Thesis:

Implementación en FPGA de redes neuronales artificiales aplicadas a lazos de control predictivo por modelo

Tradicionalmente, la implementación en tiempo real de esquemas de Model Predictive Control (MPC) ha estado limitada por las exigencias computacionales y de almacenamiento. El uso de redes neuronales artificiales (ANNs) para aproximar la ley de control de MPC ha surgido como un enfoque prometedor, especialmente cuando se implementa en Field Programmable Gate Arrays (FPGAs). Este trabajo presenta un flujo de diseño completo end-to-end para la implementación de aproximadores de MPC basados en ANNs, integrando Keras y QKeras para el diseño y cuantización de ANNs, junto con HLS4ML y el entorno de diseño de AMD/Xilinx para su implementación en FPGA. La metodología se valida mediante dos casos de estudio: un sistema compuesto por un motor DC y un sistema de recursos energéticos distribuidos (DER). Los resultados experimentales demuestran que la selección de hiperparámetros y niveles de cuantización de la ANN impacta significativamente el error de aproximación y el uso de recursos en la implementación. Las implementaciones en FPGA alcanzan latencias inferiores a un microsegundo, con un uso de recursos que varía según la estructura de la red neuronal y el nivel de paralelismo del hardware. El análisis de los compromisos de diseño destaca el impacto de la cuantización y la reutilización de hardware en la latencia y el uso de recursos, proporcionando directrices para optimizar controladores MPC basados en ANNs para aplicaciones de tiempo real. Estos hallazgos respaldan la viabilidad del uso de ANNs para aproximar MPC implementadas en FPGA, ofreciendo una alternativa práctica a la implementación de MPC tradicional, permitiendo una ejecución con uso de recursos y latencia balanceados adecuadamente para sistemas embebidos con restricciones de tiempo.

Traditionally, the real-time implementation of Model Predictive Control (MPC) schemes has been limited by computational and storage demands. The use of artificial neural networks (ANNs) to approximate the MPC control law has emerged as a promising approach, particularly when implemented on Field Programmable Gate Arrays (FPGAs). This work presents a complete end-toend design flow for implementing ANN-based MPC approximators, integrating Keras and QKeras for ANN design and quantization, along with HLS4ML and the AMD/Xilinx design environment for FPGA deployment. The methodology is validated through two case studies: a system composed of a DC motor and a distributed energy resources (DER) system. Experimental results demonstrate that the selection of hyperparameters and quantization levels of the ANN significantly impacts both the approximation error and resource utilization in the implementation. The FPGA implementations achieve latencies below one microsecond, with resource usage varying depending on the neural network structure and the hardware parallelism level. The design trade-off analysis highlights the impact of quantization and hardware reuse on latency and resource consumption, providing guidelines for optimizing ANN-based MPC controllers for real-time applications. These findings support the feasibility of using ANNs to approximate MPC laws implemented on FPGAs, offering a practical alternative to traditional MPC implementations, enabling execution with a balanced trade-off between resource usage and latency for embedded systems with real-time constraints.