Affordable Access

Synthèse d'un contrôleur prédictif auto adaptatif réglé par réseau de neurones artificiels

Authors
  • MOUMOUH, Houssam
Publication Date
Mar 31, 2021
Source
HAL
Keywords
Language
French
License
Unknown
External links

Abstract

Dans un contexte industriel de recherche d’optimisation des performances des systèmes et de rejet des perturbations, la commande prédictive (MPC) présente plusieurs avantages. Elle requiert, cependant, de se pencher avec attention sur le réglage de ses paramètres qui sont communément : un horizon de prédiction, un horizon de commande et des poids attribués aux termes de la fonction coût qui la caractérise. Au regard des inconvénients des méthodes de réglage disponibles dans la littérature, une approche originale est proposée. Afin d’établir une relation entre les performances attendues et les paramètres de la MPC, cette approche fait appel à la théorie des Réseaux de Neurones Artificiels (RNA) réputés pour leur capacité d’apprentissage. L’approche explorée a nécessité de se pencher sur deux problématiques : d’une part, la construction d’une base de données optimale nécessaire à l’apprentissage du RNA et, d’autre part, l’optimisation de la structure de ce RNA, plus précisément l’optimisation du nombre de neurones de sa couche cachée. Les travaux menés ont conduit à proposer l’approche méta-heuristique d’optimisation dite « PSO » (Particle Swarm Optimisation) pour la construction de la base de données puis l’algorithme en ligne OS-ELM (Online Sequantial- Extrem Learning Machine) pour l’apprentissage et le dimensionnement du RNA. En se référant à certaines méthodes de réglage issues de la littérature, une étude comparative des performances obtenues a été effectuée. Les résultats des simulations numériques montrent l’efficacité de l’approche proposée pour différentes catégories de systèmes à commander, que ces systèmes soient linéaires SISO, MIMO, avec ou sans retard mais aussi non-linéaires (quand représentés par un modèle de type Takagi-Sugeno).

Report this publication

Statistics

Seen <100 times