基于深度学习的鲁棒非线性模型预测控制方法

为降低鲁棒非线性模型预测控制方法中优化问题的实时求解难度,提出一种基于深度学习的近似鲁棒控制器方法。利用复杂的鲁棒非线性模型预测控制算法作为训练数据的生成器,以当前时刻的过程状态作为网络的输入,复杂控制算法计算的最优控制输入作为网络的输出,基于深度神经网络学习复杂的非线性模型预测控制策略。通过一个工业半间歇聚合反应器模型案例验证了所提方法的有效性,深层网络与浅层网络相比具有更好的效果。