Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є
Hybrid adaptive control methods are of high scientific interest and industrial urgency due to their ability to address the weaknesses of both model-driven and data-driven controllers, as the former are reliable and predictable, but rigid and often suboptimal, while the latter provide eventual optima...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
Kamianets-Podilskyi National Ivan Ohiienko University
2026
|
| Онлайн доступ: | https://mcm-tech.kpnu.edu.ua/article/view/354699 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Mathematical and computer modelling. Series: Technical sciences |
Репозитарії
Mathematical and computer modelling. Series: Technical sciences| _version_ | 1867026064075653120 |
|---|---|
| author | Петровський, Олександр Лясковська, Соломія |
| author_facet | Петровський, Олександр Лясковська, Соломія |
| author_sort | Петровський, Олександр |
| baseUrl_str | http://mcm-tech.kpnu.edu.ua/index.php/2308-5916/oai |
| collection | OJS |
| datestamp_date | 2026-06-03T08:09:01Z |
| description | Hybrid adaptive control methods are of high scientific interest and industrial urgency due to their ability to address the weaknesses of both model-driven and data-driven controllers, as the former are reliable and predictable, but rigid and often suboptimal, while the latter provide eventual optimality guarantees given enough time and exploration, but are effectively unapplicable to systems with a high cost of operation and failure. Thus, this work aims to develop and evaluate a hybrid framework for building reinforcement-learning-based adaptive controllers that leverages the unique properties of Fourier Neural Operators (FNOs) to achieve higher accuracy and reliability in control systems. To achieve this, we propose an architecture of a TD3-based agent that uses pretrained FNO as a world model. The framework includes training the FNO network on historical data, pretraining the agent on the obtained environment surrogate, adjusting the world model in real time based on new observations, and dynamically balancing between Dreamer-like planning and Q-network estimates depending on how well the world model can predict the system's response to the agent's actions. The effectiveness of the method was evaluated on the simulation of a baker’s yeast fermenter. Experimental results show that the proposed method significantly outperforms popular algorithms such as SAC, TD3, and TD3+CQL, as well as a pure FNO-based controller: the agent successfully reaches the target biomass concentration without risky exploration of the environment and demonstrates the ability to overcome model-reality mismatches, which proves its effectiveness and great potential. The practical value of this work lies in developing a method that enables the creation of reliable adaptive controllers for complex nonlinear processes with a high cost of failure, which do not require analytical models and can continually adjust themselves to real conditions, given the availability of historical data. |
| doi_str_mv | 10.32626/2308-5916.2026-29.95-107 |
| first_indexed | 2026-05-27T01:05:56Z |
| format | Article |
| id | mcmtechkpnueduua-article-354699 |
| institution | Mathematical and computer modelling. Series: Technical sciences |
| keywords_txt_mv | keywords |
| language | English |
| last_indexed | 2026-06-04T01:00:05Z |
| publishDate | 2026 |
| publisher | Kamianets-Podilskyi National Ivan Ohiienko University |
| record_format | ojs |
| spelling | mcmtechkpnueduua-article-3546992026-06-03T08:09:01Z Hybrid Fourier Neural Operator Based Framework for Adaptive Continuous Control Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є Петровський, Олександр Лясковська, Соломія Hybrid adaptive control methods are of high scientific interest and industrial urgency due to their ability to address the weaknesses of both model-driven and data-driven controllers, as the former are reliable and predictable, but rigid and often suboptimal, while the latter provide eventual optimality guarantees given enough time and exploration, but are effectively unapplicable to systems with a high cost of operation and failure. Thus, this work aims to develop and evaluate a hybrid framework for building reinforcement-learning-based adaptive controllers that leverages the unique properties of Fourier Neural Operators (FNOs) to achieve higher accuracy and reliability in control systems. To achieve this, we propose an architecture of a TD3-based agent that uses pretrained FNO as a world model. The framework includes training the FNO network on historical data, pretraining the agent on the obtained environment surrogate, adjusting the world model in real time based on new observations, and dynamically