کنترل کننده

Report
‫استادمحترم ‪ :‬جناب آقای دکترتوحیدخواه‬
‫تهیه کننده ‪ :‬حمیدرضا ایرانمنش‬
‫دی ماه ‪1390‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪2‬‬
‫مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بین‬
‫بخش اول ‪ :‬یک مدل پیش بین غیرخطی براساس شبکه عصبی‪BP‬‬
‫تعاریف و مفاهیم‬
‫ساختار مدل پیش بین‬
‫شبیه سازی مدل پیش بین غیرخطی‬
‫بخش دوم ‪ :‬جبرانسازی کامل جهت تاخیر زمانی در سیستم کنترل تحت شبکه‬
‫براساس ‪ GPC‬و 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 تاخیر ‪NCS‬‬
‫نتیجه گیری‬
‫مراجع‬
‫‪90/10/10‬‬
‫‪‬‬
‫کنترل پیش بین مدل به دلیل تاثیر کنترلی بسیار مناسب ‪ ,‬به طور گسترده ای در‬
‫فرآیندهای صنعتی به کار گرفته شده است‪.‬‬
‫‪ ‬شبکه های عصبی مصنوعی دارای توانایی بسیار خوبی در انطباق با خواص‬
‫غیرخطی می باشند همچنین می توان از قابلیت یادگیری و انعطاف پذیری این شبکه ها‬
‫در جهت اهداف مختلف استفاده نمود‪.‬‬
‫‪ ‬در بین همه انواع شبکه های عصبی ‪ ,‬شبکه عصبی ‪ BP‬دارای ساختاری ساده و‬
‫الگوریتم آموزش جامع و کاملی است‪.‬‬
‫‪ ‬از مزایای شبکه های عصبی در جهت بهبود عملکرد کنترل پیش بین استفاده می‬
‫شود که در این تحقیق به دو کاربرد مهم آن پرداخته می شود‪.‬‬
‫‪3‬‬
‫‪90/10/10‬‬
‫اجزاء مورد نیاز‪:‬‬
‫‪ ‬مدل شبکه عصبی سیستم تحت کنترل‬
‫‪‬‬
‫کنترل کننده شبکه عصبی‬
‫‪‬‬
‫تابع عملکرد جهت ارزیابی پاسخهای سیستم‬
‫‪‬‬
‫روند بهینه سازی برای انتخاب بهترین ورودی کنترل‬
‫‪‬‬
‫‪‬‬
‫‪4‬‬
‫کنترل کننده شبکه عصبی یاد می گیرد که ورودی انتخاب شده توسط‬
‫فرآیند بهینه سازی را تولید کند‪.‬‬
‫وقتی آموزش کامل شود مرحله بهینه سازی می تواند کامالً توسط‬
‫کنترل کننده شبکه عصبی جایگزین شود‪.‬‬
‫‪90/10/10‬‬
90/10/10
5
‫مدل پیش بین غیرخطی‬
‫براساس‬
‫شبکه عصبی ‪BP‬‬
‫‪6‬‬
‫‪90/10/10‬‬
‫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
‫‪7‬‬
‫‪90/10/10‬‬
‫‪ ‬می توان یک سیستم کنترل ثابت را در اطراف نقطه تنظیم به‬
‫گونه ای خطی سازی نمود که ‪ LMPC‬نتایج کنترلی خوبی داشته‬
‫باشد‪.‬‬
‫‪ ‬اما برای یک سیستم با خواص غیرخطی قوی ‪ LMPC‬قابل‬
‫انطباق نیست‪.‬‬
‫‪‬‬
‫‪8‬‬
‫در این حالت باید یک مدل پیش بین غیرخطی ایجاد نماییم‪.‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪9‬‬
‫‪ MPC‬کالسیک که بر اساس مدلهای خطی پیش بین می باشد فاقد‬
‫شرایط الزم برای سیستمهای کنترل غیرخطی قوی می باشد‪.‬‬
‫در این حالتها ‪ NMPC‬بایستی به خدمت گرفته شود‪.‬‬
