基于机器学习的非线性系统参考统治器及其在汽车燃料电池中的应用
系统与控制
2025-08-05 v2 系统与控制
摘要
预测基于非线性参考统治器 (PRG) 是一种用于强制执行约束的附加算法，通过必要时修改参考信号来实现。PRG 的实现负担重大，因为可能需要在每个采样周期内进行多次数值仿真。为此，本文提出了一种基于机器学习的替代方法，首先使用回归神经网络 (NN) 从训练数据中逼近 PRG 的输入-输出映射。在实际运行期间，每个采样周期我们使用训练好的 NN 计算一个正式参考命令，该命令可能由于训练误差和数据有限而不符合约束可行性。我们采用一种新型灵敏度方法，对正式参考进行最小调整，以确保约束执行。我们将所得控制策略称为修改型神经网络参考统治器 (MNN-RG)，其计算效率显著高于 PRG。 presenting the computational and theoretical properties of MNN-RG. 最后，通过仿真案例研究将其作为应用于汽车燃料电池系统约束管理的负载统治器来研究其有效性与局限性。
引用
@article{arxiv.2410.03894,
title = {A Machine Learning-Based Reference Governor for Nonlinear Systems With Application to Automotive Fuel Cells},
author = {Mostafaali Ayubirad and Hamid R. Ossareh},
journal= {arXiv preprint arXiv:2410.03894},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Control Systems Technology. DOI: 10.1109/TCST.2025.3579514. This version incorporates all peer-review revisions