ترجمه فارسی مقاله تخمین افق متحرک خودتنظیم سیستم‌های غیرخطی از طریق مدل‌سازی کوپمن مبتنی بر یادگیری ماشین مبتنی بر فیزیک

چکیده

In this paper, we propose a physics-informed learning-based Koopman modeling approach and present a Koopman-based self-tuning moving horizon estimation design for a class of nonlinear systems. Specifically, we train Koopman operators and two neural networks – the state lifting network and the noise characterization network – using both data and available physical information. The two neural networks account for the nonlinear lifting functions for Koopman modeling and describing system noise distributions, respectively. Accordingly, a stochastic linear Koopman model is established in the lifted space to forecast the dynamic behavior of the nonlinear system. Based on the Koopman model, a self-tuning linear moving horizon estimation (MHE) scheme is developed. The weighting matrices of the MHE design are updated using the pre-trained noise characterization network at each sampling instant. The proposed estimation scheme is computationally efficient because only convex optimization is involved during online implementation, and updating the weighting matrices of the MHE scheme does not require re-training the neural networks. We verify the effectiveness and evaluate the performance of the proposed method via the application to a simulated chemical process.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک رویکرد مدل سازی مبتنی بر یادگیری مبتنی بر فیزیک را پیشنهاد می کنیم و یک طراحی تخمین در حال حرکت در حال حرکت در حال حرکت برای یک کلاس از سیستم های غیرخطی ارائه می دهیم.به طور خاص ، ما به اپراتورهای کوپمن و دو شبکه عصبی – شبکه بلند کردن حالت و شبکه توصیف نویز – آموزش می دهیم.این دو شبکه عصبی به ترتیب عملکردهای ارتفاعات غیرخطی را برای مدل سازی کوپمن و توصیف توزیع نویز سیستم به حساب می آورند.بر این اساس ، یک مدل خطی خطی کوپمن در فضای بلند شده برای پیش بینی رفتار پویا سیستم غیرخطی ایجاد شده است.بر اساس مدل کوپمن ، یک طرح تخمین خطی در حال حرکت (MHE) خود تعیین شده است.ماتریس وزنه برداری از طراحی MHE با استفاده از شبکه توصیف نویز از قبل آموزش دیده در هر لحظه نمونه برداری به روز می شود.طرح تخمین پیشنهادی از نظر محاسباتی کارآمد است زیرا فقط بهینه سازی محدب در هنگام اجرای آنلاین درگیر است و به روزرسانی ماتریس های وزنه برداری از طرح MHE نیازی به آموزش مجدد شبکه های عصبی ندارد.ما اثربخشی را تأیید می کنیم و عملکرد روش پیشنهادی را از طریق کاربرد به یک فرآیند شیمیایی شبیه سازی شده ارزیابی می کنیم.