Моделирование2023-02-28 · 1 мин

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Исследование сравнивает нейросети NARX и модели пространства состояний для MPC в реакторе ПММА. Классические модели превзошли нейросети по точности и адаптивности. Результат важен для инженеров АСУТП при выборе подходов к управлению.

ProcessControlMachineLearningMPCДинамика

modeling

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Вот перевод и адаптация вашего текста на русский язык в развернутом, профессиональном стиле, с сохранением всех технических деталей, цифр и ссылок.

Перевод и адаптация статьи

В области усовершенствованного управления технологическими процессами (Advanced Process Control, APC) не утихают дискуссии о том, способны ли современные модели глубокого обучения (Deep Learning) превзойти классические физико-математические модели при решении задач управления нелинейными химическими реакторами. В рамках данного исследования рассматривался процесс получения полиметилметакрилата (ПММА) в реакторе периодического действия.

Было проведено сравнение двух подходов, предназначенных для использования в качестве внутреннего предиктора в системе модельно-предиктивного управления (MPC):

Нелинейные авторегрессионные нейронные сети с экзогенными входами (NARX-сети).
Линейные стационарные модели пространства состояний (State-space models), полученные с применением методов идентификации подпространств (Subspace identification) [17].

Для генерации исторических данных использовался симулятор первого принципа (first-principle simulator), который включал в себя 9 состояний моделируемой системы.

Проведенный сравнительный анализ показал, что классические модели пространства состояний превзошли нейросетевые архитектуры NARX как по показателям предиктивной способности (точности прогнозирования), так и по качеству управления в замкнутом контуре. Нейросети продемонстрировали значительно меньшую гибкость при адаптации к новым, ранее не встречавшимся режимам эксплуатации технологического оборудования [17].

Данный результат имеет критическое значение для инженеров АСУТП (автоматизированных систем управления технологическими процессами). Несмотря на высокий интерес и ажиотаж вокруг методов машинного обучения, в задачах динамического управления в реальном времени «черные ящики» (в данном случае — NARX-сети) пока уступают детерминированным физическим моделям. Для интеграции в промышленные системы класса Aspen DMC3 рекомендуется использовать физически информированные (physics-informed) или классические подходы к идентификации, как более надежные и предсказуемые [17].

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Источник

Теги

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Оценка эффективности нейронных сетей в сравнении с моделями пространства состояний для управления периодическими процессами

Источник

Теги