引入基于深度神经网络的模型预测控制框架以实现快速控制器部署
系统与控制
2024-09-11 v1 机器学习
系统与控制
摘要
模型预测控制（MPC）基于代价函数提供最优控制解，同时允许过程约束的实施。作为一种基于模型的最优控制技术，MPC 的性能强烈依赖于所用模型，其中存在模型计算时间与预测性能之间的权衡。一种方案是将 MPC 与基于机器学习（ML）的过程模型集成，后者在线评估迅速。本工作展示了用于均质充量压燃（HCCI）燃烧控制的基于深度神经网络（DNN）的非线性 MPC 的实验部署。该 DNN 模型由长短期记忆（LSTM）网络外包以全连接层构成，使用实验发动机数据训练，对所有输出的预测误差低于 5%，表现出可接受的预测性能。基于此模型，MPC 被设计用于跟踪指示平均有效压力（IMEP）与燃烧相位轨迹，同时最小化若干参数。利用 acados 软件包在 ARM Cortex A72 上实现 MPC 的实时运行，优化计算在 1.4 ms 内完成。外部 A72 处理器通过 UDP 连接与原型发动机控制器集成，从而实现 NMPC 的快速实验部署。所开发控制器的 IMEP 轨迹跟踪极为出色，均方根误差为 0.133 bar，且观测到过程约束得到满足。
引用
@article{arxiv.2310.08392,
title = {Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation},
author = {David C. Gordon and Alexander Winkler and Julian Bedei and Patrick Schaber and Jakob Andert and Charles R. Koch},
journal= {arXiv preprint arXiv:2310.08392},
year = {2024}
}
备注
Submitted to 2024 American Control Conference (ACC), July 8-12, 2024 in Toronto, Canada. ACC is the annual conference of the American Automatic Control Council (AACC), the U.S. national member organization of the International Federation for Automatic Control (IFAC)