Documente Academic
Documente Profesional
Documente Cultură
Master Anul I
2021-2022
Cuprins
I. Introducere
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
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)
(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)
Studiu de caz
, (5)
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.
Figura 4
, (6)
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
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)
Fig
ur a
8a.
yd -
ys(k)=-ys(k-1)^3/(5-ys(k-2)+0.1*ys(k-1)^4)+0.5*ui(k-1)
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:
ys(k)=-ys(k-1)^3/(5-ys(k-2)+0.1*ys(k-1)^4)+0.5*ui(k-1)
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:
4. Validare model:
În concluzie reglajul cu semnalul tip treapta este semnalul optim pentru lotul de date
folosit.
VI. Bibliografie