Core Concepts
Integrierte Offline-Schulung von Ausgabefeedback-Neuronen-Netzwerk-Controllern für geschlossene Schleifen.
Abstract
Die Arbeit schlägt eine integrierte Methode für das Offline-Training eines Ausgabefeedback-Neuronen-Netzwerk-Controllers in geschlossener Schleife vor. Der Controller berechnet die Anlagen-Eingaben online kostengünstig unter Verwendung von verrauschten Messungen. Eine heuristische Methode wird vorgeschlagen, um die automatische Auswahl wichtiger Messungen durchzuführen. Die vorgeschlagene Methode wird durch umfangreiche Simulationen an einem nichtlinearen Destillationskolonnenmodell mit 50 Zuständen demonstriert.
1. Einleitung
Modellprädiktive Regelung (MPC) für Systeme mit Einschränkungen
Dynamisches Modell zur Vorhersage des Systemverhaltens
MPC verwendet Rückkopplung, um nur die erste Steueraktion zu implementieren
2. Hintergrund
Formulierung des Modellprädiktiven Regelungsproblems in kontinuierlicher Zeit
Rückzugshorizontansatz für die Implementierung der Rückkopplung
3. Optimierung einer Ausgabefeedback-Richtlinie
Materialbilanzen und konstitutive Gleichungen für die Destillationskolonne
Lineare Dynamik der Flüssigkeitsströmungsraten
4. Optimierung des Ausgabefeedback-Controllers
Verwendung von Neuronalen Netzwerken zur Eliminierung von Verzögerungen
Optimierung des Controllers in geschlossener Schleife
5. Ergebnisse
Vergleich der Leistung verschiedener Controller unter Berücksichtigung von Störungen
Robustheit der Controller gegenüber Modellabweichungen und Störungen
Stats
"Die vorgeschlagene Methode wird durch umfangreiche Simulationen an einem nichtlinearen Destillationskolonnenmodell mit 50 Zuständen demonstriert."
Quotes
"Die vorgeschlagene Methode wird durch umfangreiche Simulationen an einem nichtlinearen Destillationskolonnenmodell mit 50 Zuständen demonstriert."