Metody inteligencji obliczeniowej w algorytmach regulacji ... · Piotr Tatjewski: Metody...
Transcript of Metody inteligencji obliczeniowej w algorytmach regulacji ... · Piotr Tatjewski: Metody...
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, 22.04.2005
Metody inteligencji obliczeniowej
w algorytmach regulacji predykcyjnej
Piotr TatjewskiPolitechnika Warszawska,Instytut Automatyki i Informatyki Stosowanej
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Program prezentacjiZasada regulacji predykcyjnej, znaczenie i klasyfikacja algorytmów MPC Regulacja predykcyjna z modelem liniowymRegulacja predykcyjna z modelem nieliniowymInteligencja obliczeniowa w algorytmach predykcyjnych (nieliniowych)Algorytmy predykcyjne z modelem rozmytym Takagi-Sugeno(algorytmy analityczne, algorytmy z linearyzacjami)Algorytmy predykcyjne numeryczne z modelem neuronowym procesu/predyktora
algorytmy z linearyzacjamialgorytmy z nieliniową optymalizacją
Algorytmy z neuronową aproksymacją optymalizatora, regulatoraPodsumowanie
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Zasada regulacji predykcyjnej
predykcja y k|k-( 1)
k k+1 k+N czask–1 k+Nu
pomiar y k( )d k( )
predykcja y k+p|k( )
k+2
y zad
horyzont predykcji
horyzont sterowania
k+3
y
sterowanie u(k+p|k)u
∆u k+ k( 1| )
k k+1 k+N czask–1 k+Nuk+2 k+3
u k k u(k)( | ) = ∆ ∆
y zad
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Zasada regulacji predykcyjnej (c.d.)
Wyznaczanie wartości sterowań z zadania optymalizacji:
Npkdnkykykynkuku
kkukpkufkpky
f
kpkukpkukpkuNNpkNkukpku
NpUkpkuNpYkpky
kpkukpkykpkyJ
AB
p
p
uu
u
N
p
N
p
zad
Npkpku
u
u
,...,1)),(),(),...,1(),(),(),...,1(,
),|(),...,|1(()|(
: (procesu)obiektu modelu podstawie na predykcja czymprzy
))|1()|()|((,1,,),|1()|(
,1,,0,)|( ,,,1,)|(:ogr.przy
,}||)|(||||)|()|(||{min1
0
2
1
2
1,...,0),|(
=−−−−
−+=+
−+−+=+∆−=−+=+
−=∈+=∈+
+∆++−+= ∑∑−
==−=+∆
K
K
K
ΛΨ
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Przyczyny powodzenia regulacji predykcyjnej:
Dzięki predykcji (przewidywaniu, w oparciu o model) technika skuteczna dla obiektów o trudnej dynamice,
W istocie jedyna technika regulacji uwzględniająca ograniczenia sterowań i wyjść, w sposób naturalny i bezpośredni,
Dzięki bezpośredniemu wykorzystaniu modelu technika skuteczna dla regulacji wielowymiarowej, uwzględniająca w sposób bezpośredni interakcje,
Technika zdefiniowana w dziedzinie czasu, stąd intuicyjnie zrozumiała, stosunkowo łatwa do wyjaśnienia operatorom procesów technologicznych
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Klasyfikacja algorytmów regulacji predykcyjnej
Algorytmy MPC
LINIOWE(z modelem liniowym)
NIELINIOWE(z modelem nieliniowym)
ANALITYCZNE prawo regulacji
NUMERYCZNE - z zad. optym.
QP (LP) z ogr.
