导言

最佳控制问题在工程和科学中是根本的,目标是确定实现所期望的系统行为的最佳控制输入,但是,解决这些问题往往涉及复杂的数学模型——如部分微分方程或大规模动态系统——这些模型可以计算密集和耗费时间。为了应对这一挑战,研究人员转向了减序模型(ROM)技术,以大大加快计算,同时又不牺牲准确性。ROM通过构建低维近似,能够捕捉原始系统的主要动态,能够进行快速模拟和实时控制决定。本条探讨了减序模型的原则、其多种方法、效益以及旨在克服其局限性的正在进行的研究。

什么是减序建模?

降低排序模型涉及创建保留基本动态的高可靠性模型的简化版本。这些模型的构建方式是确定和提取系统最有影响力的模式或特征,通常通过数据驱动或物理还原技术进行。由此形成的系统在维度上要小得多,往往通过数量级来进行,从而能够更快地解决。在需要反复模拟的情况下,ROM特别有价值,例如优化、参数研究或实时控制。

ROM背后的核心思想是许多复杂系统表现出低级行为:溶液空间接近低维多维。 通过将全序模型投射到这个多维上,计算成本大幅下降,同时在可接受的容积范围内保持精度。 典型的应用包括流体动力学、结构力学、化学过程和动力系统。

利用ROM进行最佳控制的益处

  • 描述:[ 减量模型需要较少的计算功率,使得能更快的解题时间——往往从小时到秒.
  • 效能:[]它们促进快速模拟,这对于自主飞行器,机器人,以及过程控制等实时控制应用来说是必不可少的.
  • 成本-效益:[ 计算资源减少意味着业务费用降低,特别是在云或嵌入式计算环境中.
  • 伸缩性: ROM允许处理较大和更加复杂的系统,否则会无法使用全序模型.
  • Real-time 优化: 与ROM一起,迭代最佳控制算法如模型预测控制(MPC)成为快速动态实用.

制定减少排序模式的方法

创建ROM有几种技术,每种技术都适合不同类型的系统。 选择取决于基础物理学、现有数据和理想的精确性-稳定性权衡。

适当的正交分解( POD)

POD,又称Karhunen–Loève扩展,从一系列数据快照中提取了在各种条件下运行全序模型获得的主导模式。这些模式构成了一个正交基础,可以最佳地捕捉系统的能量。然后将原始方程投射到这个基础上,产生一个低维系统。POD被广泛用于流体动力学和结构力学。 更多在POD上。

平衡截断(BT)

BT 专注于通过分析可控性和可观察性来保存系统的输入输出行为,它消除了那些难以控制且可观测性弱的状态. 平衡调值对线性系统特别有效,并确保稳定性的保存,但由于需要解决利亚普诺夫方程,它对于非常大的系统来说,其比例差. Reference: Antoulas, Approximation of Lign-Systems.

Gallerkin 预测

这种方法将原始的方程系统(如PDE)投射到一个缩小的基础上,通常来自POD或其他基生成技术. PDE的弱形式只在基数所跨越的子空间上执行. Galerkin投影对于参数化和非线性系统很受欢迎,尽管稳定性对于对流占主导地位的问题来说可能是挑战.

机器学习方法

近期的进步使用神经网络,自动编码器,以及其他数据驱动的算法直接从数据中发现低维潜在表示. 自动编码器学习了状态的紧凑编码,而动态模式分解(DMD)及其变体(如Koopman操作员方法)提供了非线性动态的线性近似,这些方法在基础物理学尚未完全了解时特别有用. example: Brunton et al., Machine学习流体动态.

其他显著方法

  • 高速还原: 将ROM与原始网格的稀疏采样结合起来,以减少非线性条件的组装成本(例如DEIM,ESCW).
  • 减值基础(RB)方法:[ 严格误差界限和离线-在线分解,用于参数化问题.
  • 贫化四极高斯琴(LQG) 平衡曲轴:[] 将BT扩展至斜面系统.

应用 ROM 来优化控制问题

在优化控制中,计算瓶颈往往是系统动力学在成本函数和约束评价中的反复解决方案. ROM在优化循环内将全序模型替换为一个缩小的,大幅缩短计算时间. 例如,在模型预测控制(MPC)中,开放-loop优化控制问题必须在每个步骤上得到解决. 使用线性化的缩小模型可以使MPC对四极管或化学反应堆等快速系统是可行的.

然而,必须确保缩小的模型在整个预测范围内和在各种投入下保持准确性。在线更新基础的适应性ROM计划是一个活跃的研究领域。 见:用于时间变化系统的适应性ROM。

减少订单模型方面的挑战

  • 精确度跨越操作条件: 当参数或状态漂移时,一个非常接近一组参数的ROM可能会失败. 全球错误界限很难获得.
  • 稳定性保存: 投影基的ROM可以动摇原系统,特别是针对对流占主导的流. 类似同义融合或Petrov–Galerkin的方法需要仔细选择.
  • 数据依赖性:[数据驱动ROM需要足够的培训数据,在培训制度外进行推断可能导致不可靠的预测.
  • 不可连线性: 减少非线性系统更具挑战性,因为减少的模型仍然需要评价全序非线性术语,导致需要超线性减少.
  • 实时执行:[ 即使快ROM也可能太慢,无法在没有专门硬件或进一步简化的情况下进行毫秒级控制.

未来方向

研究人员正在积极探索若干领域,以克服这些挑战:

  • 动态ROM:[ 随着系统的发展,在飞行上更新减少的基数的方法,将机器学习触发器与错误指标相结合.
  • 黑布里德方法:[ 将基于物理学的ROM(类似POD)与数据驱动的校正(如神经网络关闭)结合,以提高准确性.
  • 不确定的量化(UQ):将ROM纳入巴耶西亚反演和斯图克控件,其中需要许多前置解析.
  • 固态-保定ROM:[ 保存汉密尔顿,拉格朗吉安,或钝性特性的技术,对控制合成至关重要.
  • 硬件加速:在GPU或FPGA上部署ROM,用于边缘计算中的实时优化控制.

随着计算能力的持续增长,ROM将在促成对复杂系统——从自主无人机到智能网格和生物医学设备——的快速和可靠的最佳控制解决方案方面发挥越来越重要的作用。

结论

降低排序模型是一种强大的工具,可以使复杂的最佳控制计算具有可操作性。 通过将基本动态分解到低维模型中,工程师和科学家可以在不牺牲预测的忠诚性的情况下实现实时性能。 尽管挑战依然存在 — — 特别是在准确性、稳定性和数据依赖性方面 — — 适应性和混合性ROM的发展有望扩大其适用性。 对于控制和模拟的从业人员来说,了解ROM方法不仅仅是一项学术工作,而且是解决下一代高速、数据丰富的系统的实际需要。