基于应用Koopman理论的数据驱动模型降阶与空分装置非线性模型预测控制
系统与控制
2023-09-12 v1 机器学习
系统与控制
摘要
实现实时能力是非线性模型预测控制(NMPC)工业应用的基本前提。数据驱动模型降阶提供了一种从复杂数字孪生中获取低阶控制模型的途径。特别是,数据驱动方法几乎不需要关于特定过程及其模型的专家知识,并能提供具有明确通用结构的降阶模型。在此,我们应用最近提出的基于Koopman理论的数据驱动降阶策略[Schulze et al. (2022), Comput. Chem. Eng.]来生成空分装置(ASU)的低阶控制模型。该降阶Koopman模型结合了自编码器与线性潜变量动力学,并使用机器学习构建。此外,我们提出了一种NMPC实现,其使用了针对降阶Koopman模型固定块结构定制的导数计算。我们的降阶方法与定制NMPC实现使得ASU的实时NMPC成为可能,平均CPU时间减少98%。
引用
@article{arxiv.2309.05386,
title = {Data-Driven Model Reduction and Nonlinear Model Predictive Control of an Air Separation Unit by Applied Koopman Theory},
author = {Jan C. Schulze and Danimir T. Doncevic and Nils Erwes and Alexander Mitsos},
journal= {arXiv preprint arXiv:2309.05386},
year = {2023}
}