Core Concepts
오프라인에서 출력 피드백 신경망 컨트롤러의 폐쇄 루프 훈련은 대규모 시스템에서 효율적인 제어를 제공합니다.
Abstract
이 연구는 모델 예측 제어의 단점을 극복하기 위해 폐쇄 루프에서 신경망 컨트롤러를 훈련하는 통합 접근 방식을 제안합니다. 온라인에서 이 신경망 컨트롤러는 잡음이 있는 측정을 사용하여 식물 입력을 저렴하게 계산합니다. 또한, 중요한 측정값의 자동 선택을 위한 휴리스틱 접근 방식을 제안합니다. 이 방법은 50개 상태의 비선형 증류 컬럼 모델을 사용하여 광범위한 시뮬레이션을 통해 시연됩니다. 제어 정책은 측정 잡음을 고려하고 일부 측정값만 사용하는 방법을 보여주며, 이를 통해 제어 정책의 훈련 중 측정 선택을 수행할 수 있음을 보여줍니다.
구조:
소개
다변량 상호작용 시스템을 위한 모델 예측 제어의 어려움
모델 예측 제어
시스템 상태의 추정과 최적화 문제의 해결 필요성
신경망 및 제어 정책
신경망을 사용한 제어 정책 학습
증류 문제 공식화
이상적인 이진 혼합물의 분리를 위한 증류 컬럼 모델
제어 정책 최적화 및 훈련
제어 정책의 효율적인 훈련 전략
결과
제어 정책의 민감도와 효율성 평가
Stats
이 연구는 50개 상태의 비선형 증류 컬럼 모델을 사용하여 광범위한 시뮬레이션을 통해 시연됩니다.
Quotes
"온라인에서 이 신경망 컨트롤러는 잡음이 있는 측정을 사용하여 식물 입력을 저렴하게 계산합니다."