Accelerating nonlinear model predictive control through machine learning with application to automotive waste heat recovery

Vaupel, Yannic; Mitsos, Alexander (Thesis advisor); Lucia, Sergio (Thesis advisor)

Aachen (2020, 2021)
Buch, Doktorarbeit

In: Aachener Verfahrenstechnik series - AVT.SVT - Process systems engineering 12 (2020)
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Kurzfassung

Als Teil einer Strategie zur Reduzierung des CO2-Fußabdrucks der Transportbranche ist der Einsatz von Wärmerückgewinnungssystemen in LKW eine vielversprechende Option. Dafür kommt eine Reihe möglicher Technologien in Betracht, wobei der Einsatz eines Organic Rankine Cycles (ORC), unter Nutzung der thermischen Energie des Abgases als Wärmequelle, als besonders vielversprechend gilt. Beim Einsatz im LKW ist das ORC-System, im Gegensatz zu etablierten Einsatzfeldern von ORCs, starken Fluktuationen der Wärmequelle ausgesetzt. Daraus ergeben sich substantielle Herausforderungen für den sicheren und effizienten Betrieb des Wärmerückgewinnungssystems. In dieser Arbeit werden diese Herausforderungen mittels modellbasierter Methoden adressiert. Zu Beginn wird ein dynamisches Modell des ORC-Systems entwickelt und mit Messdaten validiert. Anschließend erfolgt eine Erweiterung zu einem schaltenden Modell, sodass auch An- und Abfahrvorgang abgebildet werden können. Darüber hinaus werden zwei Modellierungsansätze für Wärmeübertrager verglichen. Im Rahmen einer modellbasierten dynamischen Optimierung wird anschließend der optimale Betrieb des Wärmerückgewinnungssystems analysiert. Dabei stellt sich heraus, dass eine temporäre Erhöhung der Überhitzung des Arbeitsmediums sinnvoll sein kann. Aus den gewonnenen Erkenntnissen wird eine Regelungsstruktur abgeleitet. Diese wird simulativ mit nichtlinearer Modellprädiktiver Regelung (NMPC) sowie einem PI-Regler mit Störgrößenaufschaltung umgesetzt. Die erreichte Regelungsgüte des NMPC ist hoch, allerdings übersteigt der Rechenaufwand die zulässige Rechendauer. Der PI-Regler erreicht eine ähnliche Regelgüte mit deutlich geringerem Rechenaufwand. Anschließend wird eine auf maschinellem Lernen (ML) basierende NMPC Methode auf das ORC System angewandt. Diese reduziert den rechnerischen Aufwand, kann aber keine Einhaltung der Pfadbeschränkungen garantieren. Daher werden als finaler Beitrag der Arbeit Methoden entwickelt, die mittels ML den rechnerischen Aufwand von NMPC reduzieren und dabei Pfadbeschränkungen beachten.

Identifikationsnummern

Downloads