ترجمه فارسی مقاله کنترل پیش‌بینی فرآیندهای غیرخطی مدل مبتنی بر یادگیری ماشینی سریع با استفاده از شبکه‌های عصبی محدب ورودی

چکیده

Explicit machine learning-based model predictive control (explicit ML-MPC) has been developed to reduce the real-time computational demands of traditional ML-MPC. However, the evaluation of candidate control actions in explicit ML-MPC can be time-consuming due to the non-convex nature of machine learning models. To address this issue, we leverage Input Convex Neural Networks (ICNN) to develop explicit ICNN-MPC, which is formulated as a convex optimization problem. Specifically, ICNN is employed to capture nonlinear system dynamics and incorporated into MPC, with sufficient conditions provided to ensure the convexity of ICNN-based MPC. We then formulate mixed-integer quadratic programming (MIQP) problems based on the candidate control actions derived from the solutions of multi-parametric quadratic programming (mpQP) problems within the explicit ML-MPC framework. Optimal control actions are obtained by solving real-time convex MIQP problems. The effectiveness of the proposed method is demonstrated through two case studies, including a chemical reactor example, and a chemical process network simulated by Aspen Plus Dynamics, where explicit ML-MPC written in Python is integrated with Aspen dynamic simulation through a programmable interface.

چکیده به فارسی (ترجمه ماشینی)

کنترل پیش بینی مدل مبتنی بر یادگیری ماشین (صریح ML-MPC) برای کاهش تقاضای محاسباتی در زمان واقعی ML-MPC سنتی تهیه شده است.با این حال ، ارزیابی اقدامات کنترل نامزد در ML-MPC صریح می تواند به دلیل ماهیت غیر متناوب مدلهای یادگیری ماشین ، وقت گیر باشد.برای پرداختن به این مسئله ، ما از شبکه های عصبی محدب ورودی (ICNN) برای توسعه ICNN-MPC صریح استفاده می کنیم ، که به عنوان یک مشکل بهینه سازی محدب تدوین می شود.به طور خاص ، ICNN برای ضبط دینامیک سیستم غیرخطی و در MPC گنجانیده شده است ، با شرایط کافی برای اطمینان از محدب MPC مبتنی بر ICNN.ما سپس مشکلات برنامه نویسی درجه دوم مخلوط (MIQP) را بر اساس اقدامات کنترل نامزد حاصل از راه حل های برنامه نویسی درجه دوم چند پارامتری (MPQP) در چارچوب صریح ML-MPC تدوین می کنیم.اقدامات کنترل بهینه با حل مشکلات MIQP محدب در زمان واقعی بدست می آید.اثربخشی روش پیشنهادی از طریق دو مطالعه موردی ، از جمله یک مثال راکتور شیمیایی ، و یک شبکه فرآیند شیمیایی که توسط Aspen Plus Dynamics شبیه سازی شده است ، نشان داده شده است ، جایی که ML-MPC صریح نوشته شده در پایتون با شبیه سازی پویا Aspen از طریق یک رابط قابل برنامه ریزی یکپارچه است.