Adaptive Optimal Control of Unknown Nonlinear Systems via System Identification

Von heutigen technischen Systemen wird oft gefordert, dass sie optimal betrieben werden, beispielsweise im Sinne von Energieminimierung, Performancemaximierung oder einem Trade-Off zwischen beiden. Für Regelsysteme wird diese Anforderung üblicherweise durch optimale Regelung (optimal control) erreicht. Optimale Regelung benötigt typischerweise ein präzises Modell des zu regelnden Systems und da die meisten Systeme nichtlinear sind und die Systemkomplexität stetig zunimmt, wurden systematische Modellbildungsverfahren entwickelt. Eine Möglichkeit ist die Verwendung von Black-Box-System-Identifikation, um Systeme zu modellieren, welche zwar für Messungen verfügbar sind, jedoch nur ein begrenztes physikalisches Wissen über deren dynamisches Verhalten verfügbar ist. Diese Arbeit ist ein Beitrag zur Erweiterung einer systematischen Methode zur nichtlinearen System-Identifikation im Hinblick auf Online-Identifikation und das Zusammenführen dieser mit einer Methode der modellprädiktiven Regelung (MPC), um einen adaptiven Regler zu erhalten, der das Ziel der optimalen Regelung approximativ erreicht. Der Hauptteil dieser Arbeit beschäftigt sich mit der Weiterentwicklung des Umfangs von bestehenden Arbeiten, indem es möglich gemacht wird, auf ein sich zeitlich änderndes Systemverhalten, z.B. aufgrund von Alterung, zu reagieren. Dazu wird ein Online-Algorithmus zur Modellparameter-Identifikation basierend auf einer Mehrschritt-Prädiktion entwickelt. Eine Mehrschritt-Prädiktion wurde im Hinblick auf die gewünschte Anwendung des Modells gewählt: nichtlineare modellprädiktive Regelung. Dieser Algorithmus wird mit dem üblichen exponentiellen Vergessen von Daten entwickelt sowie auf eine Directional-Forgetting-Strategie erweitert, um mit der möglichen Diskrepanz zwischen Datenqualität und Anzahl der Modellparameter in einem geregelten Betrieb umgehen zu können. Außerdem wird die Implementierung des bekannten C/GMRES Algorithmus zur modellprädiktiven Regelung modifiziert, um auch mit einer generischen polynomialen Modellklasse, welche in der Identifikationsmethode verwendet wird, umgehen zu können und angepasst, um eine Kombination mit dem Online-Identifikationsalgorithmus zu ermöglichen. Es wird am praktischen Beispiel einer selektiven katalytischen Reduktionsregelung (SCR) gezeigt, dass die in dieser Arbeit entwickelten Erkenntnisse und Verfahren dazu verwendet werden können, die Regelperformance des Systems durch Verwendung eines MPC basierend auf dem identifiziertem Modell in einem nichtnominellen Fall zu verbessern: wenn Katalysatoralterung auftritt.Today's technical systems are often required to be operated in an optimal way, for example in the sense of minimizing energy, maximizing performance or a trade-off between both. For control systems this requirement is usually achieved by optimal control. Optimal control typically requires a precise model of the system to be controlled and as most systems are nonlinear and system complexity is continuously increasing, systematic modeling approaches have been developed. One way is to use black-box system identification to model systems, which are available for measurements but only limited first principle knowledge about their dynamic behavior is available. This thesis is a contribution for extending a systematic method for nonlinear system identification towards online identification and merging it with a method of model predictive control (MPC) to get an adaptive controller that approximately achieves the goal of optimal control. The main part of the thesis is devoted to advancing the scope of the previous work by making it possible to adapt to a changing behavior of the system over time, e.g. due to aging. Therefore, an online algorithm for model parameter identification based on a multi-step prediction is developed. A multi-step prediction is chosen in view of the desired application of the model: nonlinear model predictive control. This algorithm is developed with standard exponential data forgetting and extended to a directional forgetting strategy to cope with the possible mismatch of data quality and number of model parameters in a controlled operation. Finally, the well-known C/GMRES algorithm for model predictive control is implemented to work with the generic polynomial model class used in the identification method and modified towards a combination with the online identification algorithm. It is shown on the practical example of selective catalytic reduction (SCR) control that the findings and approaches developed in this thesis can be used to improve the control performance of the system by using an MPC based on the identified model in a non-nominal case: when catalyst aging occurs.submitted by Patrick SchranglUniversität Linz, Dissertation, 2019OeBB(VLID)468402