به نام خدا - - سمینار درس کنترل پیش بین()

کاربرد شبکه های عصبی

در

کنترل پیش بین

استادمحترم : جناب آقای دکترتوحیدخواه

تهیه کننده : حمیدرضا ایرانمنش

1390دی ماه 190/10/10

مروری بر مطالب در یک نگاه مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بینبخش اول : یک مدل پیش بین غیرخطی براساس شبکه عصبی BP تعاریف و مفاهیمساختار مدل پیش بینشبیه سازی مدل پیش بین غیرخطیبخش دوم : جبرانسازی کامل جهت تاخیر زمانی در سیستم کنترل تحت شبکه براساسGPC و شبکه عصبی BP مدهای پاسخ استراتژی صف مدل سیستم کنترل تحت شبکه قوانین پایه جبرانسازی تاخیر کنترل کننده - به – محرک جبرانسازی جهت تاخیر سنسور – به – کنترل کننده محاسبه مقدار پیش بینی خطا در شبکه عصبی پس انتشار آزمایش شبیه سازی جهت جبران سازی تاخیرNCS نتیجه گیری مراجع 290/10/10

مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بین

کنترل پیش بین مدل به دلیل تاثیر کنترلی بسیار مناسب , به طور. گسترده ای در فرآیندهای صنعتی به کار گرفته شده است

اVاق بVوبی در انطبVیار خVایی بسVنوعی دارای توانVبی مصVای عصVشبکه هیVادگیری و قVابلیت اVز باشVنVد همچVنین می VتVوان Vمی VرخطیVیVواص غVخ

اVنعطاف پذVیری اینV شبکه ها در جVهت اVهداف مختلفV استفVاده نمود.

بیVعص شVبکه , عصVبی هVای شVبکه انVواع همVه بین دارای BPدر ساختاریV ساده و Vالگوریتم Vآموزش جاVمع و Vکاملی اVست.

ترل پیش بینVرد کنVود عملکVبی در جهت بهبVای عصVبکه هVای شVاز مزایاسVتفاده می شVود کVه در این تVحقیVقV بVه دو کVاربردV مهVم آن پرداختVه می

شود.390/10/10

MPCنمونه کلی از کاربرد شبکه های عصبی در

نیاز مورد :اجزاءمدل شبکه عصبی سیستم تحت کنترل

کنترل کننده شبکه عصبی

تابع عملکرد جهت ارزیابی پاسخهای سیستم

روند بهینه سازی برای انتخاب بهترین ورودی کنترل

کنترل کننده شبکه عصبی یاد می گیرد که ورودیانتخاب شده توسط فرآیند بهینه سازی را تولید کند.

وقتی آموزش کامل شود مرحله بهینه سازی می تواندi توسط کنترل کننده شبکه عصبی جایگزین شود. کامًال

490/10/10

نمونه کلی از کاربرد شبکه های MPC عصبی در

590/10/10

اول : بخش

مدل پیش بین غیرخطی

براساس

BPشبکه عصبی

690/10/10

بین پیش کنترل بندی تقسیم

یک کنترل کننده پیش بین مدل از سه قسمت مهم تشکیل شده است :

الف( مدل پیش بین

ب( بهینه سازی افق لغزان

ج( تصحیح فیدبک

کنترل پیش بین مدل :

کنترل پیش بین مدل خطی (LMPC)

کنترل پیش بین مدل غیرخطی (NMPC). 790/10/10

LMPCغیرخطی سیستمهای برای

می توان یک سیستم کنترل ثابت را در اطراف نقطه LMPCتنظیم به گونه ای خطی سازی نمود که

نتایج کنترلی خوبی داشته باشد.

اما برای یک سیستم با خواص غیرخطی قوی LMPC قابل انطباق نیست.

در این حالت باید یک مدل پیش بین غیرخطی ایجادنماییم.

