Ανάπτυξη νευρωνικού ρυθμιστή για τον αυτόματο έλεγχο ασταθών μη γραμμικών δυναμικών συστημάτων

Abstract

Στόχος αυτής της διπλωματικής εργασίας ήταν η ανάπτυξη ενός νευρωνικού ρυθμιστή, δηλαδή ενός ρυθμιστή που υλοποιείται με χρήση νευρωνικών δικτύων με σκοπό να επιτυγχάνεται η αυτόματη ρύθμιση μη γραμμικών συστημάτων σε ασταθείς περιοχές λειτουργίας. Τα νευρωνικά δίκτυα είναι ένας κλάδος της τεχνητής νοημοσύνης που εξελίσσεται διαρκώς τα τελευταία χρόνια. Εξαιτίας της μη γραμμική δομής τους χρησιμοποιούνται εκτενώς για τη μοντελοποίηση μη γραμμικών συστημάτων. Στην συγκεκριμένη εργασία επιλέχθηκε η αρχιτεκτονική νευρωνικών δικτύων ακτινικής συνάρτησης βάσης (Radial Basis Function, RBF), εξαιτίας της απλής δομής και των γρήγορων αλγορίθμων μάθησης που χρησιμοποιούν. Συγκεκριμένα, για την εκπαίδευση των δικτύων χρησιμοποιήθηκε ο αλγόριθμος των ασαφών μέσων, ο οποίος διακρίνεται για την ταχύτητά του και την αξιοπιστία του, έναντι των κλασσικών μεθόδων εκπαίδευσης νευρωνικών δικτύων RBF. Η προτεινόμενη μεθοδολογία εφαρμόστηκε στην αυτόματη ρύθμιση ενός αντιδραστήρα Continuous Stirred Tank reactor (CSTR) με πολλαπλά σημεία ισορροπίας . Χρησιμοποιώντας την αρχιτεκτονική δομή RBF , ο προτεινόμενος νευρωνικός ρυθμιστής αναπτύχθηκε, με βάση δεδομένα εισόδου- εξόδου που συλλέχθησαν κατά την προσομοίωση της δυναμικής λειτουργίας του αντιδραστήρα. Ως είσοδοι στο νευρωνικό δίκτυο χρησιμοποιήθηκαν η επιθυμητή τιμή και το τρέχον διάνυσμα κατάστασης του συστήματος, ενώ σαν έξοδος προκύπτει η τρέχουσα τιμή της μεταβλητής εκχειρισμού. Τα αποτελέσματα στην αυτόματη ρύθμιση του αντιδραστήρα CSTR δείχνουν ότι η προτεινόμενη μέθοδος είναι ταχύτατη και αξιόπιστη ενώ πλεονεκτεί έναντι κλασσικών μεθόδων αυτόματης ρύθμισης, όπως οι ρυθμιστές τύπου PID.

The scope of this thesis was the development of a neurocontroller i.e. a controller based on neural networks for the automatic control of nonlinear systems in unstable regions of operation. Neural Networks are a class of Artificial Intelligence that have experienced continuous evolution during the last decades. Due to their nonlinear structure, they are used extensively in modelling nonlinear systems. In this thesis, the Radial Basis Function (RBF) neural network architecture was chosen, due to their simple structure and the fast learning algorithms. In particular, the training of the RBF networks is performed using the fuzzy means algorithm which guarantees increased accuracy and lower computational times over classical training procedures of RBF Neural Networks. The proposed methodology was applied for controlling a CSTR reactor with multiple steady states, which was simulated in MATLAB .Using the RBF architecture, the proposed neurocontroller was developed based on input-output data that were collected during simulation of the reactor dynamic bahavior. The neural network receives as inputs the set point and the current state variables and produces as output the current value for the manipulated variable. The results of applying the neurocontroller for controlling the CSTR reactor illustrate that the proposed methodology is fast and accurate, and has superior performance compare to classical control schemes, such as PID controllers.