‫مدل پیش بین غیرخطی پایه و اساس ‪ NMPC‬است و در ابتدا‬
‫باید ایجاد شود‪.‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫‪‬‬
‫تعداد زیادی از مدلهای غیرخطی جهت توصیف سیستمهای‬
‫غیرخطی در حدود ‪ 40‬سال گذشته ارائه شده است‪.‬‬
‫در بین این متدها مدل زیر که یک مدل ورودی‪-‬خروجی عالی‬
‫است استفاده شده است که تقریبا ً همه مدلهای غیرخطی دیگر را‬
‫پوشش می دهد ‪:‬‬
‫‪NONLINEAR AUTOREGRESSIVE MOVING‬‬
‫‪AVERAGE WITH EXOGENOUS INPUTS‬‬
‫)‪(NARMAX‬‬
‫‪10‬‬
‫‪90/10/10‬‬
‫‪ ‬فرض کنید مدل ‪ NARMAX‬یک سیستم غیرخطی تک ورودی‪ -‬تک‬
‫خروجی ‪ SISO‬به صورت زیر باشد ‪:‬‬
‫‪ : u ‬ورودی سیستم غیرخطی‬
‫صفر‬
‫‪ : y ‬خروجی سیستم غیرخطی‬
‫خروجی‬
‫‪11‬‬
‫‪‬‬
‫‪ : nu‬مرتبه ورودی مدل‬
‫‪ : e‬نویز سفید گوسی با میانگین‬
‫‪ : f‬رابطه نگاشت ورودی –‬
‫‪ : ny‬مرتبه خروجی مدل‬
‫‪90/10/10‬‬
‫‪ ‬اگر از اثر نویز سفید گوسی صرفنظر شود‪ .‬فرمول مربوطه به‬
‫صورت زیر ساده می شود ‪:‬‬
‫‪ ‬این فرمول یک مدل پیش بین یک مرحله ای سیستم‬
‫تک ورودی‪ -‬تک خروجی است‪.‬‬
‫غیرخطی‬
‫‪12‬‬
‫‪90/10/10‬‬
‫اگر اطالعات گذشته و رخ داده ورودی )‪u(k),u(k-1),…,u(k-nu+1‬‬
‫و اطالعات گذشته و رخ داده خروجی )‪y(k),y(k-1),…,y(k- ny+1‬‬
‫به عنوان بردار ورودی یک شبکه عصبی ‪BP‬‬
‫و آخرین اطالعات خروجی )‪ y(k+1‬به عنوان بردار خروجی شبکه‬
‫عصبی ‪ BP‬استفاده شود‬
‫آنگاه یک مدل پیش بین تک گامی براساس شبکه عصبی ‪ BP‬می‬
‫تواند تشکیل شود‪.‬‬
‫‪13‬‬
‫‪90/10/10‬‬
‫)‪ ym(k+1‬خروجی پیش بین یک سیستم غیرخطی در ‪ k+1‬است‪.‬‬
‫‪14‬‬
‫‪90/10/10‬‬
‫‪ ‬فرمول زیر بیان ریاضی مدل پیش بین گام اول براساس شبکه‬
‫عصبی ‪ BP‬است ‪:‬‬
‫‪‬‬
‫‪15‬‬
‫‪ FNN‬رابطه نگاشت غیرخطی و )‪ P(k‬بردار ورودی مدل پیش بین است‪.‬‬
‫‪90/10/10‬‬
‫‪ ‬ثابت می شود که یک شبکه عصبی دو الیه پس انتشار که‬
‫نرونهای الیه پنهانش از تابع انتقال ‪ tan-sigmoid‬و نرونهای الیه‬
‫خروجی اش از تابع انتقال ‪ pure linearity‬استفاده می کنند ‪ ,‬می‬
‫تواند تقریبا ً برای همه سیستمهای غیرخطی مناسب باشد به شرط‬
‫اینکه تعداد نرونهای الیه پنهان به اندازه کافی باال باشند‪.‬‬
‫‪ ‬این در یک واقع یک شبکه عصبی پس انتشار دو الیه ای است‬
‫که می تواند جهت تشکیل مدل پیش بین تک گامی غیرخطی انتخاب‬
‫شود‪.‬‬
‫‪16‬‬
‫‪90/10/10‬‬
‫طول گام پیش بینی برابر با یک می باشد پس یک شبکه عصبی‬
‫پس انتشار دوالیه با یک نرون خروجی می تواند به عنوان مدل پیش‬
