基于深度学习的 MIMO Wiener 型 Koopman 模型辨识用于数据驱动模型降阶
最优化与控制
2022-04-05 v2 系统与控制
系统与控制
动力系统
摘要
我们利用 Koopman 理论为多输入多输出（MIMO）输入仿射动力系统开发了一种数据驱动的非线性模型降阶与辨识策略。现有文献集中于线性和双线性 Koopman 模型，而我们推导并使用了 Wiener 型 Koopman 公式。我们指出 Wiener 结构特别适用于模型降阶，并且可以自然地从 Koopman 理论导出。此外，Wiener 块结构统一了线性动力学块的数学简洁性与双线性动力学的准确性。我们提出了一种结合自编码器与线性动力学的 Koopman 深度学习策略，可生成 MIMO Wiener 型的低阶代理模型。在三个案例研究中，我们将该框架应用于具有输入多重的系统、化学反应器和高纯度精馏塔的辨识与降阶。我们将辨识出的 Wiener 模型与线性和双线性 Koopman 模型的预测性能进行比较。我们观察到低阶 Wiener 型 Koopman 模型具有最高的精度和最强的模型降阶能力，使其在控制方面颇具前景。
引用
@article{arxiv.2201.12669,
title = {Identification of MIMO Wiener-type Koopman Models for Data-Driven Model Reduction using Deep Learning},
author = {Jan C. Schulze and Danimir T. Doncevic and Alexander Mitsos},
journal= {arXiv preprint arXiv:2201.12669},
year = {2022}
}