| Luigi Piroddi |
La ricerca ha per scopo lo studio di architetture di controllo predittivo non lineare implementate con reti neurali. In particolare, è stata proposta una versione non lineare delle tecniche di controllo a minima varianza (MV) e a minima varianza generalizzata (GMV) ed è stata discussa una realizzazione del controllore mediante reti neurali. I controllori così progettati sono di tipo ibrido: comprendono sia blocchi lineari che blocchi non lineari di tipo neurale. Mentre l'apprendimento delle reti neurali si svolge attraverso una procedura fuori linea, i blocchi lineari possono essere facilmente tarati in tempo reale: ciò costituisce un grado di flessibilità addizionale per il progettista del sistema di controllo. Le proprietà di stabilità degli schemi proposti sono state studiate dettagliatamente, con particolare riferimento alla valutazione del degrado delle prestazioni dovuto all'impiego di controllori approssimati con reti neurali. E' stato analizzato quindi il problema della reiezione dell'errore di regime attraverso l'uso di controllori di tipo integrale inseriti opportunamente nell'anello di controllo. E' stato poi effettuato un confronto tra le tecniche tradizionali di controllo e le metodologie sviluppate nel corso della ricerca. A questo scopo, è stato utilizzato come banco di prova il problema del controllo della temperatura di uscita di uno scambiatore liquido-vapore saturo.
Molti dei risultati di questa ricerca sono riassunti nella Tesi di Dottorato. Alcuni approfondimenti di questo tema di ricerca sono riportati nelle pubblicazioni elencate.
Pubblicazioni:
L. Piroddi, "Hybrid neural control systems: some stability properties", Journal of the Franklin Institute, Vol. 349, n. 3, 2012, pp. 826-844, April 2012.
S. Bittanti, L. Piroddi, "Steady-state off-set error rejection in neural network-based control systems", Intelligent Automation and Soft Computing, Vol. 6, n. 2, February 2000.
S. Bittanti, L. Piroddi, "Neural implementation of GMV control schemes based on affine input-output models", IEE Proceedings, Control Theory and Applications, Vol. 144, No. 6, November 1997.
S. Bittanti, L. Piroddi, "Nonlinear identification and control of a heat exchanger: a neural network approach", Journal of the Franklin Institute, Vol. 334, No. 1, pp. 135-153, 1997.
S. Bittanti, L. Piroddi, "Sintesi di un controllore predittivo di tipo neurale", in Simulazione Identificazione Controllo - Il caso di uno scambiatore di calore, a cura di S. Bittanti, Pitagora Editrice Bologna, 1996.
L. Piroddi, "Reti neurali per il controllo predittivo non lineare", Tesi di Dottorato di Ricerca in Ingegneria Informatica e Automatica, 7° ciclo, Politecnico di Milano, 1995.
S. Bittanti, L. Piroddi, "GMV Technique for Nonlinear Control with Neural Networks", IEE Proceedings, Control Theory and Applications, Vol. 141, No. 2, March 1994.
S. Bittanti, L. Piroddi, "A Neural Network Approach to Generalized Minimum Variance Control of Nonlinear Systems", European Control Conference ECC '93, Groningen (NL), 1993.
S. Bittanti, L. Piroddi, "Minimum Variance Control of a Class of Nonlinear Plants with Neural Networks", IEE 3rd Int. Conf. on Artificial Neural Networks, Brighton (UK), 1993.
Le tecniche di autotuning per regolatori industriali sono generalmente basate sull'assunzione a priori di una struttura fissa per il modello del processo. Pertanto, le regole di sintesi del regolatore devono necessariamente essere alquanto conservative a causa dell'inevitabile presenza di dinamiche non modellate. Si è quindi proposta una metodologia per la selezione entro una famiglia di possibili strutture di quella che risulta maggiormente adeguata alla dinamica dello specifico processo da controllare. Tale classificazione viene effettuata in linea a partire da dati ingresso/uscita per mezzo di una rete neurale che, grazie ad un opportuno procedimento di normalizzazione dei dati, può essere addestrata fuori linea. E' così possibile impiegare regole di taratura più specifiche e rispondenti alla dinamica del processo, ottenendo complessivamente migliori prestazioni rispetto alle tecniche tradizionali di autotuning. Ciò è stato mostrato mediante prove comparative con un autotuner basato sul classico approccio IMC. Inoltre, la tecnica proposta è stata applicata al controllo della concentrazione di testa di una colonna di distillazione pilota.
Pubblicazioni:
A. Leva, L. Piroddi, "On the parameterisation of simple process models for the autotuning of industrial regulators", American Control Conference, pp. 3306-3311, New York City (USA), July 11-13, 2007.
L. Piroddi, A. Leva, "Step response classification for model-based autotuning via polygonal curve approximation", Journal of Process Control, Vol. 17, n. 8, pp. 641-652, September 2007.
L. Piroddi, A. Leva, "Model structure selection based on polygonal curve approximation techniques", 45th IEEE Conference on Decision and Control, pp. 805-810, San Diego, California (USA), December 13-15, 2006.
A. Leva, L. Piroddi, "Model classification applied to industrial PID autotuning", Industrial & Engineering Chemistry Research, Vol. 43, n. 21, pp. 6787-6796, 2004.
A. Leva, L. Piroddi, "Model-based PID autotuning enhanced by neural structural identification", American Control Conference, pp. 2427-2432, Boston, Massachusetts (USA), July 2004.
A. Leva, L. Piroddi, "Model-specific autotuning of classical regulators: a neural approach to structural identification", Control Engineering Practice, Vol. 4, No. 10, pp. 1381-1391, 1996.
A. Leva, L. Piroddi, "A Neural Network-Based Technique for Structural Identification of SISO Systems", IMTC'94, Hamamatsu, 1994.