• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IFAC PapersOnLine >A Deep Learning Architecture for Predictive Control
【24h】

A Deep Learning Architecture for Predictive Control

机译：预测控制的深度学习架构

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Model predictive control (MPC) is a popular control strategy that computes control actions by solving an optimization problem in real-time. Uncertainty and nonlinearity of a process, and the non-convexity of the resulting optimization problem can make online implementation of MPC nontrivial. Consequently, MPC is most often used in processes where the time constants are large and/or high-performance computing support is available. We propose a deep neural network (DNN) controller architecture to reduce the computational cost of implementing an MPC. This is done by training a DNN controller on simulated input-output data from a well-designed MPC. The online implementation of a DNN controller does not require solving an optimization problem. Once the DNN is trained, the MPC is fully replaced with the DNN controller. The benefits of this approach are illustrated through a simulated example.
机译：模型预测控制（MPC）是一种流行的控制策略，可以通过实时解决优化问题来计算控制动作。过程的不确定性和非线性，以及所产生的优化问题的非凸性可以使MPC非增强的在线实现。因此，MPC最常用于时间常数是较大的和/或高性能计算支持的过程中。我们提出了一个深度神经网络（DNN）控制器架构，以降低实现MPC的计算成本。这是通过训练来自精心设计的MPC的模拟输入输出数据的DNN控制器来完成的。 DNN控制器的在线实现不需要解决优化问题。一旦培训DNN，MPC就完全替换为DNN控制器。通过模拟示例说明这种方法的益处。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号