FA 2 Neuronske Mreže Seminarski Rad Omerovic Admir

8/18/2019 FA 2 Neuronske Mreže Seminarski Rad Omerovic Admir

1/15


2/15


3/15

Slika 1. $a%elna s-ema in"erzno upra"ljanja..........................................................................5Slika 2. Bloko"ska s-ema sistema in"erzno upra"ljanja.........................................................*Slika '. Sistem in"erzno upra"ljanja s posrednim u%enjem neuronsko re ulatora................Slika #. Sistem upra"ljanja s re(erentnim modelom uz neuronski model pro/esa...................11Slika 5. $a%elna s-ema I upra"ljanja s neuronskim modelom pro/esa i neuronskim

re ulatorom................................................................................................................12Slika *. $euronski predikti"ni re ulator..................................................................................1'

*0+ UVO1

3


4/15

e u najzna%ajnije primjene umjetni- neuronski- mre3a ubraja se nji-o"a primjena u upra"4ljanju nelinearnim pro/esima. ! literaturi se mo3e prona i "eliki broj struktura upra"ljanjazasno"ani- na primjeni neuronski- mre3a. ! nasta"ku se obra uju %etiri strukture upra"ljanjakoje su sa stajali)ta teorije upra"ljanja dobro utemeljene i s"ojst"a koji- su dobro istra3ena.To su strukture:

• In"erzno upra"ljanje 6engl . In"erse ontrol78

• !pra"ljanje s re(erentnim modelom 6engl . odel 9e(eren/e ontrol78

• !pra"ljanje s unutra)njim modelom 6engl . Internal odel ontrol7 i

• Predikti"no upra"ljanje 6engl . Predi/ti"e ontrol7.

+ajedni%ka je zna%ajka s"i- o"i- struktura upra"ljanja zasno"anost na identi(i/iranome ne4uronskome modelu pro/esa, koji se identi(i/ira postupkom opisanim u %et"rtom po la"lju.

od pr"e se tri strukture, osim modela pro/esa, identi(i/ira i in"erzni model pro/esa.

!0+ INVERZNO UPRAVLJANJE

4


5/15

In"erzno se upra"ljanje zasni"a na primjeni in"erzno modela pro/esa koji se spaja u seriju s pro/esom 6Slika 17, t"ore i na taj na%in susta" s trenuta%nim odzi"om jedini%no poja%anjaizme u ulaza u in"erzni model 62r 7 i izlaza iz pro/esa 627. ;akle, in"erzni model pro/esa, predsta"ljen neuronskom mre3om, djeluje kao re ulator. on/ep/ijski, o"o je najosno"nijastruktura upra"ljanja s neuronskim re ulatorom.

Slika 1. Načelna shema inverznog upravljanja

$6k ? 17 @ ( 6>6k7, . . . , >6k A n< ? 17, u6k7, u6k A 17, . . . , u6k A nB ? 177. 62.17

In"erzni model pro/esa opisano izrazom 62.17, koji kao izlaz daje upra"lja%ki si nal u6k7,lasi:

u6k7 @ (A16>6k ? 17, >6k7, . . . , >6k A n< ? 17, u6k A 17, . . . , u6k A nB ? 17. 62.27

In"erzni model pro/esa 62.27 tako er je $9 6k ? 17 pa se onakorisiti za realiza/iju in"erzno neuronsko re ulatora. Prema tome, in"erzni neuronskire ulator mo3e se opisati sljede im izrazom:

u6k7 @ ( 9 6>9 6k ? 17, >6k7, . . . , >6k A n< ? 17, u6k A 17, . . . , u6k A nB ? 17,3 9 7, 62.'7

dje je ( 9 6 ,3 9 7 parametrirana aproksima/ijska (unk/ija 6npr. neuronska mre3a7 (unk/ije( A16 7 s "ektorom parametara3 9 . Bloko"ska s-ema sistema in"erzno upra"ljanja sneuronskim re4 ulatorom prikazna je na Sli/i 2.

