Suboptymalny algorytm regulacji predykcyjnej z modelami neuronowymi typu FIR

• Autorzy: Ławryńczuk M.

Warianty tytułu

EN

Suboptimal predictive control based on neural FIR modes

• Konferencja: Konferencja Naukowo-Techniczna Automatyzacja - Nowości i Perspektywy (12 ; 2-4.04.2008 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

W pracy omówiono nieliniowy algorytm regulacji predykcyjnej wykorzystujący modele neuronowe typu FIR (ang. Finite Impulse Response). W algorytmie zastosowano modele bazujące na sieci perceptronowej. Przedstawiony algorytm jest efektywny obliczeniowo, ponieważ wymaga cyklicznego rozwiązywania zadania optymalizacji kwadratowej, co może być wykonane w czasie rzeczywistym. Algorytm cechuje się dużą dokładnością regulacji, porównywalną z algorytmami wymagającymi bieżącej nieliniowej optymalizacji.

EN

This paper describes a suboptimal nonlinear Model Predictive Control (MPC) algorithm based on FIR (Finite Impulse Response) neural models. Multilayer Perceptron (MLP) neural network is used. The algorithm is computationally efficient because it results in a quadratic programming problem, which can be easily solved on-line by means of a numerically reliable software subroutine. The algorithm gives good closed-loop control performance, comparable to that obtained in the nonlinear MPC technique, which hinges on nonlinear optimisation.

Słowa kluczowe

PL

algorytm nieliniowy; regulacja predykcyjna; FIR

EN

model predictive control MPC; nonlinear model predictive control; FIR

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2008
• Tom: R. 12, nr 2
• Strony: 548--557
• Opis fizyczny: CD, Bibliogr. 24 poz., rys., tab., wzory

Twórcy

autor

Ławryńczuk M.

• Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska

Bibliografia

• [1] B. M. Ǻkesson, H. T. Toivonen (2006): A neural network model predictive controller. Journal of Process Control, tom 16, nr 3, s. 937-946.
• [2] N. Bhat, T. J. McAvoy (1990): Use of neural nets for dynamic modeling and control of chemical proceses. Computers and Chemical Engineering, tom 14, nr 4/5, s. 573-583.
• [3] S. Haykin (1999): Neural networks – a comprehensive foundation. Prentice Hall, Upper Saddle River.
• [4] M. A. Henson (1998): Nonlinear model predictive control: current status and future directions. Computers and Chemical Engineering, tom 23, nr 2, s. 187-202.
• [5] K. Hornik, M. Stinchcombe, H. White (1989): Multilayer feedforward networks are universal approximators. Neural networks, tom 2, nr 5, str. 359-366.
• [6] M. A. Hussain (1999): Review of the applications of neural networks in chemical process control – simulation and online implementation. Artificial Intelligence in Engineering, tom 13, nr 1, s. 55-68.
• [7] G. P. Liu, V. Kadirkamanathan, S. A. Billings (1998): Predictive control of nonlinear systems using neural networks. International Journal of Control, tom 71, nr 6, s. 1119-1132.
• [8] M. Ławryńczuk (2007): A family of model predictive control algorithms with artificial neural networks. International Journal of Applied Mathematics and Computer Science, tom 17, nr 2, s. 217-232.
• [9] M. Ławryńczuk, P. Tatjewski (2007): A computationally efficient nonlinear predictive control algorithm with RBF neural models and its application. Lecture Notes in Artificial Intelligence, tom 4585, Springer: The International Conference Rough Sets and Emerging Intelligent Systems Paradigms, RSEISP 2007, Warszawa, s. 603-612.
• [10] M. Ławryńczuk (2007): Rekurencyjne sieci neuronowe w modelowaniu nieliniowych procesów dynamicznych. Pomiary Automatyka Robotyka, nr 2, CD-ROM: Konferencja Automation 2007.
• [11] M. Ławryńczuk, P. Tatjewski (2006): An efficient nonlinear predictive control algorithm with neural models and its application to a high-purity distillation process. Lecture notes in Artificial Intelligence, tom 4029, Springer: The Eighth International Conference on Artificial Intelligence and Soft Computing ICAISC 2006, Zakopane, s. 76-85.
• [12] J. M. Maciejowski (2002): Predictive control with constraints. Prentice Hall, Harlow.
• [13] J. C. MacMurray, D. M. Himmelblau (1995): Modeling and control of a packed distillation column using artificial neural networks. Computers and Chemical Engineering, tom 19, nr 10, s. 1077-1088.
• [14] B. R. Maner, F. J. Doyle, B. A. Ogunnaike, R. K. Pearson (1996): Nonlinear model predictive control of a simulated multivariable polymerization reactor using secondorder Volterra models. Automatica, tom 32, nr 9, s. 1285-1301.
• [15] M. Morari, J. Lee (1999): Model predictive control: past, present and future. Computers and Chemical Engineering, tom 23, nr 4/5, s. 667-682.
• [16] M. Nřrgaard, O. Ravn, N. K. Poulsen, L. K. Hansen (2000): Neural networks for modelling and control of dynamic systems. Springer, London.
• [17] S. Osowski (1996): Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa.
• [18] S. Piche, B. Sayyar-Rodsari, D. Johnson, M. Gerules (2000): Nonlinear model predictive control using neural networks. IEEE Control Systems Magazine, tom 20, nr 3, s. 56-62.
• [19] M. Pottmann, D. E. Seborg (1997): A nonlinear predictive control strategy based on radial basis function networks. Computers and Chemical Engineering, tom 21, nr 9, s. 965-980.
• [20] S. J. Qin, T. Badgwell (2003): A survey of industrial model predictive control technology. Control Engineering Practice, tom 11, nr 7, s. 733-764.
• [21] J. A. Rossiter (2003): Model-based predictive control. CRC Press, Boca Raton.
• [22] P. Tatjewski (2007): Advanced control of industrial processes, structures and algorithms. Springer, London.
• [23] P. Tatjewski, M. Ławryńczuk (2006): Soft computing in model-based predictive control. International Journal of Applied Mathematics and Computer Science, tom 16, nr 1, s. 101-120.
• [24] D. L. Yu, J. B. Gomm (2003): Implementation of neural network predictive control to a multivariable chemical reactor. Control Engineering Practice, tom 11, nr 11, s. 1315-1323.