بخشی از مقاله
چکیده -
شبکه هاي عصبی به خاطر توانایی بالا در مدلسازي، در بسیاري از کاربردهاي مهندسی شیمی از جمله تحلیل اطلاعات سنسور و تشخیص خطا و شناسایی سیستم استفاده شده اند. با افزایش تحقیقات در زمینه کنترل غیرخطی، استفاده از شبکه هاي عصبی در کنترل فرآیندها افزایش چشمگیري داشته است. هدف این مقاله کلاس بندي کاربردهاي شبکه هاي عصبی در کنترل فرآیندهاي شیمیایی چه در زمینه شبیه سازي و چه در زمینه اجراي آنلاین است. این کلاس بندي در قالب سه طرح کنترلی کلی انجام گرفته است:
کنترل پیش بین، کنترل بر مبناي مدل معکوس و کنترل تطبیقی. خلاصه اي از کاربردهاي اصلی به همراه هدف و نتیجه آن ارائه شده است. خلاصه ارائه شده و کلاس بندي نشان می دهند که شبکه هاي عصبی چندلایه مستقیم بیشترین کاربرد را در کنترل فرآیندهاي شیمیایی داشته اند.
-1 مقدمه
شبکه هاي عصبی داراي توانایی بالا در مدلسازي بوده و به همین جهت به طور گسترده در تعدادي از کاربردهاي مهندسی شیمی از قبیل تحلیل اطلاعات سنسور، تشخیص خرابی و شناسایی سیستم غیرخطی استفاده شده است. در سالهاي اخیر افزایش مطالعات در زمینه کنترل غیرخطی باعث استفاده از آن در زمینه کنترل فرآیند شده است.
در بیشتر سیستمهاي غیرخطی به دست آوردن مدل دقیق از فرآیند با روشهاي تحلیلی بسیار مشکل و هزینه بر است.
یکی از موانع استفاده از مدلهاي غیرخطی در مدلسازي و کنترل پیشرفته، هزینه توسعه و معتبرسازي مدل است به طوري که معمولاً مدلسازي %75 کل هزینه یک پروژه کنترل پیشرفته را به خود اختصاص می دهد.
در سالهاي اخیر همزمان با رشد تحقیقات در زمینه مدلسازي سیستمهاي غیرخطی، تحقیقات در زمینه شبکه هاي عصبی نیز افزایش یافته و باعث شده که مدلسازي با استفاده از شبکه هاي عصبی یک روش جالب در زمینه مدلسازي سیستمهاي غیرخطی شوند. از آنجا که شبکه هاي عصبی را می توان با مثال آموزش داد، معمولاً این روشها در زمینه توسعه مدل به لحاظ هزینه مؤثر هستند. در تحقیقات انجام شده به وسیله [1] Cybenko و [2] Hornik ثابت شد که هر تابع پیوسته را می توان با یک مجموعه از شبکه هاي عصبی مستقیم دو لایه و یک ترم غیرخطی ثابت تخمین زد.
گر چه کاربردهاي شبکه هاي عصبی در جنبه هاي مختلف مهندسی دیده شده است ولی در سالهاي اخیر گسترش زیادي در زمینه مهندسی شیمی داشته است. این امر به دلایل زیر بوده است:
– 1 پیشرفتهاي چشمگیر سخت افزاري در تکنولوژي دیجیتال در سالهاي گذشته امکان شبیه سازي شبکه هاي عصبی را به طور اقتصادي و با سرعت و آسانی نسبی فراهم کرده است. گر چه شبکه هاي عصبی ابزاري موازي می باشند ولی اکثر شبیه سازي هاي آنها در کامپیوترهاي سري انجام می شود.
– 2 کاربرد شبکه هاي عصبی براي کلاس بندي الگوي سنسور بهتر از تکنیکهاي الگوریتمی سنتی یا روشهاي مبتنی بر سیستمهاي خبره است.
– 3 شبکه هاي عصبی توانایی استخراج اطلاعات از سیستم را به طور مؤثر و با قابلیت استفاده عادي از اطلاعات غنی دارا می باشند. در بعضی موارد ممکن است توسعه مدلها با روشهاي تحلیلی به ویژه در مواردي که غیرخطی بودن ناشناخته داشته باشیم به صرفه نباشد. در این موارد شبکه عصبی یک جایگزین ساده و مؤثر است.
– 4 استفاده از شبکه عصبی در فرآیندهاي واقعی که مواجهه با غیرخطی بودن مشکل است، آسانتر است.
– 5 تطبیق پذیري در ساختار و کاربرد شبکه عصبی آنها را حد وسط روشهاي بر پایه مدل مرسوم و روشهاي جعبه سیاه براي حل مسایل قرار داده است.
مقالات منتشر شده توسط Hoskins و [3] Himmelblau در سال 1988 و Bhat و [4] Mcavoy در سال 1990 و Hernández و [5] Arkun در سال 1992 و Mohamed [6] Azlan Hussain در سال 1999 مروري بر کاربردهاي مختلف شبکه هاي عصبی در فرآیندهاي شیمیایی در سالهاي اخیر دارد. در واقع استفاده از شبکه هاي عصبی در کنترل فرآیندهاي شیمیایی نیز گسترش زیاد داشته است. با توجه به نوع استفاده از مدل به دست آمده این گسترش شامل سه حوزه از کنترل یعنی کنترل بر مبناي مدل معکوس و کنترل پیش بین و کنترل تطبیقی بوده است.
اکثر شبکه هاي عصبی استفاده شده در این کاربردها شبکه هاي مستقیم چندلایه شامل شبکه هاي RBF می باشند.