NIELINIOWEz niewypukłym
zadaniem optymalizacji
SUBOPTYMALNEZ ZAD. OPTYM.
uproszczonym(do QP)
SUBOPTYMALNEROZMYTE –
lokalne prawa reg.w strukturze TS
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Regulacja predykcyjna z modelem liniowym
Predykcja na podstawie LINIOWEGO modelu obiektu:
Np
kpkykpky
nkykynkukuky
kpkukkukku
kdnkykykynkuku
kkukpkufkpky
TA
TB
T
AB
p
,...,1
,)|()|(
)]()1([)]()1([)(
)]|1()|1()|([
))(),(),...,1(),(),(),...,1(,
),|(),...,|1(()|(
0
=
++
++∆=
−−+−−++
+−+∆+∆∆=
−−−−
−+=+
LL
L
pp
p
HG
M
-- p - ty element trajektorii wymuszonej
-- p - ty element trajektorii swobodnej
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Regulacja predykcyjna z modelem liniowym (c.d.)
predykcja y k|k-( 1)
k k+1 k+N czask–1 k+Nu
pomiar y k( )
predykcja y k+p|k( )
k+2
y zad
horyzont predykcji
horyzont sterowania
k+3
y
sterowanie u k+p|k( )u
∆u k+ k( 1| )
k k+1 k+N czask–1 k+Nuk+2 k+3
u k k u(k)( | ) = ∆ ∆
Trajektoria swobodna y k+p|k ( ) (predykcja y przy u( 0 0,...,N-1)k+p|k)= , p=∆
d k( )
∆y( 1 ) - element k+ |k trajektorii wymuszanej0
sterowanie przy∆u k+p|k = p= ,...,N-( ) 0, 0,1 1
y k+p|k( ) = ∆+ y k+p|k( )y k+p|k( )0
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytmy analityczne (w wersji analitycznej)
Jeśli pominąć ograniczenia nierównościowe, to zadanie optymalizacji regulatora dla modelu liniowego:
Npnkykynkukuky
kpkukkukkukpky
kpkukpkykpkyJ
TA
TB
T
N
p
N
p
zad
Npkpku
u
u
,...1,)]()1([)]()1([)(
)]|1()|1()|([)|(gdzie
,}||)|(||||)|()|(||{min1
0
2
1
2
1,...,0),|(
=−−+−−++
+−+∆+∆∆=+
+∆++−+= ∑∑−
==−=+∆
LL
L
pp
p
ΛΨ
HG
M
ma rozwiązanie analityczne, ogólnie postaci:
TA
T
TB
Tzade
nkyky
nkukukykykkkuku
)]()([
)]()1([))()(()|(ˆ)(ˆ
−+
+−−+−=∆=∆
L
L
y
u
k
k
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm analityczny DMC (Dynamic Matrix Control)
Algorytm DMC - model obiektu w postaci dyskretnej odpowiedzi skokowej.Prawo regulacji:
gdzie)]1()1([))()(()(ˆ
−=+−∆−∆+−=∆
Dnnkukukykykku
B
TB
Tzade Luk
długość dyskretnej odpowiedzi skokowej
OBIEKTu k( )
y k( )
d k( )ke
∑−
=∆
1
1
D
ju j u k-j( )k
u k( )∆+
+_ _
+
+1
1-zy k( )zad
-1
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm analityczny GPC (Generalized Predictive Control)Algorytm GPC - model typu ARX (równanie różnicowe):
TA
T
TB
Tzade
nkyky
nkukukykykku
)]()1([
)]()1([))()(()(ˆ
−∆−∆+
+−∆−∆+−=∆
L
L
y
u
k
k
)()1()()(01
kdjkubjkyaky BA n
j jn
j j +−−+−−= ∑∑ ==
Prawo regulacji:
y k( )zad
+ _ ek OBIEKT
∑=
∆1
n
ju jk
_ _
∑=1j
yjk
B
nA∆ +
_y k( )∆ z -1z -1
+ u k( )y k( )
v k( )
u k-j( )
u k( )∆
y k-j( )
11-z-1
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Zasady efektywnej implementacji, przy ograniczeniachStruktura NIEPOPRAWNA implementacji regulatora analitycznego DMC :
OBIEKT+ _ _
+
++
REGULATOR DMC
y zad
y
du∆
eu u
∑−
=∆
1
1
D
ju k-j( )
11-z-1
u j
k
k
Struktura POPRAWNA (zmieniono: sprzężenia od sterowań ograniczonych mode-lowo lub rzeczywistych ; dodano: układ ograniczenia całkowania (anti-wind-up)):
+
_
OBIEKT+ _ _
+
++
REGULATOR DMC
uu∆e
z -1
+
+
z -1
z -1 +_
intuyzad
y
d
∑−
=∆
1
1
D
ju k-j( )
u∆
11-z-1k
k u j
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Prosty przykład: obiekt o odp. skokowej {0 0 0.2 0.5 0.6 0.62}
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4y
(−−
−),
yz
ad.(
− −
−)
DMC bez ogr., lambda= 0.01, D= 6, N= 6, Nu= 3, N1= 3, umax= 2, Dumax= 10
0 5 10 150
0.5
1
1.5
2
2.5
3
uint
(−
− −
),
u (−
−−
)
Przebieg wyjścia:
W strukturze niepoprawnej
Ze sprzężeniem od sygnału rzeczywistego ograniczonego
Dodatkowo z pętląanti-wind-up(nierozróżnialny z przebiegiem w algorytmie numerycznym !)
