ترجمه فارسی مقاله مدل‌سازی کوپمن مبتنی بر یادگیری ماشین با ورودی افزوده و کنترل پیش‌بین فرآیندهای غیرخطی

چکیده

Koopman-based modeling and model predictive control have been a promising alternative for optimal control of nonlinear processes. Good Koopman modeling performance significantly depends on an appropriate nonlinear mapping from the original state-space to a lifted state space. In this work, we propose an input-augmented Koopman modeling and model predictive control approach. Both the states and the known inputs are lifted using two deep neural networks (DNNs), and a Koopman model with nonlinearity in inputs is trained within the higher-dimensional state-space. A Koopman-based model predictive control problem is formulated. To bypass non-convex optimization induced by the nonlinearity in the Koopman model, we further present an iterative implementation algorithm, which approximates the optimal control input via solving a convex optimization problem iteratively. The proposed method is applied to a chemical process and a biological water treatment process via simulations. The efficacy and advantages of the proposed modeling and control approach are demonstrated.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی مبتنی بر کوپمن و کنترل پیش بینی مدل یک جایگزین امیدوار کننده برای کنترل بهینه فرآیندهای غیرخطی بوده است.عملکرد مدل سازی خوب کوپمن به طور قابل توجهی به نقشه برداری غیرخطی مناسب از فضای اصلی حالت به فضای حالت برداشته شده بستگی دارد.در این کار ، ما یک مدل سازی کوپمن و رویکرد کنترل پیش بینی مدل را پیشنهاد می کنیم.هر دو ایالت و ورودی های شناخته شده با استفاده از دو شبکه عصبی عمیق (DNN) برداشته می شوند ، و یک مدل کوپمن با غیرخطی در ورودی ها در فضای حالت با ابعاد بالاتر آموزش می یابد.یک مشکل کنترل پیش بینی مدل مبتنی بر کوپمن تدوین شده است.برای دور زدن بهینه سازی غیر کنسو ناشی از غیرخطی بودن در مدل کوپمن ، ما یک الگوریتم اجرای تکراری را ارائه می دهیم ، که از طریق حل یک مشکل بهینه سازی محدب به طور تکراری ، ورودی کنترل بهینه را تقریب می دهد.روش پیشنهادی برای یک فرآیند شیمیایی و یک فرآیند تصفیه آب بیولوژیکی از طریق شبیه سازی اعمال می شود.اثربخشی و مزایای رویکرد مدل سازی و کنترل پیشنهادی نشان داده شده است.