toplogo
登入

基於數據驅動的多步非線性模型預測控制應用於工業重載液壓機器人


核心概念
本文提出了一種數據驅動的非線性模型預測控制(NMPC)框架,該框架結合了離線和在線學習模型,並採用自適應梯度下降優化方法,以優化工業重載液壓機器人的控制,實現了在非線性系統中的高精度控制和高效能源管理。
摘要

基於數據驅動的多步非線性模型預測控制應用於工業重載液壓機器人

edit_icon

客製化摘要

edit_icon

使用 AI 重寫

edit_icon

產生引用格式

translate_icon

翻譯原文

visual_icon

產生心智圖

visit_icon

前往原文

本文介紹了一種數據驅動的非線性模型預測控制(NMPC)框架,用於優化多目標下的控制。為了提高動態模型的預測精度,我們設計了一種基於長短期記憶(LSTM)和多層感知器(MLP)的單次多步預測(SSMP)模型,該模型可以直接獲得預測範圍,而無需迭代重複,從而減輕計算壓力。此外,我們結合了離線和在線模型來解決環境交互產生的干擾,類似於機器人自由響應和強制響應的疊加。在線模型從離線模型的預測失配中學習系統的變化,並實時更新其權重。所提出的混合預測模型將輸入和輸出之間的關係簡化為矩陣乘法,可以快速獲得導數。因此,控制信號序列的解採用了具有自適應學習率的梯度下降法,允許將 NMPC 成本函數公式化為包含關鍵狀態的凸函數。學習率根據狀態誤差動態調整,以抵消神經網絡固有的預測誤差。控制器輸出控制信號序列的平均值,而不是第一個值。在 22 噸液壓挖掘機上的仿真和實驗驗證了我們方法的有效性,表明所提出的 NMPC 方法可以廣泛應用於工業系統,包括非線性控制和能源管理。
工業系統向自動化和無人操作的轉變是提高生產力的關鍵策略,可以帶來顯著的經濟效益。這些系統中的大多數驅動部件是機械手或其他機電液壓產品。實現對這些機器人的高精度控制對於成功執行工程任務至關重要。幾種傳統方法通常用於過程和機器人控制,包括比例積分微分 (PID) 控制和基於模型的控制。PID 控制因其簡單的原理和廣泛的適用性而被廣泛採用,滿足了許多工業應用的基本要求。然而,當應用於具有複雜非線性的系統或需要優化的情況時,例如在高階時滯系統或資源分配任務中,它有其局限性。基於模型的控制方法,特別是模型預測控制 (MPC),以在非線性系統中實現最佳控制而聞名。MPC 使用動態模型在每個採樣間隔預測未來時間範圍內的系統行為,並計算一系列最佳控制信號以提高系統性能。MPC 的有效性依賴於系統動力學模型的準確性,這帶來了相當大的挑戰。燃燒、摩擦和流體動力學等非線性因素難以直接測量,並且通常缺乏精確的物理表示。此外,機器人與外部環境交互時,其動力學模型可能會發生變化。典型場景包括處理不同的負載或機器人驅動電機或液壓油的溫度升高。此外,MPC 中的後退水平方法和複雜的動力學可能會導致短視預測,從而可能導致控制失敗。 數據驅動的方法為機器人系統的建模和控制提供了新的視角。該方法主要涉及使用神經網絡或高斯過程回歸 (GPR) 來學習正向和反向動力學,從而避免與直接物理建模通常相關的誤差。反向動力學可用於直接控制或前饋補償,而正向動力學在模型參考自適應控制 (MRAC) 或 MPC 中至關重要。由於非參數性質,GPR 的計算複雜度受訓練集的影響,需要額外的預處理來選擇合適的數據子集。相比之下,神經網絡通常更加直觀和用戶友好,這導致它們在該領域得到廣泛採用。數據驅動的非線性模型預測控制 (DD-NMPC) 方法將神經網絡學習模型與 MPC 相結合。通過利用神經網絡的通用逼近特性,可以離線或在線學習控制設備的動力學,從而產生可用於優化控制序列的高度預測性非線性模型。然而,DD-NMPC 也面臨著以下幾個挑戰。 **準確的預測建模:**預測模型的有效性不僅依賴於大量數據的收集,還很大程度上受神經網絡設計的影響。例如,循環神經網絡 (RNN) 在預測時間序列數據方面比多層感知器 (MLP) 更有效,因為它們可以捕獲時間依賴性。此外,NMPC 中的預測範圍需要通過迭代不斷更新,這可能會受到神經網絡擬合誤差的影響。隨著預測誤差在多次迭代中累積和放大,它們最終會降低控制系統的有效性。 **環境交互:**機器人與外部環境交互時,其動力學可能會發生變化,這可能會降低在離線數據上訓練的學習模型的預測精度。在線或主動學習方法旨在通過在操作過程中不斷用收集到的新數據更新模型來改進離線學習。然而,這種迭代過程可能非常耗時且存在風險,並且不收斂的可能性使其難以在工程任務中實施。 **實時優化:**在線性 MPC 中,確定控制動作被視為二次規劃 (QP) 或順序二次規劃 (SQP) 問題。這涉及使用二次成本函數,該函數可以有效地識別最優解或局部最優解。另一方面,在處理非線性模型時,每次迭代都需要解決非線性規劃 (NLP) 問題。雖然成本函數的形式具有靈活性,可以適應各種凸函數以滿足特定需求,但直接應用線性 MPC 方法通常是不切實際的。

深入探究

該 NMPC 框架如何應用於其他類型的工業機器人或更廣泛的控制問題?