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4
y (−
−−),
yz
ad.(
− −
−)
DMC analit. z ogr, lambda= 0.01, D= 6, N= 6, Nu= 3, N1= 3, umax= 2, Dumax= 10, alfa= 0
0 5 10 150
0.5
1
1.5
2
2.5
3
uint
(−
− −)
, u
(−−
−)
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4
y (−
−−
),
yzad
.(−
− −
)
DMC analit. z ogr, lambda= 0.01, D= 6, N= 6, Nu= 3, N1= 3, umax= 2, Dumax= 10, alfa= 1
0 5 10 150
0.5
1
1.5
2
2.5
3
uint
(−
− −
),
u (−
−−
)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Efektywna regulacja predykcyjna z modelem liniowym:Algorytmu analityczny (prawo regulacji), zalecany w przypadkach:
bez ograniczeń sterowań/wyjść,z ograniczeniami sterowań, szczególnie dla obiektów o b. szybkiej dynamice i przy prostszych sterownikach – ale implementacja musi byćodpowiednia dla występowania ograniczeń. Wówczas jakość regulacji bliska optymalnej (jak w alg. numerycznym)
Algorytm numeryczny, rozwiązujący w każdym kroku zadanie QP z ograniczeniami (na całym horyzoncie predykcji):
dla obiektów o nie bardzo szybkiej dynamice i z ograniczeniami sterowańi/lub wyjść, potrzebny bardziej zaawansowany sterownik (rozwiązywanie w każdym kroku algorytmu zadania QP z ograniczeniami)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Regulacja predykcyjna z modelem nieliniowymWyznaczanie wartości sterowań z nieliniowego zadania optymalizacji:
,1,,),|1()|( ,1,,0,)|(
,,,1,)|(:ogr.przy
,}||)|(||||)|()|(||{min1
0
2
1
2
1,...,0),|(
−=−+=+−=∈+
=∈+
+∆++−+= ∑∑−
==−=+∆
NNpkNkukpkuNpUkpkuNpYkpky
kpkukpkykpkyJ
uu
u
N
p
N
p
zad
Npkpku
u
u
K
K
K
ΛΨ
przy czym predykcja na podstawie nieliniowego modelu procesu:
Npkdnkykykynkuku
kkukpkufkpky
AB
p
,...,1)),(),(),...,1(),(),(),...,1(,
),|(),...,|1(()|(
=−−−−
−+=+
Prowadzi to do nieliniowego i niewypukłego (multimodalnego) zadania optymalizacji – nie ma dla takich zadań ogólnych procedur optymalizacjiniezawodnych, dających rozwiązanie w ograniczonym, przewidzianym czasie
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Inteligencja obliczeniowa w algorytmach predykcyjnych (nieliniowych)
Algorytmy analityczne rozmyte w strukturze Takagi-Sugeno
Algorytmy z linearyzacjami (MPC-NSL i MPC-NPL) z modelem procesu
nieliniowym rozmytym Takagi-Sugenow postaci sieci neuronowej
Algorytmy z optymalizacją nieliniową i sieciami neuronowymineuronowe modelowanie procesu/predyktoraneuronowe modelowanie optymalizatora - procedury optymalizacji z ograniczeniami, rozłącznie (osobny predyktor – też z reguły siećneuronowa) lub łącznie z modelem procesu
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytmy rozmyte w strukturze Takagi-Sugeno –efektywne analityczne realizacje nieliniowe (subopt.)
