[논문 리뷰] Neural Network Based Explicit MPC for Chemical Reactor Control

Karol Kiš, Martin Klaučo|arXiv (Cornell University)|2019. 12. 10.

Advanced Control Systems Optimization인용 수 1

한 줄 요약

이 논문은 다성분 반응을 갖는 연속攪拌탱크 반응기(continuous stirred tank reactor)에 대해 딥 신경망(DNN)-기반의 명시적 모델 예측 제어(MPC) 전략을 제안한다. DNN는 고정밀도 MPC 솔버에서 생성한 최적의 제어 입력을 오프라인으로 훈련하여, 온라인 최적화 없이 실시간 제어를 가능하게 한다. 이 방법은 600회 시뮬레이션 중 94.5%의 경우에서 전체 MPC의 1% 이내의 준최적 성능를 달성하였으며, 최악의 경우 2.14% 이내의 준최적성과 7kB 미만의 메모리 사용량을 기록하였다.

ABSTRACT

In this paper, we show the implementation of deep neural networks applied in process control. In our approach, we based the training of the neural network on model predictive control. Model predictive control is popular for its ability to be tuned by the weighting matrices and by the fact that it respects the constraints. We present the neural network that can approximate the behavior of the MPC in the way of mimicking the control input trajectory while the constraints on states and control input remain unimpaired of the value of the weighting matrices. This approach is demonstrated in a simulation case study involving a continuous stirred tank reactor, where multi-component chemical reaction takes place.

연구 동기 및 목표

• 화학 반응기의 전통적인 모델 예측 제어(MPC)에 대한 실시간이고 계산 효율적인 대안을 개발하기 위해.
• 작은 시스템과 짧은 예측 수평선에 국한되는 명시적 MPC(EMPC)의 한계를 극복하기 위해.
• 온라인 최적화를 빠른 신경망 추론으로 대체하여 산업 현장에서 실시간 제어를 가능하게 하기 위해.
• 최적 MPC 성능을 근사하면서도 상태 및 제어 입력 제약 조건을 유지하기 위해.
• 비선형 연속攪拌탱크 반응기에서의 접근 방식을 검증하기 위해 다성분 반응을 수반한 시스템에서 검증하였다.

제안 방법

• 반응기의 선형화 모델을 사용하여 고정밀도 MPC 솔버에서 생성한 최적 제어 입력을 기반으로 딥 신경망(DNN)을 훈련한다.
• 3개의 입력 노드(공정 변수), 4개의 은닉층(각각 4개의 뉴런, 활성화 함수 포함), 단일 선형 출력 노드(조작 변수)를 갖는 DNN를 사용한다.
• 상태 공간을 10,000개의 간격으로 샘플링하여 각 상태에 대해 MPC를 통해 최적의 제어 입력을 계산함으로써 훈련 데이터셋을 구성한다.
• MATLAB의 fitnet 함수를 사용하여 오프라인으로 DNN를 훈련하였으며, 표준 PC에서 80초 만에 수렴하였다.
• 훈련된 DNN를 실시간 명시적 제어기로 구현하여 임베디드 ARM 프로세서에서 밀리초 수준으로 평가할 수 있도록 한다.
• 후행 수평 제어 정책을 구현한다: 상태 측정 → DNN 출력을 제어 입력으로 적용 → 각 샘플링 간격마다 반복한다.

실험 결과

연구 질문

• RQ1 딥 신경망은 비선형 화학 반응기의 전체 정밀도 MPC의 제어 입력 궤적을 정확하게 근사할 수 있는가?
• RQ2 DNN 기반 제어기의 상태 및 제어 입력 제약 조건 유지 수준은 MPC와 비교해 어느 정도인가?
• RQ3 다양한 초기 조건 하에서 DNN 기반 제어기의 준최적성은 최적 MPC와 비교해 어떻게 나타나는가?
• RQ4 왜곡이 발생하더라도 DNN 기반 제어기는 안정성과 제약 조건 준수를 유지할 수 있는가?
• RQ5 온라인 MPC와 비교해 DNN 기반 제어기의 계산 효율성과 메모리 점유율은 어떠한가?

주요 결과

• DNN 기반 제어기는 600회 테스트 시뮬레이션 중 94.5%의 경우에서 전체 MPC의 1% 이내의 준최적 성능를 달성하였다.
• 모든 시뮬레이션에서 최악의 경우 준최적성은 2.14%로, 높은 성능 일관성을 보였다.
• 훈련된 DNN는 7kB 미만의 메모리만을 사용하였으며, ARM 프로세서에서 밀리초 수준으로 평가될 수 있었다.
• 인위적인 외란이 존재하는 상황에서도 모든 시뮬레이션 동안 모든 상태 및 제어 입력 제약 조건을 유지하였다.
• DNN는 표준 PC에서 80초 만에 오프라인으로 훈련되었으며, 산업 현장 적용 가능성은 입증되었다.
• 이 방법은 큰 예측 수평선과 더 큰 시스템 크기를 허용함으로써 명시적 MPC의 한계를 성공적으로 극복하였다.