Ανάπτυξη μεθοδολογίας αυτόματης ρύθμισης συστημάτων με εκπαίδευση νευρωνικών δικτύων βάθους

Στεφανής, Μιχαήλ; Stefanis, Michail

dc.contributor.author	Στεφανής, Μιχαήλ	el
dc.contributor.author	Stefanis, Michail	en
dc.date.accessioned	2020-04-22T14:08:40Z
dc.date.available	2020-04-22T14:08:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50209
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17907
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Αυτόματη ρύθμιση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Ενισχυτική μάθηση	el
dc.subject	Ενισχυτική μάθηση βάθους	el
dc.subject	Βαθμίδα ντετερμινιστικής πολιτικής βάθους	el
dc.subject	Automated process control	en
dc.subject	Neural networks	en
dc.subject	Reinforcement learning	en
dc.subject	Deep reinforcement learning	en
dc.subject	Deep deterministic policy gradient	en
dc.title	Ανάπτυξη μεθοδολογίας αυτόματης ρύθμισης συστημάτων με εκπαίδευση νευρωνικών δικτύων βάθους	el
heal.type	bachelorThesis
heal.classification	Αυτόματη ρύθμιση διεργασιών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-27
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη μεθοδολογίας αυτόματης ρύθμισης συστημάτων με την χρήση τεχνικών τεχνητής νοημοσύνης. Η εφαρμογή της προτεινόμενης μεθοδολογίας υλοποιείται σε γλώσσα προγραμματισμού Python με την βοήθεια της βιβλιοθήκης ανοιχτού κώδικα Tensorflow. Στο πρώτο κομμάτι της εργασίας (κεφ. 1 έως και 6) περιγράφεται και αναλύεται το θεωρητικό υπόβαθρο που χρειάζεται κανείς, προκειμένου να είναι σε θέση να κατανοήσει τις επιμέρους συνιστώσες της μεθοδολογίας, και σχετίζεται με την θεωρία των νευρωνικών δικτύων και της ενισχυτικής μάθησης. Το δεύτερο κομμάτι της εργασίας (κεφ. 7 έως και 9) αποτελείται από την αναλυτική περιγραφή του προτεινόμενου αλγορίθμου ρύθμισης καθώς και από εφαρμογές σε πραγματικές διεργασίες. Αρχικά γίνεται η εφαρμογή σε ένα γραμμικό σύστημα μίας εισόδου και μίας εξόδου, το οποίο χρησιμοποιούμε κυρίως σαν πρόβλημα αναφοράς για να ελέγξουμε κατά πόσο η μεθοδολογία μπορεί να ανταπεξέλθει σε ένα σχετικά απλό πρόβλημα ρύθμισης. Σε αυτήν την πρώτη εφαρμογή εξετάζουμε επίσης το είδος της επίδρασης που έχουν οι λεγόμενες συναρτήσεις κέρδους στην ρύθμιση του συστήματος. Στην συνέχεια εφαρμόζουμε την μεθοδολογία σε ένα μη-γραμμικό σύστημα δύο εισόδων και δύο εξόδων. Το σύστημα αυτό είναι ένας μη-ισοθερμοκρασιακός αντιδραστήρας CSTR. Στο πρόβλημα αυτό εξετάζουμε ποια είναι η επίδραση του θορύβου κατά Ornstein-Uhlenbeck στην ρύθμιση της διεργασίας. Παρουσιάζονται τα αποτελέσματα των προσομοιώσεων καθώς και σχολιασμοί και συμπεράσματα.	el
heal.abstract	The purpose of this thesis is the development of a methodology for process control using techniques that come from the field of artificial intelligence. The suggested methodology was applied using Python with the aid of the open-source code Tensorflow. In the first part of the thesis (chapter 1 to 6) we describe and analyse the necessary theoretical background needed for the complete understanding of the various components of the methodology which is related with the theory of neural networks and reinforcement learning. The second part of the thesis (chapter 7 to 9) is composed of a thorough description of the suggested control algorithm as well as applications in real processes. Firstly, we apply the algorithm to a linear one-input-one-output system, which we mainly use as a benchmark problem in order to check whether or nor the suggested methodology can cope with a fairly simple control problem. During this first application we also examine the effects of the so-called reward function to the process control. Thereinafter, we apply the methodology to a non-linear two-inputs-two-outputs system. This system is a non-isothermal CSTR reactor. During this application we examine the effects of the Ornstein-Uhlenbeck noise to the process control. The results of the simulations as well as various comments are presented and discussed here.	en
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Καβουσανάκης, Μιχαήλ	el
heal.committeeMemberName	Κέκος, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	97 σ.
heal.fullTextAvailability	false