此 NMPC 框架展現出高度的適應性,可以應用於其他類型的工業機器人和更廣泛的控制問題。以下列舉一些潛在應用方向: 其他類型工業機器人: 此框架可以擴展到其他具有非線性動力學特性的工業機器人,例如焊接機器人、噴漆機器人、裝配機器人等。關鍵在於根據特定機器人的動力學特性和任務需求,調整數據收集方法、狀態變量選擇、成本函數設計和約束條件設定。 過程控制: 此框架適用於具有非線性、時變和強耦合特性的複雜過程控制系統,例如化工過程、發電廠和水處理系統。通過學習過程的動態模型,NMPC 可以優化控制策略,提高產品質量、產量和能源效率。 能源管理: 此框架可以應用於智能電網、微電網和電動汽車等領域的能源管理。通過預測能源需求和供應,NMPC 可以優化能源分配和儲存策略,提高能源利用效率,降低成本。 機器人學習: 此框架可以與強化學習等機器人學習方法相結合,實現更智能、更自主的機器人控制。通過與環境交互和學習,機器人可以不斷優化其控制策略,適應不斷變化的環境和任務。 總之,此數據驅動的 NMPC 框架具有廣泛的應用前景。通過結合特定應用領域的知識和技術,可以將其應用於各種工業機器人和控制問題,實現更高效、更智能、更經濟的控制目標。

如果系統存在顯著的未建模動態或外部干擾,該方法的魯棒性如何?

儘管該方法在處理非線性和時變系統方面表現出色,但在面對顯著的未建模動態或外部干擾時,其魯棒性仍面臨挑戰。以下分析其局限性並提出可能的解決方案: 局限性: 未建模動態: 如果系統存在顯著的未建模動態,例如未考慮的摩擦、遲滯或其他非線性效應,則離線學習模型的預測精度會下降,進而影響 NMPC 的控制性能。 外部干擾: 外部干擾,例如負載變化、環境溫度波動或外部力量衝擊,也會降低模型預測精度,導致控制性能下降,甚至系統不穩定。 解決方案: 改進模型: 增加數據: 收集更多涵蓋未建模動態和外部干擾的數據,用於訓練更準確的離線學習模型。 複雜模型: 採用更複雜的學習模型,例如更深層的神經網絡或其他具有更強非線性逼近能力的模型。 混合建模: 結合基於物理的模型和數據驅動的模型,利用物理知識提高模型對未建模動態的魯棒性。 魯棒控制: 自適應控制: 引入自適應控制策略,根據系統狀態和干擾在線調整控制器參數,提高系統對不確定性的適應能力。 滑模控制: 採用滑模控制等魯棒控制方法,降低系統對未建模動態和外部干擾的敏感性。 干擾觀測器: 設計干擾觀測器,估計未建模動態和外部干擾的影響,並將其補償到控制信號中,提高控制精度和魯棒性。 總之,提高該方法在面對顯著未建模動態和外部干擾時的魯棒性,需要綜合考慮模型改進、魯棒控制和干擾觀測等策略。通過不斷優化和改進,可以提高該方法在實際應用中的可靠性和穩定性。

如何進一步優化該方法的計算效率以滿足更嚴格的實時性要求?

為了滿足更嚴格的實時性要求,需要進一步優化該方法的計算效率。以下列舉一些可行的優化方向: 模型簡化: 網絡剪枝: 對訓練好的神經網絡進行剪枝,去除冗餘的連接和節點,在保持模型精度的前提下減少計算量。 模型量化: 將模型參數和激活函數量化為低精度數據類型,例如 INT8 或 FP16,以減少內存佔用和計算複雜度。 知識蒸餾: 使用訓練好的複雜模型(教師模型)來指導訓練一個更簡單、計算效率更高的模型(學生模型)。 算法優化: 並行計算: 利用 GPU 或多核 CPU 等硬件平台,對模型訓練和預測過程進行並行計算,提高計算速度。 優化求解器: 採用更高效的優化求解器,例如基於擬牛頓法的求解器,加速 NMPC 的優化過程。 模型預測控制策略: 研究更先進的模型預測控制策略,例如事件觸發控制或稀疏採樣控制,減少控制計算的頻率。 硬件加速: FPGA: 將訓練好的模型部署到 FPGA 等專用硬件平台上,實現高速、低延遲的模型推理。 嵌入式系統: 針對特定應用場景,設計專用的嵌入式系統,集成傳感器、控制器和執行器,實現高效的實時控制。 通過綜合應用上述優化方法,可以顯著提高該方法的計算效率,使其能夠滿足更嚴格的實時性要求,並應用於更廣泛的工業機器人和控制問題。
0
star