Yapay sinir ağı temelli uyarlamalı doğrusal model-öngörülü kontrol

Öz

Gerçek zamanlı sistemlerin modellenemeyen dinamikleri ve bozucu etkileri sistemin doğru çalışmasını engellemektedir. Sistemin kontrolü için tasarlanan denetleyiciler, istenmeyen etkileri dikkate alacak şekilde olmalıdır. Bu çalışmada, doğrusal sistemler için uyarlamalı belirsizlik modelleyici temelli model-öngörülü denetleyici (UMPC) önerilmiştir. Modelleyicide yapay sinir ağı (YSA) yapısı kullanılarak belirsizlik fonksiyonunun uyarlamalı öğrenme adımı ile hızlı şekilde yaklaşıklanması sağlanmıştır. Uyarlamalı belirsizlik modelleyici temelli model-öngörülü denetleyicinin kararlılığı Lyapunov aday fonksiyonu ile gösterilmiştir. Standart MPC ve önerilen UMPC gerçek-zamanlı DC/DC güç dönüştürücü kontrolüne uygulanmıştır. Standart MPC kullanıldığında bilinmeyen parametreler ve ortam gürültüsünden kaynaklı DC/DC dönüştürücü iyi izleme sağlayamamıştır. Fakat önerilen yapının uygulanması ile belirsizlikler tahmin edilerek ve etkisi sistem dinamiklerinde kullanılarak hassas ve başarılı izleme sonuçları elde edilmiştir. Önerilen yapının sonraki çalışmalarda kullanılması öngörülmektedir.

Anahtar Kelimeler

• Model-öngörülü denetleyici,Uyarlamalı doğrusal model-öngörülü denetleyici,Uyarlamalı YSA,Kararlılık,Gerçek zamanlı DC/DC güç dönüştürücü

Artificial neural network based adaptive linear model predictive control

Abstract

The effect of the unmodeled dynamics and unknown disturbances prevent the accurate control of the real-time systems. The designed controllers must undertake the effect of these undesired uncertainties. In this paper, adaptive uncertainty modeling based model predictive controller is proposed for the control of uncertain linear systems. The uncertainty modeling structure uses an artificial neural network with adaptive learning rate for fast approximation. The stability of the proposed adaptive uncertainty modeling based model predictive control (UMPC) is shown using Lyapunov candidate function. Conventional MPC and proposed UMPC are applied to the control of a real-time DC/DC buck power converter. The conventional MPC cannot accurately control the DC/DC converter due to the unknown parameters and unmodeled dynamics. However, the proposed UMPC controller can accurately control the system with modeling the uncertainties in controller dynamics. The proposed controller is promising to control uncertain systems in future applications.

Keywords

• Model predictive control,Adaptive linear model predictive control,Adaptive neural networks,Stability,Real-time DC/DC converter

References

1. Adetola V, Guay M. “Robust adaptive mpc for constrained uncertain nonlinear systems”. International Journal of Adaptive Control and Signal Processing, 25(2), 155-167, 2011.
2. Le Maître OP, Knio OM. Introduction: Uncertainty Quantification and Propagation, Amsterdam, Netherlands Springer, 2010.
3. Yao B, Tomizuka M. “Adaptive robust control of SISO nonlinear systems in a semi-strict feedback form”. Automatica, 33(5), 893-900, 1997.
4. Qin SJ, Badgwell TA. “A survey of industrial model predictive control technology”. Control engineering practice, 11(7), 733-764, 2003.
5. Rawlings JB. “Tutorial overview of model predictive control”. Control Systems, 20(3), 38-52, 2000.
6. Yan Z, Wang J. “Model predictive control of nonlinear systems with unmodeled dynamics based on feedforward and recurrent neural networks”. IEEE Transactions on Industrial Informatics, 8(4), 746-756, 2012.
7. Teixeira M, Żak SH. “Stabilizing controller design for uncertain nonlinear systems using fuzzy models”. IEEE Transactions on Fuzzy Systems, 7(2), 133-142, 1999.
8. Calise AJ, Hovakimyan N, Idan M. “Adaptive output feedback control of nonlinear systems using neural networks”. Automatica, 37(8), 1201-1211, 2001.

9. Rojo-Álvarez JL, Martínez-Ramón M, Prado-Cumplido D, Artés-Rodríguez A, Figueiras-Vidal AR. “Support vector method for robust ARMA system identification”. IEEE Transactions on Signal Processing, 52(1), 155-164, 2004
10. Jang JSR, Sun CT, Mizutani E. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. Upper Saddle River, USA, Pearson, 1997.
11. Nauck D, Kruse R. “Neuro-fuzzy systems for function approximation”. Fuzzy sets and systems, 101(2), 261-271, 1999.
12. Klančar G, Škrjanc I. “Tracking-error model-based predictive control for mobile robots in real time”. Robotics and Autonomous Systems, 55(6), 460-469, 2007.
13. Mohammadkhani MA, Bayat F, Jalali AA. (2014). “Design of explicit model predictive control for constrained linear systems with disturbances”. International Journal of Control, Automation and Systems, 12(2), 294-301, 2014.
14. Zeltom Real-Time Hardware-in-the-loop Control Platform for Matlab/Simulink. “HILINK Real-Time Control Platform for MATLAB/Simulink”