890/10/10

NMPC

MPC بین پیش خطی مدلهای اساس بر که کًالسیککنترل سیستمهای برای الزم شرایط فاقد باشد می

. باشد می قوی غیرخطی

حالتها این . NMPCدر شود گرفته خدمت به بایستی

اساس و پایه غیرخطی بین پیش است NMPCمدل . شود ایجاد باید ابتدا در و

990/10/10

غیرخطی مدلهای

یفVتوص جهت غVیرخطی مVدلهای از زیVادی تعVداد حVدود در غVیرخطی گذشVته 40سیسVتمهای سVال

ارائه شده است.-در بین این متدها مدل زیر که یک مدل ورودی

i خروجی عالی است استفاده شده است که تقریباهمه مدلهای غیرخطی دیگر را پوشش می دهد :

NONLINEAR AUTOREGRESSIVE MOVING AVERAGE WITH EXOGENOUS

INPUTS )NARMAX(

1090/10/10

NARMAX

فرض کنید مدلNARMAX یک سیستم غیرخطی تک ورودی- تکبه صورت زیر باشد : SISOخروجی

u یرخطیVتم غVورودی سیس : e اVی بVفید گوسVویز سVن :میانگین صفر

y یرخطیVتم غVروجی سیسVخ :f – ت ورودیVه نگاشVرابط :خروجی

nu دلVه ورودی مVمرتب :ny روجی مدلVه خVمرتب :1190/10/10

NARMAX

ولVود. فرمVرفنظر شVی صVفید گوسVویز سVر نVاث اگVر از مربوطه به صورت زیر ساده می شود :

تمVه ای سیسVک مرحلVدل پیش بین یVک مVول یVاین فرمغیرخطی تک ورودی- تک خروجی است.

1290/10/10

one-step predictive model based on BP neural network

-u(k),u(k-1),…,u(kاگر اطًالعات گذشته و رخ داده ورودی

nu+1)

-y(k),y(k-1),…,y(kو اطًالعات گذشته و رخ داده خروجی

ny+1)

BPبه عنوان بردار ورودی یک شبکه عصبی

خVروجی اطًالعVات آخVرین بVردار y(k+1)و عنVوان بVه استفاده شود BPخروجی شبکه عصبی

شVبکه براسVاس گVامی تVک بین پیش مVدل یVک آنگVاه می تواند تشکیل شود. BPعصبی

1390/10/10

طرح اولیه مدل پیش بین گام اول BPبراساس شبکه عصبی

ym(k+1) خروجی پیش بین یک سیستم غیرخطی درk+1 .است

1490/10/10

one-step predictive model based on BP neural network

اول گVام بین پیش مVدل ریاضVی بیVان زیVر فرمVول است :BPبراساس شبکه عصبی

FNN رابطه نگاشت غیرخطی و P(k) .بردار ورودی مدل پیش بین است

1590/10/10

غیرخطی سیستم تقریب

ارVه پس انتشVبی دو الیVبکه عصVک شVه یVود کVثابت می شو tan-sigmoidکVه نرونهVای الیVه پنهVانش از تVابع انتقVال pure linearityنرونهVای الیVه خVروجی اش از تVابع انتقVال

همVVه بVVرای i تقریبVVا توانVVد می , کننVVد می اسVVتفاده اینکVه شVرط بVه باشVد مناسVب غVیرخطی سیسVتمهای

تعداد نرونهای الیه پنهان به اندازه کافی باال باشند.

هVار دو الیVبی پس انتشVبکه عصVک شVع یVک واقVاین در یای اسVت کVه می توانVد جهت تشVکیل مVدل پیش بین تVک

گامی غیرخطی انتخاب شود.

1690/10/10

شبکه مشخصات

یVک پس باشVد می یVک بVا برابVر بیVنی پیش گVام طول نVرون یVک بVا دوالیVه انتشVار پس عصVبی شVبکه خVروجی می توانVد بVه عنVوان مVدل پیش بین یVک سیسVتم

تک ورودی- تک خروجی استفاده شود.

تابع نوع : از که پنهان الیه نرونهای -Tanانتقال

Sigmoid: است زیر فرم به و بوده

: ابعZالص تVورت خطی خVه صVه بVت کVروجی اسVرون خVال نVانتقمی باشد :

17

1f

2f

90/10/10

ساختار مدل پیش بین گام اول براساس شبکه عصبی پس انتشار دو الیه

1890/10/10

عصبی شبکه ابعاد

دل پیش بینVوان مVه عنVه بVار دو الیVبی پس انتشVبکه عصVک شVتی یVوقخVروجی بVردار Vو وروVدی بVردار ابعVاد , VودVش می اسVتفادVه غVیرخطی

توسط سیستVم غیرخVطی مشخص Vمی شوVد.

