数据驱动并行Koopman子系统建模与大规模非线性过程的分布式移动时域状态估计
系统与控制
2024-04-11 v1 系统与控制
摘要
本文考虑在缺乏第一性原理过程模型的情况下，大规模非线性过程的状态估计问题。通过利用过程运行数据，在分布式框架内同时解决过程建模和状态估计设计。借助Koopman算子概念，提出了一种并行子系统建模方法，以在高维子空间中建立交互式线性子系统过程模型，每个模型通过非线性映射与相应过程子系统的原始非线性子空间相关联。数据驱动的线性子系统模型可用于协同描述和预测整个非线性过程的动态行为。基于所建立的子系统模型，使用移动时域估计设计了能够显式处理过程运行约束的局部状态估计器。局部估计器通过信息交换集成，形成分布式估计方案，以线性方式提供原始非线性过程的未测量/不可测状态变量的估计。将所提出的框架应用于一个化工过程和一个农业水文过程，以说明其有效性和适用性。线性子系统模型良好的开环可预测性得到确认，并且在不需要第一性原理过程模型的情况下获得了准确的过程状态估计。
引用
@article{arxiv.2404.06746,
title = {Data-driven parallel Koopman subsystem modeling and distributed moving horizon state estimation for large-scale nonlinear processes},
author = {Xiaojie Li and Song Bo and Xuewen Zhang and Yan Qin and Xunyuan Yin},
journal= {arXiv preprint arXiv:2404.06746},
year = {2024}
}