[논문 리뷰] Nonlinear Model Predictive Control of A Gasoline HCCI Engine Using Extreme Learning Machines

Vijay Manikandan Janakiraman, XuanLong Nguyen외 1명|arXiv (Cornell University)|2015. 01. 16.

Advanced Combustion Engine Technologies참고 문헌 36인용 수 3

한 줄 요약

이 논문은 실험 데이터로부터 비선형 엔진 동역학을 학습하기 위해 극단적 학습 기계(ELM)를 사용하는 가솔린 HCCI 엔진을 위한 비선형 모델 예측 제어(MPC) 프레임워크를 제안한다. ELM 모델은 빠르고 정확한 다수의 단계 앞선 예측을 가능하게 하며, MPC 제어기는 실시간으로 다중 입력, 다중 출력 제어를 효율적으로 처리하고 상태 및 액추에이터 제약 조건을 만족시킨다. 시뮬레이션 결과, 안정적인 추적 성능과 제약 조건 이행이 입증되었다.

ABSTRACT

Homogeneous charge compression ignition (HCCI) is a futuristic combustion technology that operates with a high fuel efficiency and reduced emissions. HCCI combustion is characterized by complex nonlinear dynamics which necessitates a model based control approach for automotive application. HCCI engine control is a nonlinear, multi-input multi-output problem with state and actuator constraints which makes controller design a challenging task. Typical HCCI controllers make use of a first principles based model which involves a long development time and cost associated with expert labor and calibration. In this paper, an alternative approach based on machine learning is presented using extreme learning machines (ELM) and nonlinear model predictive control (MPC). A recurrent ELM is used to learn the nonlinear dynamics of HCCI engine using experimental data and is shown to accurately predict the engine behavior several steps ahead in time, suitable for predictive control. Using the ELM engine models, an MPC based control algorithm with a simplified quadratic program update is derived for real time implementation. The working and effectiveness of the MPC approach has been analyzed on a nonlinear HCCI engine model for tracking multiple reference quantities along with constraints defined by HCCI states, actuators and operational limits.

연구 동기 및 목표

• 엄격한 상태 및 액추에이터 제약 조건을 가진 고도로 비선형적이고 다중 입력, 다중 출력인 HCCI 엔진 제어의 과제를 해결한다.
• HCCI 제어 시스템 설계에서 제일 원리 모델의 장기간 개발 기간과 높은 캘리브레이션 비용 문제를 해결한다.
• 실시간 구현에 적합한 데이터 기반이며 계산적으로 효율적인 제어 프레임워크를 개발한다.
• 단순화된 가정 없이 복잡한 비선형 엔진 동역학을 포괄하는 기계 학습 모델을 사용한 예측 제어를 가능하게 한다.
• ELM 기반 모델을 MPC 프레임워크 내에 통합하여 실시간 HCCI 엔진 제어에서 안정성 및 성능 제약 조건을 만족하는 가능성을 입증한다.

제안 방법

• 실험적 실내 압력 및 제어 입력 데이터를 사용하여 HCCI 엔진의 비선형 동역학을 식별하고 모델링하기 위해 순환형 극단적 학습 기계(ELM)를 활용한다.
• ELM의 분석적 도함수 구조를 활용하여 최적화를 위한 정확한 기울기를 계산하고, 수치 미분 문제를 피한다.
• MPC 문제를 볼록 2차 계획 문제로 재구성하여 효율적인 QP 솔버를 사용해 실시간으로 빠르게 해결할 수 있도록 한다.
• 최대 압력 상승률 $R_{ ext{max}}$와 같은 상태 제약 조건과 액추에이터 한계를 MPC 최적화 프레임워크에 직접 통합한다.
• 계산 부담을 줄이면서도 제어 성능을 유지하기 위해 단순화된 MPC 업데이트 전략을 설계한다.
• 노이즈가 포함된 비선형 HCCI 엔진 모델을 사용하여 제어기를 검증하고, 다양한 기준 경로(예: 정현파 IMEP 및 CA50 명령)를 적용한다.

실험 결과

연구 질문

• RQ1 ELM 기반 모델은 실험 데이터로부터 HCCI 엔진의 비선형적이고 다수의 단계 앞선 동역학을 정확하게 포착할 수 있는가?
• RQ2 ELM 모델을 사용하는 MPC 제어기는 수용 가능한 계산 복잡도로 실시간 제어 성능을 달성할 수 있는가?
• RQ3 ELM-MPC 프레임워크는 안정성 한계(예: $R_{ ext{max}}$)를 포함한 다수의 제약 조건을 얼마나 효과적으로 처리할 수 있는가?
• RQ4 액티브 제약 조건(예: $R_{ ext{max}} < 3.5$ bar/deg CA)이 포함될 경우 추적 성능와 제어 능력에 어떤 영향을 미치는가?
• RQ5 실제 운전 조건에서 복잡하고 시간에 따라 변하는 기준 신호(예: 정현파 출력 및 연소 시점 명령)를 정확하게 추적할 수 있는가?

주요 결과

• ELM 모델은 제일 원리 모델에 의존하지 않고도 몇 단계 앞선 시간에 대해 HCCI 엔진의 행동을 정확하게 예측하여 효과적인 예측 제어를 가능하게 하였다.
• MPC 제어기는 IMEP 및 CA50에 대한 정현파 기준 명령을 최소한의 정적 오차로 성공적으로 추적하여 안정적인 설정값 추적 성능을 입증하였다.
• 압력 상승률 $R_{ ext{max}}$ 제약 조건이 활성화된 경우(3.5 bar/deg CA로 설정), 제어기는 과도한 압력 상승률을 방지하기 위해 연료 주입 시작 시점(SOI) 명령을 감소시켜 안정성을 확보하였다.
• 제약 조건 처리로 인해 제어 자유도가 감소하여 약간의 추적 성능 저하가 있었지만, 안정성 한계 내에서 안전한 운영을 유지하였다.
• MPC의 계산 복잡도는 관리 가능했으며, 볼록 2차 계획 문제의 구성 덕분에 차량 내 ECU에 적합한 실시간 구현이 가능하였다.
• ELM-MPC 프레임워크는 성능, 제약 조건 이행, 계산 효율성 사이의 균형을 효과적으로 확보하여 실제 HCCI 엔진 제어에 큰 잠재력을 보였다.