5


6/15

Slika 2. Blokovska shema sistema inverznog upravljanja

Osno"ni problem kod in"erzno upra"ljanja "ezan je uz in"ertibilnost modela pro/esa. $aime, ako nelinearni operator, koji predsta"lja pro/es, "i)e ulazni- "rijednosti preslika"a uistu izlaznu "rijednost, tada ne postoji jedinst"eno rje)enje in"erzno problema. $adalje, problem se ja"lja i kada pro/es predsta"lja neminimalno4(azni susta", pa je nje o" in"erznimodel nestabilan. +a linearne se sisteme pro"jera"anjem pozi/ije nula prijenosne (unk/ijemo3e lako odrediti je li susta" neminimalno4(azni, dok je za nelinearne susta"e to mno o te3e

ustano"iti. ineariza/ijom nelinearno sistema oko radne ta%ke mo u e a je, uz odre enao rani%enja, analizirati kao linearni sistem. ;ru i pristup kod pro"jera"anja je li sistemnemiminimalno4(azni po%i"a na odre i"anju tz". nulte dinamike sistema, tj. dinamike sistemakada se izlaz iz sistema posta"lja na nulu pomo u ulazno si nala. Sli%no kao za linearnesisteme i za nelinearne sisteme "rijedi da je in"erzni model sistema stabilan ako je nje o"anulta dinamika asimptotski stabilna.

;a bi neuronski re ulator 6Slika '7 dobro aproksimirao in"erzni model pro/esa 6Slika 27 potrebno a je nau%iti, to jest potrebno je podesiti nje o"e parametre na od o"araju e"rijednosti. Prema na%inu u%enja in"erzno neuronsko re ulatora razlikuju seneposrednoučenje 6engl . dire/t or eneralized trainin 7 i posredno učenje 6engl . indire/t or spe/ialized

trainin 7. od neposredno se u%enja parametri re ulatora odre uju bez pret-odneidenti(ika/ije modela pro/esa, a kod posredno se u%enja pr"o identi(i/ira model pro/esa kojise zatim koristi pri u%enju parametara re ulatora.

!0* Ne/os#e"no u4en.e in$e#5no6 neu#onsko6 #e6ulato#a $eposredno u%enje in"erzno neuronsko re ulatora oba"lja se bez interak/ije s pro/esom

6


7/15

6off 4line7. !%enje re ulatora oba"lja se na temelju mjerni- podataka dobi"eni-identi(ika/ijskim eksperimentom. Pro/es se, dakle, pobudi B C$S si nalom i snimi se $mjerni- paro"a ulazno4izlazni- si nala Du, >E. +atim se nekim od nerekurzi"ni- al oritamau%enja odre uju optimalne "rijednosti in"erzno neuronsko re ulatora 6Slika '7. inimizirase sljede i kriterij kak"o e:

62.#7

Fradjent kriterija kak"o e 6Slika #7 izra%una"a se primjenom al oritma po"ratno prostiranja izlazne po re)ke. ;a bi neuronski re ulator )to bolje opisi"ao in"erzni model pro/esa, pri nje o"u u%enju treba koristiti postupke re ulariza/ije modela i postupke"redno"anja modela.

$au%eni in"erzni neuronski re ulator spaja se u kaskadu s pro/esom, kako je prikaznao naSli/i 2. e utim, primjena in"erzno modela pro/esa kao re ulatora u idealnome slu%ajurezultira trenuta%nim odzi"om sistema s jedini%nim poja%anjem. To mo3e imati za posljedi/u"elike amplitude upra"lja%ko a si nala u dinami%kim stanjima, koje se zbo (izikalani-o rani%enja pro/esa ne mo u ost"ariti. +bo to a se u re(erentnu ranu obi%no u"odi (ilter koji uspora"a promjene re(erentno si nala >9 , a time uspora"a i dinamiku sistema.

!0! Pos#e"no u4en.e in$e#5no6 neu#onsko6 #e6ulato#a

Posredno u%enje in"erzno neuronsko re ulatora zasni"a se na identi(i/iranome modelu pro/esa, koji se koristi za izra%una"anje radijenta kriterija kak"o e po parametrimare ulatora. $a sli/i ' prikazana je bloko"ska s-ema susta"a in"erzno upra"ljanja s posrednim u%enjem re ulatora. !%enje re ulatora mo3e se pro"oditi off 4line i on4line, to jest bez interak/ije s pro/esom 6preklopke na sli/i ' su u polo3aju B7 i u interak/iji s pro/esom6preklopke na sli/i ' su u polo3aju 6kAi7 u izrazu 62.57zamjenjuju se re resorima G6k A i7 pa on poprima oblik:

G6k ? 17 @ ( 6 >6k7, . . . , G6k A n< ? 17, u6k7, u6k A 17, . . . , u6k A nB ? 17,3 7. 62.*7In"erzni neuronski re ulator, dobi"en in"erzijom modela 62.*7 i zamjenom izlaza modela

pro/esa G6k ? 17 re(erentnom "rijedno) u >9 6k ? 17, mo3e se opisati sljede im izrazom:

u6k7 @ ( 9 6G6k ? 17, > 6k7, . . . , G6k A n< ? 17, u6k A 17, . . . , u6k A nB ? 17,3 9 7. 62.&7

7


8/15

Slika 3. Sistem inverznog upravljanja s posrednim učenjem neuronskog regulatora.

