用神经网络揭示控制工程师的技艺

许多工业过程需要合适的控制器以满足其性能要求。更常见的情况是，存在一种精细的数字孪生，即给定物理过程的高度复杂虚拟表征模型，其参数可能未得到恰当调谐以捕捉物理过程中的变化。本文提出一种sim2real、直接数据驱动的控制器调谐方法，其中利用数字孪生生成输入输出数据，并针对其参数的若干扰动生成合适的控制器。随后，利用最先进的神经网络架构，基于来自扰动版数字孪生的合成数据，学习将输入输出数据映射到控制器参数的控制器调谐规则。据我们所知，通过这种方式，我们首次通过从数据直接元学习调谐规则来解决控制器重新校准问题，从而实际上以机器学习模型取代控制工程师。该方法的益处通过针对若干神经网络架构选择的数值仿真得以阐明。