Synthèse d'un contrôleur prédictif auto adaptatif réglé par réseau de neurones artificiels - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Elaboration of auto adaptive MPC controller based on Artificial Neural Network

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

Résumé

In an industrial context of optimizing system performances and reject disturbances, predictive control (MPC) has several advantages. However, it requires careful consideration of the tuning of its parameters, which are : Prediction horizon, Control horizon and weighting factors. In view of the drawbacks of the tuning methods available in the literature, an original approach is proposed. In order to establish a relation between the expected performance and the parameters of the MPC, this approach uses the theory of Artificial Neural Networks (ANN) known for their learning capacity. The approach explored required looking into two issues: the first one is the construction of an optimal data necessary for learning the ANN, and the second oneis the optimization of the structure of this ANN. , more precisely the optimization of the number of neurons on the hidden layer. The work carried out led to the proposal of a meta-heuristic optimization approach known as "PSO" (Particle Swarm Optimization) for the construction of the database then the online algorithm OS-ELM (Online Sequantial-Extrem Learning Machine) for the learning of the ANN. The effectiveness of our approach is brought to light by comparing the obtained performances to other MPC tuning approaches from the literature. The obtained simulations results show the effectiveness of the ANN approach for different categories of systems : SISO, MIMO, with or without delay, Non-linear MIMO system which can be represented by a Takagi- Sugeno model.
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).
Fichier principal
Vignette du fichier
houssammoumouh.pdf (2.66 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03272896 , version 1 (28-06-2021)

Identifiants

  • HAL Id : tel-03272896 , version 1

Citer

Houssam Moumouh. Synthèse d'un contrôleur prédictif auto adaptatif réglé par réseau de neurones artificiels. Systèmes et contrôle [cs.SY]. Normandie Université, 2021. Français. ⟨NNT : 2021NORMR017⟩. ⟨tel-03272896⟩
346 Consultations
397 Téléchargements

Partager

Gmail Facebook X LinkedIn More