Active noise control is effective at low frequencies, where passive treatments are often impractical. However, its performance can degrade under non-stationary disturbances, nonlinear acoustic effects, and uncertainty in the plant dynamics. Adaptive algorithms such as FxNLMS require convergence and can be sensitive to step-size selection, secondary-path uncertainty, and changes in the disturbance. Model-based methods, instead, depend on identified acoustic models that may vary in realistic applications. In particular, model predictive control (MPC) relies on accurate primary- and secondary-path models to predict the future residual error. This thesis addresses these limitations by developing a Hybrid MPC-LSTM framework to compensate for nonlinear and history-dependent model mismatch. The proposed method retains a linear state-space MPC controller and uses a causal long short-term memory (LSTM) network to predict the lumped model-mismatch sequence over the MPC horizon. The complete predicted sequence is used to correct the lifted MPC prediction model, while its first element is used to compensate the state observer. During closed-loop operation, the LSTM predictor is used with fixed offline-trained parameters. Six recurrent, convolutional, and attention-based sequence architectures were benchmarked under a common protocol, with the LSTM providing the best trade-off between prediction accuracy and computational cost. The boundedness of the LSTM mismatch estimate and input-to-state stability of the compensated observer error were also established under the stated assumptions. The proposed controller was evaluated in a nonlinear mismatch simulation and in a measurement-informed study based on acoustic-path models identified from Kundt’s tube measurements. For traffic, airplane, knock, and white-noise disturbances, the Hybrid MPC-LSTM controller achieved higher attenuation than FxNLMS and MPC without mismatch preview in both studies, and it also outperformed pure LSTM control in the measurement-informed evaluation. Relative to MPC without mismatch preview, the average noise-reduction improvement was approximately 14.35 dB in nonlinear simulation and 8.81 dB in the measurement-informed evaluation. These results show that, in this setting, learning is more effective when used as a model-correction module inside MPC rather than as a direct replacement for MPC.

Il controllo attivo del rumore è efficace alle basse frequenze, per le quali i trattamenti passivi risultano spesso poco pratici. Le sue prestazioni possono tuttavia degradare in presenza di disturbi non stazionari, effetti acustici nonlineari e incertezza nella dinamica dell'impianto. Gli algoritmi adattativi, come FxNLMS, richiedono una fase di convergenza e possono essere sensibili alla scelta del passo di adattamento, all'incertezza sul cammino secondario e alle variazioni del disturbo. I metodi basati su modello dipendono invece da modelli acustici identificati, che possono variare nelle applicazioni reali. In particolare, il controllo predittivo basato su modello (MPC) richiede modelli accurati dei cammini primario e secondario per predire l'errore residuo futuro. Questa tesi affronta tali limitazioni sviluppando un framework Hybrid MPC-LSTM per compensare il mismatch di modello nonlineare e dipendente dalla storia del sistema. Il metodo proposto mantiene un controllore MPC lineare in spazio di stato e utilizza una rete causale long short-term memory (LSTM) per predire la sequenza del mismatch di modello aggregato sull'orizzonte dell'MPC. L'intera sequenza predetta viene utilizzata per correggere il modello di predizione esteso dell'MPC, mentre il primo elemento viene impiegato per compensare l'osservatore di stato. Durante il funzionamento in anello chiuso, il predittore LSTM viene utilizzato con parametri fissi addestrati offline. Sei architetture sequenziali ricorrenti, convoluzionali e basate sull'attenzione sono state confrontate mediante un protocollo comune; la rete LSTM ha fornito il miglior compromesso tra accuratezza di predizione e costo computazionale. La limitatezza della stima LSTM del mismatch e la stabilità input-to-state dell'errore dell'osservatore compensato sono state inoltre dimostrate sotto le ipotesi dichiarate. Il controllore proposto è stato valutato mediante una simulazione con mismatch nonlineare e una valutazione basata su dati di misura, utilizzando modelli acustici identificati da un tubo di Kundt. Per disturbi di traffico, aeroplano, knock e rumore bianco, il controllore Hybrid MPC-LSTM ha ottenuto una maggiore attenuazione rispetto a FxNLMS e all'MPC senza mismatch preview in entrambi gli studi; nella valutazione basata su dati di misura ha inoltre superato il controllore pure LSTM. Rispetto all'MPC senza mismatch preview, il miglioramento medio della riduzione del rumore è stato pari a circa 14.35 dB nella simulazione nonlineare e a 8.81 dB nella valutazione basata su dati di misura. Questi risultati mostrano che, nel contesto considerato, l'apprendimento è più efficace quando viene impiegato per compensare il mismatch di modello all'interno dell'MPC anziché per sostituire il controllore predittivo.

