Model predictive control (MPC) is a widely used modern control technique with numerous successful application in diverse areas. Much of this success is due to the ability of MPC to enforce state and control constraints, which are crucial in many applications of control. In order to avoid the need for an observer, output-feedback model predictive control with online identification (OFMPCOI) uses the block observable canonical form whose state consists of past values of the control inputs and measured outputs. Online identification is performed using recursive least squares (RLS) with variable-rate forgetting. The article describes the algorithmic details of OFMPCOI and numerically investigates its performance through a collection of numerical examples that highlight various control challenges, such as model order uncertainty, sensor noise, prediction horizon, stabilization, magnitude and move-size saturation, and stabilization. The numerical examples are used to probe the performance of OFMPCOI in terms of persistency, consistency, and exigency. Since OFMPCOI does not employ a separate control perturbation to enhance persistency, the focus is on self-generated persistency during transient operation. For closed-loop identification using RLS, sensor noise gives rise to bias in the identified model, and the goal is to determine the effect of the lack of consistency. Finally, the numerical examples reveal exigency, which is the extent to which the online identification emphasizes model characteristics that are most relevant to meeting performance objectives.

中文翻译：

---

具有在线识别的输出反馈模型预测控制

模型预测控制 (MPC) 是一种广泛使用的现代控制技术，在不同领域有许多成功的应用。这种成功在很大程度上归功于 MPC 强制执行状态和控制约束的能力，这在许多控制应用中至关重要。为了避免需要观察者，具有在线识别的输出反馈模型预测控制 (OFMPCOI) 使用块可观察规范形式，其状态由控制输入和测量输出的过去值组成。使用具有可变速率遗忘的递归最小二乘法 (RLS) 执行在线识别。本文描述了 OFMPCOI 的算法细节，并通过一系列数值示例对其性能进行了数值研究，这些示例突出了各种控制挑战，例如模型阶数不确定性、传感器噪声、预测范围、稳定性、幅度和移动大小饱和度以及稳定性。数值例子用于探讨 OFMPCOI 在持久性、一致性和紧急性方面的性能。由于 OFMPCOI 不采用单独的控制扰动来增强持久性，因此重点是在瞬态操作期间自产生的持久性。对于使用 RLS 的闭环识别，传感器噪声会引起识别模型的偏差，目标是确定缺乏一致性的影响。最后，数值例子揭示了紧迫性，即在线识别强调与满足性能目标最相关的模型特征的程度。数值例子用于探讨 OFMPCOI 在持久性、一致性和紧急性方面的性能。由于 OFMPCOI 不采用单独的控制扰动来增强持久性，因此重点是在瞬态操作期间自产生的持久性。对于使用 RLS 的闭环识别，传感器噪声会引起识别模型的偏差，目标是确定缺乏一致性的影响。最后，数值示例揭示了紧迫性，即在线识别强调与满足性能目标最相关的模型特征的程度。数值例子用于探讨 OFMPCOI 在持久性、一致性和紧急性方面的性能。由于 OFMPCOI 不采用单独的控制扰动来增强持久性，因此重点是在瞬态操作期间自产生的持久性。对于使用 RLS 的闭环识别，传感器噪声会引起识别模型的偏差，目标是确定缺乏一致性的影响。最后，数值示例揭示了紧迫性，即在线识别强调与满足性能目标最相关的模型特征的程度。重点是在瞬态操作期间自生成的持久性。对于使用 RLS 的闭环识别，传感器噪声会引起识别模型的偏差，目标是确定缺乏一致性的影响。最后，数值示例揭示了紧迫性，即在线识别强调与满足性能目标最相关的模型特征的程度。重点是在瞬态操作期间自生成的持久性。对于使用 RLS 的闭环识别，传感器噪声会引起识别模型的偏差，目标是确定缺乏一致性的影响。最后，数值示例揭示了紧迫性，即在线识别强调与满足性能目标最相关的模型特征的程度。