BriefGPT - AI 论文速递
·
基于应用库普曼理论的空分装置的数据驱动模型降阶和非线性模型预测控制
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了一种基于强化学习的端到端方法，用于实现(e)NMPC应用中的动态代理模型最优性能。该方法在两个应用中验证，表现相当于无模型神经网络控制器，始终优于基于系统识别的模型。
🎯
关键要点
- 非线性模型预测控制(eNMPC)需要准确的动态系统模型。
- 提出了一种基于强化学习的端到端方法，用于动态代理模型在(e)NMPC中的应用。
- 该方法在控制性能和计算需求之间实现了良好的平衡。
- 在两个应用中验证了该方法，基于非线性连续搅拌反应器模型。
- 与基于系统识别的模型相比，该方法的性能始终优于后者。
- 该方法的性能与无模型神经网络控制器相当。
- MPC策略在控制设定变化时无需重新训练。
🏷️
标签
➡️