Learning-based model predictive control for active noise control systems

Rastegarmoghaddam, Mahshad
2025/2026

Abstract

Active noise control is effective at low frequencies, where passive treatments are often impractical. However, its performance can degrade under non-stationary disturbances, nonlinear acoustic effects, and uncertainty in the plant dynamics. Adaptive algorithms such as FxNLMS require convergence and can be sensitive to step-size selection, secondary-path uncertainty, and changes in the disturbance. Model-based methods, instead, depend on identified acoustic models that may vary in realistic applications. In particular, model predictive control (MPC) relies on accurate primary- and secondary-path models to predict the future residual error. This thesis addresses these limitations by developing a Hybrid MPC-LSTM framework to compensate for nonlinear and history-dependent model mismatch. The proposed method retains a linear state-space MPC controller and uses a causal long short-term memory (LSTM) network to predict the lumped model-mismatch sequence over the MPC horizon. The complete predicted sequence is used to correct the lifted MPC prediction model, while its first element is used to compensate the state observer. During closed-loop operation, the LSTM predictor is used with fixed offline-trained parameters. Six recurrent, convolutional, and attention-based sequence architectures were benchmarked under a common protocol, with the LSTM providing the best trade-off between prediction accuracy and computational cost. The boundedness of the LSTM mismatch estimate and input-to-state stability of the compensated observer error were also established under the stated assumptions. The proposed controller was evaluated in a nonlinear mismatch simulation and in a measurement-informed study based on acoustic-path models identified from Kundt’s tube measurements. For traffic, airplane, knock, and white-noise disturbances, the Hybrid MPC-LSTM controller achieved higher attenuation than FxNLMS and MPC without mismatch preview in both studies, and it also outperformed pure LSTM control in the measurement-informed evaluation. Relative to MPC without mismatch preview, the average noise-reduction improvement was approximately 14.35 dB in nonlinear simulation and 8.81 dB in the measurement-informed evaluation. These results show that, in this setting, learning is more effective when used as a model-correction module inside MPC rather than as a direct replacement for MPC.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Il controllo attivo del rumore è efficace alle basse frequenze, per le quali i trattamenti passivi risultano spesso poco pratici. Le sue prestazioni possono tuttavia degradare in presenza di disturbi non stazionari, effetti acustici nonlineari e incertezza nella dinamica dell'impianto. Gli algoritmi adattativi, come FxNLMS, richiedono una fase di convergenza e possono essere sensibili alla scelta del passo di adattamento, all'incertezza sul cammino secondario e alle variazioni del disturbo. I metodi basati su modello dipendono invece da modelli acustici identificati, che possono variare nelle applicazioni reali. In particolare, il controllo predittivo basato su modello (MPC) richiede modelli accurati dei cammini primario e secondario per predire l'errore residuo futuro. Questa tesi affronta tali limitazioni sviluppando un framework Hybrid MPC-LSTM per compensare il mismatch di modello nonlineare e dipendente dalla storia del sistema. Il metodo proposto mantiene un controllore MPC lineare in spazio di stato e utilizza una rete causale long short-term memory (LSTM) per predire la sequenza del mismatch di modello aggregato sull'orizzonte dell'MPC. L'intera sequenza predetta viene utilizzata per correggere il modello di predizione esteso dell'MPC, mentre il primo elemento viene impiegato per compensare l'osservatore di stato. Durante il funzionamento in anello chiuso, il predittore LSTM viene utilizzato con parametri fissi addestrati offline. Sei architetture sequenziali ricorrenti, convoluzionali e basate sull'attenzione sono state confrontate mediante un protocollo comune; la rete LSTM ha fornito il miglior compromesso tra accuratezza di predizione e costo computazionale. La limitatezza della stima LSTM del mismatch e la stabilità input-to-state dell'errore dell'osservatore compensato sono state inoltre dimostrate sotto le ipotesi dichiarate. Il controllore proposto è stato valutato mediante una simulazione con mismatch nonlineare e una valutazione basata su dati di misura, utilizzando modelli acustici identificati da un tubo di Kundt. Per disturbi di traffico, aeroplano, knock e rumore bianco, il controllore Hybrid MPC-LSTM ha ottenuto una maggiore attenuazione rispetto a FxNLMS e all'MPC senza mismatch preview in entrambi gli studi; nella valutazione basata su dati di misura ha inoltre superato il controllore pure LSTM. Rispetto all'MPC senza mismatch preview, il miglioramento medio della riduzione del rumore è stato pari a circa 14.35 dB nella simulazione nonlineare e a 8.81 dB nella valutazione basata su dati di misura. Questi risultati mostrano che, nel contesto considerato, l'apprendimento è più efficace quando viene impiegato per compensare il mismatch di modello all'interno dell'MPC anziché per sostituire il controllore predittivo.
File allegati
File Dimensione Formato  
Thesis.pdf

accessibile in internet per tutti

Descrizione: Thesis
Dimensione 10.84 MB
Formato Adobe PDF
10.84 MB Adobe PDF Visualizza/Apri
Executive_Summary.pdf

accessibile in internet per tutti

Descrizione: Executive Summary
Dimensione 1.53 MB
Formato Adobe PDF
1.53 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/260669