‫بین یک سیستم تک ورودی‪ -‬تک خروجی استفاده شود‪.‬‬
‫‪ : f1 ‬تابع انتقال نرونهای الیه پنهان که از نوع ‪Tan-Sigmoid‬بوده و به‬
‫فرم زیر است ‪:‬‬
‫‪‬‬
‫‪17‬‬
‫‪f2‬‬
‫‪ :‬تابع انتقال نرون خروجی است که به صورت خطی خالص می باشد ‪:‬‬
‫‪90/10/10‬‬
90/10/10
18
‫‪ ‬وقتی یک شبکه عصبی پس انتشار دو الیه به عنوان مدل پیش بین غیرخطی‬
‫استفاده می شود ‪ ,‬ابعاد بردار ورودی و بردار خروجی توسط سیستم غیرخطی‬
‫مشخص می شود‪.‬‬
‫‪‬‬
‫اما تعداد نرونهای الیه پنهان بایستی توسط کاربر تعیین شوند‪.‬‬
‫‪‬‬
‫اگر این عدد خیلی بزرگ باشد زمان شناسایی مدل پیش بین افزایش می یابد‬
‫‪ ‬در طرف مقابل اگر تعداد نرونهای الیه پنهان خیلی کوچک باشد دقت مدل‬
‫پیش بین را کم کرده و باعث اثر کنترلی ضعیف کنترل کننده پیش بین غیرخطی‬
‫می شود‪.‬‬
‫‪ ‬بنابراین نحوه تعیین منطقی نرونهای الیه پنهان برای ساختار مدل پیش بین‬
‫بسیار حائز اهمیت است‪.‬‬
‫‪19‬‬
‫‪90/10/10‬‬
90/10/10
20
‫هدف آموزش شبکه عصبی پس انتشار ‪ :‬تعیین و انتخاب مجموعه ای از وزنها و بایاس هاست که‬
‫با حداقل نمودن متوسط مربعات خطای بین خروجیهای شبکه عصبی و خروجیهای واقعی برای‬
‫چند نمونه آموزشی حاصل می شود‪.‬‬
‫فرض کنیم تعداد نمونه های آموزشی ‪nt‬‬
‫باشد‪.‬‬
‫‪ : Z‬برداری که ترکیب شده از وزنها و بایاسهاست با اندازه ‪n‬‬
‫] ‪Z  [ Z , Z ,..., Z‬‬
‫‪n T‬‬
‫‪1‬‬
‫‪2‬‬
‫‪z‬‬
‫اصل الگوریتم پس انتشار پیدا کردن یک بردار‬
‫باشد‬
‫‪21‬‬
‫کردن( ‪f‬‬
‫برای حداقل ) ‪z‬‬
‫می‬
‫‪90/10/10‬‬
‫(‪)10‬‬
‫‪ : tij‬نشان دهنده املانهای ‪ j‬ام بردار خروجی در نمونه آموزش ی ‪ i‬ام‬
‫)‪ : yij(z‬نمایانگر مقددار خروجدی ندرون ‪ j‬ام در الیده خروجدی وقتدی نمونده آموزشد ی‬
‫‪i‬ام روی شبکه اعمال شده است ‪ ,‬می باشد‪.‬‬
‫‪22‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫در حالت ایده ال یک بردار *‪ Z‬می تواند یافت شود که فرمول‬
‫زیر را برآورده سازد ‪:‬‬
‫به طوری که بردار *‪ Z‬بایستی مجموعه معادالت زیر را ارضاء نماید ‪:‬‬
‫‪23‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫تعداد کل معادالت ‪:‬‬
‫‪ : n<num ‬تعداد متغیرها کوچکتر از تعداد معادالت است‪ .‬مجموعه‬
‫معادالت متناقض بوده به دلیل عدم وابستگی نمونه های آموزشی ‪,‬‬
‫معادالت مذکور جوابی ندارند‪.‬‬
‫‪ : num= n ‬تعداد متغیرها مساوی تعداد معادالت است‪ .‬به احتمال زیاد‬
‫یک بردار یافت می شود که معادالت را برآورده سازد‪ .‬سپس یک تعداد‬
