PTatjewski.pdf

(515 KB) Pobierz
Metody
inteligencji obliczeniowej
w algorytmach
regulacji predykcyjnej
Piotr Tatjewski
Politechnika Warszawska,
Instytut Automatyki
i Informatyki Stosowanej
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnej
Referat na Seminarium „Sztuczna inteligencja w AiR”, 22.04.2005
Instytut
Automatyki
i Informatyki
Stosowanej
Program prezentacji
Zasada regulacji predykcyjnej, znaczenie i klasyfikacja algorytmów
MPC
Regulacja predykcyjna z modelem liniowym
Regulacja predykcyjna z modelem nieliniowym
Inteligencja obliczeniowa w algorytmach predykcyjnych (nieliniowych)
Algorytmy predykcyjne z modelem rozmytym Takagi-Sugeno
(algorytmy analityczne, algorytmy z linearyzacjami)
Algorytmy predykcyjne numeryczne z modelem neuronowym
procesu/predyktora
algorytmy z linearyzacjami
algorytmy z nieliniową optymalizacją
Algorytmy z neuronową aproksymacją optymalizatora, regulatora
Podsumowanie
Instytut
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnej
Referat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Automatyki
i Informatyki
Stosowanej
Zasada regulacji predykcyjnej
y
y
zad
predykcja
y
(
k+p|k
)
y
zad
pomiar
y
(
k
)
d
(
k
)
predykcja
y
(
k|k-
1)
k–1
k
k+1
k+2
horyzont predykcji
k+3 k+N
u
k+N
czas
u
∆
u
(
k+
1|
k
)
sterowanie
u(k+p|k)
∆
u
(
k
|
k
) =
∆
u(k)
horyzont sterowania
k–1
k
k+1
k+2
k+3 k+N
u
k+N
czas
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnej
Referat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Instytut
Automatyki
i Informatyki
Stosowanej
Zasada regulacji predykcyjnej (c.d.)
Wyznaczanie wartości sterowań z zadania optymalizacji:
N
u
−
1
p
=
0
∆
u
(
k
+
p
|
k
),
p
=
0 ,...,
N
u
−
1
min
2
{
J
=
∑
||
y
zad
(
k
+
p
|
k
)
−
y
(
k
+
p
|
k
) ||
Ψ
+
p
=
1
N
||
∆
u
(
k
+
p
|
k
) ||
2
},
∑
Λ
przy ogr. :
y
(
k
+
p
|
k
)
∈
Y
,
p
=
1,
K
,
N
,
u
(
k
+
p
|
k
)
∈
U
,
p
=
0,
K
,
N
u
−
1,
u
(
k
+
p
|
k
)
=
u
(
k
+
N
u
−
1 |
k
),
p
=
N
u
,
K
,
N
−
1,
(
∆
u
(
k
+
p
|
k
)
=
u
(
k
+
p
|
k
)
−
u
(
k
+
p
−
1 |
k
) )
przy czym predykcja na podstawie modelu obiektu (procesu)
f
p
:
y
(
k
+
p
|
k
)
=
f
p
(
u
(
k
+
p
−
1 |
k
),...,
u
(
k
|
k
),
,
u
(
k
−
1),...,
u
(
k
−
n
B
),
y
(
k
),
y
(
k
−
1),...,
y
(
k
−
n
A
),
d
(
k
)),
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnej
Referat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Instytut
p
=
1,...,
N
Automatyki
i Informatyki
Stosowanej
Przyczyny powodzenia regulacji predykcyjnej:
Dzięki predykcji (przewidywaniu,
w oparciu o model)
technika skuteczna dla obiektów o trudnej dynamice,
W istocie
jedyna technika regulacji uwzględniająca
ograniczenia sterowań i wyjść,
w sposób naturalny i
bezpośredni,
Dzięki bezpośredniemu wykorzystaniu modelu technika
skuteczna dla
regulacji wielowymiarowej,
uwzględniająca
w sposób bezpośredni interakcje,
Technika zdefiniowana w dziedzinie czasu, stąd
intuicyjnie
zrozumiała,
stosunkowo
łatwa
do wyjaśnienia operatorom
procesów technologicznych
Piotr Tatjewski: Metody inteligencji obliczeniowej w algorytmach regulacji predykcyjnej
Referat na Seminarium „Sztuczna inteligencja w AiR”, Zielona Góra, 22.04.2005
Instytut
Automatyki
i Informatyki
Stosowanej

Plik z chomika:

Inne pliki z tego folderu:

Inne foldery tego chomika:

Zgłoś jeśli naruszono regulamin