返回
A robust framework based on symbolic regression to develop controllers for crystallization processes
DOI:10.1016/j.jprocont.2026.103700.png)
摘要
En 中文
本研究介绍了符号回归用于结晶过程控制,提出了一种用于控制器开发的稳健方法。符号回归生成一个方程,用于根据温度、过饱和度和误差测量值计算最优控制作用。该方法在乙醇中的对乙酰氨基酚批次结晶过程中进行了测试,通过调节温度来调控质量收率和晶粒尺寸。其性能与非线性模型预测控制器(NMPC)进行了比较,NMPC使用人口平衡模型(PBM)作为内部模型,并与一个使用相同数据集训练的前馈神经网络进行了比较。所有方法均实现了成功控制,但机器学习方法所需的计算成本更低。考虑到扰动、过程模型失配和噪声,符号回归通过较少的温度变化将变量维持在设定点附近。
Keyword:
symbolic regression
crystallization control
model predictive control
machine learning
process optimization
期刊
IF:
3.9
论文数:
3.5K
被引数:
7.3K
机构
引用论文
Efficient Representation and Approximation of Model Predictive Control Laws via Deep Learning基于深度学习的模型预测控制律的有效表示和逼近
Efficient hybrid modeling and sorption model discovery for non-linear advection-diffusion-sorption systems: A systematic scientific machine learning approach非线性对流-扩散-吸附系统的高效混合建模和吸附模型发现: 一种系统的科学机器学习方法

