[论文解读] Neural Network Based Explicit MPC for Chemical Reactor Control
本文提出了一种基于深度神经网络（DNN）的显式模型预测控制（MPC）策略，用于具有多组分反应的连续搅拌罐反应器。DNN 在离线阶段基于高保真度MPC求解器生成的最优控制输入进行训练，从而实现实时控制而无需在线优化。该方法在94.5%的仿真中实现了与完整MPC相差小于1%的次优性能，最差情况下的次优性低于2.14%，且内存使用量低于7kB。
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.
研究动机与目标
- 开发一种适用于化学反应器的实时、计算高效的传统模型预测控制（MPC）替代方法。
- 克服显式MPC（EMPC）在小型系统和短预测时域方面的限制。
- 通过用快速神经网络推理替代在线优化，实现在工业环境中的实时控制。
- 在近似MPC性能的同时，保持对状态和控制输入的约束满足。
- 在具有多组分反应的非线性连续搅拌罐反应器上验证该方法。
提出的方法
- 使用反应器的线性化模型，通过高保真度MPC求解器生成的最优控制输入来训练深度神经网络（DNN）。
- 采用具有3个输入节点（过程变量）、4个隐藏层（每层4个神经元，含激活函数）和单个线性输出节点（被控变量）的DNN结构。
- 通过在状态空间中以10,000个采样点进行采样，为每个状态计算对应的最优控制输入，构建训练数据集。
- 使用MATLAB的fitnet函数在标准PC上离线训练DNN，训练过程在80秒内收敛。
- 将训练好的DNN作为显式实时控制器部署，可在嵌入式ARM处理器上以毫秒级时间完成评估。
- 实施滚动时域控制策略：测量状态，将DNN输出作为控制输入应用，每隔采样周期重复该过程。
实验结果
研究问题
- RQ1深度神经网络能否准确近似非线性化学反应器的完整保真度MPC的控制输入轨迹？
- RQ2与MPC相比，基于DNN的控制器在多大程度上保持了对状态和控制输入的约束满足？
- RQ3在各种初始条件下，基于DNN的控制器与最优MPC相比，在次优性方面表现如何？
- RQ4基于DNN的控制器在存在扰动时是否仍能保持稳定性和约束合规性？
- RQ5与在线MPC相比，基于DNN的控制器在计算效率和内存占用方面表现如何？
主要发现
- 在600次测试仿真中，DNN控制器在94.5%的情况下实现了与完整MPC相差小于1%的次优性能。
- 所有仿真中的最差次优性为2.14%，表明性能具有很强的一致性。
- 训练后的DNN内存占用低于7kB，且可在ARM处理器上以毫秒级速度完成评估。
- 即使在人为施加的扰动下，控制器在所有仿真中均保持了所有状态和控制输入的约束。
- DNN在标准PC上仅用80秒即完成离线训练，表明其在工业部署中的可行性。
- 该方法成功绕过了显式MPC的限制，实现了长预测时域和更大系统规模的控制。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。