文献

J-GLOBAL ID：202102244124278242   整理番号：21A0674630

深層学習モデリングに基づく予測制御の研究と応用【JST・京大機械翻訳】

Research and application of predictive control based on deep learning modeling

著者 (4件)： Yin Feng (State Grid Zhejiang Electric Power Co., Ltd. Research Institute,Hangzhou,China) ,  Li Quan (State Grid Zhejiang Electric Power Co., Ltd. Research Institute,Hangzhou,China) ,  Su Ye (State Grid Zhejiang Electric Power Co., Ltd. Research Institute,Hangzhou,China) ,  Sun Jiandong (Hangzhou Yineng Electric Power Technology Co., Ltd.,Hangzhou,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： iSPEC  ページ： 2366-2371  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 工業プロセスは,通常,遅れ慣性システムである。予測制御はこの種のシステムのための有効な制御アルゴリズムであるが,より正確なオブジェクトモデルが必要である。本論文では,モデルの特定の形式を必要としないDMC予測制御アルゴリズムを用い,モデルのステップ励起応答データのみを必要とした。本論文では,深層学習アルゴリズムを工業プロセスシステムのモデリングに適用した。より正確なステップ励起応答データを得た後に,予測制御を行い,理想的な制御品質を得ることができた。最初に,閉ループシステムの入力と出力データを,閉ループシステムの制御命令に適切な周期と振幅の擬似ランダムシーケンスを加えることによって得る。一次慣性と遅延物体を用いて,物体の特性を適合させ,一次慣性時定数Tを,遺伝的アルゴリズムを用いて求めた。第二に,三次慣性リンクとDNN深層学習ネットワークを,インテリジェントモデル構造を構築するために三次慣性モデルの離散構造に埋め込んだ。三次慣性リンクが物体の慣性時間に近いことを確実にするため,各リンクの慣性時定数をt/3に設定し,入力と出力データを訓練のためにインテリジェントモデルに送付し,物体のdnn1モデルを得た。dnn1モデルに遅延τを加えた後に,遺伝的アルゴリズムを用いて,物体の特性を適合させ,遅延時間τを得た。入力と出力データに従って,遅延τを有するDNNモデルを,より正確な同定モデルdnn2を得るために,第2の時間のために訓練した。第3に,ステップ励起をdnn2モデルに適用して,励起応答データを得て,優れた制御品質を得るために予測制御装置に入れた。最後に,最小二乗法によって同定された一次オブジェクトモデルを予測制御装置に置いて,制御効果を本論文のものと比較した。この方法は,深層学習モデリングに基づく予測制御の設計と応用に対して,大きな実用的意義を持つ。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最小二乗法 ,  励起 ,  ネットワーク ,  時定数 ,  *閉ループ系 ,  深層 ,  予測制御 ,  遺伝的アルゴリズム ,  学習アルゴリズム
準シソーラス用語： 遅延時間 ,  制御アルゴリズム ,  工業プロセス ,  離散構造 ,  *深層学習 ,  擬似ランダム , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 深層学習 ,  モデリング ,  予測制御 ,  研究 ,  応用