‫مرجع برای نرونهای الیه پنهان می توان از این شرط استنباط نمود‪.‬‬
‫‪‬‬
‫‪24‬‬
‫‪ : num >n‬تعداد متغیرها بزرگتر از تعداد معادالت است آنگاه‬
‫مجموعه معادالت ممکن است دارای چند جواب باشد‪.‬‬
‫‪90/10/10‬‬
‫‪ ‬فرمول زیر می تواند از معادله ‪ num=n‬استخراج شود تا یک داده‬
‫مرجع با تعداد نرونهای الیه پنهان در شبکه عصبی پس انتشار دو‬
‫الیه فراهم شود ‪:‬‬
‫‪:‬‬
‫‪: S2‬‬
‫اندازه بردار ورودی‬
‫‪R‬‬
‫تعداد نرونهای الیه خروجی‬
‫‪ : S1‬تعداد نرونهای الیه پنهان‬
‫‪25‬‬
‫‪90/10/10‬‬
‫جهت اعتبار سنجی پیش بینی مدل تک گام براساس شبکه عصبی پس انتشار دوالیه یک‬
‫مثال شبیه سازی را بررسی می نماییم‪.‬‬
‫فرض کنیم که مدل ‪ NARMAX‬یک سیستم غیرخطی ‪ SISO‬به صورت زیر است ‪:‬‬
‫تعداد نمونه های آموزشی مساوی ‪ 100‬است‬
‫‪nt=100‬‬
‫مرتبه ورودی سیستم غیرخطی مساوی ‪ 2‬و مرتبه خروجی ‪ 1‬می باشد‬
‫‪R=nu+ny‬‬
‫‪26‬‬
‫پس‬
‫‪ nu=2‬و ‪.ny=1‬‬
‫‪.R=3‬‬
‫‪90/10/10‬‬
‫تعداد نرونهای الیه پنهان طبق می تواند در ‪20‬‬
‫تنظیم شود‪ .‬بنابراین مدل پیش بین تک گام سیستم‬
‫غیرخطی تشکیل می شود‪.‬‬
‫الگوریتم ‪ Levenberg-Marquardt‬می تواند جهت آموزش شبکه‬
‫عصبی استفاده شود‪.‬‬
‫‪27‬‬
‫‪90/10/10‬‬
90/10/10
28
‫مجموعه نویز سفید گوسی‬
‫‪‬‬
‫‪29‬‬
‫مجموعه خروجی سیستم غیرخطی‬
‫مقدار تابع هدف در پایان الگوریتم آموزش‬
‫‪:‬‬
‫‪90/10/10‬‬
‫سیگنال سینوسی اعمال شده به‬
‫سیستم غیرخطی و مدل پیش بین‬
‫‪30‬‬
‫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 غیرخطی ‪ SISO‬استفاده‬
‫‪90/10/10‬‬
‫شود‪.‬‬
‫جبرانسازی تاخیر زمانی‬
‫در سیستم کنترل تحت شبکه‬
‫براساس ‪ GPC‬و شبکه عصبی ‪BP‬‬
‫‪31‬‬
‫‪90/10/10‬‬
‫‪ ‬پیشرفتهای اخیر در مخابرات و فن آوریهای شبکه سازی باعث تشکیل‬
‫سیستمهای پیچیده ای شده اند که حسگرها ‪ ,‬محرکها و کنترل کننده هایشان‬
‫به وسیله یک شبکه متصل می شوند‪.‬‬
‫‪‬‬
‫چنین سیستمهایی سیستمهای کنترل تحت شبکه‬
‫‪)NCS( Networked Control System‬‬
‫نامیده شدند‪.‬‬
‫در واقع حلقه بسته از طریق شبکه ارتباطی دیجیتال به اشتراک گذاشته شده‬
‫با باند محدود متصل می شود‪.‬‬
‫‪32‬‬
‫‪90/10/10‬‬
90/10/10
33
90/10/10
34
‫‪ ‬مزایا ‪ :‬کاهش سیم کش ی ‪ ,‬هزینه کم ‪ ,‬سهولت نگهداری و بررس ی سیستم ‪ ,‬انعطاف پذیری‬
‫باال و همچنین به اشتراک گذاشته شدن منابع اطالعاتی‬
‫‪‬‬
‫چالشها ‪ :‬باند محدود ‪ ,‬حذف بسته داده یا ‪ , packet dropout‬نمونه برداری و تاخیر‬
