Universitatea ”Dunarea de Jos” Galati

Facultatea de Automatica, Calculatoare, Inginerie Electrica si Electronica

Domeniu: Ingineria Sistemelor
Specializare master: Sisteme Informatice de Conducere Avansate (SICA)

SISTEME INFORMATICE INTELIGENTE DE CONDUCERE

CONFIGURAREA UNEI REȚELE NEURONALE CU 3 STRATURI

Masterand: George Popa Prof.Coordonator: Bogdan Codreș

Master Anul I
2021-2022
 Cuprins

I. Introducere

II. Identificarea modelului direct al procesului

1. Formare lot de date
2. Instruire rețea
3. Validare reziduri
4. Validarea modelului

III. Identificarea modelului invers al procesului

1. Formare lot de date
2. Instruire rețea
3. Validare reziduri
4. Validarea modelului

IV. Conducerea procesului

1. Rezultatele reglarii pentru o succesiune de trepte
2. Rezultate semnal triunghiular
3. Rezultate semnal sinusoidal

V. Concluzii

VI. Bibliografie
 I. Introducere
Proiectarea unui regulator tradiţional de obicei implică o analiză matematică
complexă şi presupune multe dificultăţi în ceea ce priveşte reglarea instalaţiilor
neliniare. Utilizarea abilităţii de învăţare a reţelelor neuronale uşurează proiectarea
regulatoarelor şi de asemenea oferă o flexibilitate ridicată, în special când dinamica
sistemului este neliniară.
Această metodă presupune determinarea modelului invers al procesului, cu
ajutorul reţelelor neuronale multistrat, apelând la o procedură de identificare
descrisă în lucrarea 6. În figura 1 este prezentată schema de reglare, cu model invers,

Figura 1

unde: yd - mărimea prescrisă ce se doreşte să se obţină la ieşire,

ud - comanda dată de modelul invers al procesului,
u - comanda dată de regulatorul de tip “model invers al procesului”,
implementat cu reţeaua neuronală multistrat,
y - mărimea de ieşire a procesului.

Modelul invers al unui sistem strict cauzal este strict necauzal, astfel că
reglarea cu model invers implică o cunoaştere anticipată a unor mărimi din proces. În
practică, mărimea de ieşire a sistemului, care trebuie anticipată, se înlocuieşte cu
referinţa impusă sistemului de reglare.
Fie sistemul neliniar descris de următoarea ecuaţie cu diferenţe

(1)

Modelul invers al sistemului descris de ecuaţia (1) este

(2)

Deoarece y(k+1) nu este cunoscut la pasul k, modelul invers dat de relaţia (2) se
aproximează prin următoarea ecuaţie

0 . 8⋅y(k )
u(k )= y d ( k +1)−
1+1. 2⋅y 2 (k ) (3)

unde yd(k+1) reprezintă ieşirea impusă sistemului la pasul k+1, iar y(k) reprezintă
ieşirea sistemului la pasul k.
Dacă reţeaua neuronală ar aproxima modelul invers al procesului, cu eroare
nulă, atunci ieşirea sistemului este identică cu ieşirea impusă. Dacă se înlocuieşte
comanda dată de relaţia (3) în relaţia (1), atunci rezultă.

. (4)

În realitate reţeaua neuronală nu poate aproxima, cu eroare nulă, modelul

invers al procesului, astfel că ieşirea sistemului nu este aceeaşi cu ieşirea prescrisă.

Studiu de caz

Pentru a ilustra posibilitatea reglării cu model invers şi pentru a descrie

etapele necesare unei asemenea abordări, se consideră sistemul descris de ecuaţia

, (5)

unde e(k) reprezintă perturbaţia care influenţează ieşirea.

Prima etapă constă în determinarea modelului invers al sistemului, prin
identificarea cu reţele multistrat, pornind de la datele obţinute din funcţionarea
sistemului, descris de ecuaţia (5). Semnalul utilizat la intrarea sistemului este un
semnal aleator binar. Ieşirea sistemului s-a perturbat cu un semnal normal distribuit
reprezentat în figura 2.

Figura 2
În cadrul etapei de identificare a proceselor cu reţele neuronale multistrat
trebuie să se ţină cont de cateva aspecte pentru stabilirea funcţiilor de activare ale
neuronilor si este necesar să se facă o estimare a domeniilor de variaţie ale
semnalelor sistemului. De exemplu: dacă la ieşirea sistemului

 avem semnale care variază în afara domeniului (-1,1), atunci ieşirea neuronului
care are funcţia de activare tan-sigmoid nu poate să aproximeze ieşirea sistemul,
în toate situaţiile.

