Machine learning methods for modeling and control of dynamic systems

The thesis topic revolves around machine learning methods for system identification and model-based control design, with a specific emphasis on Recurrent Neural Network (RNN) models. The thesis comprises three main parts. The first part delves into RNN model identification, addressing several key issues. Stability properties such as Input-to-State Stability (ISS) and incremental ISS are analyzed, and sufficient conditions are derived. These conditions can be enforced by adding a regularization term to the training cost. Additionally, the incorporation of physical information into RNN model design is explored to enhance interpretability and modeling performance. Furthermore, a lifelong learning method for model adaptation after dynamics drift is proposed. In the second part of the thesis, the focus shifts to model-based control design. Two schemes are considered: Model Predictive Control (MPC) and Internal Model Control (IMC). A robust offset-free MPC tracking scheme is proposed for NNARX models, wherein an integrator and derivative action are added to the system model. Moreover, a Control Affine NNARX model is introduced, mirroring the input affine structure of the system dynamics. An IMC scheme leveraging CA-NNARX models is also proposed to expedite online computation. The final part of the thesis is dedicated to industrial application. A tailored NNARX-based MPC algorithm is implemented for temperature control units manufactured by Tool-Temp AG. This application demonstrates the practical relevance and effectiveness of the developed control methodologies in real-world scenarios.

L'argomento della tesi ruota attorno ai metodi di apprendimento automatico per l'identificazione dei sistemi e la progettazione del controllo basato su modelli, con un'enfasi specifica sui modelli di rete neurale ricorrente (RNN). La tesi si compone di tre parti principali. La prima parte approfondisce l'identificazione del modello RNN, affrontando diverse questioni chiave. Vengono analizzate le proprietà di stabilità come la stabilità input-to-stato (ISS) e l'ISS incrementale e vengono derivate condizioni sufficienti. Queste condizioni possono essere applicate aggiungendo un termine di regolarizzazione al costo della formazione. Inoltre, viene esplorata l'incorporazione di informazioni fisiche nella progettazione del modello RNN per migliorare l'interpretabilità e le prestazioni della modellazione. Inoltre, viene proposto un metodo di apprendimento permanente per l'adattamento del modello dopo la deriva dinamica. Nella seconda parte della tesi, l’attenzione si sposta sulla progettazione del controllo basato su modelli. Vengono considerati due schemi: Model Predictive Control (MPC) e Internal Model Control (IMC). Per i modelli NNARX viene proposto un robusto schema di tracciamento MPC senza offset, in cui un integratore e un'azione derivativa vengono aggiunti al modello di sistema. Inoltre, viene introdotto un modello Control Affine NNARX, che rispecchia la struttura affine degli input della dinamica del sistema. Viene inoltre proposto uno schema IMC che sfrutta i modelli CA-NNARX per accelerare il calcolo online. La parte finale della tesi è dedicata all'applicazione industriale. Per le unità di controllo della temperatura prodotte da Tool-Temp AG è implementato un algoritmo MPC personalizzato basato su NNARX. Questa applicazione dimostra la rilevanza pratica e l'efficacia delle metodologie di controllo sviluppate negli scenari del mondo reale.