Введение

Оптимальные проблемы управления являются фундаментальными в инженерии и науке, где цель состоит в том, чтобы определить наилучшие возможные управляющие входы для достижения желаемого поведения системы. Однако решение этих проблем часто включает в себя сложные математические модели, такие как дифференциальные уравнения с частичным разделением или крупномасштабные динамические системы, которые могут быть вычислительно интенсивными и трудоемкими. Для решения этой проблемы исследователи обратились к методам моделирования с уменьшенным порядком (ROM) для значительного ускорения вычислений без ущерба для точности. ROM достигает этого путем построения низкоразмерных приближений, которые захватывают доминирующую динамику исходной системы, позволяя быстрое моделирование и решения управления в реальном времени. В этой статье исследуются принципы моделирования с уменьшенным порядком, его различные методы, преимущества и текущие исследования, направленные на преодоление его ограничений.

Что такое моделирование с уменьшенным заказом?

Моделирование с пониженным порядком включает в себя создание упрощенных версий моделей высокой точности, которые сохраняют существенную динамику. Эти модели построены путем выявления и извлечения наиболее влиятельных режимов или функций системы - часто с помощью методов восстановления на основе данных или физики. Полученная система намного меньше по размерности, часто по порядкам величины, что позволяет решать ее быстрее. ПЗУ особенно ценен в контекстах, где требуются повторные моделирования, такие как оптимизация, исследования параметров или управление в реальном времени.

Основная идея ROM заключается в том, что многие сложные системы демонстрируют низкоуровневое поведение: пространство решения находится близко к маломерному многообразию.Проецируя модель полного порядка на этот многообразие, вычислительная стоимость резко падает, сохраняя точность в пределах приемлемых допусков. Типичные приложения включают в себя динамику жидкости, структурную механику, химические процессы и энергетические системы.

Преимущества использования ROM в оптимальном управлении

  • Скорость: Уменьшенные модели требуют меньше вычислительной мощности, что позволяет быстрее решать задачи — часто от часов до секунд.
  • Эффективность: Они облегчают быстрое моделирование, которое необходимо в приложениях управления в реальном времени, таких как автономные транспортные средства, робототехника и управление процессами.
  • Экономическая эффективность: Меньшие вычислительные ресурсы означают более низкие эксплуатационные расходы, особенно в облачных или встроенных вычислительных средах.
  • Масштабируемость: ПЗУ позволяет обрабатывать более крупные и сложные системы, которые в противном случае были бы неосуществимы с моделями полного порядка.
  • Оптимизация в реальном времени: С ROM итеративные алгоритмы оптимального управления, такие как модель предиктивного управления (MPC), становятся практичными для быстрой динамики.

Методы разработки моделей с уменьшенным порядком

Существует несколько методов создания ПЗУ, каждая из которых подходит для различных типов систем.Выбор зависит от базовой физики, имеющихся данных и желаемого компромисса между точностью и стабильностью.

Правильное ортогональное разложение (POD)

POD, также известный как расширение Кархунен-Лов, извлекает доминирующие режимы из набора снимков данных, полученных при запуске модели полного порядка в различных условиях. Эти режимы образуют ортогональную основу, которая оптимально захватывает энергию системы. Оригинальные уравнения затем проецируются на эту основу, давая низкоразмерную систему. POD широко используется в гидродинамике и структурной механике. Больше на POD .

Сбалансированное усечение (BT)

БТ фокусируется на сохранении входно-выходного поведения системы путем анализа управляемости и наблюдаемости Грамян. Он устраняет состояния, которые слабо управляемы и слабо наблюдаемы. Сбалансированное усечение особенно эффективно для линейных систем и обеспечивает сохранение стабильности, но плохо масштабируется для очень больших систем из-за необходимости решения уравнений Ляпунова.Ссылка: Антулы, Приближение крупномасштабных динамических систем.

Галеркинская проекция

Этот метод проецирует исходную систему уравнений (например, ФДЭ) на уменьшенную основу, часто полученную из ПДД или других методов генерации оснований. Слабая форма ФДЭ навязывается только на подпространство, охватываемое базой. Проекция Галеркина популярна для параметрических и нелинейных систем, хотя стабильность может быть проблемой для проблем с конвекцией.