.اربر تعیین شوندVط کVتی توسVان بایسVه پنهVای الیVداد نرونهVا تعVام

زایشVدل پیش بین افVایی مVان شناسVد زمVزرگ باشVدد خیلی بVر این عVاگمی یابد

د دقتVک باشVان خیلی کوچVه پنهVای الیVداد نرونهVر تعVل اگVرف مقابVدر طمVدلV پیش Vبین را Vکم کVرده و بVاعث اثVرV کنVترلیV ضVعیف کنVترل کننVده

پیVش بیVن غیرخVطی می Vشود.

دلVاختار مVرای سVان بVپنه تعVیین منطقی نرونهVای الیVه بنVابراین نحVوه پیش بین بسیار حائز اهمیت است.

1990/10/10

نگاشت ساختاری یک شبکه عصبی پس انتشار دو الیه

2090/10/10

بایاسها و وزنها

انتشVار آمVوزش شVبکه عصVبی پس از هدف ای انتخVاب مجموعVه و تعVیین :بین خطVای مربعVات متوسVط نمVودن حVداقل بVا کVه هاسVت بایVاس و وزنهVا خروجیهVای شVبکه عصVبی و خروجیهVای واقعی بVرای چنVد نمونVه آموزشVی حاصVل

می شود.

باشد. ntفرض کنیم تعداد نمونه های آموزشی

Z برداری که ترکیب شده از وزنها و بایاسهاست با اندازه : n

برای حداقل اصل الگوریتم پس انتشار پیدا کردن یک بردار باشد کردن می

1 2[ , ,..., ]n TZ Z Z Z

21

( )f z z

90/10/10

برداری بسط

(10)

: tij ایVالمانه دهنVده نمونVه jنشVان در بVردار خVروجی ام ام iآموزشی

: yij(z) رونVن خVروجی مقVدار الیVه jنمایVانگر در ام ام روی شVبکه اعمVال شVده i خVروجی وقVتی نمونVه آموزشVی

است , می باشد.

2290/10/10

ال ایده نرونهای پاسخ مناسب تعداد یافتن جهتپنهان الیه

در حالت ایده ال یک بردارZ* می تواند یافت شودکه فرمول زیر را برآورده سازد :

بایسVتی مجموعVه معVادالت زیVر را ارضVاء *Zبه طVوری کVه بVردار نماید :

2390/10/10

معادالت حل

: تعداد کل معادالت

n<num : .تVادالت اسVداد معVتر از تعVا کوچکVداد متغیرهVه تعVمجموع معVادالت متنVاقض VبVوده بVه دVلیVل عVدم واVبسVتگیV نمVونVه هVای آموزشVی ,

معادVالت مذکوVر جVوابی نداVرند.

n=num : الVه احتمVت. بVادالت اسVداد معVاوی تعVا مسVداد متغیرهVتعزیVاد یVک بVرداVر یVافVت میV شVوVد کVه مVعVادالت رVا بVرVآورده سVازد. سVپس این شVرط از می VتVواVن پنVهVان الیVه VایVرونهVن بVرای مرجVع تعVداد VکVی

استنبVاط نموVد.

n>num : آنگVاه اسVت معVادالت تعVداد از بزرگVتر متغیرهVا تعVداد مجVموعه Vمعادالت VممکنV است دارای چنVد جواب باشد.

2490/10/10

تعداد نرونهای الیه پنهان

هVد از معادلVر می توانVول زیVفرمn=num ودVتخراج شVاستVا یVک داده مرجVع بVا تعVداد نرونهVای الیVه پنهVان در شVبکه

عصبی پس انتشار دو الیه فراهم شود :

25

الیه : نرونهای تعدادخروجی

تعداد نرونهای الیه : پنهان

اندازه بردار ورودی : R

S2

S1

90/10/10

سازی شبیه مثال

جهت اعتبار سنجی پیش بینی مدل تک گام براساس شبکه عصبی پس انتشار دوالیه یک مثال شبیه سازی را بررسی می نماییم.

