IU_8

Embed Size (px)

Citation preview

  • 7/23/2019 IU_8

    1/18

    INTELIGENTNO UPRAVLJANJE

    PRIMJENA DINAMIKIH NEURONSKIHMREA U IDENTIFIKACIJI I UPRAVLJANJU

    Vanr.prof. dr. Lejla Banjanovi-Mehmedovi

    Copyright: Lejla Banjanovic-Mehmedovic

    Dinamike mree:

    Dinamike neuronske mree

    Hop ieldove neuronske mree Elmanove neuronske mree NARX neuronske mree

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    2/18

    Hopfildova mrea

    Matrini zapis:

    0

    ( )

    v Wy x w

    y v

    1,2 1,3 1,

    2,1 2,3 2,

    3,1 3,2 3,

    0

    0

    0

    n

    n

    n

    w w w

    w w w

    w w w

    W

    Copyright: Lejla Banjanovic-Mehmedovic 3

    , 0,

    1

    n

    i i j j i i

    ij i

    v w y x w

    ( ) ( 1,2,. .. , )i i i

    y v i n

    Aktivnost neurona data sa v

    ,1 ,2 ,3n n nw w w

    Hopfieldova NM bit e stabilna ako je:

    , ,i j j iw w

    Elmanova mrea

    0

    1 0 1

    ,

    ( 1) ,T

    k

    y x

    x y y

    Matematikiopis:

    Copyright: Lejla Banjanovic-Mehmedovic 4

    2 1,

    ( 1,2),

    ( ) ( 1, 2)

    l l l l

    l l l

    l

    l

    x y

    v W x b

    y v

    1 2 ( ) 1,1,1 1, (1), (0) 1 1,1 1, (1) 2,1,1 2, (2), (1) 1 2 ,1 2, (2), ,..., ,..., , ,..., , , ..., , ,...,T T

    n n n n n n nw w b b w w b b

    Vektor parametara:

  • 7/23/2019 IU_8

    3/18

    Treniranje Elmanove neuronske

    mree netElman = newelm([0 2;0 10;0 10],[20

    ' ' ' ', , netElman.trainParam.epochs = 8000; netElman.trainParam.goal = 0.01; netElman = train(netElman,nn1_in,nn1_out); sim(netElman,[0.8;4;2]) ans = 0.9992

    Copyright: Lejla Banjanovic-Mehmedovic

    NARX mree

    Ove neuronske mree sastoje se od

    Copyright: Lejla Banjanovic-Mehmedovic

    dodano povratno djelovanje i to takoda se na ulaz mree dovodevrijednosti izlaznih signala mree izprethodnog koraka uzorkovanja.

  • 7/23/2019 IU_8

    4/18

    Primjena neuronskih mrea u

    upravljakim strukturamaog svo e ne nearne pr ro e pogo ne za rea zac u

    kompleksnih nelinearnih funkcija i sistema.

    Neuronske mree se efikasno primjenjuju u rjeavanjuproblema aproksimacije, predvianja, identifikacije iupravljanja.

    Copyright: Lejla Banjanovic-Mehmedovic

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikihprocesa

    Postupak identifikacije odvija se u nekoliko osnovnihkoraka: prikupljanje ulazno-izlaznih podataka, tj. mjernih

    vrijednosti ulaznih i izlaznih signala procesa izbor strukture modela procesa

    estimacija parametara modela procesa izbor optimalne dimenzije modela i njegovo vrednovanje.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    5/18

    U nelinearne modele spadaju :

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikih

    procesa - Izbor strukture modela

    Regresori Linearni model Grupa nelinearnih modela

    .NARXmodeli (engl. Nonlinear ARX models)NOEmodeli (engl. Nonlinear OE models)NARMAX modeli ( engl. Nonlinear ARMAX models),NBJ modeli (engl. Nonlinear BJ models).

    ARX model NARX modeliOE model NOE modeli

    ARMAX model NARMAX modeli

    BJ model NBJ modeli

    Copyright: Lejla Banjanovic-Mehmedovic

    Uobiajena pretpostavka u identifikaciji procesa je da je procesko i se identificira linearan i vremenski ne rom enl iv.