Optimalne "rijednosti parametara in"erzno neuronsko re ulatora u k4tom koraku u%enjadobi"aju se minimiziranjem kriterija kak"o e

nekim od nerekurzi"ni- al oritama u%enja. S"aki od ti- al oritama u%enja za-tije"aizra%una"anje radijenta kriterija kak"o e 62. 7 po parametrima re ulatora3 9 , koji seizra%una"a al oritmom po"ratno prostiranja izlazne po re)ke. In"erzni neuronski re ulator ima izra"no po"ratno djelo"anje sa s"o a izlaza te posredno po"ratno djelo"anje s izlazamodela pro/esa. !zimanjem u obzir o"i- po"ratni- djelo"anja dobije se sljede i izraz zaizra%una"anje radijenta kriterija kak"o e 62. 7 po parametrima re ulatora u k4tom korakuu%enja:

8


9/15

Izraz za rednu par/ijalnu deri"a/iju izlaza neuronsko re ulatora lasi:

$akon )to je in"erzni neuronski re ulator nau%en spaja a se u kaskadu s pro/esom na istina%in kao )to se spaja re ulator nau%en neposrednim u%enjem 6Slika 27. ;akle, model pro/esanije sasta"ni dio sistema upra"ljanja, "e slu3i samo za u%enje neuronsko re ulatora.

Off 4line posredno u%enje in"erzno neuronsko re ulatora znatno je slo3enije od neposred4no u%enja. e utim, ono ima opra"danja u nekim slu%aje"ima. Primjeri/e, ako nelinearnost pro/esa nije bijekti"na neposrednim se u%enjem mo3e dobiti kri"i in"erzni model, dok se kod posredno u%enja izborom po%etni- "rijednosti parametara neuronsko re ulatora mo3eosi urati dobi"anje in"erzno modela sa 3eljenim osobinama. Tipi%no se izabiru male po%etne "rijednosti parametara re ulatora, %ime se osi ura"a dobi"anje in"erzno modelakoji daje najmanje iznose upra"lja%ko si nala. $adalje, prednost posredno u%enja nadneposrednim jest i nje o"a usmjerenost ekspli/itnom /ilju, koji u kontekstu upra"ljanja podrazumije"a 3eljeno "ladanje izlazno si nala pro/esa. $aime, za razliku od neposrednou%enja, posredno se u%enje zasni"a na minimiza/iji po re)ke izme u 3eljeno "ladanja ist"arno "ladanja izlaza pro/esa, odnosno nje o"a modela 6izraz 62. 77. O"a osobina %ini posredno u%enje posebno prikladnim za optimiranje neuronsko re ulatora u primjenama ukojima je unaprijed poznata %ita"a trajektorija 3eljeno "ladanja izlazno si nala pro/esa6npr. u roboti/i7. e utim, pri projektiranju in"erzno re ulatora na opisani na%in treba bitioprezan jer model pro/esa za "rijeme u%enja re ulatora mo3e otkliziti iz radne to%ke ili %ak postati nestabilan. !zrok o"oj poja"i jest u identi(ika/iji $


10/15


11/15

70+ UPRAVLJANJE S REFERENTNIM MO1ELOM

ao )to je "e re%eno u pret-odnom potpo la"lju, primjena in"erzno modela pro/esa kaore ulatora u idealnome slu%aju rezultira trenuta%nim odzi"om sistema s jedini%nim poja%anjem.


12/15

modelom ima jednake osobine kao i in"erzno upra"ljanje s on4line posrednim u%enjem.

80+ UPRAVLJANJE S UNUTRAŠNJIM MO1ELOM

!pra"ljanje s unutarnjim modelom 6I upra"ljanje7 zasni"a se, kao i strukture upra"ljanja,na modelu pro/esa i na in"erznom modelu pro/esa. e utim, za razliku od pret-odne d"ijestrukture upra"ljanja, I upra"ljanje se od"ija u zat"orenoj petlji. ! strukturu upra"ljanjauklju%ena je po"ratna "eza po si nalu razlike izme u pro/esa i nje o"o modela, a rezultat jekompenza/ija "anjsko poreme aja. $a%elna s-ema I upra"ljanja s neuronskim modelom pro/esa i neuronskim re ulatorom prikazana je na Sli/i 5.

