Técnicas de controlo não-linear baseadas em redes neuronais - do algoritmo à implementação

Abstract

O presente trabalho analisa soluções de controlo não-linear baseadas em Redes Neuronais e apresenta a sua aplicação a um caso prático, desde o algoritmo de treino até à implementação física em hardware. O estudo inicial do estado da arte da utilização das Redes Neuronais para o controlo leva à proposta de soluções iterativas para a definição da arquitectura das mesmas e para o estudo das técnicas de Regularização e Paragem de Treino Antecipada, através dos Algoritmos Genéticos e à proposta de uma forma de validação dos modelos obtidos. Ao longo da tese são utilizadas quatro malhas para o controlo baseado em modelos, uma das quais uma contribuição original, e é implementado um processo de identificação on-line, tendo por base o algoritmo de treino Levenberg-Marquardt e a técnica de Paragem de Treino Antecipada que permite o controlo de um sistema, sem necessidade de recorrer ao conhecimento prévio das suas características. O trabalho é finalizado com um estudo do hardware comercial disponível para a implementação de Redes Neuronais e com o desenvolvimento de uma solução de hardware utilizando uma FPGA. De referir que o trabalho prático de teste das soluções apresentadas é realizado com dados reais provenientes de um forno eléctrico de escala reduzida.

The present work analyses non-linear control solutions based on Neural Networks and presents its application to a case study, from the training algorithm to the hardware implementation. The initial study of the state of the art of Neural Networks use in control led to a proposal of iterative solutions for architecture definition and establishment of the Regularization and Early Stopping parameters, through the use of Genetic Algorithms and to the proposal of a new validation technique for the models. Throughout this thesis, four different loops for model based control are used, one of which is an original contribution, and an on-line identification procedure, based on the Levenberg-Marquardt algorithm with Early Stopping that allows system identification without previous knowledge of its characteristics. The work is finalized with a commercial hardware study for Neural Networks and with the development of a hardware solution based on a FPGA. It is worth mentioning that proposed solutions are tested with real data provided by a reduced scale electric kiln.