تعدادي از تحقیقاتی که درباره ویژگیها و مزایا و محدودیتهاي این روشها است در مراجع [7 - 10] آمده است. سایر شبکه هاي استفاده شده شبکه هاي بازگشتی و شبکه هاي VQN می باشند. VQN ها طبقه بندي کننده هاي الگوي گسسته هستند که الگوي وارد شونده را با کتابخانه اي از الگوهاي نمونه مقایسه کرده و آن را به کلاسی از الگوي نمونه ارجاع می دهند که به الگوي فوق شبیه تر است. این شبکه از گره هایی تشکیل یافته که هر گره تمام الگوي وارد شونده را گرفته و یک خروجی از شبکه را تولید می کند. تعدادي از کارهاي انجام شده با شبکه هاي بازگشتی در مراجع [11-13] آمده است.
هیچ دلیل واضحی مبنی بر ارجحیت یک شبکه بر شبکه دیگر و یا یک تابع تبدیل به تابع تبدیل دیگر نمی توان ارائه کرد. این بیشتر به استفاده کننده و نوع کاربرد بستگی دارد و بنابراین باید مورد به مورد به مسأله نگاه کرد.
کاربردهایی که استراتژي هاي بر مبناي شبکه هاي عصبی را به کار می برند محدوده وسیعی دارند ولی همگی شامل همه نوع فرآیند شیمیایی از نوع خطی تا غیرخطی شدید می باشند. مروري بر انواع این فرآیندها و ویژگیهاي آنها را می توان در کتابهاي متعدد [18 - 22] مشاهده کرد. به هر حال اکثر سیستمهاي استفاده شده شیمیایی، ستون تقطیر و سیستمهاي راکتور CSTR - و بیوراکتورها و راکتورهاي خنثی کننده - می باشند. این فرآیندها سیستهاي چند متغیره و غیرخطی بوده و براي اعمال روشهاي کنترل فوق در مورد فرآیندهاي شیمیایی مناسب می باشند. شبکه هاي عصبی همچنین در مورد فرآیندهاي ویژه اي همچون تنظیم خودکار ضرایب کنترل کننده هاي استفاده شده اند.
-2 کاربردها در کنترل پیش بین
متداولترین روش کنترلی که از شبکه هاي عصبی استفاده می کند کنترل پیش بین می باشد. در این روش کنترلی، کنترل کننده یک متغیر کنترلی را به گونه اي مشخص می کند که یک تابع عملکرد حلقه باز را در بازه زمانی از زمان حال تا محدوده پیش بینی بهینه کند. در کنترل پیش بین غیرخطی مدل و تابع عملکرد و محدودیتها، توابعی غیرخطی از متغیرهاي سیستم می باشند. در این موارد شبکه هاي عصبی به عنوان مدل شناسایی شده مناسب به جاي مدلهاي تحلیلی در فرمولبندي بهینه سازي استفاده می شود.
نحوه استفاده از مدل شبکه عصبی در استراتژي کنترل پیش بین در شکل - 1 - نشان داده شده است.
شکل :1 شبکه عصبی در استراتژي کنترل پیش بین
تعدادي از کاربردهاي شبکه عصبی تحت کنترل پیش بین در فرآیندهاي شیمیایی به همراه سیستم مورد مطالعه و نوع شبکه عصبی مورد استفاده در جدول - 1 - آمده است.
جدول :1 کاربردهاي شبکه عصبی تحت کنترل پیش بین در فرآیندهاي
در اکثر کاربردها از شبکه هاي عصبی مستقیم چندلایه استفاده شده است. در یکی از کارهاي شبیه سازي گزارش شده، Psichogis و [25] Ungar یک مدل شبکه عصبی CSTR را به منظور کنترل ساختار محصول به کمک کنترل پیش بین به کار بردند. [24] Willis و [26] Turner و Hunt و [27] Sbarbaro عدم مطابقت مدل سیستم را در هر بازه نمونه برداري تخمین زدند و از آن براي تصحیح پیش بینی ها از مدل استفاده کردند. Willis طرح کنترل را براي کنترل غلظت در CSTR اجرا کرد و Turner آن را براي کنترل غلظت در ستون تقطیر و Hunt براي کنترل PH در راکتور خنثی کننده استفاده کرد.
دو تحقیق شبکه عصبی را در طرح کنترل ماتریس دینامیک
- DMC - به کار برده اند. Hernandez و [5] Arkun شبکه عصبی را براي تخمین اغتشاش ناشی از غیرخطی بودن به کار بردند. در تحقیق Lee و [28] Park شبکه هاي عصبی طوري در نظر گرفته شده بودند که رابطه بین الگوي اغتشاش و سیگنال کنترل مطلوب را با مینیمم کردن خروجی ناشی از اثرات مدل نشده کنترل کننده آموزش ببینند.
استفاده از شبکه هاي عصبی بازگشتی در طرح کنترل پیش بین در دو مورد گزارش شده است. MacMurray و [29] Himmelblau یک شبکه عصبی را به منظور پیش بینی و کنترل ساختار محصول در ستون تقطیر با کنترل پیش بین به کار بردند.
شبکه هاي عصبی کوانتیزه برداري - VQN - توسط Megan و [30] Cooper براي بررسی رفتار ورودي و خروجی فرآیند که ناشی از آشفتگی در فرآیند بود استفاده شدند.
-3 کاربردها در کنترل بر پایه مدل معکوس
دو روش که از شبکه عصبی در استراتزي بر مبناي مدل معکوس استفاده می کنند روشهاي کنترل معکوس مستقیم و کنترل مدل داخلی - IMC - می باشند.
در روش کنترل معکوس مستقیم، مدل معکوس به عنوان یک کنترل کننده که با سیستم تحت کنترل سري می شود عمل می کند و هیچ فیدبکی نداریم. در این حالت شبکه عصبی به عنوان کنترل کننده عمل می کند.
