Plan wykładów - Stefan Brock
Transkrypt
Plan wykładów - Stefan Brock
Plan wykładów • 1. Wprowadzenie, modele neuronów, układy perceptronowe, uczenie neuronów Sztuczne sieci neuronowe • 2. Uczenie sieci neuronowych, metoda wstecznej propagacji błędów, inne metody uczenia. • 3. Zastosowanie sieci neuronowych w układach www.stefanbrock.neosrada.pl sterowania • 4. Sieci klasy ANFIS, współdziałanie sieci neuronowych i innych metod inteligencji dr inŜ. Stefan Brock obliczeniowej 1 Plan dzisiejszego wykładu • Zastosowanie sieci neuronowych w automatyce napędu elektrycznego • Case study Zastosowanie sieci neuronowych w napędzie elektrycznym • Atrakcyjne właściwości sieci neuronowych: – aproksymacja dowolnych nieliniowych odwzorowań – adaptacja czyli zdolność uczenia się – równoległe przetwarzanie danych - moŜliwa duŜa szybkość działania – generalizacja - moŜliwość obróbki danych niekompletnych, zakłóconych, i.t.p. – sterowanie predykcyjne mieszaniem substratów w zbiorniku – sterowanie poprzez linearyzację siłownika elektromagnetycznego – sterowanie z modelem referencyjnym ramieniem robota Zadania realizowane przez SSN Modelowanie układów napędowych za pomocą SSN • Modelowanie • Identyfikacja Układ napędowy u + • Estymacja stanu • Sterowanie y Model SSN Algorytm uczenia ym • Monitoring i diagnostyka dr inŜ. Stefan Brock 2007/2008 1 Modelowanie układów napędowych za pomocą SSN Identyfikacja układów napędowych za pomocą SSN u • Uczenie na podstawie danych eksperymentalnych • Obiekt ma charakter dynamiczny - sieci rekurencyjne Hopfielda lub sieci z opóźnieniami czasowymi y Układ napędowy Linia opóźnień Linia opóźnień Model SSN + ym Algorytm uczenia Identyfikacja układów napędowych za pomocą SSN • Problem - określenie zbioru nieliniowych funkcji aproksymujących dany układ • Brak efektywnych metod identyfikacji systemów nieliniowych z nieznaną lub zmienną strukturą. Estymacja stanu w napędzie elektrycznym za pomocą SSN Linia opóźnień Algorytm uczenia Estymator SSN ym • Zagadnienie odtwarzania trudno mierzalnych zmiennych stanu silników elektrycznych • Układy napędowe z ograniczoną ilością czujników pomiarowych (typu sensorless) • Rozwiązania klasyczne (filtr Wienera, filtr Kalmana, obserwator Luenbergera) są złoŜone obliczeniowo. Sterowanie układów napędowych za pomocą SSN • SSN wykorzystywane jako niekonwencjonalne rozwiązania regulatorów adaptacyjnych: y Układ napędowy u Estymacja stanu w napędzie elektrycznym za pomocą SSN + – sterowanie bezpośrednie (z modelem odniesienia) – sterowanie pośrednie (z modelem nadąŜnym) xm Linia opóźnień dr inŜ. Stefan Brock 2007/2008 2 Sterowanie bezpośrednie (z modelem odniesienia) Algorytm uczenia yref Regulator ym Model odniesienia ym Model odniesienia u Sterowanie bezpośrednie realizacja SSN Układ napędowy Algorytm uczenia yref + + u Regulator SSN y Układ napędowy y Linia opóźnień Linia opóźnień Sterowanie pośrednie realizacja SSN Sterowanie pośrednie (z modelem nadąŜającym) ym Model odniesienia yref Model odniesienia Parametry Identyfikator układu u Regulator Układ napędowy + Algorytm uczenia yref y Parametry Identyfikator SSN Linia opóźnień Regulator SSN ym u Układ napędowy + Linia opóźnień Algorytm uczenia y Linia opóźnień Linia opóźnień Diagnostyka z wykorzystaniem SSN • Wnioskowanie o stanie technicznym obiektu • W razie uszkodzenia - określenie miejsca i zakresu • Zaleta SSN - brak konieczności budowania modeli matematycznych • Trening - na podstawie wiedzy eksperta zestaw danych z obiektu rzeczywistego