Adaptivní regulátory s principy umělé inteligence a jejich porovnání s klasickými metodami identifikace.

Abstract

Práce pojednává o metodice návrhu adaptivního regulátoru opírajícího se o znalost matematického modelu řízené soustavy. Důraz je kladen zejména na problematiku průběžné parametrické identifikace v uzavřené smyčce. Odhadování parametrů modelu je řešeno dvěma základními přístupy: rekurzivní metodou nejmenších čtverců a neuronovými estimátory. V případě metod nejmenších čtverců byla řešena otázka získání neposunutého odhadu, numerické stability a potlačování staré informace selektivním vážením dat. Pro neuronové estimátory byly zvoleny algoritmy Back Propagation a Marquardt-Levenberg. Z porovnání obou přístupů na reálných soustavách vyplývá, že pokročilejší techniky z řad metod nejmenších čtverců za současného stavu poskytují numericky přesnější a spolehlivější řešení problematiky identifikace pro adaptivní řízení. Ve vlastní realizaci bylo vytvořeno rozhraní v programu MATLAB/Simulink umožňující grafické a číselné vyhodnocení jednotlivých algoritmů.This piece of work deals with a philosophy of design adaptive controller, which is based on knowledge of mathematical model controlled plant. This master thesis is focused on closed-loop on-line parametric identification methods. An estimation of model´s parametres is solved by two main concepts: recursive leastsquare algorithms and neural estimators. In case of least-squares algorithm the strategy of preventing the typical problems are solved here. For instance numerical stability, accurecy and restricted forgetting. Back Propagation and Marquardt- Levenberg algorithm were choosen to represent artificial inteligence. There is still a little supermacy on the side of methods based on least-squares algorithm. To compare individual algorithms the grafical interface in MATLAB/Simulink was created.