Struktura regulatora rozmyta projektowana na podstawie modelu obiektu rozmytego typu Takagi-Sugeno. Przykład regulatora FDMC:
OBIEKTy k( )zad
+ +_ u k( ) y k( )e k( ) u k( )∆DMC 2
DMC r
DMC 1 w (k)1
w (k)r
w (k)2
u k( )1
u k( )r
u k( )2
++
Wnioskowanierozmyte
∆
∆
∆
u k( )y k( )
... ...
11-z-1
DMC i – algorytm liniowy analityczny DMC dla i-tego punktu (obszaru) pracy(uzupełnienie struktury przy ograniczeniach sterowania – jak dla alg. liniowego)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytmy nieliniowe numeryczne regulacji predykcyjnej (z optymalizacją w każdym kroku)
NSL – algorytmy Nieliniowe z Sukcesywnymi Linearyzacjami
NPL – algorytmy z NieliniowąPredykcją i Linearyzacją
NO – algorytmy z NieliniowąOptymalizacją (predykcja i optymalizacja traktowane łącznie, optymalizacja niekwadratowa(niewypukła))
Algorytmy dwufazowe („dual-mode”)
. . .
Model procesu rozmyty typu TS o takiej samej strukturze liniowych następników (model FTS-CLC):natychmiastowa linearyzacjanatychmiastowe wyznaczanie operatorów liniowych dla algorytmów
Sieci neuronowe jako szybkie modele:procesupredyktoraoptymalizatora regulatora
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Regulacja predykcyjna z modelem FTS-CLCModel rozmyty procesu z r regułami o takiej samej strukturze następnika:
∑∑==
−+−=+m
j
in
j
ii jkubjkyakypoprzednik10
i )()()1(THENIF:R
może być traktowany jako liniowy o zmiennych współczynnikach:
aktywacji)poziomy )(()()(,)()(gdzie
)()()()()1()()1(101
−⋅=⋅=
−⋅+−⋅=+⋅=+ ∑∑∑===
kwbkwkbakwka
jkukbjkykakykwky
iiiiiii
m
j
in
j
iir
i
i
stąd:• natychmiastowa linearyzacja, co więcej:• natychmiastowe wyznaczanie operatorów liniowych (macierzy)
dla predykcji odpowiedzi swobodnej (algorytm NSL)i dla predykcji odpowiedzi wymuszanej (algorytmy NSL i NPL)- wzory jak dla algorytmów liniowych (współczynniki zależne od chwili k)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
NPL – prosta i efektywna nieliniowa regulacja predykcyjna w wersji numerycznej
Algorytm realizuje w każdym kroku: nieliniową predykcję (NP) trajektorii swobodnej (tzn. przy założeniu ∆u(k+p|k)=0, p=0,,…,Nu-1) orazlinearyzację (L) modelu dla potrzeb optymalizacji (względem ∆u(k+p|k), p=0,,…,Nu-1) i optymalizację QP (Quadratic Programming)
OBIEKT
z -1z -1
lokalnego
modelu liniowego ( ) M kGeneracja
Optymalizacjaz modelem
liniowym (QP)0
REGULATOR
M( )k
zad u k( )y k( )
d k( )
u k-( 1)
u k( )∆
( )k0
11-z-1
y k( )
Y
Predykcja nieliniowa Y (k)
gdzie Y0(k) = [y0(k+1|k) y0(k+2|k) . . . y0(k+N|k) ] – trajektoria swobodna
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
NPL – prosta i efektywna nieliniowa regulacja predykcyjna w wersji numerycznej (c.d.)
