[論文レビュー] Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation

David Gordon, Alexander Winkler+4 more|arXiv (Cornell University)|Jan 1, 2023

Advanced Control Systems Optimization被引用数 1

ひとこと要約

本稿では、均質混合気圧着 ignitions (HCCI) エンジンのリアルタイム制御を目的として、長短期記憶 (LSTM) ネットワークを用いた深層ニューラルネットワーク (DNN) ベースの非線形モデル予測制御 (NMPC) フレームワークを提示する。65,000回のエンジンサイクルで学習されたDNNモデルは、IMEP、CA50、MPRR、NOxを5%未満の誤差で予測可能であり、ARM Cortex A72プロセッサ上でリアルタイムNMPCを実現。平均計算時間は1.18 msで、優れた軌道追従性（RMS誤差：0.133 bar）と制約満足度を達成した。

ABSTRACT

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.

研究の動機と目的

• HCCIエンジンのサイクルごとの変動が大きく、排出規制が厳しい状況において、高速でデータ駆動型の制御フレームワークを開発すること。
• 従来のNMPCにおける計算ボトル neck を解消するため、LSTMアーキテクチャに基づく高速で学習されたDNNモデルを統合すること。
• acados最適化フレームワークを用いて、組み込みハードウェア上でのNMPCのリアルタイム実装を可能にすること。
• 燃料、水、NOx、圧力上昇率を最小限に抑えるとともに、IMEPおよび燃焼位相の精密な追従を達成すること。
• 従来のルックアップテーブル手法と比較して、キャリブレーション時間を短縮するスケーラブルで効率的な制御器開発パイプラインを実証すること。

提案手法

• 1つのLSTM層と6つの全結合層からなる深層ニューラルネットワーク (DNN) を、65,000回の実験的HCCIエンジンサイクルで学習させ、IMEP、CA50、MPRR、NOxを予測した。
• LSTM層はHCCI燃焼における長期的依存関係とサイクル結合を捉え、標準的なRNNよりも高い予測精度を実現した。
• DNNモデルを非線形モデル予測制御 (NMPC) フレームワークに統合し、負荷および燃焼位相の追従に最適な制御入力を最適化した。
• リアルタイムNMPCは、効率的なオンライン最適化を実現するacadosソフトウェアパッケージを用いて、外部のARM Cortex A72プロセッサ上で実装した。
• UDP接続により、外部プロセッサとdSPACE MABX ECUとの間で通信を実現し、迅速な実験的デプロイメントを可能にした。
• プロセス制約を強制しながら650サイクルにわたり制御器を検証し、RMS誤差と制約遵守度を指標に性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのDNNモデルは、実験データを用いて、IMEP、CA50、MPRR、NOxの出力を低誤差で正確に予測できるか？
• RQ2 DNNモデルをNMPCに統合することで、組み込みハードウェア上でミリ秒未満の計算時間でリアルタイム制御が可能になるか？
• RQ3 LSTM-NMPCは、望ましいIMEPおよび燃焼位相の軌道をどれほど正確に追従できるか？また、物理的および排出規制制約を満たしているか？
• RQ4 NMPCループの計算オーバーヘッドはどの程度で、エンジンの22 msサイクル時間内に実現可能か？
• RQ5 本稿で提案するフレームワークは、従来のルックアップテーブル手法と比較して、制御器開発時間をどの程度短縮できるか？

主な発見

• DNNモデルは、検証データにおいてIMEPの平均二乗誤差 (RMSE) が0.09 bar、CA50のRMSEが1.27 CADであり、全出力の予測誤差は5%未満であった。
• NMPCコントローラーは、650サイクルにわたりIMEPのリファレンス軌道を追従する際、平均二乗誤差が0.133 barであった。
• オンライン最適化の平均計算時間は1.18 msであり、全計算が1.4 ms以内に完了しており、利用可能な22 msサイクル時間よりも著しく短縮されていた。
• 650サイクル中649サイクルで全プロセス制約が満たされたが、1サイクルのみがモデルとプラントの不一致により300 ppmのNOx制限をわずかに超過した。
• LSTMセルと隠れ状態は、運転中に動的に適応し、モデルが一時的なエンジン挙動を捉える能力を示した。
• データ収集（1.5時間）、モデル学習（3時間未満）、リアルタイムデプロイメントを含む、制御器開発パイプライン全体が、従来のキャリブレーションアプローチと比較して顕著に高速であった。