Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation

📄 arXiv: 2310.08392v1 📥 PDF

作者: David C. Gordon, Alexander Winkler, Julian Bedei, Patrick Schaber, Jakob Andert, Charles R. Koch

分类: eess.SY, cs.LG

发布日期: 2023-10-12

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)

DOI: 10.23919/ACC60939.2024.10644830

💡 一句话要点

提出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

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 深度神经网络 长短期记忆 燃烧控制 实时优化 机器学习 非线性控制

📋 核心要点

  1. 现有的模型预测控制方法在模型计算时间与预测性能之间存在权衡，限制了其实时应用。
  2. 本文提出将深度神经网络与模型预测控制相结合，以提高模型的在线评估速度和预测精度。
  3. 实验结果表明，所开发的控制器在IMEP轨迹跟踪方面表现出色，且优化计算时间仅为1.4毫秒。

📝 摘要（中文）

模型预测控制（MPC）提供了一种基于成本函数的最优控制解决方案，同时允许实施过程约束。MPC的性能强烈依赖于所使用的模型，存在模型计算时间与预测性能之间的权衡。本文提出了一种基于深度神经网络（DNN）的非线性MPC，用于均质充气压缩点火（HCCI）燃烧控制。DNN模型由长短期记忆（LSTM）网络和全连接层组成，使用实验发动机数据进行训练，所有输出的预测误差均在5%以内。利用该模型，MPC设计用于跟踪指示平均有效压力（IMEP）和燃烧相位轨迹，同时最小化多个参数。使用acados软件包实现MPC在ARM Cortex A72上的实时部署，优化计算在1.4毫秒内完成。开发的控制器在IMEP轨迹跟踪方面表现优异，均方根误差为0.133 bar，并观察到过程约束。

🔬 方法详解

问题定义：本文旨在解决传统模型预测控制（MPC）在实时应用中面临的模型计算时间与预测性能之间的权衡问题。现有方法通常依赖于复杂的物理模型，导致实时性不足。

核心思路：论文提出了一种基于深度神经网络（DNN）的非线性MPC框架，通过使用快速评估的机器学习模型来提高控制性能和实时性。DNN模型的设计使其能够有效捕捉复杂的非线性动态特性。

技术框架：整体架构包括一个长短期记忆（LSTM）网络作为核心模型，外部连接全连接层，利用实验数据进行训练。MPC模块负责根据DNN模型的输出进行控制决策，使用acados软件包实现实时优化。

关键创新：本研究的主要创新在于将深度学习与模型预测控制相结合，显著提高了控制器的实时性能和预测准确性，突破了传统方法的限制。

关键设计：DNN模型采用LSTM结构，训练过程中使用了实验发动机数据，损失函数设计为均方误差，确保所有输出的预测误差控制在5%以内。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果显示，开发的控制器在IMEP轨迹跟踪方面表现优异，均方根误差为0.133 bar，且优化计算时间仅为1.4毫秒，表明该方法在实时控制中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括汽车发动机控制、工业过程控制等需要高精度和快速响应的场景。通过实现快速的控制器部署，能够显著提升系统的动态性能和稳定性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Model Predictive Control (MPC) provides an optimal control solution based on a cost function while allowing for the implementation of process constraints. As a model-based optimal control technique, the performance of MPC strongly depends on the model used where a trade-off between model computation time and prediction performance exists. One solution is the integration of MPC with a machine learning (ML) based process model which are quick to evaluate online. This work presents the experimental implementation of a deep neural network (DNN) based nonlinear MPC for Homogeneous Charge Compression Ignition (HCCI) combustion control. The DNN model consists of a Long Short-Term Memory (LSTM) network surrounded by fully connected layers which was trained using experimental engine data and showed acceptable prediction performance with under 5% error for all outputs. Using this model, the MPC is designed to track the Indicated Mean Effective Pressure (IMEP) and combustion phasing trajectories, while minimizing several parameters. Using the acados software package to enable the real-time implementation of the MPC on an ARM Cortex A72, the optimization calculations are completed within 1.4 ms. The external A72 processor is integrated with the prototyping engine controller using a UDP connection allowing for rapid experimental deployment of the NMPC. The IMEP trajectory following of the developed controller was excellent, with a root-mean-square error of 0.133 bar, in addition to observing process constraints.