SZAU 01-78, SZAU
[ Pobierz całość w formacie PDF ]
//-->Maciej Ławryńczuk, Piotr MarusakSztuczna inteligencja w automatycepreskryptWarszawa 2009–2010Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego2Publikacja dystrybuowana jest bezpłatnie3Spis treści1. Wstęp .............................................................................................. 52. Algorytmy regulacji automatycznej............................................ 62.1. Podstawowy układ regulacji.................................................................... 62.1.1. Badanie stabilności układów ciągłych metodą Hurwitza ........................................62.1.2. Badanie stabilności układów dyskretnych metodą Hurwitza ..................................92.2. Regulatory ze sprzę eniem od wyjścia ................................................. 102.2.1. Strojenie regulatorów metodą Zieglera–Nicholsa .................................................112.2.2. Dyskretna realizacja regulatora PID......................................................................152.3. Regulator ze sprzę eniem od stanu ....................................................... 152.3.1. Obserwator stanu ...................................................................................................182.4. Algorytmy regulacji predykcyjnej ........................................................ 212.4.1. Algorytm DMC......................................................................................................232.4.2. Algorytm GPC .......................................................................................................332.4.3. Wykorzystanie modeli nieliniowych w algorytmach predykcyjnych ...................362.5. Hierarchiczna struktura sterowania....................................................... 383. Sztuczne sieci neuronowe ........................................................... 423.1. Neuron i jego model .............................................................................. 423.2. Zastosowania sieci neuronowych.......................................................... 443.3. Jednokierunkowe sigmoidalne sieci neuronowe................................... 453.3.1. Uczenie jednokierunkowych sieci neuronowych ..................................................473.4. Statyczne i dynamiczne modele neuronowe ......................................... 543.5. Dobór architektury sieci ........................................................................ 603.5.1.3.5.2.3.5.3.3.5.4.3.5.5.Identyfikacja modelu neuronowego ......................................................................60Dobór danych i generalizacja sieci ........................................................................62Metody redukcji sieci ............................................................................................70Metody rozbudowy sieci........................................................................................72Eliminacja nieistotnych wejść sieci .......................................................................733.6. Sieci neuronowe o radialnych funkcjach bazowych ............................. 743.6.1. Uczenie sieci neuronowych o radialnych funkcjach bazowych ............................763.6.2. Sieci perceptronowe a radialne..............................................................................783.7. Rekurencyjne sieci neuronowe.............................................................. 793.8. Sieci neuronowe w automatyce............................................................. 833.8.1. Układ sterowania bezpośredniego z neuronowym modelem odwrotnym .............833.8.2. Neuronowy algorytm regulacji IMC .....................................................................863.8.3. Układ regulacji z linearyzacją w pętli sprzę enia zwrotnego................................873.8.4. Układ regulacji PID z siecią neuronową ...............................................................893.8.5. Adaptacyjny układ regulacji PID z siecią neuronową...........................................903.8.6. Algorytmy regulacji predykcyjnej z nieliniową optymalizacją.............................903.8.7. Algorytmy regulacji predykcyjnej z linearyzacją..................................................943.8.8. Analityczne algorytmy regulacji predykcyjnej z linearyzacją.............................1073.8.9. Modele neuronowe w algorytmach regulacji predykcyjnej.................................1093.8.10. Algorytmy regulacji predykcyjnej z aproksymacją neuronową .....................1114. Systemy rozmyte ....................................................................... 1204.1. Modele rozmyte Mamdaniego ............................................................ 12244.2. Regulatory rozmyte typu Mamdaniego...............................................1294.3. Modele rozmyte Takagi–Sugeno.........................................................1324.3.1. Przedstawienie modelu Takagi–Sugeno w postaci sieci neuronowej ................. 1354.3.2. Hybrydowy algorytm uczenia rozmytych sieci neuronowych............................ 1394.4. Regulatory bazujące na modelach Takagi–Sugeno.............................1424.4.1.4.4.2.4.4.3.4.4.4.4.4.5.Rozmyty regulator ze sprzę eniem od stanu....................................................... 142Rozmyty regulator PID ....................................................................................... 145Rozmyte regulatory predykcyjne w wersji analitycznej ..................................... 148Badanie stabilności układów regulacji typu Takagi–Sugeno.............................. 