‫‪ ‬تاخیر زمانی از مسائل مهم ‪ NCS‬است که درحین عبور اطالعات از شبکه ایجاد خواهد‬
‫ایجاد خواهد شد و باعث افت عملکرد سیستم و یا حتی ناپایداری آن خواهد شد‪ .‬با توجه به‬
‫توجه به اهمیت موضوع روشهای مختلفی جهت حل این مسئله پیشنهاد شده است‪.‬‬
‫‪ ‬این سیستمها در واقع فصل مشترک تئوریهای کنترل و مخابرات و ارتباطات هستند و برای‬
‫آنها یک آنالیز مشترک جهت طراحی و بهینه سازی سیستم مورد نیاز است‪.‬‬
‫‪35‬‬
‫‪90/10/10‬‬
‫دو نوع عمده تاخیر انتقال را در این سیستم کنترل تحت شبکه نشان می دهد ‪:‬‬
‫تاخیر کنترل کننده‪ -‬به – محرک‬
‫تاخیر سنسور‪ -‬به – کنترل کننده‬
‫‪36‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪37‬‬
‫سنسورهای ‪ : clock-driven‬از خروجیهای سیستم تحت کنترل‬
‫در زمانهای نمونه برداری به صورت پریودیک نمونه برداری‬
‫می کنند‪.‬‬
‫کنترل کننده ‪ : event-driven‬می تواند توسط یک مکانیزم وقفه‬
‫اتفاق خارجی انجام شود و سیگنال کنترل را به محض اینکه داده‬
‫سنسور وارد می شود ‪ ,‬محاسبه می کند‪.‬‬
‫محرکهای ‪ : clock-driven‬ورودیهای سیستم تحت کنترل تا‬
‫لحظه نمونه برداری تغییر نمی کنند‪.‬‬
‫‪90/10/10‬‬
90/10/10
38
‫سمبلها ‪:‬‬
‫‪:‬‬
‫‪39‬‬
‫‪90/10/10‬‬
‫‪ ‬این استراتژی مربوط به نحوه انتخاب ورودی برای محرک و کنترل‬
‫کننده در ‪ NCS‬می باشد که در اینجا برای محرک توضیح داده می‬
‫شود‪.‬‬
‫‪ ‬فرض می کنیم هیچگونه خطای استثنایی (مانند حذف بسته یا‬
‫بی نظمی در ورود سیگنال کنترل) وجود ندارد‪.‬‬
‫‪ ‬حالت اول ) ‪ :‬هیچ سیگنال جدیدی وارد نمی شود‪.‬‬
‫وقتی تاخیر رخ می دهد محرک با استفاده از سیگنالهای کنترل پیش بین‬
‫محاسبه شده از حالت قبلی به جای سیگنال کنترل فعلی که هنوز وارد‬
‫محرک نشده است با تاخیر برخورد می کند‪.‬‬
‫‪40‬‬
‫‪90/10/10‬‬
90/10/10
41
‫‪‬‬
‫حالت دوم) سیگنال جدید وارد می شود‪.‬‬
‫جدیدترین سیگنال کنترل باالترین اولویت را برای اینکه ورودی‬
‫سیستم تحت کنترل باشد دارد‪ .‬در نتیجه المان جدیدترین سیگنال‬
‫کنترل باید انتخاب شود‪.‬‬
‫برای مثال زمان ‪ t‬را در نظر بگیرید‪ .‬فرض کنید جدیدترین سیگنال‬
‫کنترل ‪ Ut-2‬براساس حالت در زمان ‪ t-2‬است‪ Ut-2[2] .‬باید به‬
‫عنوان ورودی سیستم تحت کنترل داده شود‪.‬‬
‫‪42‬‬
‫‪90/10/10‬‬
90/10/10
43
90/10/10
44
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫معایب روش ‪ : clock-driven‬لزوم سنکرون بودن کامل نودهای‬
‫هوشمند و دشوار بودن سنکرون بودن دقیق با وجود تاخیر زمانی‬
‫حتمی در شبکه‬
