[논문 리뷰] Direct data-driven control of constrained linear parameter-varying systems: A hierarchical approach

Dario Piga, Simone Formentin외 1명|arXiv (Cornell University)|2016. 09. 14.

Advanced Control Systems Optimization참고 문헌 17인용 수 15

한 줄 요약

이 논문은 시스템 식별을 생략하고, 단순한 기준 모델을 일치시키기 위해 내부 LPV 컨트롤러를 설계하고, 입력/출력 제약 조건을 강제로 적용하며 성능을 향상시키기 위해 외부 모델 예측 제어기(MPC)를 사용하는 계층적 직접 데이터 기반 제어 방법을 제안한다. 이 방법은 제약 조건 처리를 가능하게 하고 정확한 기준 모델 선택에 대한 의존도를 줄이며, 스위칭 부하가 있는 RC 회로에서의 시뮬레이션 및 실험 검증을 통해 이전의 직접 데이터 기반 방법보다 뛰어난 성능을 보였다.

ABSTRACT

In many nonlinear control problems, the plant can be accurately described by a linear model whose operating point depends on some measurable variables, called scheduling signals. When such a linear parameter-varying (LPV) model of the open-loop plant needs to be derived from a set of data, several issues arise in terms of parameterization, estimation, and validation of the model before designing the controller. Moreover, the way modeling errors affect the closed-loop performance is still largely unknown in the LPV context. In this paper, a direct data-driven control method is proposed to design LPV controllers directly from data without deriving a model of the plant. The main idea of the approach is to use a hierarchical control architecture, where the inner controller is designed to match a simple and a-priori specified closed-loop behavior. Then, an outer model predictive controller is synthesized to handle input/output constraints and to enhance the performance of the inner loop. The effectiveness of the approach is illustrated by means of a simulation and an experimental example. Practical implementation issues are also discussed.

연구 동기 및 목표

• 기존의 직접 데이터 기반 LPV 제어 방법이 입력/출력 제약 조건을 처리할 수 없는 한계를 해결하기 위해.
• 모델 일치와 원하는 성능을 분리함으로써 제어기 설계가 기준 모델 선택에 민감하지 않게 하기 위해.
• 측정 가능한 스케줄링 변수와 물리적 제약 조건을 가진 실세계 LPV 시스템에 대한 데이터 기반 제어의 실용적 구현을 가능하게 하기 위해.
• 모의 및 실험적 LPV 시스템(예: 스위칭 RC 회로 포함)에서 제안된 방법의 효과성을 입증하기 위해.
• 사전에 식별된 식물 모델이 필요 없이도 완전히 데이터 기반인 프레임워크를 제공하기 위해.

제안 방법

• 제어 아키텍처는 직접 데이터 기반 식별을 통해 일阶 기준 모델을 일치시키기 위해 설계된 내부 LPV 컨트롤러와, 안정성과 단순성을 보장한다.
• 내부 컨트롤러는 적분 작동을 포함한 일阶 LPV 구조와 스케줄링 신호에 대한 정적 의존성을 가지며, 커널 기반 정규화를 사용해 파라미터를 식별한다.
• 외부 MPC 기반 컨트롤러는 참조 게이브너 역할을 하며, 입력(0–5 V) 및 출력(0–5 V) 전압의 제약 조건을 강제하기 위해 참조 신호를 조작한다.
• MPC는 예측 수평선 3, 제어 수평선 3, 조정 가중치 Qy=0.45, Qg=0.1를 사용하며, 입력 속도나 제어 비용에 대한 페널티가 없다.
• 전체 설계 절차는 데이터 기반이며, 시스템 모델 식별이 필요 없이 오직 개방 루프 실험에서 확보한 입력-출력 데이터에 의존한다.
• 하이퍼파rameter(γ=1000, σ=1)는 일반화를 보장하기 위해 별도의 데이터 세트에서 교차 검증을 통해 조정된다.

실험 결과

연구 질문

• RQ1 LPV 시스템을 위한 직접 데이터 기반 제어 방법이 사전 시스템 모델링 없이도 입력 및 출력 제약 조건을 효과적으로 처리할 수 있는가?
• RQ2 기준 모델 선택을 원하는 달성된 폐루프 행동에서 분리함으로써 데이터 기반 LPV 제어에서의 강건성과 실용성이 향상되는가?
• RQ3 내부 LPV 컨트롤러와 외부 MPC의 계층적 아키텍처가 단독의 데이터 기반 컨트롤러보다 성능을 향상시키는 방식은 무엇인가?
• RQ4 제한된 계산 자원을 가진 임베디드 하드웨어에서 제안된 방법이 실시간으로 효과적으로 구현될 수 있는가?
• RQ5 실세계 LPV 시스템에서 하중 스위칭이 폐루프 안정성과 추적 성능에 미치는 영향은 무엇인가?

주요 결과

• 제안된 계층적 컨트롤러는 내부 LPV 컨트롤러만 사용하는 경우보다 더 빠른 리즈 타임과 더 나은 추적 성능를 보였으며, 외부 MPC가 일시적인 응답을 크게 향상시켰다.
• 제어된 출력 전압은 0–5 V 범위 내에 유지되었고, 입력 전압 역시 동일한 범위로 제약되어 아두이노 마이크로컨트롤러의 하드웨어 제약 조건을 충족시켰다.
• MPC 계산 시간은 샘플당 9 ms에서 19 ms 사이로, 150 ms의 샘플링 주기보다 훨씬 낮아 실시간 구현이 가능했다.
• τ≈90 s 및 τ≈320 s에서 하중 스위칭 이벤트 동안 시스템은 극히 미미한 진동(0.1 V 이하)만 보였으며, 간섭에 대한 강건성을 시사했다.
• 모의 및 실험 환경 모두에서 [9]의 직접 데이터 기반 방법보다 성능이 뛰어나, 특히 제약 조건 처리 및 동적 응답에서 두각을 나타냈다.
• 내부 루프에서 단순한 기준 모델을 사용함으로써 모델 불확실성과 복잡성이 감소했고, 외부 MPC는 제약 조건 이행과 성능 향상을 보장했다.