Neural network based adaptive control via temporal pattern recognition

Abstract

This paper presents a neural network approach to adaptive control through pattern recognition techniques. Two interconnected backpropagation networks are trained to translate error patterns resulting from sustained set point changes into predictions of mismatch between current internal model parameters, model gain and model time constant, and those which restore desired performance. The network predictions are then used to update a model based PI controller. The strategy is demonstrated on two simulations and a pilot scale process which are undergoing severe changes in model gain and time constant. The strategy compares favorably against a more traditional rule based pattern recognition approach.

On présente dans cet article une approche par réseau neuronal du contrôle adaptatif au moyen de techniques de reconnaissance des modèles. Deux éeseaux de rétropropagation interconnectés sont entraînées à traduire les types d'erreurs résultant de changements constants des points de consigne en prédiction de discordance entre les paramètres de modèle internes courants, le gain de modèle et la constante de temps de modèle, et ceux qui rétablissent la performance désirée. On utilise ensuite les predictions du réseau pour mettre à jour un contrôleur PI basé sur les modèles. Cette stratégie est démontrée à partir de deux simulations et d'un système à l'échelle pilote qui subissent des changements sévères dans le gain et la constante de temps de modèle. Cette stratégie se compare favorablement à une approche de reconnaissance des modèles à partir des règles traditionnelles.