Learning Feedforward Control of a One-Stage Refrigeration System

Abstract

Refrigeration control is usually realized by means of model-based feedback controllers, which requires high-computational load and time-consuming model identification efforts. The implementation of feedback control requires a compromise between performance and robust stability. Considering these difficulties, an online learning operation controller for one-stage refrigeration cycle is presented, which consists of two components: a model-based feedback component and a learning feedforward component. The feedback controller is utilized to guarantee robustness. Meanwhile, the optimized performance is reached by the learning feedforward controller including a one-hidden-layer structure with B-spline basis functions. The comparison results of benchmark problems validate the effectiveness of this strategy and show that a perfect tracking performance can still be achieved without extensive modeling.

Learning Feedforward Control Using Multiagent Control Approach for Motion Control Systems

“…The latter means that it is difficult to obtain simultaneously high-performance and robust stability in the presence of model uncertainties, plant disturbances, and measurement noise. This is indeed the place where learning and adaptive controllers may be considered, for example: adaptive control [2][3][4], iterative learning control [5,6], and learning feedforward control [1,[7][8][9][10][11][12][13][14][15][16].…”

“…This choice is based on the intuitive reasoning that this signal is the feedback controller's best guess on how to decrease the tracking error [9]. Due to its simplicity and effectiveness, LFFC has been widely applied in many areas, such as robotics [11], linear motors [8,10,13], piezoelectric actuators [14], uninterruptible power supply (UPS) inverters [15], and refrigeration systems [16]. Two different types of neural networks are often used as function approximators, that is, multilayer perceptron (MLP) network and B-spline neural networks (BSN) [1,11,[14][15][16].…”

“…Due to its simplicity and effectiveness, LFFC has been widely applied in many areas, such as robotics [11], linear motors [8,10,13], piezoelectric actuators [14], uninterruptible power supply (UPS) inverters [15], and refrigeration systems [16]. Two different types of neural networks are often used as function approximators, that is, multilayer perceptron (MLP) network and B-spline neural networks (BSN) [1,11,[14][15][16]. It is assumed that in an adaptive or learning control scheme like LFFC, the learning activity always requires a long computation time (mostly in seconds) so that it should not be implemented in the same real-time periodic task, which is employed for feedback control with sampling time typically required in milliseconds.…”

Data-driven Temperature Control Based on FRIT for Refrigeration Systems

“…冷凍機の制御については，PID 制御 (1) ，非干渉制御 (2) ， 最適制御 (3)(4)(5) ，モデル予測制御(MPC) (6)(7) ，ロバスト制御 (8)(9) ，等 が報告されている。 しかし， 蒸気圧縮式冷凍機は， 熱伝達プロセスに起因する強い非線形性 を有する。プラ ントモデルを低次のシステムとして同定しても，モデル 誤差の影響にて制御系の性能が劣化することが考えられ る。また，時定数が非常に長いため，システム同定のた めの試験に膨大な工数が必要となってしまう 。このよう な議論から，蒸気 圧 縮 式 冷凍 機 には PID 制 御 のよ うな モデルフリーな制御が望まれている。 蒸気圧縮式冷凍機 のプロセス制御ベンチマーク問題と して「Benchmark PID 2018」が報告されている (10) 。この ベンチマーク問題では，蒸気圧縮式冷凍機の詳細なプラ ントモデルが MATLAB/Simulink のパッケージとして提 供されている。 IFAC 主催の国際会議として開催された 「T he 2018 IFAC Conference on Advances in Proportional-In tegral-Derivative Control」では，このベンチマーク問題を 題材とした様々な制御方法が提案された (11)(12)(13)(14)(15)(16)(17) 。提案され た方法の中でも， データ駆動型制御は制御器の設計に 1 回の実験しか必要としないという 優れた点を有すること が知られている。先行研究では，データ駆動制御の代表 的な手法である Virtual reference feedback tuning(VRFT) (18) を適用した事例が報告されている (17) (19,20) をベース としたデータ駆動型制御が提案されている。若佐らは， 標準的な FRIT と RLS のアルゴリズムを応用したオンラ インのデータ駆動制御(FRIT-RLS)を提案している (21) 。制 御対象に強い非線形性がある場合や，大きな外乱が発生 した場合でも， 所望の閉ループ応答を得ることができる 。 FRIT-RLS の応用として，飛行体 (22) ，車両 (23) ，トランス ミッション (24)…”