Fugu-MT 論文翻訳(概要): Controlled-Variable Selection based on Chaos Theory for the Tennessee Eastman Plant

論文の概要: Controlled-Variable Selection based on Chaos Theory for the Tennessee Eastman Plant

arxiv url: http://arxiv.org/abs/2110.01759v1
Date: Tue, 5 Oct 2021 00:29:11 GMT
ステータス: 処理完了
システム内更新日: 2021-10-06 13:57:24.348525
Title: Controlled-Variable Selection based on Chaos Theory for the Tennessee Eastman Plant
Title（参考訳）: テネシー・イーストマン工場のカオス理論に基づく制御変数の選択
Authors: S. F. Yapur
Abstract要約: 本研究は,プラントワイド制御系設計におけるカオス信号と制御変数の選択との関係について検討する。いくつかの結果はテネシー州のイーストマン工場で示されており、植物全体の管理の分野では挑戦的なプロセスであることが知られている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work explores a link between chaotic signals and the selection of controlled variables for plantwide control system design. Some results are shown for the Tennessee Eastman plant, which is well-known for being a challenging process in the field of plant-wide control. This article provides a systematic, data-driven method to select which variables should be controlled. However, since plantwide control problems are inherently complex, this work does not intend to provide a definite solution, but a complementary analysis to take into account towards the final control system design. The discussion highlights the potential hidden in the chaos theory to reduce the complexity of the resulting control system.
Abstract（参考訳）: 本研究は、プラント全体の制御系設計におけるカオス信号と制御変数の選択との関係を考察する。いくつかの結果はテネシー州のイーストマン工場で示されており、植物全体の管理の分野では困難なプロセスであることが知られている。この記事では、どの変数を制御するべきかを選択するための、体系的でデータ駆動の方法を提供します。しかし、プラント全体の制御問題は本質的に複雑であるため、この研究は明確な解決策を提供するのではなく、最終的な制御システム設計に考慮すべき補完的な分析を意図している。議論は、カオス理論に隠された可能性を強調し、結果として生じる制御システムの複雑さを減少させる。

関連論文リスト

A Strategy for Preparing Quantum Squeezed States Using Reinforcement Learning [0.0]
非古典的状態を生成するために,強化学習を工学的制御分野に適用する手法を提案する。強化学習剤は、コヒーレントスピン状態から発生する制御パルスの時間シーケンスを決定する。この研究は、他の量子系を操作するための応用の道を開いた。
論文参考訳（メタデータ） (2024-01-29T17:23:25Z)
A Safe Reinforcement Learning Algorithm for Supervisory Control of Power Plants [7.1771300511732585]
モデルフリー強化学習(RL)は、制御タスクのための有望なソリューションとして登場した。本稿では,監督制御のための近似ポリシ最適化に基づく確率制約付きRLアルゴリズムを提案する。本手法は, 原子力プラント設計における負荷追従操作において, 違反距離と違反率の最小化を実現するものである。
論文参考訳（メタデータ） (2024-01-23T17:52:49Z)
Regret Analysis of Distributed Online Control for LTI Systems with Adversarial Disturbances [12.201535821920624]
本稿では,線形時間不変系(LTI)のネットワーク上での分散オンライン制御問題に対処する。既知のダイナミクスに対して,我々は,O(sqrtTlog T)$の残差を保証できる完全分散外乱フィードバックコントローラを提案する。未知のダイナミクスの場合において、探索段階において、全てのエージェントがシステムダイナミクスを共同で学習する分散探索-テーマ-コミットアプローチを設計する。
論文参考訳（メタデータ） (2023-10-04T23:24:39Z)
Optimization of Time-Dependent Decoherence Rates and Coherent Control for a Qutrit System [77.34726150561087]
非コヒーレント制御は、特定の制御方法で時間に応じてデコヒーレンス率を決定する。我々は、システムの最終状態$rho(T)$と与えられたターゲット状態$rho_rmターゲットとの間のヒルベルト・シュミットの重なりを最大化する問題を考察する。
論文参考訳（メタデータ） (2023-08-08T01:28:50Z)
Optimal solutions to quantum annealing using two independent control functions [0.0]
最適解は、進化時間全体の上界で調整された両制御からなることを示す。本稿では,制御の振幅を制限するために最適化された量子最適制御手法を提案する。 2つの制御関数を持つスキームは、同じ進化時間における他のスキームよりも忠実であることを示す。
論文参考訳（メタデータ） (2021-10-26T16:54:17Z)
Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。最適制御には無関係な状態変数を特徴付ける。
論文参考訳（メタデータ） (2021-10-12T16:41:47Z)
Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文参考訳（メタデータ） (2020-11-15T22:36:59Z)
Learning Hybrid Control Barrier Functions from Data [66.37785052099423]
ハイブリッドシステムの安全な制御法則を得るための体系的なツールが欠如していることから,データから確実に安全な制御法則を学習するための最適化ベースのフレームワークを提案する。特に、システムダイナミクスが知られており、安全なシステム動作を示すデータが利用可能であるような設定を仮定する。
論文参考訳（メタデータ） (2020-11-08T23:55:02Z)
Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
論文参考訳（メタデータ） (2020-07-24T07:00:14Z)
Drawing together control landscape and tomography principles [0.2741266294612775]
形状のフィールドを用いて量子システムを制御したり、測定データからそのような制御されたシステムの状態を推測する能力は、量子デバイスの設計と運用における重要なタスクである。システムの全状態を制御・再構築する能力と特異制御の欠如を関連付けるとともに、十分に長い進化期間において特異制御が発生することは滅多にないことを示す。本稿では,システムに部分的にアクセスした測定データを利用した最適制御の学習アルゴリズムについて述べる。
論文参考訳（メタデータ） (2020-04-06T15:17:33Z)
Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文参考訳（メタデータ） (2020-03-12T19:56:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。