[论文解读] Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation

David Gordon, Alexander Winkler+4 more|arXiv (Cornell University)|Jan 1, 2023

Advanced Control Systems Optimization被引用 1

一句话总结

本文提出了一种基于深度神经网络（DNN）的非线性模型预测控制（NMPC）框架，采用长短期记忆（LSTM）网络实现实时控制霍姆ogeneous Charge Compression Ignition（HCCI）发动机。该DNN模型在65,000个发动机循环上进行训练，对IMEP、CA50、MPRR和NOx的预测误差低于5%，实现在ARM Cortex A72处理器上的实时NMPC，平均计算时间为1.18毫秒，实现了优异的轨迹跟踪（RMS误差：0.133 bar）和约束满足。

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.

研究动机与目标

• 开发一种快速、数据驱动的控制框架，用于具有高循环间变异性和严格排放约束的HCCI发动机。
• 通过集成基于LSTM架构的快速学习型DNN模型，解决传统NMPC的计算瓶颈问题。
• 利用acados优化框架实现在嵌入式硬件上的NMPC实时实现。
• 在最小化燃料、水、NOx和压力上升速率的同时，精确跟踪IMEP和燃烧相位。
• 展示一种可扩展、高效的控制器开发流程，相比传统查表法显著缩短校准时间。

提出的方法

• 使用65,000个实验HCCI发动机循环数据，训练了一个包含一个LSTM层和六个全连接层的深度神经网络（DNN），用于预测IMEP、CA50、MPRR和NOx。
• LSTM层捕获HCCI燃烧中的长期依赖性和循环耦合关系，相比标准RNN显著提升了预测精度。
• 将DNN模型集成到非线性模型预测控制（NMPC）框架中，以优化负载和燃烧相位跟踪的控制输入。
• 在外部ARM Cortex A72处理器上使用acados软件包实现了实时NMPC，以实现高效的在线优化。
• 通过UDP连接实现了外部处理器与dSPACE MABX ECU之间的通信，支持快速实验部署。
• 控制器在650个循环中进行了验证，过程约束得到强制执行，性能通过RMS误差和约束遵守情况进行评估。

实验结果

研究问题

• RQ1 基于实验数据，基于LSTM的DNN模型能否以低误差准确预测HCCI发动机输出（IMEP、CA50、MPRR、NOx）？
• RQ2 将DNN模型集成到NMPC中，能否实现在嵌入式硬件上计算时间低于1毫秒的实时控制？
• RQ3 LSTM-NMPC在尊重物理和排放约束的前提下，对期望IMEP和燃烧相位轨迹的跟踪效果如何？
• RQ4 NMPC循环的计算开销是多少？是否能在发动机22毫秒的循环时间内可行运行？
• RQ5 与传统查表法相比，所提出的框架在多大程度上减少了控制器开发时间？

主要发现

• DNN模型在验证数据上的均方根误差（RMSE）为IMEP 0.09 bar，CA50 1.27 CAD，所有输出的总体预测误差低于5%。
• NMPC控制器在650个循环中对IMEP参考轨迹的跟踪RMS误差为0.133 bar。
• 在线优化的平均计算时间为1.18毫秒，所有计算均在1.4毫秒内完成，远低于22毫秒的可用循环时间。
• 在650个循环中，649个循环满足所有过程约束，仅有一个循环因模型-实际系统不匹配而略微超过300 ppm的NOx限制。
• LSTM单元和隐藏状态在运行过程中动态适应，反映出模型捕捉瞬态发动机行为的能力。
• 整个控制器开发流程（包括数据采集1.5小时、模型训练不到3小时、实时部署）相比传统校准方法显著加快。