滑的输入轨迹。这意味着在需要高精度跟踪的场景下，KMPC可能更合适；而在对控制输入平滑性有较高要求的场景下，DeePC可能更具优势。这种权衡关系的揭示为实际应用提供了指导。

🎯 应用场景

该研究成果可应用于各种热处理过程的控制，例如食品工业中的巴氏消毒、化学工业中的反应器控制等。通过选择合适的控制方法，可以在保证产品质量的同时，优化能源消耗和延长设备寿命。该研究为数据驱动控制方法在工业过程控制中的应用提供了有价值的参考。

📄 摘要（原文）

Data-driven predictive control methods can provide the constraint handling and optimization of model predictive control (MPC) without first-principles models. Two such methods differ in how they replace the model: Data-enabled predictive control (DeePC) uses behavioral systems theory to predict directly from input--output trajectories via Hankel matrices, while Koopman-based MPC (KMPC) learns a lifted linear state-space representation from data. Both methods are well studied on their own, but head-to-head comparisons on multivariable process control problems are few. This paper compares them on a pasteurization unit with three manipulated inputs and three measured outputs, using a neural-network-based digital twin as the plant simulator. Both controllers share identical prediction horizons, cost weights, and constraints, so that differences in closed-loop behavior reflect the choice of predictive representation. Results show that both methods achieve feasible constrained control with comparable tracking error, but with a clear trade-off: KMPC tracks more tightly under the chosen cost, while DeePC produces substantially smoother input trajectories. These results help practitioners choose between the two approaches for thermal processing applications.