簡易檢索 / 詳目顯示
| 研究生： |
蔡柏灃 Po Feng, Tsai |
|---|---|
| 論文名稱： |
使用動態邊界鉗制技術之嵌入式自適應類神經網路控制器 An embedded neural adaptive controller with a dynamic boundary clamping method |
| 指導教授： | 鍾葉青 |
| 口試委員: | |
| 學位類別： |
碩士 Master |
| 系所名稱： |
電機資訊學院 - 資訊系統與應用研究所 Institute of Information Systems and Applications |
| 論文出版年： | 2007 |
| 畢業學年度： | 95 |
| 語文別： | 中文 |
| 論文頁數： | 42 |
| 中文關鍵詞： | 類神經網路 、自適應控制器 、酸鹼中和 |
| 外文關鍵詞： | neural network, adaptive controller, pH neutralization |
| 相關次數： | 點閱：3 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
通常化學反應程序皆為非線性程序，各種以系統模式做為運算基礎所衍生出來的控制邏輯和策略，如模式預測控制(Model Predictive Control, MPC)，其整體控制表現與所採用的模式本身的預測準確度息息相關，對於一個高度非線性的化學反應系統，採用非線性模式，如人工智慧類神經網路，為基礎的控制方式顯然優於使用線性模式為控制基礎的策略。在人工智慧類神經網路十分流行的今天，其在建立經驗系統模式的應用上十分廣泛，簡單的架構和訓練方式是其優點，解決了推導真實系統數學模式所帶來的繁瑣與困難，並在大部分的情況下提供了一定程度的預測品質。人工智慧類神經網路近年來經過了各專門領域的努力，無論在技術上或應用上都有了相當大的改進和更深的認識，不同於各式各樣的線性系統模式，一個非線性系統經驗模式準確度的優劣十分仰賴於當初用以建立模式的原始資料數據(或稱訓練學習資料)，這些數據資料本身的分布狀況和其所蘊涵的系統資訊量的多寡，對該非線性系統經驗模式的預測準確度而言扮演著十分重要的角色。對人工智慧類神經網路模式而言，充足且分布均勻的訓練資料集合是十分重要的，因為其經驗模式的建立大多不使用任何先前知識，完全仰賴於訓練資料所提供的系統資訊，唯有資訊齊全的訓練資料庫才能建立起一個完善的人工智慧類神經網路模式，否則任何不屬於原始訓練學習樣本集合的新型態輸入資料數據將造成類神經網路模式產生若干不同程度且無法預知的外插運算，進而使得模式的預測值變得十分不可信賴，一般解決此類問題大多著力在提高模式本身的準確度，例如經由各種實驗設計方法和理論，以資料點均勻分布的觀念，來提供含有其它具有較多系統訊息的額外訓練資料，或是直接改良模式的訓練學習方法等等，然而並非所有由實驗設計法所建議的實驗都是可行的，尤其是在高度非線性系統中有很多區域的取樣十分困難，在現實的情況下有很多建議的實驗點都是很難去執行的，而且其所相對帶來的實驗成本更是一大問題，所以在真實的工業應用上仍難以獲得突破性的進展，事實上，就如同改進訓練學習方法一般，無論使用再怎樣精深的學理或技巧，在有限的訓練資料數據之下，面臨高度非線性系統時所能改進的空間亦將十分有限。除此之外，過於複雜的結構與計算邏輯往往會造成實作移植到嵌入式控制系統中的困難與負擔，而類神經網路本身日後的更新也是一大問題，為此，在論文中我們改變了以往人們對類神經網路慣用的方式，不再以模式預測做為控制理論的基礎，取而代之的是採取一種以誤差後饋方式將系統視為輸出層而納入計算的自適應類神經網路控制器，用最精簡的架構來將之實作在嵌入式系統之中，並且使用一套動態邊界鉗制技術來大幅提升控制器的效能表現，最後我們將此一方法應用在高度非線性的酸鹼中和控制程序中進測試和驗證，並在最後獲得了相當優秀的控制成果。
1. Clarke, D. W., Mohtadi, C., and Tuffs, P. S., Generalized predictive control-Part 1: Basic algorithm. Automatica 23 (1987) 137-148.
2. Hussain, M.A., Review of the application of neural networks in chemical process control --- simulation and online implementation. Artificial Intelligence in Engineering 13 (1999) 55-68.
3. MacMurray, J.C. and D.M. Himmelblau, Modeling and control of a packed distillation column using artificial neural networks. Computers and Chemical Engineering 19 (1995) 1077-1088.
4. Cybenko, G., Approximation by superpositions of a sigmoidal function. Mathematics of Control Signals and Systems 2 (1989) 303-313.
5. Gao, F.R., F.L. Wang and M.Z. Li, Predictive control for processes with input dynamic nonlinearity. Chemical Engineering Science 55 (2000) 4045-4052.
6. Bhat, N. and T.J. McAvoy, Use of neural nets for dynamic modeling and control of chemical process systems. Computers & Chemical Engineering 14 (1990) 573-582.
7. Nahas, E.P., M.A. Henson, and D.E. Seborg, Nonlinear internal model control strategy for neural network models. Computers & Chemical Engineering 16 (1992) 1039-1057.
8. Krishnapura, V.G., and A. Jutan, A neural adaptive controller. Chemical Engineering Science 55 (2000) 3803-3812.
9. Psaltis, D., A. Sideris and A.A. Yamamura, A multilayered neural network controller. IEEE Control Systems Magazine (1988) 17-21.
10. Nguyen, D.H. and B. Widrow, Neural networks for self-learning control systems. International journal of control 54(6) (1991) 1439-1451.
11. Loh, A.P., K.O. Looi and K.F. Fong, Neural network modeling and control strategies for a pH process, J. Proc. Control 5 (1995) 355-362.
12. , K.J. and T. , Automatic Tuning of PID Controllers, ISA, Research Triangle Park, NC, USA (1988).
13. Williams, G.L., R.R. Rhinehart, and J.B. Riggs, In-line process-model- based control of waste-water pH using dual base injection. Ind. Eng. Chem. Res. 29 (1990) 1254-1259.
14. Chan, H.C. and C.C. Yu, Autotuning of gain-scheduled pH control: an experimental study. Ind. Eng. Chem. Res. 34 (1995) 1718-1729.
15. Palancar, M.C., J.M. , J.A. and J.S. Torrecilla, Application of a model reference adaptive control system to the pH-control. Effects of lag and delay time. Ind. Eng. Chem. Res. 35 (1996) 4100-4110.
16. Palancar, M.C., J.M. , J.A. and J.S. Torrecilla, pH-control system based on artificial neural networks. Ind. Eng. Chem. Res., 37 (1998) 2729-2740.
17. P.F. Tsai, J.Z. Chu, S.S. Jang and S.S. Shieh, "Developing a robust model predictive control architecture through regional knowledge analysis of artificial neural networks", Journal of Process Control, Vol.13 no.5, 2003
18. Syu, M.J. and J.B. Chang, Recurrent backpropagation neural network adaptive control of penicillin acylase fermentation by arthrobacter viscosus. Ind. Eng. Chem. Res. 36 (1997) 3756-3761.
19. Yang, Y.Y. and D.A. Linkens, Adaptive neural-network-based approach for the control of continuously stirred tank reactor. IEE Proc.-Control Theory Appl. 141(5) (1994) 341-349
20. Chien, I.L. and P.S. Fruehauf, Consider IMC tuning to improve controller performance. Chem. Engng Progr. 86 (1990) 33-41.
全文公開日期 本全文未授權公開 (校內網路)全文公開日期 本全文未授權公開 (校外網路)