Development of new model-based adaptive predictive control algorithms and their implementation on real - time embedded systems

Abstract

This dissertation deals with the development of two new neural network-based model identification algorithms and two new model predictive control (MPC) algorithms which are combined to form model-based adaptive control strategies. Also, two new computer platforms for the implementation of these algorithms and their corresponding strategies are proposed. The overall strategies consist of an online model identification part and a model-based predictive control part. The proposed algorithms for the model identification are practically two new algorithms for training a dynamic feedforward neural network (DFNN) which will be considered to comprise the model of a nonlinear dynamic system. The proposed training algorithms are: the adaptive recursive least squares (ARLS) algorithm and the modified Levenberg-Marquardt algorithm (MLMA). The proposed algorithms for the predictive control parts are: the adaptive generalized predictive control (AGPC) and the nonlinear adaptive model predictive control (NAMPC). The two real-time platforms for the implementation of the combined operation of identification and predictive control algorithms with the purpose of forming an adaptive control strategy are: a service-oriented architecture (SOA) cluster network based on the device profile for web services (DPWS) and a Xilinx’s Virtex-5 FPGA (field programmable gate array) development board. The proposed control strategies have been applied to control three applications, namely: the fluidized bed furnace reactor (FBFR) of the steam deactivation unit (SDU) used for preparing catalyst for evaluation in a fluid catalytic cracking (FCC) pilot plant; an activated sludge wastewater treatment plant (AS-WWTP) in accordance with the European wastewater treatment standards; and the auto-pilot control unit of a nonlinear F-16 fighter aircraft. The neural network models for these three applications were validated using one-step, five-step and ten-step ahead prediction simulations as well as with the Akaike’s final prediction error (AFPE) estimate algorithm. Also, the performances of the proposed ARLS and MLMA algorithms were compared with the backprogation with momentum (BPM) and incremental backpropagation (INCBP) algorithms. Also the performances of the PID control of the identified model of the FBFR process by means of the ARLS and the MLMA network training algorithms versus the PID control of the first principles model of the same process. The AGPC and NAMPC control of the considered applications when model identification is performed by the ARLS and MLDA algorithms were implemented on a conventional mulitcore personal computer (PC) and SOA cluster of muticore PCs. Hardware-in-the-loop simulations have been performed by linking the PC or SOA implementations with MATLAB simulations of the processes. An AGPC implementation with neural networks trained using the MLMA algorithm has been made on a Xilinx Virtex-5 FPGA. The hardware-in-the-loop simulations have shown that the proposed algorithms and their SOA or FPGA implementations can have execution times shorter than other algorithms which present similar performance. Therefore, they render themselves more appropriate compared to other algorithms for use in the control of processes requiring shorter sampling time for stable operations.

Η διατριβή αυτή αφορά στην ανάπτυξη δυο νέων αλγορίθμων αναγνώρισης μοντέλου που να στηρίζεται σε νευρωνικά δίκτυα και δυο νέων αλγορίθμων προβλεπτικού ελέγχου με χρήση μοντέλου (MPC) οι οποίοι συνδυάζονται για να σχηματίσουν στρατηγικές προσαρμοστικού ελέγχου με χρήση μοντέλου. Επίσης, προτείνονται και δυο νέες υπολογιστικές πλατφόρμες για την υλοποίηση των στρατηγικών αυτών. Οι συνολικές στρατηγικές αποτελούνται από το τμήμα αναγνώρισης του μοντέλου εν λειτουργία του ελεγχόμενου συστήματος και από το τμήμα του στηριζόμενου σε μοντέλο προβλεπτικού ελέγχου. Οι αλγόριθμοι που προτείνονται για την αναγνώριση του μοντέλου είναι πρακτικά δυο νέοι αλγόριθμοι εκπαίδευσης ενός δυναμικού εμπροσθοβαρούς νευρωνικού δικτύου (DFNN) που θεωρείται ότι συνιστά το μοντέλο ενός μη γραμμικού δυναμικού συστήματος. Οι προτεινόμενοι αλγόριθμοι είναι: ο προσαρμοστικός επαναληπτικός αλγόριθμος των ελαχίστων τετραγώνων (ARLS) και ο τροποποιημένος Levenberg-Marquardt αλγόριθμος (MLMA). Οι προτεινόμενοι αλγόριθμοι για το τμήμα του προβλεπτικού ελέγχου είναι: ο γενικευμένος προσαρμοστικός αλγόριθμος προβλεπτικού ελέγχου (AGPC) και ο μη γραμμικός προσαρμοστικός αλγόριθμος ελέγχου με χρήση μοντέλου (NAMPC). Οι δυο πλατφόρμες πραγματικού χρόνου για την υλοποίηση της συνδυασμένης λειτουργίας των αλγορίθμων αναγνώρισης μοντέλου και προβλεπτικού ελέγχου με στόχο να διαμορφωθεί μια προσαρμοστική στρατηγική ελέγχου είναι: ένα δίκτυο συστοιχιών με αρχιτεκτονική προσαρμοσμένη σε υπηρεσίες (SOA) που βασίζεται στο πρωτόκολλο διασύνδεσης συσκευών με σύστημα υποστήριξης υπηρεσιών ιστού (DPWS) και στην κάρτα ανάπτυξης εφαρμογών με τον προγραμματιζόμενο στο πεδίο πίνακα πυλών (FPGA) Xilinx Virtex-5. Οι προτεινόμενες στρατηγικές ελέγχου αποτελούμενες από τους δυνατούς συνδυασμούς των αλγορίθμων AGPC και NAMPC με τους ARLS και MLMA υλοποιήθηκαν σε συστοιχία υπολογιστών με SOA αρχιτεκτονική για τις ακόλουθες δυο εφαρμογές: το φούρνο του αντιδραστήρα πιλοτικής μονάδας καταλυτικής διάσπασης (FBFR) και μια μονάδα αεροβικής επεξεργασίας αποβλήτων (AS-WWTP) που ικανοποιεί τα ευρωπαϊκά πρότυπα επεξεργασίας αποβλήτων. Η στρατηγική ελέγχου που αποτελείται από τους αλγόριθμους AGPC και MLMA υλοποιήθηκε επίσης σε κάρτα Xilink C Virtex-5 FPGA για τον έλεγχο του αυτόματου πιλότου του πολεμικού αεροσκάφους F-16. Τα πειραματικά αποτελέσματα όλων των παραπάνω υλοποιήσεων έδειξαν ότι με τον κατάλληλο συνδυασμό αλγορίθμων και πλατφόρμας είναι δυνατόν να επιτευχθούν χρόνοι εκτέλεσης των στρατηγικών ελέγχου κατά πολύ μικρότεροι από τους χρόνους δειγματοληψίας που απαιτούνται για να εξασφαλισθεί ο ευσταθής έλεγχος των μελετηθέντων δυναμικών συστημάτων. Η επίδοση των αλγορίθμων αυτών είναι καλύτερη από αυτή των συμβατικών αλγορίθμων που χρησιμοποιούνται για τον έλεγχο των ίδιων συστημάτων.