論文の概要: Adjustment formulas for learning causal steady-state models from
closed-loop operational data
- arxiv url: http://arxiv.org/abs/2211.05613v1
- Date: Thu, 10 Nov 2022 14:39:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 14:55:14.282453
- Title: Adjustment formulas for learning causal steady-state models from
closed-loop operational data
- Title(参考訳): 閉ループ操作データから因果定常モデルを学ぶための調整公式
- Authors: Kristian L{\o}vland, Bjarne Grimstad, Lars Struen Imsland
- Abstract要約: 定常状態データから因果定常状態モデルの推定を可能にする制御共起の調整式を導出する。
コントローラが対処しようとしている障害を推定して考慮し、フィードフォワードとフィードバックコントロールの両方で収集されたデータから学習することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Steady-state models which have been learned from historical operational data
may be unfit for model-based optimization unless correlations in the training
data which are introduced by control are accounted for. Using recent results
from work on structural dynamical causal models, we derive a formula for
adjusting for this control confounding, enabling the estimation of a causal
steady-state model from closed-loop steady-state data. The formula assumes that
the available data have been gathered under some fixed control law. It works by
estimating and taking into account the disturbance which the controller is
trying to counteract, and enables learning from data gathered under both
feedforward and feedback control.
- Abstract(参考訳): 歴史的運用データから学習された定常モデルは、制御によって導入されたトレーニングデータの相関が考慮されない限り、モデルベースの最適化には適さない。
構造力学因果モデルに関する最近の研究結果を用いて, 閉ループ定常状態データから因果定常状態モデルの推定を可能にする制御共起の調整式を導出した。
この公式は、利用可能なデータが一定の制御法の下で収集されたと仮定する。
コントローラが対処しようとしている障害を推定して考慮し、フィードフォワードとフィードバックコントロールの両方で収集されたデータから学習することができる。
関連論文リスト
- Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - LMI-based Data-Driven Robust Model Predictive Control [0.1473281171535445]
入力制約と状態制約を考慮したデータ駆動型ロバストな線形行列不等式モデル予測制御手法を提案する。
コントローラは閉ループシステムを安定化し、制約満足度を保証する。
論文 参考訳(メタデータ) (2023-03-08T18:20:06Z) - Deep Explainable Learning with Graph Based Data Assessing and Rule
Reasoning [4.369058206183195]
本稿では、ノイズハンドリングにおけるディープモデルの利点とエキスパートルールに基づく解釈可能性を組み合わせたエンドツーエンドのディープ・ツー・エンドのディープ・説明可能な学習手法を提案する。
提案手法は, 工業生産システムにおいて, 予測精度に匹敵し, より高い一般化安定性, より優れた解釈可能性を示す。
論文 参考訳(メタデータ) (2022-11-09T05:58:56Z) - The Impact of Data on the Stability of Learning-Based Control- Extended
Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。
ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文 参考訳(メタデータ) (2020-11-20T19:10:01Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳(メタデータ) (2020-05-25T12:13:49Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。