Porównanie właściwości neuronowych i klasycznych układów sterowania nieliniowym procesem dynamicznym

• Autorzy: Pogorzelski R.

Warianty tytułu

EN

Comparison of neural and traditional control of a nonlinear process

• Konferencja: Computer Applications in Electrical Engineering (20-21.04.2015 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W pracy zaprezentowano wybrane architektury neuronowych układów sterowania nieliniowym obiektem dynamicznym i porównano ich właściwości. Sterowanie procesem zostało zrealizowane za pomocą trzech algorytmów, wykorzystujących sztuczne sieci neuronowe: metody stosującej neuronowy model odwrotnej dynamiki obiektu, metody działającej w oparciu o linearyzację przez sprzężenie zwrotne oraz metody opartej o algorytm przeprowadzający na bieżąco linearyzację nieliniowego, neuronowego modelu obiektu. W sterowaniu wykorzystano sieci perceptronowe typu MLP (ang. Multilayer Perceptron). Dobór wag sieci przeprowadzono z wykorzystaniem algorytmu Levenberga–Marquardta. Zaproponowane metody sterowania zostały porównane z układem regulacji PID.

EN

The paper presents a few neural control systems to control nonlinear process and compares their properties. Control of the process was carried out by three algorithms based on neural networks: direct inverse, feedback linearization, and instantaneous linearization. The Multilayer perceptron neural network (MLP) is chosen to represent a model of a nonlinear process. To find the best weights of an MLP, the Levenberg- Marquardt method was used. Presented neural methods were compared with traditional PID control. Research has been done in the Matlab/Simulink. The test results show that artificial neural networks can be a useful tool to control a nonlinear process.

Słowa kluczowe

PL

sieć neuronowa; neuronowy układ sterowania

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2015
• Tom: No. 84
• Strony: 173--181
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Pogorzelski R.

• Politechnika Białostocka

Bibliografia

• [1] Aravind P., Valluvan M., Ranganathan S., Modelling and Simulation of Non Linear Tank, International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, Vol. 2, Issue 2, 2013, s. 842-849.
• [2] Chowdhury F.N., Wahi P., A survey of neural networks applications in automatic control, IEEE Southeastern Symposium on System Theory, Athens, 2001, s. 349-353.
• [3] Ding-Li Yu, Ding-Wen Yu, Barry Gomm J., Neural Model Adaptation and Predictive Control of a Chemical Process Rig, IEEE Transaction on Control Systems, Volume: 14, Issue 5, September 2006, s. 828-840.
• [4] Haider A.F. Almurib, Ahmad A. Mat Isa, Artificial Neural Networks – Industrial and Control Engineering Applications, Chapter 18: Direct Neural Network Control via Inverse Modelling: Application on Induction Motors, InTech, 2011.
• [5] Kumpati S. Narendra, Mukhopadhyay S., Adaptive Control Using Neural Networks and Approximate Models, IEEE Transaction on Neural Networks, Volume 8, Issue 3, May 1997, s. 475-485.
• [6] Ławryńczuk M., Sieci neuronowe w efektywnych obliczeniowo algorytmach regulacji predykcyjnej, Prace Naukowe Politechniki Warszawskiej, Elektronika, nr 180, Oficyna Wydawnicza PW, Warszawa, 2012.
• [7] O’Dwyer A., Handbook of PI and PID controller tuning rules. 3rd Edition, Imperial College Press, London, 2009.
• [8] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa, 1996.
• [9] Norgard M., Ravn O., Poulsen N.K., Neural Networks for Modeling and Control of Dynamic System, Springer, 2000.
• [10] Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.