[论文解读] Closed-Loop Turbulence Control Using Machine Learning

Thomas Duriez, Vladimir Parezanović+6 more|arXiv (Cornell University)|Apr 17, 2014

Model Reduction and Neural Networks参考文献 24被引用 16

一句话总结

本文提出机器学习控制（MLC），一种无需模型的、基于反馈的策略，利用遗传编程优化湍流中非线性多输入多输出（MIMO）控制律。该方法成功稳定了非线性耦合振子，最大化了受迫洛伦兹系统中的混沌行为，并在实验混合层中将混合效率提升了12%，优于周期性激励，且无需系统模型或动力学先验知识。

ABSTRACT

We propose a general model-free strategy for feedback control design of turbulent flows. This strategy called 'machine learning control' (MLC) is capable of exploiting nonlinear mechanisms in a systematic unsupervised manner. It relies on an evolutionary algorithm that is used to evolve an ensemble of feedback control laws until minimization of a targeted cost function. This methodology can be applied to any non-linear multiple-input multiple-output (MIMO) system to derive an optimal closed-loop control law. MLC is successfully applied to the stabilization of nonlinearly coupled oscillators exhibiting frequency cross-talk, to the maximization of the largest Lyapunov exponent of a forced Lorenz system, and to the mixing enhancement in an experimental mixing layer flow. We foresee numerous potential applications to most nonlinear MIMO control problems, particularly in experiments.

研究动机与目标

• 开发一种无需依赖降阶模型或线性化动力学的无模型、反馈控制策略，以应对湍流流动。
• 解决传统控制方法在处理湍流系统中非线性频率互扰和复杂相互作用时的局限性。
• 通过无监督学习演化非线性控制律，实现实时、在线控制MIMO系统。
• 证明该方法在稳定非线性振子、增强实验流体混合效率以及最大化受迫动力系统混沌行为方面的有效性。
• 提供一种灵活、通用的控制框架，适用于系统模型未知或难以处理的实际实验流体动力学问题。

提出的方法

• MLC采用遗传编程（GP）演化一组非线性反馈控制律，将每个控制律视为种群中的一个个体。
• 控制律以传感器测量值的树状结构函数表示，可自动发现控制结构与参数。
• 定义目标函数（代价函数）以引导演化过程，实现期望的系统行为，如稳定、混合增强或混沌最大化。
• 通过仿真或实验评估每个个体（控制律），并选择适应度最高的个体进行后续的繁殖、变异和交叉操作，逐代优化。
• 该方法天然具备并行性，可通过扩展输入表示方式，整合传感器历史或时间延迟信息。
• 该方法应用于三个测试案例：双频平均场模型、受迫洛伦兹系统以及实验风洞混合层。

实验结果

研究问题

• RQ1 无模型、基于反馈的控制策略是否能有效稳定具有频率互扰的非线性耦合振子，而无需依赖线性化模型？
• RQ2 遗传编程能否演化出控制律，以在类似受迫洛伦兹方程的混沌系统中最大化最大李雅普诺夫指数？
• RQ3 MLC是否能在真实实验湍流流动中，优于周期性开环激励，实现更优的混合增强效果？
• RQ4 MLC如何应对真实世界挑战，如宽带传感器动态、大对流时间延迟以及实验环境中的强非线性？
• RQ5 MLC在系统模型不可用的其他MIMO、非线性及复杂流体动力学问题中，其通用性可扩展到何种程度？

主要发现

• MLC通过利用频率互扰现象（线性模型忽略的机制），成功稳定了非线性耦合的双频平均场振子。
• 在受迫洛伦兹系统中，MLC通过演化增强混沌行为的控制律，成功最大化最大李雅普诺夫指数，实现对不可预测性的控制。
• 在TUCOROM风洞实验中，MLC使混合层宽度相比最佳周期性激励提升了12%，实现了更优的混合效率。
• MLC在混合层实验中降低了作动成本，表明其相比传统开环激励具有更高的能量效率。
• 该方法克服了显著的实验挑战，包括宽带传感器动态、大时间延迟和强非线性，证明了在真实条件下的鲁棒性。
• 所推导的控制律具有高度复杂性和非线性特征，表明MLC发现了线性或参数优化控制策略无法触及的机制。