基于约束上下文贝叶斯优化（C-CMES）的车辆座舱气候 MPC 参数整定
系统与控制
2023-10-06 v1 系统与控制
摘要
气候控制座舱在车辆中已成为数十年的标准配置。模型预测控制器（MPCs）在实现车辆座舱温度跟踪方面展现出良好前景，并可能优于无模型控制性能。然而，对于多区气候控制情形，恰当的控制器整定具有挑战性，因为外部（例如乘客触发的压缩机设定及由此引起的质量流量变化）会导致控制性能下降。本文提出一种整定方法，用于自动确定鲁棒 MPC 参数，将其作为鼓风机质量流量的函数。采用约束上下文贝叶斯优化（BO）推导策略，在定义场景下最小化高层代价函数并满足约束。所提方法利用训练回合中的随机扰动与模型-对象失配，生成可实现鲁棒抗扰的控制器参数。该方法包含后处理步骤以获得平滑策略，可用于实际应用场景。首先，仿真结果表明，质量流量相关策略优于恒定参数化，同时实现了期望的闭环行为。其次，鲁棒整定方法大幅降低了最坏情况超调，并在不同运行条件下产生一致的闭环行为。
引用
@article{arxiv.2310.03330,
title = {Vehicle Cabin Climate MPC Parameter Tuning Using Constrained Contextual Bayesian Optimization (C-CMES)},
author = {David Stenger and Tim Reuscher and Heike Vallery and Dirk Abel},
journal= {arXiv preprint arXiv:2310.03330},
year = {2023}
}
备注
Accepted for publication in the proceedings of the IEEE International Conference on Intelligent Transportation Systems (ITSC), 2023