基于深度学习的压燃式发动机模型预测控制
系统与控制
2022-08-05 v2 系统与控制
摘要
本文使用机器学习（ML）和非线性模型预测控制器（NMPC）来最小化压燃式发动机的排放和燃油消耗。本工作中机器学习以两种方法应用。在第一种应用中，ML用于辨识模型以在模型预测控制优化问题中实现。在第二种应用中，ML用作NMPC的替代，其中ML控制器通过模仿或模拟模型预测控制器的行为来学习最优控制动作。在本研究中，使用包含长短期记忆（LSTM）层的深度循环神经网络对工业4.5升4缸Cummins柴油发动机的排放和性能进行建模。该模型随后用于模型预测控制器实现。然后，部署深度学习方案来克隆所开发控制器的行为。在LSTM集成中，通过将网络的隐藏状态和单元状态增广到NMPC优化问题中使用了一种新颖方案。所开发的LSTM-NMPC和模仿式NMPC在实验验证的发动机仿真平台中与Cummins标定的发动机控制单元（ECU）模型进行比较。结果显示，在保持相同负荷下，氮氧化物（NOx）排放显著减少，喷油量略有下降。此外，模仿式NMPC具有与NMPC相似的性能，但计算时间减少了两个数量级。
引用
@article{arxiv.2204.00139,
title = {Deep Learning based Model Predictive Control for Compression Ignition Engines},
author = {Armin Norouzi and Saeid Shahpouri and David Gordon and Alexander Winkler and Eugen Nuss and Dirk Abel and Jakob Andert and Mahdi Shahbakhti and Charles Robert Koch},
journal= {arXiv preprint arXiv:2204.00139},
year = {2022}
}
备注
Submitted to Control engineering Practice (Submission date: March 9, 2022) Revised version (Submission date: June 18, 2022) Accepted on July 30, 2022