Two steps piecewise affine identification of nonlinear systems

Stevek, Juraj; Szűcs, Alexander; Kvasnica, Michal; Fikar, Miroslav; Kozák, Štefan

doi:10.2478/v10170-011-0029-8

Cited by 11 publications

(4 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…In Altın et al (2018) a framework for hybrid model predictive control for hybrid systems is introduced. Based on this framework, Števek and Kozák (2011) developed an identification toolbox to approximate piece-wise affine approximations of the system.…”

Section: Pwa Oaf Identification Toolboxmentioning

confidence: 99%

“…RESEARCH OBJECTIVE AND STRUCTURE OF THE THESIS 11 system. Števek and Kozák (2011) and Števek et al (2012b) introduce a method based on neural networks with orthogonal activation functions.In Martius and Lampert (2016) and Sahoo et al (2018) a special network structure, the so-called equation learner is introduced, to examine extrapolation capabilities of neural networks.…”

Section: Chapter 1 Introductionmentioning

confidence: 99%

“…The application of this network results in a generalised Fourier series based on onedimensional orthonormal functions (Števek and Kozák, 2011). The input layer in Figure 5.5 shows a preprocessing of the input data.…”

mentioning

confidence: 99%

See 2 more Smart Citations

A Framework Including Artificial Neural Networks in Modelling Hybrid Dynamical Systems

Winkler¹

2020

View full text Add to dashboard Cite

Ziel der Arbeit ist unterschiedliche Einsatzszenarien von neuronalen Feed-Forward Netzwerken in der hybriden Modellierung zu untersuchen. Im Speziellen konzentriert sich die Arbeit auf hybride dynamische Systeme. Dabei handelt es sich um kontinuierliche Vorgänge, welche durch diskrete Ereignisse Änderung im Verhalten aufzeigen. Dementsprechend basiert die Modellierung solcher Systeme auf einer Kombination aus diskreten und kontinuierlichen Methoden. Derzeitige Standards der hybriden Modellbildung werden überblicksmäßig zusammengefasst. In der Softwareentwicklung kommen vermehrt Machine Learning Algorithmen zur Anwendung. Ein signifikanter Anteil der dabei verwendeten Methoden sind künstliche neuronale Netze, welche vor allem im Bereich der Bild-und Datenverarbeitung eingesetzt werden. Der grundlegende Aufbau sowie unterschiedliche gängige Strukturen neuronaler Netze werden eingeführt. Aufbauend auf die Gebiete Machine Learning und hybride dynamische Systeme, wird ein Framework vorgestellt, welches es ermöglicht, einzelne Elemente hybrider Modelle durch neuronale Netzwerke zu ersetzen. Drei unterschiedliche Anwendungsszenarien werden dabei untersucht: Die Approximation des dynamischen Verhaltens, die Vorhersage der diskreten Prozesse sowie der Ersatz des gesamten hybriden Systems durch neuronale Netze. Das Framework wird eingesetzt, um die drei definierten Szenarien anhand von zwei Beispielen auf Machbarkeit zu untersuchen. Es wird sich zeigen, dass die Approximation einzelner lokaler dynamischer Prozesse mittels speziellen neuronalen Netzwerken möglich ist. Auch eine Approximation des gesamten hybriden Systems durch ein neuronales Netz kann unter speziellen Voraussetzungen zum Ziel führen. Für eine gesamte Zeitreihe des Systemzustandes werden bereits etablierte Methoden mit Hilfe des Frameworks charakterisiert. Im Bezug auf diskrete Ereignisse in hybriden Systemen kann gezeigt werden, dass sich neuronale Netze für die Klassifikation des Systemzustandes, hinsichtlich des Auftretens eines Events, nicht eignen. Abseits von Anwendungen in der Modellierung hybrider Systeme kann das Framework eingesetzt werden, um Feed-Forward Netzwerke zu charakterisieren.

show abstract

Section: Pwa Oaf Identification Toolboxmentioning

confidence: 99%

Section: Chapter 1 Introductionmentioning

confidence: 99%

See 1 more Smart Citation

A Framework Including Artificial Neural Networks in Modelling Hybrid Dynamical Systems

Winkler¹

2020

View full text Add to dashboard Cite

show abstract

“…This technique applies to the cases where the original nonlinear functions are available. Števek etal . proposed a two‐stage optimization‐based approach.…”

Section: Integration Of Scheduling and Control Based On Pwa Modelmentioning

confidence: 99%

An integrated framework for scheduling and control using fast model predictive control

Zhuge

Ierapetritou

2015

AIChE Journal

View full text Add to dashboard Cite

in Wiley Online Library (wileyonlinelibrary.com) Integration of scheduling and control involves extensive information exchange and simultaneous decision making in industrial practice (Engell and Harjunkoski, Comput Chem Eng. 2012;47:121-133; Baldea and Harjunkoski I, Comput Chem Eng. 2014;71:377-390). Modeling the integration of scheduling and dynamic optimization (DO) at control level using mathematical programming results in a Mixed Integer Dynamic Optimization which is computationally expensive (Flores-Tlacuahuac and Grossmann, Ind Eng Chem Res. 2006;45(20):6698-6712). In this study, we propose a framework for the integration of scheduling and control to reduce the model complexity and computation time. We identify a piece-wise affine model from the first principle model and integrate it with the scheduling level leading to a new integration. At the control level, we use fast Model Predictive Control (fast MPC) to track a dynamic reference. Fast MPC also overcomes the increasing dimensionality of multiparametric MPC in our previous study (Zhuge and Ierapetritou, AIChE J. 2014;60(9):3169-3183). Results of CSTR case studies prove that the proposed approach reduces the computing time by at least two orders of magnitude compared to the integrated solution using mp-MPC. V C 2015 American Institute of Chemical Engineers AIChE J, 61: 3304-3319, 2015 Keywords: integration of scheduling and control, piece-wise affine approximation, fast model predictive control, Multiparametric model predictive control, mixed integer nonlinear programming

show abstract

A Data-Driven Approach to Constraint Optimization

Wikarek

Sitek

2019

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

Two steps piecewise affine identification of nonlinear systems

Cited by 11 publications

References 16 publications

A Framework Including Artificial Neural Networks in Modelling Hybrid Dynamical Systems

A Framework Including Artificial Neural Networks in Modelling Hybrid Dynamical Systems

An integrated framework for scheduling and control using fast model predictive control

A Data-Driven Approach to Constraint Optimization

Contact Info

Product

Resources

About