‫مزایای روش ‪ : clock-driven‬افزایش نرخ بازدهی داده فیدبک‬
‫معایب روش ‪ : event-driven‬امکان ناپایداری سیستم در صورت طوالنی‬
‫بودن نسبی تاخیر انتقال شبکه و یا ناکافی بودن اندازه کنترل‬
‫مزایای روش ‪ : event-driven‬کاهش تاخیر انتقال شبکه و 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
‫‪45‬‬
‫‪90/10/10‬‬
‫‪ ‬نودهای سنسور و محرک در یک وضعیت ویژه یکسان بوده انتقال‬
‫داده بین آنها نیازی به عبور از شبکه پیچیده ندارد‪.‬‬
‫‪ ‬تاخیر شبکه بین نودها وجود ندارد لذا همزمانی دقیق نتیجه می‬
‫شود‪.‬‬
‫‪ ‬بنابراین نودهای سنسور و نودهای محرک هر دو روش ‪clock-‬‬
‫پریود مطمئن اختیارمی کنند‪.‬‬
‫‪46‬‬
‫‪90/10/10‬‬
‫‪ ‬وقتی نودهای کنترل کننده نرمال هستند روش ‪ event-driven‬اختیار‬
‫می شود‪.‬‬
‫‪ ‬زمانی که نتیجه نمونه برداری از طریق پیغام شبکه به نودهای کنترل‬
‫کننده ارسال می شود آنها فوراً محاسبات کنترل را با ماکزیمم تاخیر انتقال‬
‫‪ Tmax‬اجرا می کنند‪.‬‬
‫‪ ‬وقتی تاخیر انتقال بین نودهای سنسور و نودهای کنترل کننده‬
‫بزرگتر از ‪ Tmax‬باشد نودهای کنترل کننده به طور اتوماتیک محاسبات‬
‫کنترل را در روش ‪ time-driven‬شروع می کنند و سیگنال کنترل را‬
‫‪47‬صادر می کنند‪.‬‬
‫‪90/10/10‬‬
90/10/10
48
‫نودهای محرک با استراتژی صف بندی پردازش می شوند‪.‬‬
‫‪‬‬
‫‪ ‬جهت سازماندهی تاخیر زمانی بین نودهای سنسور و نودهای کنترل‬
‫کننده ‪ ,‬استراتژی صف بندی نیز در نودهای کنترل کننده مطرح می شود‪.‬‬
‫‪ ‬وقتی مقدار تاخیر زمانی بزرگتر از ‪ Tmax‬باشد نودهای محرک به‬
‫طور اتوماتیک سیگنالها را با استفاده از اطالعات کنترل اپتیمال پردازش‬
‫شده در صف ارسال می نماید ‪.‬‬
‫‪49‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫روش اصالح و بازبینی در کنترل کننده ‪:‬‬
‫‪o‬‬
‫با استفاده از داده های گذشته و بررسی سیگنال انحراف و خطای پیش بینی قبلی‬
‫‪o‬‬
‫و براساس شبکه عصبی پس انتشار ‪ ,‬یک مدل پیش بین خطا ایجاد می شود‬
‫‪ o‬که از خروجی این مدل خطا برای اصالح و بازبینی سیگنال خروجی پیش بین در‬
‫‪ GPC‬استفاده می شود‪.‬‬
‫‪‬‬
‫وقتی تاخیر زمانی بزرگتر از ‪ Tmax‬باشد ‪:‬‬
‫‪ ‬بااستفاده از سیگنال خروجی پیش بین که توسط سیگنال پیش بین خطا اصالح شده‬
‫است ‪ ,‬محاسبات ‪ GPC‬جهت فراهم کردن قواعد کنترل اپتیمال مورد استفاده قرار می‬
‫گیرد‪.‬‬
‫‪ ‬بنابراین تاخیر انتقال بین نودهای سنسور و نودهای کنترل کننده به خوبی رفع شده‬
‫است و از اینرو مقاومت و ‪ Robustness‬سیستم بهبود یافته است‪.‬‬
