اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدبناء مؤمثل عصبوني أمامي لخوارزمية التحكم التنبؤي النموذجي
Building a feedforward neural network optimizer in Model Predictive Control Algorithm
1290
0 113
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
يَعرض هذا البحث إمكانية الاستعاضة عن المؤمثل الرياضي في خوازمية التحكم التنبؤي بمؤمثل عصبوني أمامي (Feedforward Neural Network Optimizer: FNNO) و من تم تدريبه بشكل مسيق offline لتصغير تابع الكلفة. حافظنا بهذه الطريقة على نموذج النظام الذي يعد أساساً في خوارزمية التحكم التنبؤي للحصول على الدقة المطلوبة. و تم حل مسألة الأمثلة خلال زمن أسرع من زمن حلها عند استخدام خوارزميات الأمثلة التقليدية المعتمدة على الحوسبة الرقمية.
This paper presents the possibility of replacing the mathematical optimizer in the Model Predictive Control Algorithm (MPC) with a Feedforward Neural Network Optimizer (FNNO). The optimizer trained offline to reduce the cost function. This maintain the system model of the system, which is essential in MPC to get accepted accuracy. we solve optimization problem faster than the algorithms of traditional optimization, which we built, based on digital computing.
مراجعة الذكاء الصنعي:
ملخص البحث
يقدم هذا البحث إمكانية استبدال المؤمثل الرياضي في خوارزمية التحكم التنبؤي النموذجي (MPC) بمؤمثل عصبوني أمامي (FNNO). يتم تدريب المؤمثل العصبوني بشكل غير متصل (offline) لتقليل تابع الكلفة، مما يحافظ على نموذج النظام الذي يعد أساسياً في خوارزمية التحكم التنبؤي للحصول على الدقة المطلوبة. تم حل مسألة الأمثلة خلال زمن أسرع من زمن حلها عند استخدام خوارزميات الأمثلة التقليدية المعتمدة على الحوسبة الرقمية. تم تطبيق هذه التقنية على نظام محرك سيرفو باستخدام المحاكاة الحاسوبية، وأظهرت النتائج أن FNNO يمكنه تحقيق نفس أداء المؤمثل التقليدي مع تقليل كبير في زمن التنفيذ.
قراءة نقدية
دراسة نقدية: يعد البحث خطوة مهمة نحو تحسين أداء خوارزميات التحكم التنبؤي من خلال استخدام الشبكات العصبونية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، لم يتم التطرق بشكل كافٍ إلى كيفية تأثير التشويش أو التغيرات الديناميكية في النظام على أداء FNNO. ثانياً، التركيز كان على نظام محرك سيرفو فقط، مما يحد من تعميم النتائج على أنظمة أخرى. ثالثاً، لم يتم مناقشة تكلفة التدريب غير المتصل (offline) للشبكة العصبونية بشكل مفصل، والذي قد يكون مكلفاً في بعض التطبيقات العملية. أخيراً، يفضل إجراء تجارب عملية بالإضافة إلى المحاكاة الحاسوبية للتحقق من فعالية FNNO في البيئات الحقيقية.
أسئلة حول البحث
-
ما هي الفائدة الرئيسية من استخدام FNNO بدلاً من المؤمثل التقليدي في خوارزمية التحكم التنبؤي؟
الفائدة الرئيسية هي تقليل زمن التنفيذ بشكل كبير، حيث أن FNNO يمكنه حل مسألة الأمثلة بشكل أسرع من المؤمثل التقليدي المعتمد على الحوسبة الرقمية.
-
ما هي الخطوات التي تم اتباعها لتدريب FNNO؟
تم استخراج الإشارات الأساسية المؤثرة على دخل المؤمثل التقليدي في MPC، ثم تم تدريب الشبكة العصبونية على 2000 عينة من 10000 عينة من عينات النظام، واختبار الشبكة على العينات المتبقية.
-
ما هي القيود التي تم مراعاتها في نظام محرك السيرفو أثناء استخدام FNNO؟
تم مراعاة أن العزم والجهد لا يتجاوزان الحدود المسموحة لهما، حيث يجب ألا يتجاوز العزم قيمة 78.5NM وألا يتجاوز الجهد قيمة 220V.
-
ما هي التوصيات التي قدمها الباحثون في نهاية البحث؟
أوصى الباحثون بالاستعاضة عن FNNO بدارة تمثيلية لضمان سرعة كبيرة في إنجاز مهمة الأمثلة، وتطوير آلية FNNO في MPC لدراسة فعاليتها في الأنظمة اللاخطية مع وجود تشويش.
المراجع المستخدمة
Bernt M. A ˚ kesson, Hannu T. Toivonen,2006- " A Neural Network Model Predictive Controller" Journal of Process Control 16, 937–946
CAMACHO,E,2007- " Model Predictive Control. Springer, Second Edition," New York
Yunpeng Pan and Jun Wang,2008-" Two Neural Network Approaches to Model Predictive Control", American Control Conference, WeC13.5
قيم البحث
اقرأ أيضاً
يهدف هذا البحث للحصول على نموذج عصبوني لفئة من النظم الخطية و اللاخطية و ذلك باستخدام خوارزمية البرمجة التطورية Evolutionary programming(EP لاختيار التركيب البنيوي الأمثل للشبكة العصبونية. استخدمنا برنامج ماتلاب Matlab لتصميم الشبكات العصبونية باستخد
ام EP, لما يملك من مرونة و سهولة في تمثيل المصفوفات (الأنساق الخلوية Cell Arrays و الأنساق متعددة الأبعادMulti Dimension Arrays ). و قد أثبتت النتائج العملية كفاءة الخوارزمية المستخدمة في الوصول إلى شبكة عصبونية مثلى.