به صورت SISOیک سیستم غیرخطی NARMAXفرض کنیم که مدل زیر است :

nt=100 است 100تعداد نمونه های آموزشی مساوی

و nu=2 می باشد 1 و مرتبه خروجی 2مرتبه ورودی سیستم غیرخطی مساوی ny=1.

R=nu+ny پس R=3 . 2690/10/10

بین پیش مدل تشکیل

تعVداد نرونهVای الیVه پنهVان طبVق می توانVد پیش 20در مVدل بنVابراین تنظیم شVود.

تشVکیل غVیرخطی سیسVتم گVام تVک بین می شود.

جهت Levenberg-Marquardt الگZZوریتم توانZZد می آموزش شبکه عصبی استفاده شود.

2790/10/10

جهت آموزش Levenberg-Marquardt الگوریتم شبکه عصبی

2890/10/10

مجموعه خروجی سیستم غیرخطیمجموعه نویز سفید گوسی

: مقدار تابع هدف در پایان الگوریتم آموزش

2990/10/10

سیگنال سینوسی اعمال شده به

سیستم غیرخطی و مدل پیش بین

خروجی واقعی و خروجی پیش بین

نتایج شبیه سازی نشان داد که مدل پیش بین یک گامی می تواند جهت توصیف مشخصات دینامیک آینده یک سیستم

3090/10/10 استفاده شود.SISOغیرخطی

دوم : بخش

جبرانسازی تاخیر زمانی در سیستم کنترل تحت شبکه

BP و شبکه عصبی GPC براساس

3190/10/10

شبکه تحت کنترل سیستم

اعثVازی بVبکه سVای شVابرات و فن آوریهVیر در مخVرفتهای اخVپیشتVشVکیل VسVیسVتمهVایV پیچیVده ایV شVده VانVد کVه VحسVگVرهVا V,V محرکهVا و

.VدVی شونVمV صلVه متVکVک شبVی VلهVه وسیVب VیشانVها Vکننده VترلVکن

چنین سیستمهایی سیستمهای کنترل تحت شبکه

Networked Control System (NCS)

نامیده شدند.

بVه دیجیتVال ارتبVاطی شVبکه طریVق از بسVته حلقVه واقVع در اشتراک گذاشته شده با باند محدود متصل می شود.

3290/10/10

Networked Control System

3390/10/10

NCS

3490/10/10

NCS مشخصات

اZتم مزایVی سیسVداری و بررسVهولت نگهVه کم , سVی , هزینVیم کشVاهش سVک : , اVنعطاف پذیVریV بVاال و VهمچنینV بهV VاشترVاکV گVذاشته شدنV مناVبع اطVًالعاتی

هاZا چالشVی داده بسVته حVذف , محVدود بانVد : packet dropout هVنمون ,برداری و تاخیر

ائل مهمVانی از مسVتاخیر زمNCS بکهVات از شVور اطًالعVه درحین عبVت کVاس اVیVجVاد خوVاهVد شVد Vو V VبVاعث اVفت عملکVرد VسیVسVتم Vو VیVا حVتیV ناVپایVداری Vآن خواهVد اVین VمسVئVله حVل جVهVت مخVتلفVی VیVهاVشVروV وعVوضVم VتVمیVهVا VهVب VهVتوجV اVبV .دVش

پیشVنهاVد شده است.

عVواق در سیسVتمها مخVابراتاین و کنVترل تئوریهVای مشVترک و فصVل یVک VآنVالیVز مVشVترکV جهت طVراVحی Vو بهینVهV سVازی ارVتباطVات VهسVتند وV بVرVایV آVنهVا

سیVستم مورد Vنیاز است.3590/10/10

Networked Control System

دو نZوع عمZده تZاخیر انتقZال را در این سیسZتم کنZترل تحت شبکه نشان می دهد :

کنترل کننده- به – محرک تاخیر

3690/10/10 سنسور- به – کنترل کنندهتاخیر

مفاهیم و تعاریف

ورهایVسنسclock-driven : تحت سیسVتم خروجیهVای از کنVترل Vدر زمانهVای نVمونVه بVرVدارVی بVه صVوVرت VپریودیVک نمونVه

برداری می کنند.