dr inŜ. Stefan Brock 2007/2008 Diagnostyka z wykorzystaniem SSN Diagnoza eksperta Układ napędowy Pomiary + Algorytm uczenia Neuronowy detektor uszkodzeń 3 Diagnostyka z wykorzystaniem SSN Neuronowy regulator prądu falownika MSI • Wykaz uszkodzeń, które mają być wykrywane • Opracowanie zestawu sygnałów dla danego uszkodzenia i dla pracy normalnej • Wybór struktury i metody uczenia • Trenowanie sieci za pomocą zestawów uczących • Testowanie działania sieci w stanach normalnej pracy i w stanach awaryjnych • Zadanie regulatora - odwzorowanie wejść analogowych (uchybów) w wyjścia binarne (sterowanie zaworów) • Zastosowano sieć 3-5-3 • Efekty: Neuronowy regulator prędkości (1) • Adaptacyjny regulator bezpośredni • Struktura 2-3-1, sigmoidalna funkcja aktywacji • Wejścia: e(k) i e(k-1) • Wyjście: prąd zadany • Regulator zrealizowany w oparciu o komputer PC – zmniejszona zawartość harmonicznych – duŜa szybkość pracy – odporność na zakłócenia, włącznie z awarią czujnika pomiarowego Neuronowy regulator prędkości (2) • Silnik obciąŜony momentem nieliniowym • Problemy: identyfikacja obiektu i sterowanie adaptacyjne • Regulator adaptacyjny pośredni • Wejścia: e(k) i e(k-1) • Wyjście: prąd zadany • Architektura 3-6-1 • DuŜa odporność na zmiany obciąŜenia i zakłócenia losowe • Zestaw uczący - 1500 próbek Neuronowy regulator prędkości (3) • Regulator adaptacyjny pośredni • Identyfikator: 6-4-2 • Wejścia: n(k). n(k-1), n(k-2), n(k-3), nzad(k)-n(k), u(k) • Metoda wstecznej propagacji • Wyniki lepsze niŜ klasyczny regulator PID zwiększona odporność na zakłócenia dr inŜ. Stefan Brock 2007/2008 Estymator strumienia i momentu silnika indukcyjnego • • • • Sieć 4-20-4 Funkcje aktywacji -tangens hiperboliczny Wejścia- napięcia wejściowe silnika Wyjścia - wektor strumienia (amplituda i połoŜenia), moment elektromagnetyczny • Zestaw uczący - 10 000 punktów, uzyskanych z modeli matematycznych • Realizacja - DSP, przy szybkości 10 kHz 4 Przykłady sterowania neuronowego • Kolejne kroki: – identyfikacja systemu - utworzenie neuronowego modelu obiektu sterowania – projekt regulatora - wykorzystanie modelu obiektu do projektowania (lub treningu) Sterowanie predykcyjne Struktura SSN modelu dr inŜ. Stefan Brock 2007/2008 Sterowanie predykcyjne • Model obiektu jest wykorzystywany do przewidywania zachowania się obiektu rzeczywistego • Algorytm optymalizacyjny dobiera sterowanie do zadanego kryterium jakości • DuŜa ilość obliczeń on-line, w trakcie pracy regulatora Identyfikacja modelu Przykład: mieszanie płynów 5 dr inŜ. Stefan Brock 2007/2008 6 NARMA (Feedback linearization) control • Stosunkowo najmniej obliczeń Model obiektu NARMA • Uśredniony, nieliniowy, autoregresywny model obiektu: • Regulator jest przekształceniem modelu obiektu • Regulator, zapewniający Ŝe y(k+d)=yr(k+d) • Dla ograniczonej klasy obiektów Realizacja neuronowa zastępczego modelu obiektu Zastępczy model obiektu • Taka postać, umoŜliwia bezpośrednie rozwiązanie Struktura regulatora dr inŜ. Stefan Brock 2007/2008 Neuronowa realizacja regulatora 7 Przykład: siłownik elektromagnetyczny narmamaglev Sterowanie z modelem wzorcowym • Niewielka ilość obliczeń on-line • Dodatkowa SSN, pełniąca rolę regulatora jest uczona off-line • Proces uczenia jest długotrwały - złoŜone obliczeniowo dynamiczna wsteczna propagacja • Szersza klasa zastosowań niŜ NARMA Struktura regulatora dr inŜ. Stefan Brock 2007/2008 Struktura SSN regulatora 8 Przykład: ramię robota Model referencyjny: dr inŜ. Stefan Brock 2007/2008 9