Adaptivní řízení nelineárního realtime systému

Abstract

V modelovém prediktivním řízení s využitím umělých neuronových sítí je zpravidla používán off-line trénovaný prediktor. Avšak tento přístup má nevýhodu v neměnném prediktoru a je nepoužitelný pro t-variantní procesy. Tato nevýhoda může být odstraněna využitím adaptivního prediktoru, který je v případě umělé neuronové sítě naneštěstí neúměrně výpočetně náročný. Navržená metoda - ADALINE významně snižuje výpočetní náročnost modelového prediktivního regulátoru s využitím adaptivního prediktoru na bázi umělé neuronové sítě. Zkoumaná metoda je experimentálně testována a srovnávána s jinou adaptivní řídící metodou - samočinně se nastavujícím regulátorem.

Model predictive control using artificial neural network is usually applied with unchanging off-line trained predictor. However, this technique has a drawback in static predictor and it is useless in case of t-invariant processes. This pitfall can be removed by adaptive predictor which is unfortunately, in case of artificial neural network, immoderately computationally demanding. Proposed method - ADALINE significantly reduces computational demands of model predictive control using adaptive predictor based on artificial neural network. Investigated method is tested in experiments and compared to another adaptive control method - self-tuning control.