دهVترل کننVکنevent-driven : انیزمVک مکVط یVد توسVمی توانبVه را کنVترل سVیگVنال Vو شVود انجVام VارجیVخV اقVاتف وقVفVه محVض VاینکVه VدادهV سنسVورV وارVد می شVود , مVحاسVبه Vمی Vکند.

ایVمحرکه clock-driven : ترلVتم تحت کنVای سیسVورودیهتا لحظه نمونه برداری تغییر نمی کنند.

 

3790/10/10

-sensor & actuator time : مدهای پاسخdriven controller :event-driven

3890/10/10

سمبل : ها :

3990/10/10

Queuing Strategy( QS) استراتژی صف رک وVرای محVاب ورودی بVانتخ بVه نحVوه این اسVتراتژی مربVوط

می باشVد کVه درV ایVنجVا بVرای VمحVرک توضVیح NCSکنVترل کننVده در داده می شود.

اVته یVذف بسVد حVتثنایی )ماننVای اسVه خطVنیم هیچگونVفرض می کV .نداردV ل( وجودVبی نظمی در ورود سیگنال کنتر V V

: ) هیچ سیگنال جدیدی وارد نمی شود. حالت اول وقVتی تVاخیر رخ می دهVد محVرک بVا اسVتفاده از سVیگنالهای کنVترل پیVش بین محاسVبه شVدهV از VحVالت قبVلی بVه جVای VسVیگVنال کنVترل فVعلی کVه هVنVوز وارد مVحVرک VنشVده اسVت بVا تVاخVیر برVخVورVد می کند.

4090/10/10

استراتژی صف برای حالت اول 

4190/10/10

Queuing Strategy( QS) استراتژی صف

.حالت دوم( سیگنال جدید وارد می شود

جدیVدترین سVیگنال کنVترل بVاالترین اولVویت را بVرای اینکVه ورودی سیسVتم تحت کنVترل باشVد دارد. در نتیجVه المVان

جدیدترین سیگنال کنترل باید انتخاب شود.

زمVان مثVال بVرای t دVکنی فVرض بگیریVد. نظVر در را براسVاس حVالت در زمVان Ut-2جدیVدترین سVیگنال کنVترل

t-2 .تVاس Ut-2[2] تم تحتVوان ورودی سیسVه عنVد بVبای کنترل داده شود.

4290/10/10

استراتژی صف برای حالت دوم

4390/10/10

استراتژی صف برای حالت کلی

4490/10/10

کننده کنترل پاسخ مدهای روش معایبclock-driven : لزوم سنکرون بودن کامل

نودهای هوشمند و دشوار بودن سنکرون بودن دقیق با وجود تاخیر زمانی حتمی در شبکه

روش مزایای clock-driven : افزایش نرخ بازدهی داده فیدبک

روش معایب event-driven : امکان ناپایداری سیستم در صورتطوالنی بودن نسبی تاخیر انتقال شبکه و یا ناکافی بودن اندازه

کنترلروش مزایای event-driven : تاخیر انتقال شبکه و کاهش

پرهیز از نمونه برداری بی اثر و از دست رفتن داده و صرفه جویی در زمان انتظار برای نمونه برداری

روش پیشنهادی برای مد پاسخ نودهای کنترل کننده : event-clock-driven

4590/10/10

سنسور و محرک پاسخ مدهای

انVژه یکسVعیت ویVک وضVرک در یVور و محVای سنسVنودهبVوده انتقVال داده بین آنهVا نیVازی بVه عبVور از شVبکه پیچیVده

ندارد.

قVانی دقیVذا همزمVدارد لVود نVا وجVبکه بین نودهVتاخیر شنتیجه می شود.

ر دو روشVرک هVای محVور و نودهVای سنسVابراین نودهVبنclock-driven .را با پریود مطمئن اختیارمی کنند 4690/10/10

پایه قوانین

تند روشVال هسVده نرمVترل کننVای کنVتی نودهVوقevent-driven اختیار می شود.