Se recomandă ca funcţiile de activare ale neuronilor stratului de ieşire să fie

liniare;
 stabilirea ratei de instruire şi a funcţiilor de activare ale neuronilor presupune o
etapă de tatonare, în timpul căreia se observă variaţia sumei erorilor pătratice,
pentru diferite condiţii iniţiale. Aceste condiţii se referă la numărul straturilor şi
numărul de neuroni ai straturilor. Se reţin condiţiile iniţiale, care promit o
convergenţă rapidă a algoritmului de instruire.
 Dacă suma erorii pătratice scade sau dacă eroare medie pătratică este oscilantă în
jurul unei valori, care scade în timpul primilor paşi de instruire, atunci se pot
reţine condiţiile care determină o asemenea evoluţie;
 Semnalul de intrare care se aplică sistemului trebuie să pună în evidenţă toate
dinamicile sistemului, astfel încât lotul de instruire să permită transferul acestor
dinamici reţelei neuronale, în timpul instruirii acesteia.
Lotul de instruire, utilizat la identificarea modelului invers al procesului descris
de ecuaţia (5), este format din vectori de forma [y(k+1) y(k)]T , pentru intrare şi
scalarul [u(k)], pentru ieşirea reţelei.
Reţeaua neuronală multistrat, care se utilizează la aproximarea dinamicii
modelului invers, are următoarea structură :

 stratul 1 -13 neuroni şi funcţia de activare tan-sigmoid,

 stratul 2 -15 neuroni şi funcţia de activare tan-sigmoid,
 stratul 3 -1 neuron şi funcţia de activare tan-sigmoid.
Instruirea reţelei s-a făcut atât cu un algoritm backpropagation clasic.
În figura 3 este arătată evoluţia sumei erorii pătratice:
 Figura 3

După instruirea reţelei, urmează să se evidenţieze performanţele reglării, cu model

invers. Schema de reglare, cu model invers, este arătată în figura 4,

Figura 4

unde: P reprezintă procesul descris de ecuaţia (5);

RN reprezintă reţeaua neuronală, care aproximează dinamica modelului invers
al procesului;
BAB este blocul de ajustare a deplasării neuronului de ieşire, a cărei funcţie de
activare este liniară. BAB implementează relaţia următoare

, (6)

unde ka este coeficientul de ajustare,

nb4(0) reprezintă deplasarea rezultată în urma parcurgerii etapei de instruire.

Coeficientul de ajustare (ka) se stabileşte printr-o procedură de căutare, prin care se

urmăreşte minimizarea mediei erorii pătratice dintre ieşirea sistemului şi ieşirea
prescrisă, în cazul perturbaţiilor de tip treaptă.

BAB are rolul de a rejecta perturbaţia, e(k), în cazul când aceasta se menţine
la o valoare constantă. Dacă nu se utilizează BAB, atunci sistemul de reglare este
performant numai în raport cu valoarea prescrisă, nu şi în raport cu perturbaţia. Se
observă că la intrarea reţelei neuronale, care aproximează modelul invers, se aplică
atât ieşirea la momentul k, cât şi ieşirea prescrisă la momentul k+1. În acest mod
comanda care se aplică la momentul k are în vedere ca ieşirea reglată să urmărească
referinţa la momentul următor, k+1. Din acest punct de vedere se poate afirma că
reglarea cu model invers are acelaşi obiectiv ca şi reglarea cu predicţie.
Pentru a observa efectul introducerii BAB - lui se reprezintă, în cele ce
urmează, rezultatul simulării când sistemul este perturbat cu un semnal e(k)
reprezentat în fig.5
 Figura 5

Pentru cazul când nu se utilizează blocul de ajutare a deplasării neuronului de ieşire a

reţelei, care aproximează dinamica modelului invers, mărimile: yd - valoarea prescrisă
ieşirii sistemului, y- ieşirea sistemului şi u-comanda, sunt arătate în figura 6a,
respectiv figura 6b.

Figura
6a

Figura
6b

Se
observă că ieşirea sistemului urmăreşte mărimea prescrisă, dar perturbaţia nu este
rejectată. În figura 7a se reprezintă mărimile y d - valoarea prescrisă ieşirii sistemului
şi y- ieşirea sistemului iar în figura 7b se reprezintă u-comanda, când se utilizează
blocul de ajustare a deplasării neuronului menţionat.

