Integrating autoencoder with Koopman operator to design a linear data‐driven model predictive controller
Notice bibliographique
Résumé
Abstract Non‐linear model predictive control (NMPC) is increasingly seen as a promising tool to tackle the problem of handling process nonlinearity and achieve optimal operation. One roadblock to NMPC implementation, however, is the lack of a good model, whether a first‐principles‐based or a non‐linear data‐driven‐based model such as artificial neural networks (ANN). This manuscript proposes a data‐driven modelling approach that integrates an autoencoder‐like network and dynamic mode decomposition (DMD) methods to result in a non‐linear modelling technique where the non‐linearity in the model stems from the modelling of the measured variables. The proposed method results in a semi‐linear state‐space model where the mapping between the model state and outputs are non‐linear (via the autoencoder‐like network) while the model dynamics are linear. In the subsequent model predictive controller (MPC) implementation, the autoencoder translates setpoints and outputs to the states of a state space model. The proposed approach is illustrated using a continuously stirred tank reactor simulation example. For comparison, a linear MPC and non‐linear MPC based on a traditional neural network (NN) model, a classic Koopman operator‐based MPC, and (to benchmark) a perfect model‐based NMPC are implemented and tested on several setpoint tracking tasks. The proposed MPC design outperforms the other data driven MPCs, and has similar performance as the first‐principles‐based NMPC while requiring less computational time and without requiring first principles knowledge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».