ایVه نودهVبکه بVام شVق پیغVرداری از طریVه بVه نمونVه نتیجVانی کVزمi محVاسVبات کنVتVرل را بVا کنVترVل کننVده ارسVاVل می شVود آنهVاV فVورا

اجرا می کنند. Tmaxماکزیمم تاخیر انتقال

دهVترل کننVای کنVور و نودهVای سنسVال بین نودهVاخیر انتقVتی تVوق V تر ازVگVبزرTmax کVماتیVاتوV ورVطV هVده بVنVرل کنVتVای کنVد نودهVباش

درV روش را VترلVکن VباتVمحاسtime-driven و کنVنVد شVروع می 4790/10/10سیگنال کنترل را صادر می کنند.

اطالعات دنباله زمانی انتقال در سیستم کنترل تحت شبکه حلقه

بسته

4890/10/10

پایه قوانین.نودهای محرک با استراتژی صف بندی پردازش می شوند

و سنسVور نودهVای بین زمVانی تVاخیر سVازماندهی جهت نودهVای کنVترل کننVده , اسVتراتژی صVف بنVدی نVیز در نودهVای

کنترل کننده مطرح می شود.

تر ازVانی بزرگVاخیر زمVدار تVتی مقVوقTmax ایVد نودهVباش را بVا اسVتفاده از اطًالعVات محVرک بVه طVور اتوماتیVک سVیگنالها

کنترل اپتیمال پردازش شده در صف ارسال می نماید .

4990/10/10

روش اصًالح و بازبینی در کنترل کننده:

o نیVای پیش بیVراف و خطVیگنال انحVی سVته و بررسVای گذشVتفاده از داده هVبا اسقبلی

o اد می شودVا ایجVدل پیش بین خطVک مVار , یVبی پس انتشVبکه عصVاس شVو براس

o روجی پیش بین درVیگنال خVازبینی سVًالح و بVرای اصVا بVدل خطVروجی این مVکه از خGPC .استفاده می شود

وقتی تاخیر زمانی بزرگتر ازTmax : باشد

اVخط بین پیش سVیگنال توسVط کVه بین پیش خVروجی سVیگنال از بااسVتفاده V اتVبVحاسVمV ,V تVسVده اVشV ًالحVصVاGPC الVیمVاپت VترلVد کنVاعVقوV نVردVکV VراهمVت فVجه

مورد استفاVده قراVر می گیرVد.

ابراینVده بنVترل کننVای کنVور و نودهVای سنسVال بین نودهVاخیر انتقVع تVوبی رفVه خVبسیستمV بVهبود یVافته اسVت. Robustness VشدVه اVست وV Vاز VاینVرو VمقاVومتV و

5090/10/10

پایه قوانین

جبران سازی جهت تاخیر (1کنترل کننده – به - محرک

1 ) نودهای- در کلی بین پیش کنترل الفکننده : کنترل

: مدل پیش بینی

CARIMA

(Controlled Auto-Regressive Integrated Moving Average)

5190/10/10

CARIMA

( ) [ ( ) , ( 1) ,..., ( 1)]TU K u k u k u k M

5290/10/10

دامنه زمانی پیش = P بینی

M دامنه زمانی کنترل=

محاسبات

عیVVارت مرجVVع مسVVیر است از :

از بین GPCهدف پیش خروجی ردیابی خطای نمودن حداقلاست مرجع مسیر به :نسبت

قانون کنترل اپتیمال به صورت زیر به دست می آید :

5390/10/10

1 ب( صف تغییرات کنترل مربوط-به

کنترل پیش بین در نودهای محرک باتVمحاسGPC از را کنVترل تغیVیرات دنبالVه توانVد می

در هر زمان مشخص کند : k+M-1تا زمان kزمان

5490/10/10

جبران سازی جهت تاخیر (2 سنسور- به -کنترل کننده

2 الف( صف خروجی پیش-بین

اصالح شده در نودهای کنترل کننده

5590/10/10

کننده کنترل نود در بین پیش خروجی اصالح

تر ازVبکه بزرگVال شVاخیر انتقVتی تVوقTmax ایVد نودهVباشرا کنVترل اتوماتیVک محاسVبات بVه طVور کننVده در کنVترل

متنVاظر بVه زمVان را کنVترل سVیگنال و نمVوده شVروع نودهای محرک در همان زمان ارسال می نمایند.

