.png){kind=icon}
返回
Explicit machine learning-based MPC for distributed control of nonlinear processes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.conengprac.2025.106534.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究开发了一种基于机器学习的显式模型预测控制方法（explicit ML-MPC），用于化学过程的实时动态控制。传统ML-MPC在Aspen Plus Dynamics中对化学过程进行动态控制时，通常面临计算效率的挑战。尽管显式ML-MPC通过将隐式ML-MPC的机器学习优化问题转化为混合整数二次规划（MIQP）来减少计算时间，但其计算复杂度随着复杂化学过程网络的决策空间维度快速增加。为克服此限制，在显式ML-MPC框架内引入了一种分布式控制策略，利用多进程进行并行计算，以进一步提升显式ML-MPC的实时性能。同时开发了一种基于k-d树的搜索算法，用于高效构建实时MIQP问题。整个控制框架被开发为开源、可通用的代码库，允许用户在Aspen Plus Dynamics中轻松设计、实现和定制实时ML-MPC控制器，这有望显著加速先进控制策略在化工行业的应用。最后，通过在Aspen Plus Dynamics中对化学过程网络进行闭环控制，验证了所提出方法的有效性，并显示出计算效率的显著提升。
Keyword:
machine learning
model predictive control
chemical processes
mixed-integer quadratic programming
distributed control
期刊
IF:
4.6
论文数:
5.7K
被引数:
1.1W
机构
引用论文
Distributed economic predictive control of integrated energy systems for enhanced synergy and grid response: A decomposition and cooperation strategy.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏分享收藏Network decomposition for distributed control through community detection in input-output bipartite graphs通过输入-输出二分图中的社区检测进行分布式控制的网络分解
PREAI
分享收藏Process structure-based recurrent neural network modeling for predictive control: A comparative study基于过程结构的预测控制递归神经网络建模的比较研究OAAI
OAAI分享收藏Multiparametric Programming in Process Systems Engineering: Recent Developments and Path Forward
OAAI
OAAI分享收藏
查看更多内容