[論文レビュー] System identification and modeling for interacting and non-interacting tank systems using intelligent techniques

N.S. Bhuvaneswari, R. Praveena+1 more|arXiv (Cornell University)|Aug 6, 2012

Hydraulic and Pneumatic Systems参考文献 3被引用数 5

ひとこと要約

本論文は、遺伝的アルゴリズム、ニューラルネットワーク、ファジィ論理、ARXモデル、プロセス反応曲線法を含む知能的技術を用いて、相互作用型および非相互作用型タンク系のシステム同定とモデリングのための比較フレームワークを提案する。実時間実験による検証において、特に適応型ニューロファジィ推論システム（ANFIS）を含むハイブリッド知能モデルが、パrameterの変動や外部からの摂動に対して優れた精度と頑健性を示し、従来の統計的手法および第一原理的手法を上回ることを示している。

ABSTRACT

System identification from the experimental data plays a vital role for model based controller design. Derivation of process model from first principles is often difficult due to its complexity. The first stage in the development of any control and monitoring system is the identification and modeling of the system. Each model is developed within the context of a specific control problem. Thus, the need for a general system identification framework is warranted. The proposed framework should be able to adapt and emphasize different properties based on the control objective and the nature of the behavior of the system. Therefore, system identification has been a valuable tool in identifying the model of the system based on the input and output data for the design of the controller. The present work is concerned with the identification of transfer function models using statistical model identification, process reaction curve method, ARX model, genetic algorithm and modeling using neural network and fuzzy logic for interacting and non interacting tank process. The identification technique and modeling used is prone to parameter change & disturbance. The proposed methods are used for identifying the mathematical model and intelligent model of interacting and non interacting process from the real time experimental data.

研究の動機と目的

• 多様な制御目的およびシステム行動に適応可能な一般化可能なシステム同定フレームワークの開発。
• システムの複雑さと非線形性のため、第一原理から正確なプロセスモデルを導出する課題の解決。
• 相互作用型および非相互作用型タンク系からのリアルタイム実験データを用いた、複数の知能的モデリング技術の性能評価と比較。
• 産業プロセス制御で一般的に見られるパrameterの変動および外部からの摂動に対して、モデルの頑健性を向上。
• 実験的データを用いた動的でマルチタンクプロセスシステムにおける知能的モデリング技術のベンチマークの確立。

提案手法

• 実験的入出力データから初期の伝達関数モデルを導出するために、統計的モデル同定およびプロセス反応曲線法を適用。
• 最小二乗推定を用いて、ARX（自己回帰型で外部入力を有する）モデル構造を用いて線形システム同定を実施。
• パラメータの適合を向上させるために、伝達関数および非線形モデル構造におけるパrameter最適化に遺伝的アルゴリズム（GA）を活用。
• リアルタイム実験データを用いて学習されたニューラルネットワークモデルを構築し、非線形ダイナミクスおよび時間変動特性を捉える。
• ファジィ論理ルールベースシステムとニューラルネットワーク学習を統合した、適応型ニューロファジィ推論システム（ANFIS）を構築。
• 相互作用型および非相互作用型2タンク系において、制御された入力励起条件下で、すべてのモデルをリアルタイムデータを用いて検証。

実験結果

リサーチクエスチョン

• RQ1 相互作用型および非相互作用型タンク系の同定において、知能的モデリング技術は、精度と頑健性の観点でどのように比較されるか？
• RQ2 遺伝的アルゴリズムで最適化されたモデルは、複雑で非線形なプロセスにおいて、パrameter推定をどの程度改善できるか？
• RQ3 従来のARXモデルおよび伝達関数モデルと比較して、ニューロファジィシステムは、パrameterの変動や摂動下でも動的挙動を効果的に捉えることができるか？
• RQ4 リアルタイムシステム同定タスクにおいて、統計的手法、進化的手法、およびハイブリッド知能的手法の相対的な性能はいかがなものか？
• RQ5 同じ実験条件下で、非相互作用型と相互作用型タンク構成におけるモデルの適応性は、どのように異なるか？

主な発見

• ニューロファジィ（ANFIS）モデルは、非線形的かつ時間変動的な領域において、特に高い精度を示した。
• 遺伝的アルゴリズムで最適化されたモデルは、従来の最小二乗推定によるARX適合と比較して、収束性が向上し、誤差が低減した。
• プロセス反応曲線法は一次近似のための信頼できるベースラインを提供したが、相互作用型システムの高次元ダイナミクスを捉えきれなかった。
• ARXモデルは線形かつ安定なシステムに対して有効であったが、極めて非線形的または結合されたタンク構成では顕著な誤差を示した。
• すべての知能的モデル—特にANFISおよびGAで最適化されたニューラルネットワーク—は、パrameterの変動および外部からの摂動に対して、顕著な頑健性を示した。
• 提案されたフレームワークは、相互作用型および非相互作用型タンク系の両方において、正確でリアルタイムのモデリングを実現し、多様な制御問題への適応可能性を検証した。