عنوان

کنترل پیش‌بین مبتنی بر یادگیری برخط برای کلاسی از سیستم‌های مقید غیرخطی

پ۲۹۴۲۸

per

کنترل پیش‌بین مبتنی بر یادگیری برخط برای کلاسی از سیستم‌های مقید غیرخطی

مهدی منصوری

مهندسی برق و کامپیوتر

۱۴۰۲

۶۳ص.

سی دی

کارشناسی ارشد

مهندسی برق-کنترل

۱۴۰۲/۰۶/۰۷

پیشرفت‌های انجام شده در زمینه‌ یادگیری ماشین از یک‌سو و از سوی دیگر، بهبود قابلیت‌های اندازه‌گیری و محاسباتی سیستم‌های کنترل مدرن موجی از علاقه‌مندی به تکنیک‌های کنترل مبتنی بر یادگیری ایجاد کرده است. در سیستم‌های کنترل، کنترل پیش‌بین یک تکنیک پرکاربرد است که شامل پیش‌بینی رفتار آینده یک سیستم با استفاده از مدل آن و سپس انجام اقدامات کنترلی بر اساس این پیش‌بینی‌ها است. با این حال، استفاده از یک مدل مناسب برای اطمینان از دقت سیستم‌های کنترل پیش‌بین بسیار حیاتی است. تغییرات در دینامیک سیستم می‌تواند منجر به عدم قطعیت در مدل مورد استفاده شود. برای پرداختن به این چالش، می‌توان از فرآیندهای گاوسی برای یادگیری مدل سیستم به‌صورت برخط استفاده کرد. در سال‌های اخیر، ترکیب رگرسیون‌های غیرپارامتریک با استفاده از فرآیندهای گاوسی و کنترل پیش‌بین بر اساس مدل، نتایج قابل توجهی را از خود نشان داده است. این پایان‌نامه به بررسی اثربخشی استفاده از فرآیند گاوسی با در نظر گرفتن کنترل‌کننده پیش‌بین می‌پردازد. به‌منظور ارزیابی موفقیت روش پیشنهادی، شبیه‌سازی فرآیند مخزن چهار تانک در نظر گرفته شده است. هدف اصلی این سیستم تنظیم سطح مایع درون مخازن است. فرآیند گاوسی برای تخمین ابرپارامترهای سیستم در زمان واقعی استفاده می‌شود و این ابرپارامترها سپس در تابع هزینه کنترل پیش‌بین بر اساس مدل گنجانده می‌شوند. کنترل پیش‌بین قیدهای ورودی و خروجی سیستم را نیز در نظر می‌گیرد. نتایج به‌دست آمده از این ارزیابی پایداری و اثربخشی سیستم کنترل را نشان می‌دهد.

AbstractThe recent approach in the field of machine learning, along with improved measurement and computational capabilities of modern control systems, have generated significant interest in learning-based control techniques. Predictive control is a widespread technique in control systems, which involves predicting the future behavior of a system using a model and then taking control actions based on these predictions. However, using an appropriate model is crucial to ensure the accuracy of predictive control systems. Changes in system dynamics can lead to inaccuracies in the employed model. To address this challenge, Gaussian process regression can be used for online system model learning. In recent years, the combination of non-parametric modeling using Gaussian processes and predictive control has shown promising results by accounting for the uncertainties associated with Gaussian processes. Incorporating uncertainty allows for directly considering regression deviations in predictive control constraints. This thesis examines the effectiveness of using Gaussian processes considering of predictive control for the control of constrained nonlinear systems. To evaluate the success of the proposed approach, a simulation of the Quadruple Tank Process is considered. The primary objective of this system is to regulate the liquid level inside the tanks. Gaussian processes are used for real-time estimation of system hyperparameters, which are then incorporated into the predictive control cost function. Predictive control also takes into account system input and output constraints.The results obtained from this evaluation demonstrate the stability and effectiveness of the control system.

Online learning-based MPC for class of nonlinear constrained systems

‏منصوری،

‏مهدی

تهیه کننده

‏بادامچی زاده،

خراطی،

‏محمدعلی

‏ حامد

استاد راهنما

استاد مشاور

تبریز