Séance de cours

Contrôle prédictif activé par les données

Dans cours
DEMO: adipisicing ex
Amet ex aliqua enim voluptate duis non aliqua sunt anim fugiat. Est non magna adipisicing laboris aliquip id excepteur consequat qui Lorem dolor. Cillum elit commodo sint culpa incididunt eu cillum occaecat officia sint sint officia. Minim proident occaecat amet nisi. Aute Lorem voluptate occaecat aliquip sunt voluptate duis voluptate.
Connectez-vous pour voir cette section
Description

Cette séance de cours introduit le contrôle prédictif (DEEPC) en tant que méthode permettant de concevoir des contrôleurs directement à partir de données d'entrée/sortie mesurées, réduisant ainsi les coûts de conception et de mise en service. L'instructeur discute de l'utilisation des données dans la conception des contrôleurs, de la structure du contrôle direct des données, du lemma fondamental de Willems, de la prévision axée sur les données et de la mise en œuvre pratique du DEEPC. Des extensions au DEEPC, y compris un contrôle robuste et adaptatif, sont explorées, ainsi que des expériences dans le monde réel montrant l'efficacité du DEEPC dans le contrôle de la température intérieure basée sur la consommation d'énergie électrique, le rayonnement solaire et la température extérieure. La séance de cours conclut en soulignant l'importance des données dans la simplification du processus de contrôle et en offrant une opportunité de projet master liée au DEEPC d'inspiration physique.

Enseignant
qui nisi
Exercitation commodo nostrud excepteur pariatur. Anim do duis ex elit irure sint ex. Qui minim cupidatat minim do voluptate consectetur sint. Tempor enim deserunt nostrud excepteur laborum. Duis excepteur culpa do eu. In ullamco laboris voluptate incididunt ea ut quis amet ut anim. Culpa excepteur deserunt et in cillum nisi laborum irure anim consequat ullamco id.
Connectez-vous pour voir cette section
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (32)
Diffusion-Convection: Modélisation et Schémas
Couvre la modélisation et les schémas numériques pour les problèmes de diffusion-convection.
Réseaux neuronaux : formation et activation
Explore les réseaux neuronaux, les fonctions d'activation, la rétropropagation et l'implémentation de PyTorch.
Régression linéaire et régression logistique
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Équation de transport: Analyse numérique
Couvre l'optimisation, les problèmes de contrôle et les réseaux neuronaux dans le contexte de l'équation de transport.
Afficher plus