Artificial neural network with radial basis function in model predictive control of chemical reactor

• Autorzy: Samek D. , Dostal P.

Warianty tytułu

PL

Sztuczne sieci neuronowe z radialnymi funkcjami bazowymi w predyktywnym sterowaniu reaktorem chemicznym

• Języki publikacji: EN

Abstrakty

EN

This paper describes the application of artificial neural network with radial basis function as a predictor in model predictive control. Radial basis function neural networks are known for their fast training. Thus, this type of artificial neural networks offers promising way how to reduce computational cost during offline predictor training and eventual online adaptation. The features of this type of artificial neural network are presented in simulations in MATLAB/Simulink on the nonlinear system control. The aim of this paper is to suggest one approach how to solve nonlinear prediction problem using artificial neural network respecting computational demands of the predictor.

PL

Artykuł jest poświęcony zastosowaniu sztucznych sieci neuronowych z radialnymi funkcjami bazowymi jako predykatora w modelach sterowania predyktywnego. Sieci radialne są znane z możliwości ich szybkiego uczenia. Dlatego ten typ sztucznych sieci neuronowych umożliwia redukcję czasu obliczeń podczas uczenia sieci w trybie off-line i ewentualnych zastosowań on-line. Cechy omawianych aplikacji sieci neuronowych przedstawiono w symulacyjnych obliczeniach sterowania nieliniowego układu z wykorzystaniem środowiska MATLAB/Simulink.

Słowa kluczowe

EN

artificial neural network; radial basis function; model predictive control

PL

sztuczne sieci neuronowe; radialne funkcje bazowe; sterowanie predykcyjne

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Mechanics / AGH University of Science and Technology
• Rocznik: 2009
• Tom: Vol. 28, no. 3
• Strony: 91--95
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Samek D.

autor

Dostal P.

• Department of Production Engineering, Faculty of Technology, Tomas Bata University in Zlin, Zlin, Czech Republic,

Bibliografia

• Bravo J.M., Alamo T., Camacho E.F. 2006: Robust MPC of constrained discrete-time nonlinear systems based on approximated reachable sets. Automatica, vol. 42, no. 10, pp. 1745-1751.
• Brengel D.D., Seider W.D. 1989: Multistep Nonlinear Predictive Controller. Industrial and Engineering Chemistry Research, vol. 28, no. 12, pp. 1812-1822.
• Camacho E.F., Bordons C. 2007: Model Predictive Control - Second edition. Springer - Verlag, London, 405p, ISBN 978-1-85233-694-3.
• Hagan M., Demuth H., Jesus O.D. 2002: An Introduction to the Use of Neural Networks in Control Systems. International Journal of Robust and Nonlinear Control, vol. 12, no. 11, pp. 959-985.
• Li W.C., Biegler L.T. 1988: Process Control Strategies for Constrained Nonlinear Systems. Ind. Eng. Chem. Res., vol. 27, no. 8, pp. 1421-1433.
• Lowe D. 2002: Radial basis function networks. in: M.A. Arbib (Ed.), The Handbook of Brain theory and Neural Networks, MIT Press, Cambridge, MA, ISBN 0-262-01197-2, pp. 779-782.
• Nikravesh M., Farell A.E., Stanford T.G. 2000: Control of nonisothermal CSTR with time varying parameters via dynamic neural network control (DNNC). Chemical Engineering Journal, vol. 76, no. 1, pp. 1-16.
• Sitsu P.B., Bequette B.W. 1991: Non-linear predictive control of uncertain processes: application to CSTR. American Institute of Chemical Engineers Journal, vol. 37, no. 11, pp. 1711-1723.