ابقVترل مطVبات کنVده محاسVًالح شVیگنال اصVروجی سVخانجام می شود.

90/10/10 56

شده اصالح بین پیش خروجی سیگنالبافر صف در QS

90/10/10 57

واقعی: خروجی بینی پیش مقدارروبرو معادله توسط شده محاسبه

پیش بین خطا با آموزش یافته توسط مدل: استفاده از شبکه عصبی پس انتشار مشخص

می شود

شده: اصًالح بین پیش خروجی سیگنالبافر صف QSدر

2 ب( محاسبه مقدار پیش بینی خطا در شبکه -عصبی پس انتشار

شبکه عصبی پس انتشار مدل پیش بین :

تمVترل ورودی سیسVدار کنVار و مقVورد انتظVروجی مVنمونه ورودی خ :

روجی پیش بینVروجی واقعی و خVه خروجی اختًالف بین خVنمون :

تابع الیه میانی :Sigmoid function

تابع الیه خروجی :linear function

ا رابطه ورودی-خروجیVبکه بVت شVاد نگاشVاکتور وزنی جهت ایجVرتب فVًالح مVاص

تفادهZا اسZنی خطZد جهت پیش بیZه می توانZوزش یافتZبی آمZشبکه عصشود.

نهایتا� استفاده از شبکه به عنوان مدل خطا 5890/10/10

نمودار کلی شبکه عصبی پس انتشار

5990/10/10

شبکه مشخصات

: بردار ورودی

پیش خطVای مقVدار خVروجی بردار بین می باشد :

 

y(k-j) : خروجی واقعی در زمانk-j

y(k-j|k-j-d): خروجی پیش بین در زمان k-j-d

d تاخیر در سیستم :

N تعداد نمونه های آموزشی : 6090/10/10

محاسبات

مقدار پیش بینی خطا :

خروجی پیش بین اصًالح شده سیستم با توجه به خطاها

با جایگزین کردن معادالت روبرو :

: بردار تغییرات کنترل اپتیمال به صورت زیر حاصل می شود

6190/10/10

خالصه محاسبات در نود کنترل کننده

tsc < Tmax

انجام محاسبات با معادله زیر توسط نودهای کنترل کننده و ارسال event-drivenبه صورت اتوماتیک در روش

- الف( :1سیگنال کنترل )

tsc> Tmax

انجام محاسبات با معادله زیر توسط نودهای کنترل کننده - بclock-driven (2: )به صورت اتوماتیک در روش

6290/10/10

در نهایت :بران می تاخیرZوثری جZور مZه طZب

شود .و سطح دقت بهبود می یابد

6390/10/10

آزمایش شبیه سازی روی شبکه اترنت NCSجهت جبران سازی تاخیر

ETHERNET NETWORK : ازیVس شVبکه تکنولوژیهVای از خVانواده یVک اتVرنت

است.(LANs)کامپیوتری برای شبکه های ناحیه محلی اVانی از داده هVق جریVرنت از طریVتمها در اتVاط سیسVارتب

صورت می گیرد. frameدر بسته هایی مجزا به نام

د و دادهVدا و مقصVهای مبVامل آدرسVالب شVا قVریم یVهر فچVک کننVده خطVا اسVت بVه طVوری کVه داده مخVدوش قابVل

آشکار سازی و ارسال مجدد می باشد.

