Nonlinear System Identification and Control Using Local Model Networks

Abstract

Přístupy využívající více modelů pro modelování a řízení systémů se staly atraktivní oblastí výzkumu. Tyto přístupy nabízejí několik výhod pro řízení nelineárních systémů s rozsáhlou pracovní oblastí. Přístupy jsou založené na principu "rozděl a panuj", kdy pracovní oblast systému je rozdělena na několik pracovních režimů, ve kterých je systém reprezentován lokálním modelem. Výstup globálního modelu je potom získán spojením výstupů jednotlivých lokálních modelů. Hlavní výhodou této metody je možnost aplikovat metody z oblasti lineárních systémů. Sítě lokálních modelů využívají tuto strategii k tvorbě globálního modelu složeného z modelů s lokální platností. Výstupy jednotlivých modelů jsou váženy pomocí odpovídajících aktivačních funkcí a sečteny. Globální model ve formě lokálních modelů umožňuje snadnější interpretaci lokálních modelů ve srovnání se standardními neuronovými sítěmi. Vlastnímu návrhu řízení musí předcházet off-line identifikace parametrů lokálních modelů a aktivačních funkcí. Učení sítě lokálních modelů je možné rozdělit do dvou kroků: optimalizace struktury a identifikace parametrů lokálních modelů. Pro reálné systémy, kde není možné získat dostatečné množství vhodných dat, má velký význam využití expertních znalostí pří učení sítě. Použití algoritmu SOMA (Self-Organizing MIgration Algortihm) umožňuje rozdělit lépe pracovní oblast než heuristické algoritmy. Tak je možné získat globální model s menším počtem lokálních modelů. Na druhou stranu je nutné vyhodnotit větší počet možných kombinací parametrů. Výhodou optimalizace parametrů lokálních modelů pomocí kvadratického programování s nastavením omezeni pro jednotlivé parametry je snížení množství dat nutných pro učení sítě. Získaný model je využit pro návrh prediktivního řízení. K návrhu řízení je využit lineární model získaný pomocí linearizace sítě lokálních modelů v aktuálním pracovním bodě. Tento linearizovaný model a posloupnost referenčního signálu slouží pro návrh optimální posloupnosti akčních zásahů. Linearizaci a optimalizaci řídicí posloupnosti je nutné provést v každé periodě vzorkování. Učící a řídicí algoritmy byly testovány na modelu průtočného reaktoru s neutralizací pH a na laboratorním modelu tří navzájem spojených nádrží.