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