Core Concepts
온실 작물 생산을 위해 상위 수준의 최적 제어와 하위 수준의 신경망 기반 추적 제어를 결합한 계층적 제어 프레임워크를 제안한다.
Abstract
이 논문은 온실 작물 생산을 위한 계층적 제어 프레임워크를 제안한다. 상위 수준에서는 날씨 예보 데이터를 활용하여 경제적으로 최적화된 입력 및 상태 참조 궤적을 생성한다. 하위 수준에서는 단기 교란 예보를 활용하여 NMPC(Nonlinear Model Predictive Control)로 참조 궤적을 추적한다.
NMPC는 온실 기후 모델의 복잡성과 높은 계산 부담으로 인해 실시간 구현이 어려운 문제가 있다. 이를 해결하기 위해 NMPC를 데이터 생성기로 사용하여 심층 신경망(DNN)을 학습시켜 참조 궤적 추적을 수행한다.
시뮬레이션 결과, DNN 기반 제어기가 NMPC에 비해 계산 시간이 4배 빠르고 교란에 대한 강건성도 우수한 것으로 나타났다. 또한 메모리 요구량이 낮아 저비용 임베디드 하드웨어에 적합한 것으로 확인되었다.
Stats
온실 작물 생산을 위한 최적 제어 문제에서 NMPC 대비 DNN 기반 제어기의 평균 실행 시간이 4배 빠르다.
교란에 대한 강건성 측면에서 DNN 기반 제어기가 NMPC보다 우수한 성능을 보인다.
DNN 기반 제어기의 메모리 요구량이 낮아 저비용 임베디드 하드웨어에 적합하다.
Quotes
"온실 작물 생산을 위해 상위 수준의 최적 제어와 하위 수준의 신경망 기반 추적 제어를 결합한 계층적 제어 프레임워크를 제안한다."
"NMPC는 온실 기후 모델의 복잡성과 높은 계산 부담으로 인해 실시간 구현이 어려운 문제가 있다. 이를 해결하기 위해 NMPC를 데이터 생성기로 사용하여 심층 신경망(DNN)을 학습시켜 참조 궤적 추적을 수행한다."