I upra"ljanje mo3e se primijeniti isklju%i"o za upra"ljanje pro/esima koji su stabilni uot"orenoj petlji. Ipak, I upra"ljanje ima nekoliko osobina koje a %ine iznimno prikladnim za upra"ljanje industrijskim pro/esima:

1. ako su pro/es i re ulator stabilni te ako je model pro/esa idealno nau%en, zat"oreni jesistem tako er stabilan8

2. ako postoji in"erzni model modela pro/esa 6tj. ako jef R(·,3 R) = f M−1(·,3 R)7 i ako sekoristi kao re ulator te ako je s tim re ulatorom zat"oreni susta" stabilan, upra"ljanje jeidealno, to jest u s"akom trenutku "rijedi >@>9 obzira na "anjske poreme aje8

'. sinteza sistema upra"ljanja je jasna i jednosta"na.

$a"edene osobine I upra"ljanja "rijede uz pretposta"ku da su model pro/esa i re ulator idealno nau%eni. ! st"arnosti je, nara"no, nemo u e dobiti idealan model pro/esa, a idealno bi upra"ljanje za-tije"alo beskona%no poja%anje re ulatora pa bi se poja"ili problemi sastabilno) u strukture. +bo to a se u strukturu upra"ljanja u"odi (ilter N koji se projektiratako da se smanjuje poja%anje zat"oreno re ula/ijsko kru a, %ime se po"e a"a robustnostsistema upra"ljanja uz istodobno udalja"anje "ladanja sistema od idealno a. $e postojirazra ena teorija za izbor (iltra N kod I upra"ljanja nelinearnim pro/esima. Obi%no sekoristi linearni (ilter pr"o a reda. @ >9 , bez obzira na odstupanje izme u izlaza pro/esai nje o"a modela, a ako u"jet nije ispunjen poja%anje (iltra mora se kori irati, )to se oba"ljaeksperimentalno. remenska konstanta (iltra odre uje se, tako er, eksperimentalno.

Slika . Načelna shema !"# upravljanja s neuronskim modelom procesa i neuronskim regulatorom

12


13/15

'0+ NEURONSKO PRE1IKTIVNO UPRAVLJANJE

Predikti"no upra"ljanje jest jedan od kon/epata upra"ljanja zasno"ani- na modelu pro/esa.odel pro/esa slu3i za pred"i anje 6predik/iju7 budu i- "rijednosti izlaza pro/esa "i)e

koraka unaprijed. $a temelju ti- pred"i eni- "rijednosti i na temelju 3eljeni- "rijednosti kojede(inira re(ereni model izra%una"aju se optimalne "rijednosti upra"lja%ko a si nala, primjenom postupka optimiza/ije neke kriterijske (unk/ije. Bloko"ska s-ema sistemaneuronsko predikti"no upra"4ljanja prikazana je na sli/i *. $euronska mre3a koristi se zat"orbu modela pro/esa.!pra"lja%ki si nal u6k7 izra%una"a se tako da budu e "rijednosti izlaza pro/esa >6k?i7 prate3eljenu re(erentnu trajektoriju >9N . Budu e "rijednosti izlaza pro/esa estimiraju se pomo uneuronsko $


14/15

90+ ZAKLJU:AK

Sistem upravljanja na temelju 6mjereni-7 si nala ulaza i izlaza pro/esa pronalazi upra"lja%kesi nale koji ost"aruju 3eljeni /ilj upra"ljanja. !nteligentni sistemi upravljanja su ra%unalnisistemi upra"ljanja kod kojise bar jedan dio zada e upra"ljanja oba"lja inteli entnim postup/ima. O"dje pod inteligentnim postupcima podrazumije"amo one metode kojerje)a"aju te)ke 6netri"ijalne, kompleksne, iznimno "elike ili kompli/irane7 probleme nanetri"ijalan, QljudskiR na%in.

Primjenu u inteli entim sistemima upra"ljanja nalaze umjetne neuronske mre3e6modeliranje i upra"ljanje sistemima7 i e"olu/ijski i eneti%ki al orimi 6postup/i tra3enja ioptimiranja koji se zasni"aju na biolo)koj i (izikalnoj e"olu/iji7. est je slu%aj da al oritmi usistemima upra"ljanja od o"araju in3enjerskom na%inu razmi)ljanja, tj. polaze i od neko po%etno rje)enja kompleksno problema, pronalazi se pobolj)ano, ali ne i bezu"jetnoteoretski optimalno rje)enje.

14


15/15

Documents

FA 2 Neuronske Mreže Seminarski Rad Omerovic Admir