論文の概要: Data-Driven Model Reduction and Nonlinear Model Predictive Control of an Air Separation Unit by Applied Koopman Theory

• arxiv url: http://arxiv.org/abs/2309.05386v1
• Date: Mon, 11 Sep 2023 11:18:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 12:58:35.460716
• Title: Data-Driven Model Reduction and Nonlinear Model Predictive Control of an Air Separation Unit by Applied Koopman Theory
• Title（参考訳）: 応用クープマン理論による空気分離ユニットのデータ駆動モデル削減と非線形モデル予測制御
• Authors: Jan C. Schulze, Danimir T. Doncevic, Nils Erwes, Alexander Mitsos
• Abstract要約: 空気分離ユニットの低次制御モデルを生成するためのデータ駆動型削減戦略を提案する。 縮小したクープマンモデルの固定ブロック構造に合わせた微分を用いたNMPC実装を提案する。 調整したNMPC実装による削減手法により、ASUのリアルタイムNMPCを平均CPU時間で98 %削減できる。
• 参考スコア（独自算出の注目度）: 45.84205238554709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving real-time capability is an essential prerequisite for the industrial implementation of nonlinear model predictive control (NMPC). Data-driven model reduction offers a way to obtain low-order control models from complex digital twins. In particular, data-driven approaches require little expert knowledge of the particular process and its model, and provide reduced models of a well-defined generic structure. Herein, we apply our recently proposed data-driven reduction strategy based on Koopman theory [Schulze et al. (2022), Comput. Chem. Eng.] to generate a low-order control model of an air separation unit (ASU). The reduced Koopman model combines autoencoders and linear latent dynamics and is constructed using machine learning. Further, we present an NMPC implementation that uses derivative computation tailored to the fixed block structure of reduced Koopman models. Our reduction approach with tailored NMPC implementation enables real-time NMPC of an ASU at an average CPU time decrease by 98 %.
• Abstract（参考訳）: リアルタイム能力の実現は、非線形モデル予測制御(NMPC)の産業的実装に必須の前提条件である。 データ駆動モデル還元は、複雑なデジタル双生児から低次制御モデルを得る方法を提供する。 特に、データ駆動アプローチは、特定のプロセスとそのモデルに関する知識をほとんど必要とせず、明確に定義された汎用構造のモデルを提供する。 本稿では,最近提案したクープマン理論(Schulze et al. (2022), Comput. Chem. Eng.)に基づくデータ駆動型削減戦略を適用し,空気分離ユニット(ASU)の低次制御モデルを生成する。 削減されたkoopmanモデルは、オートエンコーダと線形潜在ダイナミクスを組み合わせたもので、機械学習を用いて構築される。 さらに、縮小したクープマンモデルの固定ブロック構造に合わせて微分計算を利用するNMPC実装を提案する。 調整したNMPC実装による削減手法により、平均CPU時間でASUのリアルタイムNMPCを98%削減できる。

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 [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• A DeepONet multi-fidelity approach for residual learning in reduced order modeling [0.0]
  本稿では,多面的視点とDeepONetsを利用して,縮小順序モデルの精度を高める新しい手法を提案する。 モデル削減を機械学習残差学習と組み合わせて、上記の誤りをニューラルネットワークで学習し、新しい予測のために推論することを提案する。
  論文  参考訳（メタデータ） (2023-02-24T15:15:07Z)
• Low-dimensional Data-based Surrogate Model of a Continuum-mechanical Musculoskeletal System Based on Non-intrusive Model Order Reduction [0.0]
  データ駆動型モデルオーダーリダクションを用いた代理モデルのような従来の手法は、高忠実度モデルをより広く利用するために用いられる。 ヒト上腕部の複素有限要素モデルに対する代理モデル手法の利点を実証する。
  論文  参考訳（メタデータ） (2023-02-13T17:14:34Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Neural Closure Models for Dynamical Systems [35.000303827255024]
  低忠実度モデルに対する非マルコフ閉閉パラメータ化を学習する新しい手法を開発した。 ニューラルクロージャモデル」はニューラル遅延微分方程式(nDDE)を用いた低忠実度モデルを強化する 非マルコヴィアンオーバーマルコヴィアンクロージャを使用することで、長期的精度が向上し、より小さなネットワークが必要であることを示した。
  論文  参考訳（メタデータ） (2020-12-27T05:55:33Z)

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。