predykcja y k|k-( 1)
k k+1 k+N czask–1 k+Nu
pomiar y k( )
predykcja y k+p|k( )
k+2
y zad
Horyzont predykcji
horyzont sterowania
k+3
y
sterowanie U k+p|k( )u
∆u k+ k( 1| )
k k+1 k+N czask–1 k+Nuk+2 k+3
u k k u(k)( | ) = ∆ ∆
Trajektoria swobodna Y k( ) - NIELINIOWA ( u( 0 0,...,N-1)Predykcja przyy k+p|k)= , p=∆
d k( )
∆y k+ |k( 1 ) - element liczonej na modelu ZLINEARYZOWANYM
trajektorii wymuszanej,
0
Sterowanie przy ∆u k+p|k = p= ,...,N-( ) 0, 0,1 1
y k+p|k( ) = ∆+ y k+p|k( )y k+p|k( )0
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Modele w postaci sieci neuronowych dla algorytmów z bieżącą optymalizacją
Nieliniowe modele dynamiczne procesów technologicznych, konstruowane przez specjalistów branżowych to z reguły modele symulacyjne, złożone, o cechach numerycznych niekorzystnych dla zastosowań optymalizacyjnych.
Efektywny sposób postępowania: Traktując model symulacyjny jako źródło danych o procesie, skonstruowanie dla celów optymalizacji bieżącej modelu znacznie prostszego i o dobrych cechach numerycznych (gładkość, szybkość liczenia wartości i pochodnych), np. w postaci sztucznej sieci neuronowej.
Uwaga: model uproszczony powinien być konstruowany tak, aby możliwe było dostrajanie on-line (do danych rzeczywistych)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Modele w postaci sieci neuronowych dla nieliniowych algorytmów predykcyjnych
Połączenie zasady regulacji predykcyjnej oraz modeli neuronowych dziedzicząc zalety obu rozwiązań dobrze sięuzupełnia.
Struktury algorytmów:Algorytm MPC-NPL z modelem neuronowym procesu Algorytm MPC-NO (z nieliniową optymalizacją) z modelem neuronowym procesu dla predykcji (i optymalizacji)Algorytmy z neuronową aproksymacją optymalizatora
i predyktoraAlgorytmy z neuronową aproksymacją regulatora
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Model neuronowy procesu (MISO)
))(,),1(),(,
),(,),(,),(()(,
,1,1
1,1
mmm
NmN
NmN
mmmm
nakykynbku
kunbkukugky
−−−
−−−=
K
KKK ττ
∑∑==
+=+=mm K
i
mi
mmK
i
mi
mmm kziwwkviwwky
122
122 ))(()()0()()()0()( ϕ
M)(1 kvm
)(kvmK
1
1
)0,(1mm Kw
)0,1(1mw
)0(2mw
)1(2mw
)(2mm Kw
)(kym
M
)1,(1mm Kw
)1,1(1mw
)1( −kym
)( mm naky −
)( , NmN nbku −
)( 1,1
mku τ−
ϕ
ϕ
M +M
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm NPL z neuronowym modelem procesu –wyznaczanie nieliniowej trajektorii swobodnej
∑∑
∑ ∑
∑ ∑
+==
= +=
= =
+−+++−++
++−+−++
++−+−++=+
m
my
my
nmu
nmun
nmun
na
pNjm
mmpN
jm
mm
N
n
N
pNj
nmn
nmm
N
n
pN
j
nmn
nmmmmi
pjkyjSiwkpjkyjSiw
pjkujRiw
kpjkujRiwiwkpkz
1)(1
)(
1
01
1 1)(
,,1
1
)(
1
,0,11
0,
ˆ
ˆ
,
,
,
)(),()|(),(
)1(),(
)|1(),()0,()|(
τ
τ
)]1|()([))|(()()0()|(1
0,22
0 −−+++=+ ∑=
kkykykpkziwwkpky mm
K
i
mi
mmm
m
ϕ
gdzie
),1min()(),0),,1max(min()( ˆ,,, mm
ynm
unmnm
un nappNNppN −=+−= τ
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm NPL z neuronowym modelem procesu –model zlinearyzowany (typu ARX)
)(),()(),( 11 kuzkkyzk −− = BA
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
+++
+++=
−−
−−
−
naMna
M
nana
zkazka
zkazkazk
)()(10
0)()(1),(
11
1111
1
KK
MOM
KK
A
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
++++
++++=
−−−−
−−−−
−
nbNMnb
NMnbMnb
M
nbNnb
Nnbnb
zkbzkbzkbzkb