‫‪50‬‬
‫‪90/10/10‬‬
: ‫الف) کنترل پیش بین کلی در نودهای کنترل کننده‬-1

: ‫مدل پیش بینی‬

CARIMA
(Controlled Auto-Regressive Integrated Moving Average)
90/10/10
51
‫‪ =P‬دامنه زمانی پیش بینی‬
‫‪=M‬دامنه زمانی کنترل‬
‫‪U ( K )  [u (k ) , u (k  1) ,..., u ( k  M  1)]T‬‬
‫‪52‬‬
‫‪90/10/10‬‬
‫مسیر مرجع عیارت است از‬
‫‪:‬‬
‫هدف از ‪GPC‬حداقل نمودن خطای ردیابی خروجی پیش بین نسبت به مسیر مرجع‬
‫است ‪:‬‬
‫قانون کنترل اپتیمال به صورت زیر به دست می آید ‪:‬‬
‫‪53‬‬
‫‪90/10/10‬‬
‫‪ ‬محاسبات ‪ GPC‬می تواند دنباله تغییرات کنترل را از زمان ‪ k‬تا‬
‫زمان ‪ k+M-1‬در هر زمان مشخص کند ‪:‬‬
‫‪54‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫‪-2‬الف) صف خروجی پیش بین‬
‫اصالح شده در نودهای کنترل کننده‬
‫‪55‬‬
‫‪90/10/10‬‬
‫‪ ‬وقتی تاخیر انتقال شبکه بزرگتر از ‪ Tmax‬باشد نودهای کنترل‬
‫کننده به طور اتوماتیک محاسبات کنترل را در زمان متناظر شروع‬
‫نموده و سیگنال کنترل را به نودهای محرک در همان زمان ارسال می‬
‫نمایند‪.‬‬
‫‪ ‬محاسبات کنترل مطابق سیگنال اصالح شده خروجی انجام می‬
‫‪56‬شود‪.‬‬
‫‪90/10/10‬‬
‫‪ :‬مقدار پیش بینی خروجی واقعی‬
‫محاسبه شده توسط معادله روبرو‬
‫‪ :‬توسط مدل آموزش یافته پیش بین خطا با استفاده از شبکه‬
‫عصبی پس انتشار مشخص می شود‬
‫‪ :‬سیگنال خروجی پیش بین اصالح شده‬
‫در صف بافر ‪QS‬‬
‫‪57‬‬
‫‪90/10/10‬‬
‫‪‬‬
‫مدل پیش بین ‪ :‬شبکه عصبی پس انتشار‬
‫‪‬‬
‫خروجی مورد انتظار و مقدار کنترل ورودی سیستم ‪ :‬نمونه ورودی‬
‫‪‬‬
‫اختالف بین خروجی واقعی و خروجی پیش بین ‪ :‬نمونه خروجی‬
‫‪‬‬
‫تابع الیه میانی ‪Sigmoid function :‬‬
‫‪‬‬
‫تابع الیه خروجی ‪linear function :‬‬
‫‪‬‬
‫اصالح مرتب فاکتور وزنی جهت ایجاد نگاشت شبکه با رابطه ورودی‪-‬خروجی‬
‫‪‬‬
‫شبکه عصبی آموزش یافته می تواند جهت پیش بینی خطا استفاده شود‪.‬‬
‫‪‬‬
‫نهایتا استفاده از شبکه به عنوان مدل خطا‬
‫‪58‬‬
‫‪90/10/10‬‬
90/10/10
59
‫بردار ورودی ‪:‬‬
‫بردار خروجی مقدار خطای پیش بین می‬
‫باشد ‪:‬‬
‫)‪y(k-j‬‬
‫‪ :‬خروجی واقعی در زمان ‪k-j‬‬
‫)‪ : y(k-j|k-j-d‬خروجی پیش بین در زمان ‪k-j-d‬‬
‫‪d‬‬
‫‪N‬‬
‫‪60‬‬
‫‪ :‬تاخیر در سیستم‬
‫‪ :‬تعداد نمونه های آموزشی‬
‫‪90/10/10‬‬
‫‪ :‬مقدار پیش بینی خطا‬
‫خروجی پیش بین اصالح شده سیستم‬
‫با توجه به خطاها‬
‫با جایگزین کردن معادالت روبرو ‪:‬‬
‫دار تغییرات کنترل اپتیمال به صورت زیر حاصل می شود ‪:‬‬
‫‪61‬‬
‫‪90/10/10‬‬