Figura 7a Figura 7b

BAB are rolul unei bucle externe integratoare, prin intermediul căreia se
rejectează perturbaţia de tip treaptă.
Blocul de ajustare a deplasării neuronului stratului de ieşire se poate
implementa hard iar schema de reglare se poate utiliza şi în cazul sistemelor rapide.
În cele ce urmează se ilustrează comportarea sistemului de reglare din figura 4,
când parametrii procesului se modifică la un moment dat, în mod imprevizibil sau sub
acţiunea unor cauze cunoscute. În figura 8a şi figura 8b se reprezintă comportarea
sistemului de reglare când la momentul k1 procesul este caracterizat de următoarea
ecuaţie cu diferenţe
 (7)

şi nu mai este descris de ecuaţia (5).

Fig
ur a
8a.
yd -

valoarea prescrisă ieşirii Figura 8b. u-comanda

sistemului şi y- ieşirea sistemului.

În figura 8a la momentul k2 se perturbă sistemul cu o perturbaţie de tip

treaptă, care este rejectată cu ajutorul blocului de ajustare a deplasării, neuronului
de ieşire.

II. Identificarea modelului direct al procesului

In acest proiect am realizat o rețea neuronală cu trei straturi folosind lotul 8 de date:

ys(k)=-ys(k-1)^3/(5-ys(k-2)+0.1*ys(k-1)^4)+0.5*ui(k-1)

1. Formare lot de date:

Figura 1. Model direct – formare lot de date retea

2. Instruire rețea:

Am ales o rețea cu 3 straturi, prima rețea pe care o folosim este una de dimensiune
mică. Rețeaua de dimensiune mică este formată din:
•10 neuroni pe primul strat
•15 neuroni pe al doilea strat
•1 neuron pe ultimul strat
Figura 2. Model direct – instruire retea
 Figura 3. Evolutia erorii de instruire

3. Validare reziduri:

Figura 4. Model direct – validare reziduri

4. Validarea modelului:

Figura 5. Model direct – iesirea modelului neuronal impreuna cu eroarea

III. Identificarea modelului invers al procesului
Pentru identificarea modelului indirect am realizat o rețea neuronală cu trei
straturi folosind lotul 8 de date:

ys(k)=-ys(k-1)^3/(5-ys(k-2)+0.1*ys(k-1)^4)+0.5*ui(k-1)

1. Formare lot de date:

Figura 6. Model invers – formare lot de date retea

2. Instruire rețea :

Pentru modelul invers am ales o rețea cu 3 straturi, prima retea pe care o folosim
este una de dimensiune mica. Reteaua de dimensiune mica este formata din:
•10 neuroni pe primul strat
•15 neuroni pe al doilea strat
•1 neuron pe ultimul strat
Figura 7. Model invers – rezultatul instruirii retelei
3. Validare reziduri:

Figura 8. Model invers – validare reziduri

4. Validare model:

Figura 9. Model invers – validare model

Figura 10. Model invers – iesirea modelului neuronal si tinta impusa
 IV. Conducerea procesului
1. Rezultatele reglării pentru o succesiune de trepte

Figura 11. Evolutia sistemului pentru semnal treapta

2. Rezultatele reglării pentru semnalul triunghiular

Figura 12. Evolutia sistemului pentru semnalul triunghiular

3. Rezultatele reglării pentru semnalul sinusoidal

Figura 13. Evolutia sistemului pentru semnalul sinusoidal

 V. Concluzii
După testarea și antrenarea rețelei neuronale, am observat că, cel puțin pentru
lotul selectat, reglarea este destul de stabila de la inceputul pana la sfarsitul testarii.

Un lucru poate fi observat in special la semnalul tip treapta unde exista un

suprareglaj care iese cel mai mult in evidenta.

Comparând cele 3 grafice se poate observa ca performantele structurii de reglare

adaptive cu retelele neuronale sunt foarte ridicate in raport cu semnalele de tip
treapta(dreptunghiular), de tip rampa(triunghiular) si tip sinusoidal.

Implementarea structurii de conducere este usoara avand in vedere simplitatea

proiectarii si instruirii celor doua retele neuronale componente cu o performanta
superioara structurii de reglare clasice liniare.

În concluzie reglajul cu semnalul tip treapta este semnalul optim pentru lotul de date
folosit.

VI. Bibliografie

1. TNCP – lab DOC;

2. Cursuri SIIC