    Primjena neuronskih mrea u

    identifikaciji nelinearnih dinamikihprocesa

    Meutim, kod nekih procesa nelinearnost je jako izraena tako

    da linearni modeli nisu dovoljno dobri za opis njihova vladanja,vese moraju primijeniti nelinearni modeli.

    Opti model nelinearnog dinamikog procesa moze sepredstaviti jednacinom:

    Ovaj model se jo naziva i p r e d i k c i j s k i m o d e l procesa (p r e d i k t o r ),a vektor si nala reki izmeu si nala rocesa i modela v e k t o r o mp r e d i k c i j s k i h g r eak a . U statistici ovaj model se nazivan e l in e a r n o m r e g r e s i j o m , vektor r e g r e s i j s k i mv e k t o r o m , dok se njegove komponente nazivajur e g r e s o r i m a .

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    6/18

    Najee koritena strukturanelinearno modela rocesa

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikih

    procesa

    )(),,()( 11 kyukfky kk

    prikladna za primjenu neuronskihmrea jest NARX strukturamodela. Najopenitiji se NARXmodel dobije primjenomnelinearne regresije nad prolimmjernim uzorcima izlaznih iulaznih signala procesa:

    )()()( kykyke

    ).),(,()),,(,(),,,()( 1111

    kkfyukfyukfky Nkk

    N

    kk

    N

    ),)(),(()),(()(

    kkfkfky uyNN

    Tuy nbkukunakykykkk )(),...,1(),(),...,1()(),()(

    Copyright: Lejla Banjanovic-Mehmedovic

    Nakon to je izabrana struktura modela procesa pristupa se

    Primjena neuronskih mrea u

    identifikaciji nelinearnih dinamikihprocesa

    estimaciji parametara modela s ciljem pronalaenja vrijednostiparametara uz koje predikcijska greka poprima najmanji iznos.

    Model procesa moe se smatrati dobrim tek kada ukupnapredikcijska greka e*() na itavom skupu mjernih podatakapoprimi najmanji iznos. Iznos ukupne predikcijske greke mjeri sek r i t e r i j e m k v a l i t e t a :

    U sluaju on-line identifikacije koristi se modifikovani kriterij

    kvaliteta :

    gdje je faktor zaboravljanja.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    7/18

    Zadaa postupaka e s t i m a c i j e p a r a m e t a r a m o d e l aje

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikih

    procesaprona a en e op ma n vr e nos parame ara mo e a uzkoje je predikcijska greka najmanja,odnosno traimominimum kriterija kvaliteta:

    *=arg min () Za primjenu postupaka estimacije parametara modela

    potrebno je, osim strukture, izabrati i optimalnu dimenzijumodela procesa. Pod o p t i m a l n o m d i m e n z ij o m m o d e la procesa smatra se ona dimenzija koja model ini dovoljnofleksibilnim da moe modelirati svu relevantnu dinamiku

    ,predikcijske greke

    Zavrnu fazu postupka identifikacije predstavljav r e d n o v a n j e m o d e l a p r o c e sa . Cilj je objektivno vrednovatiidentificirani model procesa, odnosno ocijeniti stepenpodudarnosti njegova vladanja s vladanjem stvarnogaprocesa.

    Copyright: Lejla Banjanovic-Mehmedovic

    HabVdt

    dHAVol

    dt

    d

    Primjena neuronskih mrea u

    identifikaciji nelinearnih dinamikihprocesa (prim. rezervoar sa vodom)

    Simulacijska ema za prikupljanje identifikacijskih podatakaCopyright: Lejla Banjanovic-

    Mehmedovic

  • 7/23/2019 IU_8

    8/18

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikih

    procesa

    [ nndd, ul az, i z l az] =pl ant _i dent i f i cat i on( pl ant _r esponse_ddr ef ,2, {[ - 5 5] , [ - 5 5] , [ 20] }, [ 100] ) ;

    Copyright: Lejla Banjanovic-Mehmedovic

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    9/18

    Copyright: Lejla Banjanovic-Mehmedovic

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    10/18

    Copyright: Lejla Banjanovic-Mehmedovic

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    11/18

    Primjena neuronskih mrea uidentifikaciji nelinearnih dinamikih

    procesa

    Neuronska mrea sa jednimskrivenim slojem od 20 neurona, ikoritenjem po 2 zakanjela ulaza iizlaza (N = 2). Odziv procesasadravao je 5000 uzoraka, atreniranje mree se provelo kroz 100epoha .