‫‪tsc < Tmax‬‬
‫انجام محاسبات با معادله زیر توسط نودهای کنترل کننده به صورت‬
‫اتوماتیک در روش ‪ event-driven‬و ارسال سیگنال کنترل (‪ -1‬الف) ‪:‬‬
‫‪tsc> Tmax‬‬
‫انجام محاسبات با معادله زیر توسط نودهای کنترل کننده به صورت‬
‫اتوماتیک در روش ‪ -2( clock-driven‬ب) ‪:‬‬
‫‪62‬‬
‫‪90/10/10‬‬
‫در نهایت ‪:‬‬
‫‪ ‬تاخیر به طور موثری جبران می شود‬
‫‪ ‬و سطح دقت بهبود می یابد‪.‬‬
‫‪63‬‬
‫‪90/10/10‬‬
‫‪ETHERNET NETWORK :‬‬
‫‪ ‬اترنت یک خانواده از تکنولوژیهای شبکه سازی کامپیوتری برای‬
‫شبکه های ناحیه محلی)‪ (LANs‬است‪.‬‬
‫‪‬‬
‫‪ ‬ارتباط سیستمها در اترنت از طریق جریانی از داده ها در بسته‬
‫هایی مجزا به نام ‪ frame‬صورت می گیرد‪.‬‬
‫‪ ‬هر فریم یا قالب شامل آدرسهای مبدا و مقصد و داده چک کننده‬
‫خطا است به طوری که داده مخدوش قابل آشکار سازی و ارسال‬
‫می باشد‪.‬‬
‫مجدد‬
‫‪64‬‬
‫‪90/10/10‬‬
90/10/10
65
‫‪‬‬
‫فرض کنیم سیستم تحت کنترل به صورت زیر است ‪:‬‬
‫‪ :‬نویز سفیدی است که به طور یکنواخت در محدوده ‪[-0.2 ,‬‬
‫‪‬‬
‫]‪ p=6 , L=m=2 , 0.2‬توزیع شده است‪.‬‬
‫‪66‬‬
‫‪90/10/10‬‬
90/10/10
67
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪68‬‬
‫استفاده از مزایای شبکه های عصبی مانند توانایی تطبیق با خواص غیرخطی و الگوریتم‬
‫جامع آموزش ی و قابلیت یادگیری و انعطاف پذیری در کنترل پیش بین‬
‫بهره گیری از شبکه های عصبی در ایجاد مدل سیستم تحت کنترل و جایگزینی مرحله بهینه‬
‫سازی با کنترل کننده شبکه عصبی بعد از تکمیل آموزش‬
‫ارائه مدل پیش بین بر اساس شبکه عصبی ‪ BP‬با 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 سیستم غیرخطی‬
‫‪ SISO‬با آزمایش شبیه سازی‬
‫‪90/10/10‬‬
‫‪‬‬
‫پیشنهاد روش ی جهت غلبه بر تاخیر زمانی نامشخص در ‪NCS‬‬
‫‪‬‬
‫استراتژی صف در نودهای کنترلر و محرک‬
‫‪‬‬
‫جبران تاخیر بین نود کنترلر و نود محرک توسط تغییرات کنترل حاصل از ‪GPC‬‬
‫‪‬‬
‫مدل پیش بینی خطای خروجی با استفاده از ‪ BP-NN‬جهت مقابله با تاخیر بین‬
‫سنسور و نود کنترلر‬
‫‪‬‬
‫اصالح خروجی پیش بینی ‪ GPC‬با 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 آزمایش‬
‫‪69‬‬
‫نود‬
‫شبیه سازی‬
‫‪90/10/10‬‬
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 [email protected] , 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 ,978-1-42445182-1/10/$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
90/10/10
72
90/10/10
73

similar documents