Подходы машинного обучения

Последние достижения используют нейронные сети, автокодеры и другие алгоритмы, управляемые данными, для обнаружения низкоразмерных латентных представлений непосредственно из данных. Автокодеры изучают компактное кодирование состояния, в то время как разложение динамического режима (DMD) и его варианты (например, методы оператора Купмана) обеспечивают линейные приближения нелинейной динамики. Эти методы особенно полезны, когда основная физика не полностью известна. Пример: Brunton et al., Машинное обучение для динамики жидкости .

Другие известные методы

  • Гиперсокращение: Комбинирует ПЗУ с разреженной выборкой исходной сетки для снижения затрат на сборку для нелинейных терминов (например, DEIM, ECSW).
  • Методы сокращенной базы (RB): Сложные границы ошибок и офлайн-онлайн разложения для параметрических задач.
  • Линейная квадратичная гауссовая (LQG) сбалансированная усеченность: Расширяет BT до стохастических систем.

Применение ПЗУ для оптимальных проблем контроля

При оптимальном управлении вычислительное узкое место часто является повторным решением системной динамики при оценке функций и ограничений затрат. ROM заменяет модель полного порядка на уменьшенную внутри цикла оптимизации, резко сокращая время вычислений. Например, в модели предиктивного управления (MPC) задача оптимального управления с открытым контуром должна решаться на каждом этапе времени. Использование линеаризованной уменьшенной модели может сделать MPC возможным для быстрых систем, таких как квадроторы или химические реакторы.

Однако необходимо убедиться, что уменьшенная модель остается точной на всем горизонте прогнозирования и при различных входах. Адаптивные схемы ПЗУ, которые обновляют базу в режиме онлайн, являются активной областью исследований. См.: Адаптивная ПЗУ для изменяющихся во времени систем .

Проблемы моделирования с сокращенным заказом

  • Точность в условиях эксплуатации: ПЗУ, которая хорошо работает вблизи одного набора параметров, может выйти из строя при дрейфе параметров или состояний.
  • Сохранение стабильности: ПЗУ на основе проекции могут дестабилизировать исходную систему, особенно для конвекционных потоков.Методы, такие как симплектическая интеграция или Петров-Галеркин, нуждаются в тщательном отборе.
  • Зависимости данных: ROM, управляемые данными, требуют достаточных данных обучения, и экстраполяция вне режима обучения может привести к ненадежным прогнозам.
  • Нелинейность: Уменьшение нелинейных систем является более сложным, поскольку уменьшенная модель по-прежнему требует оценки нелинейных терминов полного порядка, что приводит к необходимости гипер-снижения.
  • Реализация в режиме реального времени: Даже быстрые ПЗУ могут быть слишком медленными для управления миллисекундным уровнем без специализированного оборудования или дальнейшего упрощения.

Будущие направления

Исследователи активно изучают несколько границ для преодоления этих проблем:

  • Адаптивная ПЗУ: Методы, которые обновляют уменьшенную базу на лету по мере развития системы, сочетая триггеры машинного обучения с показателями ошибок.
  • Гибридные подходы: Комбинирование ПЗУ на основе физики (например, POD) с коррекцией на основе данных (например, закрытие нейронных сетей) для повышения точности.
  • Количественная неопределенность (UQ): Включение ROM в байесовскую инверсию и стохастическое управление, где требуется много решений вперёд.
  • Сохраняющие конструкцию ПЗУ: Методы, сохраняющие гамильтоновы, лагранжевые или пассивные свойства, критически важные для синтеза управления.
  • Программное ускорение: Развертывание ПЗУ на графических процессорах или FPGA для оптимального управления в режиме реального времени в граничных вычислениях.

По мере роста вычислительной мощности ROM будет играть все более важную роль в обеспечении быстрых и надежных оптимальных решений для управления сложными системами — от автономных дронов до интеллектуальных сетей и биомедицинских устройств.

Заключение

Моделирование с пониженным порядком является мощным инструментом, который делает сложные оптимальные расчеты управления тягостными. Путем дистиллирования существенной динамики в низкоразмерные модели инженеры и ученые могут достичь производительности в реальном времени, не жертвуя прогностической точностью. В то время как проблемы остаются - особенно в отношении точности, стабильности и зависимости от данных - текущие разработки в адаптивной и гибридной ПЗУ обещают расширить его применимость. Для практиков в области управления и моделирования понимание методов ПЗУ является не просто академическим упражнением, но практической необходимостью для решения следующего поколения высокоскоростных, богатых данными систем.