[论文解读] Nonlinear Model Predictive Control of A Gasoline HCCI Engine Using Extreme Learning Machines

Vijay Manikandan Janakiraman, XuanLong Nguyen+1 more|arXiv (Cornell University)|Jan 16, 2015

Advanced Combustion Engine Technologies参考文献 36被引用 3

一句话总结

该论文提出了一种用于汽油HCCI发动机的非线性模型预测控制（MPC）框架，采用极限学习机（ELM）从实验数据中学习非线性发动机动态特性。ELM模型实现了快速、精确的多步预测，MPC控制器能够实时高效处理多输入、多输出控制问题，并满足状态和执行器约束，在仿真中表现出鲁棒的跟踪性能和约束满足能力。

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.

研究动机与目标

• 解决高度非线性、多输入、多输出HCCI发动机在严格状态和执行器约束下的控制挑战。
• 克服HCCI控制系统设计中基于第一性原理模型开发周期长、校准成本高的问题。
• 开发一种数据驱动、计算高效的控制框架，适用于发动机ECU上的实时实现。
• 实现基于机器学习模型的预测控制，能够捕捉复杂非线性发动机动态特性，无需简化假设。
• 证明基于ELM的模型嵌入MPC框架中，实现实时HCCI发动机控制的可行性，同时满足稳定性和性能约束。

提出的方法

• 采用循环极限学习机（ELM）利用实验测得的缸内压力和控制输入数据，识别并建模HCCI发动机的非线性动态特性。
• 利用ELM的解析导数结构计算精确梯度，避免数值微分带来的问题。
• 将MPC问题表述为凸二次规划问题，以利用高效的QP求解器实现实时快速求解。
• 将状态约束（如最大压力上升速率 $R_{ ext{max}}$）和执行器限幅直接整合到MPC优化框架中。
• 设计简化的MPC更新策略，在保持控制性能的同时降低计算负载。
• 通过带有模拟噪声和变化参考轨迹（如正弦IMEP和CA50指令）的非线性HCCI发动机模型验证控制器性能。

实验结果

研究问题

• RQ1 基于ELM的模型能否从实验数据中准确捕捉HCCI发动机的非线性、多步预测动态特性？
• RQ2 采用ELM模型的MPC控制器能否在可接受的计算复杂度下实现实时控制性能？
• RQ3 ELM-MPC框架在处理多约束（包括 $R_{ ext{max}}$ 等稳定性极限）方面效果如何？
• RQ4 引入主动约束（如 $R_{ ext{max}} < 3.5$ bar/deg CA）对跟踪性能和控制能力有何影响？
• RQ5 在真实工况下，ELM-MPC方法能否在复杂、时变的参考信号（如正弦功率和燃烧相位指令）下保持精确跟踪？

主要发现

• ELM模型能够准确预测HCCI发动机在数个时间步长后的行为，实现了有效的预测控制，且无需依赖第一性原理模型。
• MPC控制器成功跟踪了IMEP和CA50的正弦参考指令，稳态误差极小，表现出鲁棒的设定点跟踪能力。
• 当 $R_{ ext{max}}$ 约束处于激活状态（设定为3.5 bar/deg CA）时，MPC通过降低喷油始点（SOI）指令，避免了过高的压力上升速率，确保了系统稳定性。
• 约束处理显著减少了控制自由度，导致跟踪性能略有下降，但确保了在稳定性极限内的安全运行。
• MPC的计算复杂度在可接受范围内，凸二次规划公式使其实现实时部署，适用于车载ECU应用。
• ELM-MPC框架在性能、约束满足和计算效率之间实现了良好平衡，展现出在实际HCCI发动机控制中的强大潜力。