перевод. Neural Network-based Control

Управление на основе нейронной сети.

Метод с моделью управления с упреждением преимущественно создавался для управления процессами с использованием искусственных интеллектуальных сетей. Традиционные методы используют линейную модель системы для предсказаний, что приводит к неточностям для нелинейных систем, таких как роботы. В последние года требования к качеству автоматического управления в обрабатывающей промышленности значительно увеличились из-за увеличения сложности продуктов и чётких спецификаций о качестве продуктов. В тоже время доступная компьютерная мощность увеличилась до необычайных высот. Как результат, компьютерные вычисления, которые раньше были вычислительно дороги, стали применимы даже к весьма сложным системам. Сложные техники моделирования были созданы для достижения лучшего контроля.

Модель управления на основе предсказания была успешно использована в нескольких комбинатах. Существенное преимущество этих схем управления в том, что они способны учитывать ограничения в виде внутренних и внешних параметров. В большинстве приложений с моделью предсказания, линейная модель используется для прогнозирования поведения процесса в интересуемых рамках. Однако т.к. большинство современных процессов имеют нелинейные тенденции, была совершена работа для расширения возможностей прогнозирования, для покрытия нелинейных моделей. Самая дорогая часть реализации нелинейных схем предсказания — это создание математической модели. Во многих случаях даже невозможно получить подходящую модель физического процесса из-за сложности исходного явления или из-за неизвестности критических параметров модели (например, характеристики температуры и давления, влияющие на вязкость и массу). Многообещающий способ преодоления наступающих проблем – это использование нейронных сетей как нелинейные модели чёрного ящика для динамического поведения процессов.

Подобные нейронные сети могут быть получены на основе измеренных входных и выходных данных продукта. Обычно проводятся специальные разомкнутые циклы экспериментов, чтобы предоставить данные для обучения нейронной сети. Однако на практике часто обычные контроллеры контролируют производство, стабилизируя его и предоставляя некоторое базовое, иногда медленное управление. Измерения выходных и выходных переменных производства, работающего на линейном контроллере, могут составить очень хорошую выборку данных для обучения нейронной сети. Этот подход более практичен (производство всегда находится под автоматическим управлением) и более эффективен, чем использование бесконтрольных экспериментов (идентификация без обратной связи).