6490/10/10

سیستم کنترل تحت شبکه مبتنی بر شبکه در یکی از دانشگاههای چین

(NCEPU)

6590/10/10

آزمایش شبیه سازی روی شبکه اترنت NCS جهت جبران سازی تاخیر

: فرض کنیم سیستم تحت کنترل به صورت زیر است

: نویز سفیدی است که به طور یکنواخت در محدوده-[0.2 , 0.2 ]p=6 , L=m=2.توزیع شده است ,

6690/10/10

منحنی پاسخ بعد از کاربرد جبران سازی کامل

6790/10/10

جمع بندی

استفاده از مزایای شبکه های عصبی مانند توانایی تطبیق با خواصغیرخطی و الگوریتم جامع آموزشی و قابلیت یادگیری و انعطاف پذیری

در کنترل پیش بین

بهره گیری از شبکه های عصبی در ایجاد مدل سیستم تحت کنترل وجایگزینی مرحله بهینه سازی با کنترل کننده شبکه عصبی بعد از تکمیل

آموزش

ارائه مدل پیش بین بر اساس شبکه عصبیBP با استفاده از مدل NARMAX برای NMPC

استخراج جبری یک روش محاسباتی جهت تعیین تعداد نرون الیه پنهان

تایید اعتبار مدل پیش بین یک گامی مربوط به دینامیک آینده یک سیستم6890/10/10 با آزمایش شبیه سازیSISOغیرخطی

جمع بندی پیشنهاد روشی جهت غلبه بر تاخیر زمانی نامشخص درNCS

استراتژی صف در نودهای کنترلر و محرک

جبران تاخیر بین نود کنترلر و نود محرک توسط تغییرات کنترل حاصل ازGPC

مدل پیش بینی خطای خروجی با استفاده ازBP-NN جهت مقابله با تاخیر بین نود سنسور و نود کنترلر

اصًالح خروجی پیش بینیGPCبا استفاده از سیگنال خطای پیش بینی

جبران تاخیر بین نود سنسور و نود کنترلر

جبران سازی کامل با وجود عملکرد خوب کنترلی و اعتبارسنجی آن در آزمایش6990/10/10 شبیه سازی

REFRENCES :

1-Tian-Kun WANG , LI-HUI Zhou , PU Han , Qian Zhang

“Complete Compensation for Time Delay in Networked Control System based on GPC and BP Neural Network ” Proceedings of the sixth International l conference on Machine Learning Cybernetics , 2007

 

2-Zhi-Hong Guan , Jian Huang , Guanrong Chen, " Stability Analysis of Networked Impulsive Control Systems" , Proceedings of the 25th control conference , 2006

 

3-YANG Can, ZHU Shan-an, KONG Wan-zeng, LULi-ming

“ Application of generalized predictive control in networked control system” Journal of Zhejiang University SCIENCE A

ISSN 1009-3095 - http://www.zju.edu.cn/jzus

 

 

4- Joao P. Hespanha, Payam Naghshtabrizi, Yonggang Xu,

“A SURVEY OF RECENT RESULTS IN NETWORKED CONTROL SYSTEMS” This material is based upon work supported by the National Science Foundation under Grants No. CCR-0311084 and ECS-0242798

 5 -Vatanskib N., Georges J.-P.a, Aubrun Ca., Rondeaua E. and S.-L. Jämsä-Jounelab, “CONTROL

COMPENSATION BASED ON UPPER BOUND DELAY IN NETWORKED CONTROL

SYSTEMS”  

70

6-MARTIN T. HAGANSCHOOL OF ELECTRICAL & COMPUTER ENGINEERING OKLAHOMA STATE UNIVERSITY MHAGAN@IEEE.ORG , HOWARD B. DEMUTH , “ NEURAL NETWORKS FOR CONTROL “

7- HUIJUN LI , “ A NONLINEAR PREDICTIVE MODEL BASED ON BP NEURAL NETWORK “ , 2010 CHINESE CONTROL AND DECISION CONFERENCE ,978-1-4244-5182-1/10/$26.00 _C 2010 IEEE

8- Dr. Tohidkhah "MPC Lectures" Department of Biomedical Engineering Amirkabir University of Technology , Autumn 2011

9- Dr. Farzaneh Abdollahi. "Neural Networks Lectures" Department of Electrical Engineering Amirkabir University of Technology ,Winter 2011

 

10- http://en.wikipedia.org/wiki/Ethernet_network

90/10/10 71

شما توجه از سپاس با

7290/10/10

THE ENDTHE END

7390/10/10