    Copyright: Lejla Banjanovic-Mehmedovic

    Mnoge vane osobine neuronskih mreaomoguavaju njihovu primjenu u upravljanju.

    Strukture upravljanja zasnovanena neuronskim mreama

    Neuronske mree teoretski posjeduju mogunost daaproksimiraju bilo koje nelinearno.preslikavanje, to predstavlja karakteristiku koju jemogue iskoristiti pri sintezi nelinearnih kontrolera

    Neuronske mree odlikuju se mogunouobuavan a i ada taci e.

    Pogodno istrenirana mrea poseduje sposobnostgeneralizacije u sluaju da se pobudi ulazima kojihnije bilo meu podacima za trening.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    12/18

    Meu najznaajnije primjene vjetakih neuronskih mrea ubrajase njihova primjena u upravljanju nelinearnim procesima.

    Strukture upravljanja zasnovane

    na neuronskim mreama

    U nastavku se obrauju etiri strukture upravljanja koje su sastajalita teorije upravljanja dobro utemeljene i svojstva kojih sudobro istraena. To su strukture: Inverzno upravljanje (engl. Inverse Control); Upravljanje s referentnim modelom (engl. Model Reference

    Control) Upravljanje s unutarnjim modelom (engl. Internal Model

    Control) Prediktivno u ravl an e (en l. Predictive Control .

    Zajednika karakteristika svih ovih struktura upravljanja jezasnovanost na identificiranom neuronskom modelu procesa.

    Copyright: Lejla Banjanovic-Mehmedovic

    I n v e r zn o u p r av l j a n j e se zasniva na primjeni inverznogmodela rocesa ko i se s a a u seri u s rocesom. Inverzni

    Strukture upravljanja zasnovanena neuronskim mreama

    model procesa, predstavljen neuronskom mreom, djelujekao regulator.

    Inverzni neuronski regulator moe se opisati izrazom:

    Osnovni problem kod inverznogupravljanja vezan je uzinvertibilnost modela procesa.

    Naime, ako nelinearni operator,koji predstavlja proces, vieulaznih vrijednosti preslikava uistu izlaznu vrijednost, tada nepostoji jedinstveno rjeenjeinverznog problema.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    13/18

    Strukture upravljanja zasnovane

    na neuronskim mreama u p r a v a n a s

    r e f er e n t n i m m o d e lo m i neuronskimregulatorom prikazana je na slici.

    U praksi se najee kao referentnimodel koristi linearni sistem drugogreda:

    Yrm(k) = (1+p1+p2) * yr(k) + p1 * yrm(k-1) + p2 * yrm(k-2)

    gdje je :

    Copyright: Lejla Banjanovic-Mehmedovic

    Upravljanje s unutarnjim modelom (IMC

    Strukture upravljanja zasnovanena neuronskim mreama

    inverznom modelu procesa. Meutim, za razliku odprethodne dvije strukture upravljanja, IMC upravljanje seodvija u zatvorenoj petlji. U strukturu upravljanjaukljuena je povratna veza po signalu razlike izmeuprocesa i njegovog modela, a rezultat je kompenzacijavanjskog poremeaja.

    IMC upravljanje moe

    se pr m eniskljuivo zaupravljanje procesimakoji su stabilni uotvorenoj petlji

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    14/18

    P r e d i k t i v n o u p r a v l j a n j e je

    Strukture upravljanja zasnovane

    na neuronskim mreamajedan od koncepataupravljanja zasnovanih namodelu procesa. Modelprocesa slui za predvianje(predikciju) buduihvrijednosti izlaza procesa viekoraka unaprijed.

