基于机器学习的非线性系统参考调速器及其在汽车燃料电池中的应用

《IEEE Transactions on Control Systems Technology》：A Machine Learning-Based Reference Governor for Nonlinear Systems With Application to Automotive Fuel Cells

提出基于机器学习的MNN-RG方法，通过回归神经网络近似预测基非线性参考控制器模型，结合敏感性分析实现最小化调整，确保约束满足，并以燃料电池系统为案例验证其有效性。

　　

摘要：

基于预测的非线性参考调节器（PRG）是一种附加算法，用于通过对参考信号进行必要的修改来约束预稳定的非线性系统。PRG的实现具有较大的计算负担，因为它可能需要在每个采样时间对植物模型进行多次数值模拟。为此，本文提出了一种基于机器学习的方法：首先使用回归神经网络（NN）根据一组训练数据近似PRG的输入输出映射。在实时运行过程中，每个采样时间我们使用训练好的NN来计算一个标称参考指令，但由于训练误差和数据限制，该指令可能不符合约束要求。我们采用了一种基于灵敏度的新型方法来最小化标称参考值的调整，同时确保约束得到满足。因此，我们将这种控制策略称为改进型NN参考调节器（MNN-RG），其在计算上比PRG更高效。本文介绍了MNN-RG的计算和理论特性。最后，通过基于仿真的案例研究，将所提出的方法应用于汽车燃料电池（FC）系统的负载调节中，以评估其有效性和局限性。

引言

在控制系统中实施约束是一个关键方面，近年来受到了广泛关注。确保系统变量保持在规定的范围内对于保证各种工业过程、机器人技术和自主系统的安全与最优运行至关重要[1]、[2]、[3]。在控制系统中实施约束的一种方法是模型预测控制（MPC）[4]。虽然MPC为管理约束提供了一个全面的框架，但它需要解决实时优化问题，这使得计算要求较高，尤其是对于具有快速动态和/或非线性的系统。作为一种替代方法，可以结合使用李雅普诺夫函数和屏障函数来强制系统满足各种类型的约束（状态、输入、输出等）。然而，为复杂系统合成合适的李雅普诺夫/屏障函数可能具有挑战性，尤其是当系统存在多个约束时，而且由此产生的控制动作可能会过于保守[5]。