155Regulatory predykcyjne w wersji numerycznej .................................................. 1615. Algorytmy ewolucyjne .............................................................. 1735.1. Pojęcia podstawowe ............................................................................1735.2. Przegląd algorytmów ewolucyjnych ...................................................1745.2.1.5.2.2.5.2.3.5.2.4.5.2.5.Klasyczny algorytm genetyczny ......................................................................... 174Strategie ewolucyjne ........................................................................................... 176Programowanie ewolucyjne ................................................................................ 179Programowanie genetyczne ................................................................................ 180Inne koncepcje algorytmów ewolucyjnych......................................................... 1805.3. Wybrane zastosowania algorytmów ewolucyjnych ............................1815.3.1. Zastosowanie algorytmów ewolucyjnych do nieliniowej optymalizacji ............ 1815.3.2. Zastosowanie algorytmów ewolucyjnych do uczenia modeli neuronowychi rozmytych .................................................................................................................... 1825.3.3. Zastosowanie algorytmów ewolucyjnych do doboru struktury modelineuronowych i rozmytych.............................................................................................. 1835.3.4. Zastosowanie algorytmów ewolucyjnych do uczenia i doboru struktury modelineuronowych i rozmytych.............................................................................................. 1845.3.5. Zastosowanie programowania genetycznego do doboru modeli ........................ 1845.3.6. Zastosowanie algorytmów ewolucyjnych do doboru nastaw regulatorów ......... 1855.3.7. Zastosowanie algorytmów ewolucyjnych do bieącejregulacji i optymalizacji 1866. Dodatki ....................................................................................... 1876.1. Projekt..................................................................................................1877. Literatura ................................................................................... 18951. WstępNiniejszy skrypt jest przeznaczony dla studentów studiów drugiego stopnia kursu „Softcomputing w automatyce” oraz osób zainteresowanych u yciem technik soft computing doprojektowania układów regulacji automatycznej. W związku z tym zało ono, e czytelnikopanował podstawy wiedzy z zakresu układów dynamicznych a tak e projektowania układówregulacji automatycznej (np. na wykładzie „Podstawy sterowania”). Zalecane jest tak eopanowanie materiału przedstawianego podczas wykładu „Sterowanie procesów”.Spośród technik soft computing, szczególnie przydatne w automatyce są sztuczne siecineuronowe (ang. artificial neural networks), układy rozmyte (ang. fuzzy systems) orazalgorytmy genetyczne (ang. genetic algorithms). Dlatego na nich skoncentrowano się wniniejszym skrypcie. Zakres zastosowań wspomnianych technik soft computing jest szerokijednak nas interesuje ich u ycie przy projektowaniu układów sterowania.Dzięki sztucznym sieciom neuronowym oraz modelom rozmytym mo na stosunkowołatwo modelować układy dynamiczne. W przypadku sieci neuronowych ich duązaletą jestmo liwość uczenia modelu na podstawie próbek pozyskanych z obiektu regulacji. Modelerozmyte z kolei umo liwiają, w stosunkowo prosty sposób, u ycie podczas ich konstruowaniawiedzy eksperta. Ponadto warto wspomnieć o podejściu łączącym zalety obydwu technik. Sąto rozmyte sieci neuronowe. Dzięki nim rozmyty model obiektu mo e być zidentyfikowany(lub jedynie dostrojony) korzystając z mechanizmu uczenia oferowanego przez siecineuronowe.Układy rozmyte mają tak e zastosowanie przy projektowaniu regulatorów na podstawiewiedzy eksperta, np. operatora procesu. Wówczas, korzystając z reguł opisującychzachowanie człowieka – operatora, który sterował procesem, budowany jest regulator.Zauwa my, e zakłada się przy tym, e operator zna zachowanie obiektu regulacji (ma wswoim mózgu model obiektu), na podstawie którego podejmował decyzje. W związku z tympomija się w tym przypadku etap identyfikacji modelu obiektu zakładając, e wiedza o tymmodelu została zawarta i stosownie wykorzystana w regułach zachowania operatora –eksperta.Algorytmy genetyczne są jedną z metod optymalizacji globalnej. Stosuje się je, gdy innemetody optymalizacji nie dają zadowalających wyników lub dany problem najprościej jestrozwiązać korzystając właśnie z tych algorytmów. Podczas procesu projektowania regulatora,algorytmy genetyczne mo na zastosować przy doborze parametrów regulatora dla danegoobiektu regulacji wykorzystując symulację działania układu regulacji. Algorytmówgenetycznych mo na tak e u yć w warstwie optymalizacji punktu pracy, gdzie model statykiprocesu jest zwykle nieliniowy.Kolejny rozdział zawiera krótkie przypomnienie zagadnień z zakresu projektowaniaalgorytmów regulacji automatycznej, głównie w wersji dyskretnej, oraz układów sterowania zoptymalizacją punktu pracy. W następnych rozdziałach przedstawione zostały:— sztuczne sieci neuronowe (rozdz. 3),— układy rozmyte (rozdz. 4),— algorytmy ewolucyjne (rozdz. 5)w kontekście ich u ycia do projektowania układów sterowania. Ka dy z tych rozdziałówzawiera, w pierwszej swojej części, omówienie podstaw dotyczących danej techniki.Następnie, zaprezentowany jest sposób wykorzystania danego podejścia przy projektowaniuukładów sterowania. Rozdziały 3 i 5 zostały napisane przez M. Ławryńczuka a rozdziały 2 i 4– przez P. Marusaka.
[ Pobierz całość w formacie PDF ]