Offset-free nonlinear MPC for systems learned by LSTM networks

In many recent applications, Long Short-Term Memory (LSTM) networks have been successfully employed for time-series prediction. While their black-box modeling capabilities have drawn increasing interest from the control community, only a few theoretical results concerning their use in control design are available. In this context, this work aims to present a framework where LSTM networks can be incorporated into the design of an NMPC controller that can achieve offset-free tracking of constant references with guaranteed nominal closed-loop stability. The modeling accuracy of LSTM networks and the performance of the NMPC controller are evaluated on a nonlinear pH neutralization benchmark. Simulation results demonstrate that the proposed framework can achieve offset-free tracking of constant references even in the presence of modeling errors, unmeasured disturbances, and changes in the process parameters.

In molte applicazioni recenti, le reti LSTM (Long Short Term Memory) sono state impiegate con successo per l’analisi e la previsione di serie temporali. Per la loro capacità di modellazione esse hanno attirato un interesse crescente anche nella comunità de controlli e in vari casi le LSTM sono state impiegate con successo come modelli affidabili del sistema. Tuttavia, soltanto pochi risultati teorici sono disponibili relativamente al loro utilizzo nella progettazione dei sistemi di controllo con proprietà garantite. A partire da questa premessa, questo lavoro è volto a presentare una modalità, teoricamente ben consolidata, in cui le reti LSTM possono essere impiegate nella progettazione di un controllore di tipo Nonlinear Model Predictive Control, o NMPC, in grado di garantire la stabilità in anello chiuso e l’inseguimento con errore asintoticamente nullo di segnali di riferimento costanti. L'accuratezza della modellazione delle reti LSTM e le prestazioni del controllore NMPC proposto in questa Tesi sono valutate nel controllo di un processo per la neutralizzazione del pH. I risultati ottenuti dimostrano che l’algoritmo sviluppato è in grado di garantire l’inseguimento senza offset di riferimenti costanti anche in presenza di errori di modellazione, disturbi non misurati e variazioni dei parametri del processo.