SAMORAZVIJAJOČI SE SISTEMI PRI SPREMLJANJU IN VODENJU PROCESOVAndonovski, Goran (Avtor)
Škrjanc, Igor (Mentor)
Klančar, Gregor (Komentor)
model AnYasamorazvijajoči se adaptivni mehki regulatorV pričujoči doktorski disertaciji smo raziskovali različna področja uporabe
samorazvijajočih se sistemov, kot so vodenje, identikacija in spremljanje procesov.
Samorazvijajoči se sistemi, ki jih obravnavamo v disertaciji, temeljijo na
posplošenem mehkem modelu AnYa (po priimkih avtorjev Angelov in Yager), ki
se razlikuje od klasičnih mehkih modelov (Mamdani in Takagi-Sugeno) v načinu
deniranja strukture modela. Namesto vnaprej deniranih mehkih pravil (Gaussovo,
trikotno, lingvistično itn.), model AnYa na podlagi sprotno sprejetih podatkov
tvori mehka pravila v obliki oblakov podatkov (ang. data clouds). Z vsakim
novim prejetim podatkom se struktura in parametri modela prilagajajo novim
spremenjenim stanjem v procesu. To nam omogoča implementacijo različnih algoritmov
sprotnega vodenja, identikacije ali spremljanja dinamičnih procesov.
Poleg implementacije teh algoritmov smo v doktorski disertaciji obravnavali tudi
mehanizme samorazvijanja modelov za dodajanje novih in odstranjevanje nepomembnih
oblakov. Prav tako smo iskali načine, kako preprečiti dodajanje oblakov
na osnovi osamelcev.
V disertaciji smo predstavili robusten samorazvijajoči se adaptivni mehki regulator
(ang. robust evolving cloud-based controller, RECCo). Regulator je sestavljen
iz dveh glavnih delov: samorazvijajoča se struktura modela (z mehanizmom
za dodajanje novih oblakov na podlagi lokalne gostote podatkov) in sprotna adaptacija
parametrov lokalnih regulatorjev (na podlagi gradienta kriterijske funkcije).
Mehanizem samorazvijanja modela skrbi za zaznavanje nelinearnih področij v
procesu, kar pomeni, da se parametri lokalnih regulatorjev prilagajajo delovni
točki procesa. Z normiranjem podatkovnega prostora smo dosegli enostavnejše
nastavljanje začetnih parametrov regulatorja. Podali smo tudi smernice, kako
nastaviti oziroma izračunati začetne vrednosti parametrov regulatorja. V doktorski
disertaciji smo prikazali nekaj primerov uporabe RECCo-regulatorja na
simuliranih in realnih napravah. Vodenje na simuliranih procesih smo izvedli na
modelu toplotnega izmenjevalnika in na modelu distribuiranega sistema sončnih
kolektorjev. Uporaba vodenja na realnih napravah pa je bila izvedena pri regulaciji
temperature na toplotnem izmenjevalniku in regulaciji nivoja na sistemu
dveh povezanih tankov.
Mehanizem samorazvijanja na osnovi oblakov podatkov smo vpeljali tudi v
mehki prediktivno funkcijski regulator (ang. fuzzy cloud-based predictive func-
tional controller, FCPFC). Za delovanje tega regulatorja potrebujemo model
procesa, ki ga želimo voditi. S tem namenom smo združili samorazvijajoči se
model z rekurzivno metodo najmanjših kvadratov. Na ta način lahko identiciramo
dinamičen model procesa, ki je potem del prediktivnega regulatorja. Model
uporabimo za predikcijo reguliranega signala na vnaprej določenem horizontu in
nato določimo še regulirni signal, ki minimizira razliko med izhodnim in referen
čnim/želenim signalom. Taksen pristop je primeren za regulacijo nelinearnih
dinamičnih procesov. Delovanje predlaganega prediktivnega regulatorja FCPFC
smo preizkusili na modelu reaktorja z neprekinjenim mešanjem (ang. continu-
ous stirred tank reaktor, CSTR). Dobljene rezultate smo primerjali z RECCoregulatorjem.
V nadaljevanju smo predlagali in preizkusili samorazvijajoči se model na
osnovi oblakov za identikacijo dinamičnih sistemov. V tem primeru smo raziskali
različne mehanizme dodajanja in odstranjevanja oblakov in njihov vpliv
na učinkovitost celotne metode. Predlagano metodo smo preizkusili na dveh
različnih primerih. Prvi primer je model kemičnega procesa Tennessee Eastman,
ki ima zelo kompleksno strukturo in dinamiko. Iz tega modela smo pridobili
simulirane podatke ter poskušali pridobiti modele kazalnikov proizvodnje
učinkovitosti. Rezultate smo primerjali z metodo eFuMo ter z nevronskimi
mrežami. Drugi primer je bil realen sistem hladilne postaje, ki obratuje v enem
od podjetij v Sloveniji. Pridobljene podatke smo prav tako uporabili za identi-
kacijo dinamičnih modelov nekaj ključnih kazalnikov proizvodnje. Te modele smo
naknadno uporabili za nadzorovano in prediktivno preklapljanje hladilnih agregatov,
ki so ključni elementi celotnega sistema. Izkazalo se je, da z uporabo modelov
lahko preprečimo nepotrebna preklapljanja agregatov in s tem omogočimo boljšo
učinkovitost celotnega sistema.
V zadnjem delu smo samorazvijajoči se model uporabili kot orodje za spremljanje
procesov. Z uporabo mehanizmov za dodajanje novih oblakov lahko
deniramo področje procesa, ki opisuje normalno stanje delovanja, in področje,
ki označuje napako na procesu. Nato lahko z izračunom lokalnih gostot za vsak
podatek posebej določimo ali predstavlja napako oziroma normalno delovanje.
Predlagali smo tudi izračun delnih lokalnih gostot z upoštevanjem najbolj vplivnih
komponent. Delovanje metode smo preizkusili na področju zaznavanja napak
na sistemu Tennessee Eastman. Rezultate smo primerjali z nekaj znanimi
metodami za zaznavanje napak na procesih, kot so PCA (ang. principal compo-
nent analysis), ICA (ang. independent component analysis) in FDA (ang. sher
discriminate analysis). Rezultati metode so primerljivi in dosegajo podobno natan
čnost, kot že uveljavljene metode na tem področju.
Na koncu smo samorazvijajoči se model razdelili na več hierarhičnih nivojev
z namenom zaznavanja manevrov pri voznikih osebnih avtomobilov, kot so prehitevanje,
zaviranje, ustavljanje in podobno. Metoda uporablja le osnovne senzorje
(in ne naprednih, kot so kamere, laserji itd.), ki so del standardne opreme osebnih
avtomobilov. Izkazalo se je, da predlagani hierarhični koncept od spodaj
navzgor (od manj do bolj kompleksnih akcij) v kombinaciji s samorazvijajočim
se modelom uspešno zaznava in ločuje med različnimi manevri pri voznikih.20182018-12-21 14:40:02Doktorsko delo/naloga105879VisID: 45143sl