报告题目:机器学习在模型预测控制中的应用与挑战
报告人:吴喆 新加坡国立大学化工与生物分子工程系 助理教授
报告时间:2023年2月27日星期一13:30-14:30
报告地点:太阳集团城网站2003C317
报告摘要:机器学习与控制科学的交叉研究给传统控制算法带来了许多新的机遇。传统的模型预测控制(MPC)是一种基于在线求解优化问题的先进控制方案,在各个领域如化工、无人机等系统中得到广泛应用。早期的MPC是基于线性模型进行预测,通过求解带约束的优化问题,得到最优控制输入从而使系统保持在最优工作状态。然而,考虑到实际系统通常为非线性系统,因此一个准确的非线性系统模型是MPC进行有效控制的必备条件。早期的控制理论及控制器设计主要基于对目标过程建立机理(非线性)模型。然而,对于真实世界的系统,尤其是复杂、大规模系统,很难去建立一个准确完备的机理模型。基于此,以数据驱动为核心的机器学习为先进控制设计提供了新的工具。循环神经网络(recurrent neural network)是一种使用序列数据的人工神经网络,可以有效从时序数据中学习非线性动态模型,从而用于MPC中去进行预测。
在本次报告中,我们将介绍一系列基于机器学习的模型预测控制算法。其中,我们将从以下几个方面进行介绍:1)构建基于循环神经网络的模型预测控制器,2)通过统计学习理论对循环神经网络模型的泛化误差进行估计,以及对MPC闭环稳定的理论分析, 3)此外,针对机器学习中训练数据不足、模型不确定性,和大规模系统建模等问题,我们还提出了一些新颖的机器学习建模方法,包括基于机理信息的机器学习建模、基于在线机器学习的模型优化,以及降维机器学习建模。除了介绍以上方法之外,我们还将展示以上方法在化工和制药工业中的应用。这些机器学习与先进控制融合的方法为更有效地设计先进控制器提供了理论基础,并在未来工业数字化、自动化和数字孪生等先进制造中有着广泛的应用前景。
报告人简介:
吴喆博士是新加坡国立大学化工与生物分子工程系的助理教授。吴博士于2016年在浙江大学控制科学与工程学院取得学士学位,2020年在美国加州大学洛杉矶分校取得博士学位。之后在美国加州大学洛杉矶分校计算机科学系从事博士后研究,2021年入职新加坡国立大学。他的研究方向包括系统动态建模、先进控制与优化算法、以及机器学习在控制以及化工制药与实验科学中的应用。以第一作者及通讯作者在化工及控制国际权威期刊和会议上发表论文50余篇,并主持新加坡ASTAR、教育部、国家研究基金、辉瑞公司等多个研究项目。吴博士还担任Digital Chemical Engineering期刊的编委,多个国际期刊special issue的客座编委,并长期担任化工、控制等领域国际期刊审稿人。(个人主页:https://blog.nus.edu.sg/wulab/)