使用自适应探索框架安全优化工业制冷过程
最优化与控制
2023-02-03 v2 机器学习
系统与控制
系统与控制
机器学习
摘要
许多工业应用依赖实时优化来改善关键性能指标。在过程特性未知的情况下，实时优化变得具有挑战性，尤其是在满足安全约束方面。在本文中，我们展示了一种自适应探索式实时优化框架在工业制冷过程中的应用，其中我们通过改变过程控制目标以及通过探索来学习过程特性，以满足安全约束。我们使用高斯过程量化制冷装置中未知压缩机特性的不确定性，并将该不确定性作为加权代价项纳入实时优化问题的目标函数中。我们自适应地控制该项的权重以驱动探索。我们的仿真实验结果表明，所提方法有助于提高所考虑制冷过程的能源效率，并紧密逼近具有压缩机性能特性完整信息的解决方案的性能。
引用
@article{arxiv.2211.13019,
title = {Safe Optimization of an Industrial Refrigeration Process Using an Adaptive and Explorative Framework},
author = {Buse Sibel Korkmaz and Marta Zagórowska and Mehmet Mercangöz},
journal= {arXiv preprint arXiv:2211.13019},
year = {2023}
}
备注
Under review for IFAC WC 2023. arXiv admin note: substantial text overlap with arXiv:2211.05495