Upload
una-drakulic
View
218
Download
1
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