[논문 리뷰] Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation

David Gordon, Alexander Winkler외 4명|arXiv (Cornell University)|2023. 01. 01.

Advanced Control Systems Optimization인용 수 1

한 줄 요약

이 논문은 실시간 HCCI 엔진 제어를 위한 장기 기억 상태(長-term Memory, LSTM) 기반의 딥 뉴럴 네트워크(DNN)를 활용한 비선형 모델 예측 제어(NMPC) 프레임워크를 제시한다. 65,000회 분량의 엔진 사이클에 대해 훈련된 DNN 모델은 IMEP, CA50, MPRR 및 NOx를 5% 이내의 오차로 예측하며, 이로 인해 ARM Cortex A72 프로세서에서 평균 1.18ms의 계산 시간으로 실시간 NMPC를 구현할 수 있었으며, 궁극적으로 우수한 궤적 추적 성능(RMS 오차: 0.133 bar)과 제약 조건 이행을 달성하였다.

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.

연구 동기 및 목표

• 높은 사이클 간 변동성과 엄격한 배기가스 제약 조건을 가진 HCCI 엔진을 위한 빠르고 데이터 기반의 제어 프레임워크 개발.
• 기존 NMPC의 계산 병목 현상을 해결하기 위해 LSTM 아키텍처 기반의 빠르고 학습된 DNN 모델을 통합함으로써 계산 효율성 향상.
• acados 최적화 프레임워크를 활용해 임베디드 하드웨어에서 NMPC의 실시간 구현 가능하게 함.
• 연료 소비, 물 분사, NOx 및 압력 상승률를 최소화하면서 IMEP 및 연소 시점 제어를 정밀하게 추적.
• 기존의 룩업 테이블 방법에 비해 캘리브레이션 시간을 단축시키는 확장 가능하고 효율적인 제어기 개발 파이프라인 구현.

제안 방법

• IMEP, CA50, MPRR 및 NOx 예측을 위해 65,000회의 실험적 HCCI 엔진 사이클에 대해 훈련된, 한 개의 LSTM 레이어와 여섯 개인 풀 커넥티드 레이어를 갖는 딥 뉴럴 네트워크(DNN)를 사용.
• LSTM 레이어는 HCCI 연소에서의 장기적 의존성과 사이클 간 상관관계를 포착하여, 표준 RNN보다 높은 예측 정확도 향상.
• DNN 모델을 비선형 모델 예측 제어(NMPC) 프레임워크에 통합하여 부하 및 연소 시점 추적 최적화를 위한 제어 입력을 최적화.
• 실시간 NMPC는 효율적인 온라인 최적화를 위해 acados 소프트웨어 패키지를 사용한 외부 ARM Cortex A72 프로세서에 구현.
• UDP 연결을 통해 외부 프로세서와 dSPACE MABX ECU 간의 통신을 구축하여 빠른 실험적 구현 가능.
• 과정 제약 조건을 유지하면서 650회 사이클에 걸쳐 제어기 검증을 수행하였으며, RMS 오차 및 제약 조건 이행 정도를 성능 평가 지표로 사용.

실험 결과

연구 질문

• RQ1 실험 데이터를 기반으로 LSTM 기반 DNN 모델이 IMEP, CA50, MPRR, NOx 등의 HCCI 엔진 출력을 낮은 오차로 정확하게 예측할 수 있는가?
• RQ2 DNN 모델을 NMPC에 통합함으로써 임베디드 하드웨어에서 밀리초 이내의 계산 시간으로 실시간 제어를 구현할 수 있는가?
• RQ3 LSTM-NMPC는 목표로 하는 IMEP 및 연소 시점 궤적을 얼마나 잘 추적하며, 물리적 제약 및 배기가스 제약을 준수하는가?
• RQ4 NMPC 루프의 계산 오버헤드는 얼마이며, 엔진의 22 ms 사이클 시간 내에서 실행 가능한가?
• RQ5 제안된 프레임워크는 기존의 룩업 테이블 방법에 비해 제어기 개발 시간을 얼마나 단축시키는가?

주요 결과

• DNN 모델은 검증 데이터 기준으로 IMEP에 대해 0.09 bar의 루트 평균 제곱 오차(RMSE)와 CA50에 대해 1.27 CAD의 오차를 기록하였으며, 모든 출력에 대해 전체적으로 5% 이내의 예측 오차를 달성하였다.
• NMPC 제어기는 650회 사이클 동안 IMEP 기준 궤적 추적에 대해 0.133 bar의 루트 평균 제곱 오차(RMS error)를 기록하였다.
• 온라인 최적화 평균 계산 시간은 1.18ms였으며, 모든 계산이 1.4ms 이내로 완료되어 가용한 22ms 사이클 시간에 훨씬 미치지 못했다.
• 650회 중 649회는 모든 과정 제약 조건을 이행하였으며, 오직 한 번의 사이클만 모델-플랜트 불일치로 인해 300ppm NOx 한도를 略도 초과하였다.
• LSTM 셀 및 히든 상태는 운영 중 동적으로 적응하였으며, 이는 모델이 일시적인 엔진 동작을 잘 포착할 수 있음을 반영한다.
• 모든 제어기 개발 파이프라인(데이터 수집 1.5시간, 모델 훈련 3시간 이내, 실시간 배포 포함)은 기존의 캘리브레이션 접근 방식보다 상당히 빠르게 수행되었다.