基于贝叶斯优化的 CNC 加工中心模型预测控制器鲁棒参数化
系统与控制
2020-10-15 v1 系统与控制
摘要
模型预测控制（MPC）与状态估计器等控制算法依赖于若干不同参数。闭环性能通常取决于这些参数的正确设定。调参常由专家基于系统仿真模型手动完成。此过程存在两个问题。其一，专家需具备技能且仍可能无法找到最优参数化。其二，由于仿真内模型不准确，仿真模型的性能可能无法迁移至真实世界应用。在本工作中，我们以一个工业铣削过程为例，展示贝叶斯优化如何使调参过程自动化并助力解决上述问题。通过对仿真施加任意分布的模型-对象失配扰动，确保鲁棒参数化。目标是最小化期望积分参考跟踪误差，在保证可接受最坏情况行为的同时维持实时能力。这些文字性需求被转化为一个带约束的随机混合整数黑盒优化问题。我们开发了一种两阶段 min-max 型贝叶斯优化流程，并在 CNC 加工中心的仿真研究中与基准算法比较。展示了如何通过贝叶斯优化获得的经验性能模型来分析与可视化结果。结果表明，相较于仅使用标称模型进行控制器综合的情况，其性能更优。优化后的参数化较初始手工调参有显著提升。
引用
@article{arxiv.2010.06869,
title = {Robust Parametrization of a Model Predictive Controller for a CNC Machining Center Using Bayesian Optimization},
author = {David Stenger and Muzaffer Ay and Dirk Abel},
journal= {arXiv preprint arXiv:2010.06869},
year = {2020}
}