Higher Order Neural Unit Adaptive Control and Stability Analysis for Industrial System Applications

Abstract

Given the push in our modern digitalized industry for advanced, yet comprehensible methods for process identification and control, computational intelligence methods are readily ongoing in study. Higher-order neural units (HONUs) have proven to be such computationally efficient and comprehensible architectures for application as standalone process models or as a nonlinear control loop where one recurrent HONU is a plant model and another HONU is as a nonlinear state feedback (neuro)controller (via MRAC scheme). An area which till now has not been so readily studied is their application for real industrial systems whilst also monitoring and ensuring whole dynamical closed control loop stability for HONU-MRAC control loop design, both as offline tuned and online adaptively tuned control loop setups. Alternative approaches as the widely used Lyapunov function, can be used for design of the control law or prove of stability for existing control laws about an equilibrium or given point in state-space. However, in practical engineering applications such methods although proving stability about an equilibrium point may still result in bad performance or damages if they are also not proven to be bounded-input-boundedoutput/state (BIBO/BIBS) stable with respect to the control inputs. Therefore, the main contribution of this dissertation is to introduce two novel real-time BIBO/BIBS based stability evaluation methods for HONUs and for their closed control loops. The proposed methods being derived from the core polynomial architectures of HONUs themselves provides a straightforward and comprehensible framework for stability monitoring that can be applied to other forms of recurrent polynomial neural networks. Both methods are comprehensively analysed and validated through various nonlinear system examples as well as new results presented from the rail automation field for real time industrial process control via HONU-MRAC design. Further directions are also highlighted for sliding mode design via HONUs and multi-layered HONU feedback control presented as a framework for low to moderately nonlinear systems.

Metody výpočetní inteligence pro identifikaci a řízení procesů jsou v této práci studovány vzhledem k rozvoji moderního digitalizovaného průmyslu a s ohledem na potřebu pokročilých avšak pro praxi srozumitelných algoritmů. Neuronové jednotky vyšších stupňů (HONU) se ukázaly jako výpočetně efektivní a přitom srozumitelné nelineární polynomiální modely pro řízení samotných soustav nebo pro optimalizaci již existujících regulačních smyček, kde jedna jednotka HONU představuje na datech založený model soustavy a druhá HONU je implementována jako nelineární stavový (neuro) regulátor (řízení typu MRAC). Mezi dnes široce rozšířené přístupy nelineárního řízení patří metody pomocí Lyapunovovi funkce pro návrh regulátoru, který v principu garantuje stabilitu ve stavovém prostoru pro daný rovnovážný bod a vstup systému, avšak v principu nepředepisuje požadovanou dynamiku chování (jako např. řízení typu MRAC). V praktických inženýrských aplikacích také může stále dojít ke špatnému řízení a tudíž i poškození, pokud se také neprokáže, že regulační smyčka je stabilní ve smyslu omezený-vstup omezený-výstup/stav (BIBO / BIBS). Hlavním přínosem této disertační práce je proto zavedení dvou nových metod vyhodnocení stability nelineárních adaptivních smyček s HONU založených na BIBO / BIBS. Navrhované metody jsou odvozeny na základě polynomiálních neuronových architektur HONU a poskytují přímý a komplexní rámec pro sledování stability v reálném čase, který lze použít i na jiné formy rekurentních polynomiálních neuronových sítí (lineárních v parametrech). Jsou prezentovány nové výsledky adaptivního řízení v oblasti kolejových vozidel a na několika dalších příkladech nelineárních dynamických systémů. Další směry jsou také naznačeny pro návrh řízení typu „sliding mode control“ s HONU a zpětnovazebního řízení se sítěmi HONU pro mírně až středně nelineární systémy, kde lineární způsoby řízení nedosahují požadovaných vlastností.