Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Modellizzazione & comando dei sistemi industriali complessi per mezzo delle tecniche intelligenti

La motivazione principale di questo lavoro è l’implementazione delle varie capacità offerte dalle TIA, come sistemi ibridi migliorati, al fine di sviluppare approcci per la sintesi delle leggi di comando semplici, efficaci e robuste. La formulazione dei problemi di comando è stata svolta con una combinazione dei SIF, delle RNA e degli AG. Il nostro studio tratta e spiega, in maniera esplicita, i problemi incontrati nella fase di concezione dei SIF. Si tratta essenzialmente di:
- problemi di dimensionamento della base delle regole fuzzy del SIF (la struttura);
- problemi di configurazione dei parametri della base di conoscenze;
- problemi di stabilità/robustezza dell’anello di controllo.

I lavori presentati in questa tesi si articolano essenzialmente attorno ai principali assi della modellizzazione e del comando fuzzy di tipo TS1 per sistemi fortemente non lineari complessi.
In primo luogo, si mira a sintetizzare una legge di comando fuzzy stabile e robusta. Per soddisfare tale obiettivo, sarà sviluppata e proposta una strategia di comando. Anticipiamo anche l’impiego della tecnica dell’ibridazione neuronale fuzzy. È proposta e utilizzata anche la struttura RBF-fuzzy estesa al ragionamento approssimativo di tipo TS1. Inoltre si mira a sviluppare un algoritmo ibrido efficace per un’ottimizzazione strutturale e parametrica del controllore RBF-fuzzy proposto. Vengono anche indicate due tappe di apprendimento:
- verrà sviluppata e applicata un’ottimizzazione globale, basata su un algoritmo di tipo AG multi-obiettivo, dell’insieme struttura e parametri, della rete controllore;
- viene anticipato l’utilizzo della tecnica della discesa del gradiente per una più fine regolazione dei parametri delle conseguenze delle regole.
La semplicità della legge di comando, l’efficacia, la stabilità e la robustezza saranno considerate come fattori che intervengono nel criterio delle performance da ottimizzare.
In seconda fase, la nostra ricerca consiste nello sviluppare una metodologia di sintesi che consente la considerazione, esplicita e simultanea, di varie specifiche strutturali e funzionali. Il concetto di multi-modello viene sfruttato per la sintesi di una legge di comando fuzzy pur assicurando la stabilità in BF. L’idea consiste nel determinare un insieme ridotto di regole con la definizione delle zone di funzionamento (funzione di appartenenza) per ogni variabile di stato del sistema. Attorno a tali zone, sarà stabilito il multi-modello attraverso la linearizzazione del modello del sistema. Questa fase rappresenta la modellizzazione fuzzy del sistema non lineare. Il comportamento globale risulta dalla « fusione » dell’insieme dei vari comportamenti locali per mezzo del formalismo di TS. Gli AG rappresentano lo strumento di ottimizzazione che interviene in tutte le tappe di sintesi della legge di comando. L’algoritmo sviluppato in questo contributo consiste:
- nella simulazione del comportamento del procedimento da studiare;
- nell’inizializzazione della base ridotta delle regole;
- nella modellizzazione fuzzy del procedimento tramite l’approccio multi-modello;
- nello stabilire le condizioni di stabilità del modello completo tramite l’approccio energetico di Lyapunov.
L’approccio genetico viene adattato in quest’ultima tappa. Il metodo LMI è sostituito da uno sfruttamento genetico dello spazio di ricerca dei parametri che giustifica le condizioni della stabilità.
Per ogni struttura di comando, saranno presentati risultati di simulazione per mostrare e giustificare le performance desiderate. La convalida dei nostri risultati sarà confrontata con quelli ottenuti da altre tecniche citate come riferimento.
Il nostro lavoro spiega, in particolare, i problemi riscontrati nella fase di realizzazione dei sistemi fuzzy. Esso agisce principalmente per risolvere:
- I problemi di dimensionamento della regola dei sistemi fuzzy (la struttura);
- I problemi della configurazione dei parametri della base di conoscenze fuzzy;
- I problemi di stabilità/robustezza del ciclo di controllo.
Il lavoro presentato in questa tesi è principalmente articolato sui principali assi della modellizzazione fuzzy e sui controllori fuzzy di tipo TS1 per sistemi complessi altamente non lineari.
Inizialmente, ci proponiamo di sintetizzare una legge di un controllore fuzzy stabile e robusto. Per soddisfare tale obiettivo, verrà sviluppata e proposta una strategia di controllo. Anticipiamo inoltre l'uso della tecnica di ibridazione delle reti neurali fuzzy. La topologia RBF fuzzy si è estesa a TS1-t approssimata.

Mostra/Nascondi contenuto.
17 Introduzione generale A – Studio preliminare La concezione e la realizzazione dei sistemi di modellizzazione e di controllo avanzati dei procedimenti industriali complessi sono dei compiti innegabile e necessari di fronte alle esigenze dei nuovi sviluppi tecnologici. La complessità di questi procedimenti esige la costruzione degli algoritmi, strettamente adattati alle situazioni critiche e anche molto critiche. Due modalità di controllo automatico dei procedimenti sono continuamente ambite:  Le prime, chiamate convenzionali, si basano sulle matematiche dell‟insieme controllore/procedimento;  Le seconde sono al centro di una disciplina scientifica, relativamente nuova e, in ogni caso, controversa, chiamata « TIA » (tecniche di intelligenza artificiale). Le TIA caratterizzano l‟insieme degli algoritmi e delle tecniche, conosciute anche con la denominazione anglofona di « soft computing », introdotte nel 1994 da L.A. Zadeh, come mezzo per costruire sistemi intelligenti rispondenti:  agli obblighi di efficacia, di robustezza e di facilità di implementazione;   all’ottimizzazione di costi temporali, energetici, finanziari, ecc.  Le nuove tecniche devono tenere conto anche della presente della componente umana e, soprattutto, dell’esperienza nei sistemi da studiare e da analizzare [1]. Le principali tecniche sono : la logica fuzzy « LF », le reti di neuroni « RNA » e gli algoritmi genetici « AG » [2] - [4]. I primi due elementi dei TIA, « RNA » e « LF », tentano di modellizzare il funzionamento del cervello umano. Le RNA tentano di modellizzare l‟architettura neuronale del cervello. I sistemi fuzzy, dal canto loro, ne modellizzano la modalità di funzionamento (ragionamento): apprendimento e deduzione. Gli AG servono invece a modellizzare il processo dell‟evoluzione genetica delle specie viventi. Negli ultimi anni, lo sviluppo di nuovi concetti o metodologie e algoritmi nel campo dell‟intelligenza artificiale, ha fornito strumenti alternativi per affrontare il problema di modellizzazione e di controllo dei sistemi non lineari (scienze ingegneristiche). L‟obiettivo degli studiosi è costruire sistemi artificiali che fissino gli importanti meccanismi dei sistemi naturali. L‟aumento della robustezza, il controllo non lineare e il controllo adattivo sono gli obiettivi principali delle nuove strategie di controllo. Esse realizzano metodi avanzati di controllo. Gli algoritmi di controllo intelligente figurano tra le nuove tendenze di controllo dei sistemi complessi. L‟applicazione dei TIA, nonché le loro ibridazioni, per la modellizzazione e il comando dei sistemi fortemente non-lineari, possono fornire soluzioni ben adattate alla complessità dei procedimenti industriali.

Traduzione

Facoltà: Sciences de l’Ingénieur

Traduttore: Marco Casella Contatta »

Composta da 259 pagine.

 

Questa tesi ha raggiunto 198 click dal 13/07/2011.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.