    Postupak izraunavanjauprav a og s gna a svo se

    na minimiziranje kriterijske

    funkcije:

    Copyright: Lejla Banjanovic-Mehmedovic

    Primjena dinamikih neuronskihmrea u upravljakim strukturama

    Proces jednostavna, jednosegmentna robotska ruka.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    15/18

    Jednaina kretanja ruke data je izrazom:

    Primjena dinamikih neuronskih

    mrea u upravljakim strukturama

    - ugao ruke,m - obrtni moment pogonjen DC motorom.

    Copyright: Lejla Banjanovic-Mehmedovic

    Prije podeavanja parametara kontrolera moramo obavitiidentifikaci u rocesa.

    Primjena dinamikih neuronskihmrea u upravljakim strukturama

    Naravno, da bi to bolje identificirali proces moramo dobroodabrati parametre kao to je broj neurona u skrivenimslojevima, maximalan broj epoha, vrijeme uzorkovanja itd. Unarednoj tabeli prikazano je na koji nain reaguje sistem pripromjeni odreenih parametara, odnosno u kojem sluajudobivamo najmanju greku praenja.

    Broj neurona u skrivenim

    slojevima

    Vrijeme uzorkovanja Maksimalan broj epoha Greka praenja

    10 0.05 300 10-4

    13 0.05 300 0.5*10-3

    20 0.05 300 2*10-4

    10 0.05 800 10-4

    10 0.1 300 2*10-4

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    16/18

    Neuronski kontroler baziran na referentnommodelu redstavl en e u Neural Network Toolbox-u.

    Primjena dinamikih neuronskih

    mrea u upravljakim strukturama

    Struktura upravljanja referentnim modelom koristi dvijeneuronske mree: mreu kontrolera i mreu modelaprocesa. Model procesa se prvo identificira, a zatim setrenira kontroler tako da izlaz procesa slijedi izlazreferentnog modela.

    Cilj je trenirati kontroler tako da robotska ruka pratireferentni model:

    gdje je yr izlaz iz referentnog modela,a r je ulazni referentnisignal.

    Copyright: Lejla Banjanovic-Mehmedovic

    Primjena dinamikih neuronskihmrea u upravljakim strukturama

    Kontroler baziran na referentnom modelu

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    17/18

    Primjena dinamikih neuronskih

    mrea u upravljakim strukturama

    Brojneurona uskrivenimslojevima

    Vrijemeuzorkovanja

    Ts

    Brojneurona uskrivenim

    slojevima kodkontrolera

    Maksimalanbroj epoha

    Grekapraenja

    10 0.05 13 300 2*10-4

    10 0.05 20 300 2*10-4

    13 0.05 13 300 2*10-3

    13 0.1 13 300 0.8*10-3

    13 0.01 13 300 2*10-4

    13 0.01 13 800 0.9*10-4

    Copyright: Lejla Banjanovic-Mehmedovic

    Odziv kontrolera s referentnimmodelom s ostavl enim

    Primjena dinamikih neuronskihmrea u upravljakim strukturama

    Mijenjanjem broja neurona uskrivenim slojevima kod kontrolera

    parametrima : Ts=0.05 i brojneurona u skrivenim slojevimakod kontrolera : 13 i 20.

    dobivamo identian ili neznatnorazliit odziv kontrolera.

    Copyright: Lejla Banjanovic-Mehmedovic

  • 7/23/2019 IU_8

    18/18

    Neuronska mrea prediktivnog kontrolera, koja je

    Primjena dinamikih neuronskih

    mrea u upravljakim strukturama ,

    koristi model neuronske mree nelinearnog procesa dapredvidi budue performanse procesa.

    Copyright: Lejla Banjanovic-Mehmedovic

    Posmatrat emo kako se

    Primjena dinamikih neuronskihmrea u upravljakim strukturama

    2 kontroler ponaa mijenjanjemparametara kontrolera.

    Na slikama je prikazan odzivprediktivnog kontrolera zavrijednosti parametra N2 =4 ,u

    =,2

    ,sluaju.

    Copyright: Lejla Banjanovic-Mehmedovic