研究人员开发了一种新的基于高斯过程的模型预测控制（GP-MLMPC）方案，用于非线性间歇过程。该方法利用初始批次数据迭代学习动态模型，随着时间的推移提高控制性能，而无需先验的机理知识。GP-MLMPC方案包含不确定性量化以确保安全运行，并在模拟中显著提高了跟踪误差和产品收率。 AI
影响 为复杂化学过程的控制引入了一种数据高效的方法，有可能减少对广泛建模的需求并提高收率。
排序理由 这是一篇详细介绍使用高斯过程的新控制方案的研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.22672v1 Announce Type: new Abstract: Batch processes are inherently transient and typically nonlinear, motivating nonlinear model predictive control (NMPC). However, adopting NMPC is hindered by the cost and unavailability of dynamic models. Thus, we propose to use Gau…
Batch processes are inherently transient and typically nonlinear, motivating nonlinear model predictive control (NMPC). However, adopting NMPC is hindered by the cost and unavailability of dynamic models. Thus, we propose to use Gaussian Processes (GP) in a model-learning NMPC sc…