balancing between Dreamer-like planning and Q-network estimates depending on how well the world model can predict the system's response to the agent's actions. The effectiveness of the method was evaluated on the simulation of a baker’s yeast fermenter. Experimental results show that the proposed method significantly outperforms popular algorithms such as SAC, TD3, and TD3+CQL, as well as a pure FNO-based controller: the agent successfully reaches the target biomass concentration without risky exploration of the environment and demonstrates the ability to overcome model-reality mismatches, which proves its effectiveness and great potential. The practical value of this work lies in developing a method that enables the creation of reliable adaptive controllers for complex nonlinear processes with a high cost of failure, which do not require analytical models and can continually adjust themselves to real conditions, given the availability of historical data. На методи гібридного адаптивного контролю спрямований неабиякий науковий та промисловий інтерес через їх потенційну можливість поєднати в собі сильні сторони методів контролю на базі аналітичних моделей (model-driven) та емпіричних даних (data-driven), перші з яких надійні та передбачувані, але повністю позбавлені адаптивності, а останні гарантують оптимальний контроль, але через суттєві обмеження є фактично незастосовними у реальних виробничих умовах з високими ризиками і вимогами до якості. Метою цієї роботи є розробка та апробація гібридного фреймворку для побудови адаптивних контролерів на базі навчання з підкріпленням, який використовує особливості нейронних операторів Фур’є (FNO) для забезпечення вищої точності і надійності системи керування. Для досягнення цієї мети запропоновано архітектуру агенту, що базується на алгоритмі TD3 та використовує FNO у ролі моделі світу. Фреймворк включає тренування FNO-мережі на історичних даних, попереднє навчання агенту на отриманому сурогаті середовища, оновлення моделі світу на базі нових спостережень у реальному часі та динамічне балансування між Dreamer-подібним плануванням та оцінками Q-мереж в залежності від того, наскільки добре модель світу здатна передбачати реакцію системи на дії агенту. Ефективність методу оцінено на симуляції промислового процесу ферментації хлібопекарських дріжджів. Результати експериментів демонструють, що запропонований метод значно перевершує поширені алгоритми SAC, TD3 та TD3+CQL, а також чистий FNO-контролер: агент успішно досягає цільової концентрації біомаси без ризикованого дослідження середовища та демонструє здатність долати невідповідність моделі реальності. Практична цінність роботи полягає у розробці методу, за допомогою якого за наявності історичних даних можливо створювати надійні адаптивні контролери для складних нелінійних процесів з високою вартістю помилки, що не вимагають аналітичних моделей, та здатні самостійно підлаштовуватися під реальні умови. Kamianets-Podilskyi National Ivan Ohiienko University 2026-05-15 Article Article Рецензована Стаття application/pdf https://mcm-tech.kpnu.edu.ua/article/view/354699 10.32626/2308-5916.2026-29.95-107 Mathematical and computer modelling. Series: Technical sciences; 2026: Mathematical and computer modelling. Series: Technical sciences. Issue 29; 95-107 Математичне та комп'ютерне моделювання. Серія: Технічні науки ; 2026: Математичне та комп'ютерне моделювання. Серія: Технічні науки. Випуск 29; 95-107 2308-5916 10.32626/2308-5916.2026-29 en https://mcm-tech.kpnu.edu.ua/article/view/354699/346605 Авторське право (c) 2026 Олександр Петровський, Соломія Лясковська https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | Петровський, Олександр Лясковська, Соломія Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title | Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title_alt | Hybrid Fourier Neural Operator Based Framework for Adaptive Continuous Control |
| title_full | Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title_fullStr | Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title_full_unstemmed | Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title_short | Гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів Фур’є |
| title_sort | гібридний фреймворк для адаптивного неперервного контролю на базі нейронних операторів фур’є |
| url | https://mcm-tech.kpnu.edu.ua/article/view/354699 |
| work_keys_str_mv | AT petrovsʹkijoleksandr hybridfourierneuraloperatorbasedframeworkforadaptivecontinuouscontrol AT lâskovsʹkasolomíâ hybridfourierneuraloperatorbasedframeworkforadaptivecontinuouscontrol AT petrovsʹkijoleksandr gíbridnijfrejmvorkdlâadaptivnogoneperervnogokontrolûnabazínejronnihoperatorívfurê AT lâskovsʹkasolomíâ gíbridnijfrejmvorkdlâadaptivnogoneperervnogokontrolûnabazínejronnihoperatorívfurê |