MARC

 008250123s2024        us                              c    eng  d
■001000017163839
■00520250211152800
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383698105
■035    ▼a(MiAaPQ)AAI31556305
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aAlnajdi,  Aisha  M.  A.  S.
■24510▼aStatistical  Machine  Learning-Based  Predictive  Control  of  Nonlinear  Processes
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a249  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Christofides,  Panagiotis  D.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aData  are  an  essential  factor  in  the  fourth  industrial  revolution,  demanding  engineers  and  scientists  to  leverage  and  analyze  their  potential  for  significantly  improving  the  efficiency  of  industrial  processes  and  their  control  systems.  In  classical  industrial  process  control  systems,  the  models  are  constructed  using  linear  data-driven  approaches,  where  parameters  are  adjusted  based  on  experimental  or  simulated  data.  In  certain  critical  control  loops  focused  on  optimizing  profits,  first-principles  models  are  used  to  describe  the  fundamental  physico-chemical  phenomena,  incorporating  a  small  set  of  parameters  derived  from  industrial  or  simulation  data.  However,  despite  the  effectiveness  of  these  classical  modeling  methods  in  many  studies,  there  persists  a  significant  challenge  when  modeling  large-scale,  complex  non-linear  systems  within  the  field  of  process  engineering.  Traditional  approaches  often  fall  short  of  accurately  representing  the  complexities  and  nonlinear  dynamics  inherent  in  large-scale  industrial  processes.  Therefore,  there  are  continuous  efforts  to  conduct  extensive  studies  on  effective  tools  for  model  development  and  evaluation  techniques.  This  is  crucial  because  process  models  play  a  central  role  in  advanced  control  strategies,  particularly,  model-based  control  systems  such  as  model  predictive  control  (MPC)  and  economic  MPC  (EMPC)  frameworks.  Therefore,  accurate  construction  and  evaluation  of  these  models  will  contribute  to  achieving  the  desired  performance  and  ensuring  operational  efficiency,  ultimately  leading  to  robust  and  reliable  control  systems.Machine  learning  techniques  have  proven  to  be  an  effective  modeling  tool  in  many  engineering  applications.  More  specifically,  machine  learning  models  have  been  used  to  model  large-scale,  complex  nonlinear  systems.  These  models  are  then  integrated  into  MPC  to  achieve  closed-loop  stability.  Among  the  many  types  of  machine  learning  techniques,  recurrent  neural  networks  (RNNs)  are  widely  used  to  model  nonlinear  processes  involving  time  series  data.  This  is  due  to  their  special  structure,  which  allows  useful  previous  information  to  be  retained.  In  addition  to  complexities  arising  from  nonlinearities  and  the  large-scale  nature  of  practical  industrial  processes,  and  challenges  in  modeling  these  systems,  time  delays  pose  significant  challenges  in  nonlinear  control  systems.  These  delays  can  arise  due  to  various  sources  such  as  transportation  lags,  sensor  and  actuator  response  times.  Such  delays  can  lead  to  instability,  oscillations,  and  overall  degradation  in  the  performance  of  the  control  system.  Hence,  addressing  these  delays  is  crucial  for  maintaining  the  system's  stability  and  optimizing  its  performance.  Besides  time-delay  systems,  there  are  also  systems  that  experience  different  time-scale  multiplicity,  known  as  two-time  scale  systems.  These  types  of  systems  require  specific  techniques  to  handle  and  design  efficient  model-based  controllers  to  achieve  closed-loop  stability.  Additionally,  this  dissertation  includes  an  assessment  of  generalization  error  bounds  for  different  types  of  machine  learning  models  to  evaluate  their  performance  and  reliability  in  various  scenarios.In  response  to  the  factors  highlighted,  this  dissertation  presents  the  integration  of  machine  learning  techniques  with  model  predictive  control  to  stabilize  the  dynamics  of  nonlinear  chemical  processes.  The  dissertation  begins  with  a  comprehensive  overview  of  its  motivation,  background,  and  structure.  Then,  it  discusses  the  use  of  machine  learning  models  within  a  model  predictive  control  framework  to  stabilize  a  nonlinear  system  with  time-delays.  Additionally,  the  design  of  a  machine  learning-based  predictor  to  compensate  the  effect  of  inputs  delays  is  discussed.  The  closed-loop  stability  of  the  system  achieved  with  Lyapunov-based  model  predictive  controllers  is  investigated  through  theoretical  analysis.  Subsequently,  a  theoretical  framework  for  deriving  generalization  error  bounds  for  RNNs,  partially  connected  recurrent  RNNs,  and  long  short-term  memory  (LSTM)  RNNs  are  introduced.  Next,  we  study  generalization  error  bounds  for  models  capturing  the  dynamics  of  two-time-scale  systems  and  present  simulation  studies  to  address  the  modeling  criteria  of  these  systems  under  MPC  frameworks,  along  with  the  necessary  assumptions  to  achieve  closed-loop  stability.  Throughout  the  dissertation,  control  methods  are  validated  through  their  application  in  numerical  simulations  of  nonlinear  chemical  processes,  highlighting  their  effectiveness,  performance  and  reliability.
■590    ▼aSchool  code:  0031.
■650  4▼aElectrical  engineering
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aMachine  learning
■653    ▼aModel  predictive  control
■653    ▼aNonlinear  chemical  processes
■653    ▼aLong  short-term  memory
■690    ▼a0544
■690    ▼a0489
■690    ▼a0984
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163839▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서