zkbzkbzkbzkbzk
)()()()(
)()()()(),(
,1,1
1,11,1
,11,11
1,111,11
1
KKK
MOM
KKK
B
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm NPL z neuronowym modelem procesu –współczynniki modelu zlinearyzowanego
⎪⎩
⎪⎨
⎧
+=
=+−= ∑
=
nanal
nallSiwkdzkzdiwka
m
mK
i
mm
mmi
mmim
ml
m
,,1dla0
,,1dla),())(()))((()()( 1
12
K
Kxxϕ
⎪⎪⎩
⎪⎪⎨
⎧
+=
=+−+
−=
= ∑=
nbnbl
nbllRiwkdzkzdiw
l
kbnm
nmnmK
i
nmnmm
mmi
mmim
nm
nml
m
,,1dla0
,,dla)1,())(()))((()(
1,,1dla0
)(,
,,
1
,,12
,
,
K
K
K
ττϕτ
xx
∑∑ =
−
=
=⎪⎩
⎪⎨⎧
=
==
N
i
imu
mn
i
imu
nm NSNnNn
R1
,1
1
,, ,,,2dla
1dla0K
1,,, +−= nmnmnmu nbN τ
gdzie
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytm NO z neuronowym modelem procesuSzybkie liczenie wyjść procesu dla zadanych wartości sterowań (w porównaniu do bezpośredniego wykorzystania „symulatora” procesu)Celowe modelowanie siecią neuronową bezpośrednio predyktoraGładkość modelu, analityczne liczenie pochodnychCechy algorytmu MPC-NO zależne od skuteczności i efektywności procedury optymalizacji nieliniowejAdaptacja (aktualizacja) aproksymatora neuronowego do zmian w procesie
poprzez model „symulatora”bezpośrednio (dane we/wy z procesu)
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Przykład - wysokociśnieniowa kolumna destylacyjna etylen-etan
R
wyparka
V
chłodnica
surowiec
destylat
LC
zbiornik cieczywyczerpanej
zbiornik orosienia
LC
algorytmregulacji
predykcyjnej zzadCC
CCz
P
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Przykład – c.d.
Wyniki symulacji algorytmu liniowego zaprojektowanego dla punktu pracy:a) 100 ppm b) 850 ppm
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Przykład – c.d.Wyniki symulacji algorytmów NPL (kolor niebieski) i NO (kolor czerwony) przy ogr. szybkości zmian sterowania ∆rmax=0,03:
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Algorytmy z neuronową aproksymacjąoptymalizatora / regulatora
Algorytmy z neuronową aproksymacją predyktora i optymalizatora:
OBIEKTy k( )zad +
+
u k( )y k( )
d k( )u k( )∆ 1
1-z I-1
NN OPTYMALIZATOR
NN PREDYKTOR
REGULATOR
Algorytmy z neuronową aproksymacją całego regulatora:
OBIEKTy k( )zad +
+
u k( )y k( )
d k( )u k( )∆ 1
1-z I-1
REGULATOR MPCw postaci
SIECI NEURONOWEJ
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
PodsumowanieOdpowiednio dobry (i efektywny) model procesu – warunek konieczny sukcesu przy wdrażaniu regulacji predykcyjnej (MPC – Model-basedPredictive Control)
Proste i efektywne zastosowanie regulatorów analitycznych (liniowych) dla procesu nieliniowego: regulator predykcyjny rozmyty Takagi-Sugeno
Model rozmyty Takagi-Sugeno (typu CLC) procesu dobrą podstawą dla ważnych aplikacyjnie algorytmów z linearyzacjami
Model neuronowy procesu wygodny dla algorytmów z linearyzacjami
Model neuronowy predyktora często konieczny dla skutecznej realizacji algorytmu z nieliniową optymalizacją
Możliwe efektywne realizacje: algorytmu predykcyjnego z neuronowymi predyktorem i optymalizatorem
algorytmu predykcyjnego modelowanego jako sieć neuronowa
Instytut Automatykii InformatykiStosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnejReferat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Dziękuję za uwagę