تم اختبار أداء و صلادة النموذج الناتج و ذلك بحذف إحدى عصبونات الطبقة المخفية للشبكة التي نتجت عن تطبيق EP و دراسة تأثير هذا الحذف على خرج النموذج الناتج, و قد أكدت الدراسة على فعالية الخوارزمية و ذلك بالنسبة لفئة النظم المستخدمة.
يَعرض هذا اَلبحث آَلية لَتكييف مَعامل تَوزين إَشارة اَلتحكم فَي تَقنية اَلتحكم اَلتنبؤيَ المُعمَّمة مَع مَطال إَشارة اَلتشويش اَلقابلة لَلقياس وَ المؤثرة عَلى مَدخل تَدفق اَلحمض فَيَ نظام مَُعادلة اَلأيون اَلهيدروجيني. حَيث تَكمن اَلفائدة مَن عَملية
اَلتكييف هذه فَي جَعلَ إشارة اَلتحكم اَلتي تَقود مَُشغِّل تَدفق اَلأساس أَخف سَرعة وَ حِدَّة ( أي أَقل تَغيرا )، وَ الذيَ من شَأنه أَن يَحمي هذا اَلمشغل مَن اَلتلف وَ يطيل عَمره وَ يُقلل مَن تَكاليف صَيانته. تَمَ
رصد فَعالية عَملية اَلتكييف عَن طَريق حَساب مَؤشري تَكامل اَلقيمة اَلمطلقة لَلخطأَ و تكامل اَلقيمة اَلمطلقة لَمشتق اَلإشارة فَي نَتائج عَملية اَلمحاكاة.
يتضمن هذا البحث بناء نواة محرك بحث يمكنه العمل ضمن شبكة الانترنت , قادر على التحكم بالبحث عن معلومات بمجالات محددة و فهرسة مواقع معينة .
تم في هذا البحث دراسة مسألة البحث عن المعلومات عبر الانترنيت و نظم استرجاع المعلومات و أنواع محركات البحث و المع
ماريات الأساسية لبناء المحركات و من ثم اقتراح معمارية محرك بحث يصلح نواة لمحرك البحث المرغوب و تحديد المخطط النهائي لمعمارية محرك البحث حيث تم بناء مقاطع محرك البحث و إجراء الاختبارات و النتائج.
نقدم العمل الجاري لتقييم، لمعرفتنا، أول نموذج لغز إذن كبير تم تدريبه على التحدث باللغة السويدية، باستخدام البيانات من Flashback من مناقشة النقاش عبر الإنترنت.نقوم بإجراء دراسة تجريبية للتقييم البشري تشير إلى أن النموذج غالبا ما يكون في الغالب من الاس
تجابة للمحادثات بطريقة تشبه الإنسان والمعلومات، على مجموعة متنوعة من الموضوعات.في حين أن البيانات من المنتديات عبر الإنترنت يمكن أن تكون مفيدة لبناء أنظمة محادثة، فإننا نفكر في العواقب السلبية التي قد يكون لها تطبيق غير حكيم، والحاجة إلى اتخاذ تدابير فعالة لحماية ضدهم.
نقترح إطارا جديدا لتدريب النماذج لتصنيف مقبولية الردود الناتجة عن نماذج توليد اللغة الطبيعية (NLG)، وتحسين تحويل الجملة الحالية والنهج القائمة على النماذج. يعتبر استجابة NLG مقبولة إذا كانت كل من صحيحة وتجميعها. نحن لا نستخدم أي مراجع بشرية مما يجعل
المصنفين مناسبين لنشر وقت التشغيل. يتم الحصول على بيانات التدريب للصفوف المصنفة باستخدام نهج من 2 مراحل من أول توليد البيانات الاصطناعية باستخدام مزيج من النهج القائمة والجديدة القائمة على النموذج متبوعا بإطار التحقق من صحة جديدة لتصفية وفرز البيانات الاصطناعية في فئات مقبولة وغير مقبولة. يتكيف نهجنا ذو المرحلتين لدينا بمجموعة واسعة من تمثيل البيانات ولا يتطلب بيانات إضافية تتجاوز ما يتم تدريب نماذج NLG عليها. وهي أيضا مستقلة عن الهندسة المعمارية النموذجية NLG الأساسية، وقادرة على توليد عينات أكثر واقعية قريبة من توزيع الردود الناتجة عن النموذج NLG. نقدم النتائج على 5 مجموعات بيانات (Webnlg، وتنظيفها E2E، Viggo، والتنبيه، والطقس) بتمثيلات بيانات متفاوتة. قارن إطار عملنا مع التقنيات الحالية التي تنطوي على توليد بيانات الاصطناعية باستخدام تحويلات جملة بسيطة و / أو تقنيات قائمة على الطراز، وإظهار أن بناء مصنف مقبولية يستخدمون البيانات التي تشبه مخرجات طراز الجيل تتبع إطار التحقق من الصحة تتفوق على التقنيات الحالية، وتحقيق الدولة النتائج من الفن. نظهر أيضا أن تقنياتنا يمكن استخدامها في إعدادات قليلة عند استخدام التدريب الذاتي.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
