Les réseaux de neurones. Application à la modélisation et à la commande des processus

28/08/2017
Publication REE REE 2006-8
OAI : oai:www.see.asso.fr:1301:2006-8:19679
DOI :

Résumé

Les réseaux de neurones. Application à la modélisation et à la commande des processus

Auteurs

Sur l’étude du processus d'écriture à la main. Approches classiques et non conventionnelles
Sur l’étude du processus d'écriture à la main. Approches classiques et non conventionnelles
Sur l’unicité de la réponse d’un réseau d’énergie électrique en régime de défauts
Optimisation multicritère par Pareto-optimalité de problèmes d’ordonnancement en tenant compte du coût de la production
Stabilités Comparées de Systèmes Non Linéaires et Linéarisés Basées sur une Description Redondante
Les réseaux de neurones. Application à la modélisation et à la commande des processus
Les réseaux de neurones. Classification
Les réseaux de neurones. Présentation
Stabilité et stabilisation de systèmes discrets à retard
Sur la commande par mode glissant d’un convertisseur multicellulaire série
Recherche automatique de l’architecture d’un réseau de neurones artificiels pour le credit scoring
Chiffrement Partiel des Images Basé sur la Synchronisation de Systèmes Hyperchaotiques en Temps Discret et la Transformée en Cosinus Discrète
Synthèse d’une Commande Stabilisante par Retour d’Etat de Systèmes Linéaires à Retard
Stratégies de Commande de Systèmes Manufacturiers à Contraintes de Temps Face aux Perturbations Temporelles
Etude de la Stabilité d’une Classe de Systèmes de Commande Floue de type Mamdani
Nouvelles conditions suffisantes de stabilisabilité de processus échantillonnés non linéaires
Modélisation multi-physiques d’un actionneur linéaire incrémental pour la motorisation d’une pousse-seringue
Performances comparées de méthodes de commandes par mode de glissement et par platitude d’un papillon motorisé
Etude des Incertitudes dans les Ateliers Manufacturiers à Contraintes de Temps
Modèles discrétisés du système d’écriture à la main par la transformation d’Euler et par RLS
Technique proposée pour le déchiffrage dans un système de transmission sécurisée
Stabilisation de systèmes à retard par un régulateur du premier ordre
Détermination d’attracteurs emboîtés pour les systèmes non linéaires
Modélisation par Réseaux de Petri d’une ligne de traitement de surfaces mono-robot/multi-produits
Domaine de stabilité indépendante du retard d'un système linéaire à commande retardée
Sur le credit scoring par les réseaux de neurones artificiels
Sur l'analyse et la synchronisation de systèmes chaotiques Chen
Comparaison entre les EP et les CF pour l’Optimisation des Systèmes Dynamiques Hybrides
Algorithmes génétiques sequentiels pour la résolution de problèmes d’ordonnancement en industries agroalimentaires
2011-01 04-eSTA-V26.pdf

Métriques

21
8
1.88 Mo
 application/pdf
bitcache://93298184fcb08cb835b2028b667ac02ec98232c4

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/1301:2006-8/19679</identifier><creators><creator><creatorName>Mohamed Benrejeb</creatorName></creator><creator><creatorName>Pierre Borne</creatorName></creator></creators><titles>
            <title>Les réseaux de neurones. Application à la modélisation et à la commande des processus</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Mon 28 Aug 2017</date>
	    <date dateType="Updated">Mon 28 Aug 2017</date>
            <date dateType="Submitted">Fri 17 Aug 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">93298184fcb08cb835b2028b667ac02ec98232c4</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>33436</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

Dossier ./ DU TRAITEMENT NUMÉRIQUE À LA GESTION DES CONNAISSANCES DE NOUVELLES VOIES D'INVESTIGATION ? (2111, partie) Les réseaux de neurones artificiels Les réseaux de neurones. Application à la modélisation et à la commande des processus Motsclés Réseauxdeneurones, Commandedeprocessus, Modèle direct, Modèle inverse, Apprentissage de lacommande Mohamed BENREJES'l, Pierre BORNE 1 Ecole Centrale de Li'lle', ENIT Tunisie (Ecole Nationale dingénl'eurs de Tunis) Il 1. Idée de base La faculté de recopie par apprentissage des réseaux de neurones (RN) en permet une utilisation particulièrement intéressante pour la modélisation et la commande des processus, en particulier en utilisant des réseaux de neu- rones dynamiques. A titre d'exemple, considérons une équation récurrente de la forme : .V,-1 =./' () À -1 YÀ Il s'agit simplement de réaliser une fonction non linéaire à nN + nD entrées et une sortie. RN f' (.) Tl S'il est possible de recopier la fonction f' (.), il est alors facile de simuler cette fonction par le réseau récurrent (ou dynamique) où R désigne un retard : rJ- ... TL-IT RN " V' Il \ v A Dans la suite, nous allons représenter les Réseaux de Neurones Dynamiques (RND) sous la forme du schéma bloc suivant : commande sorne v U RND. l'entrée u et la sortie y pouvant être des grandeurs vecto- rielles. Remarques : a) La modélisation d'un système dynamique, peut selon sa complexité, nécessiter la mise en oeuvre de plusieurs réseaux de neurones. ESSENTIEL Les réseauxde neurones artificiels constituent des outils particu- lièrementefficaces pour la modélisationet lacommandedes sys- tèmes complexes ou mal définis. Cet article présente divers exemples de mise en oeuvredes réseaux de neurones pour la modélisationet la commande des systèmes dynamiques. SYNOPSIS Artificial neuralnetworks are very efficient tools for the modelling and control of complexor ill-defined systems. Thispaperpresents various aspects of implementation of neural networks for the modelling and control of dynamic systems. REE NI 9 Octobre2006 1 Dossier DU TRAITEMENT NUMÉRIQUE À LA GESTION DES CONNAISSANCES DE NOUVELLES VOIES D'INVESTIGATION ? (21,11 partie) Les réseaux de neurones artificiels b) Pour la conception des réseaux de neurones multicou- ches modélisant le processus, une étude d'optimisation peut conduire au choix d'une part, de la règle d'ap- prentissage, du type de réseau de neurones, du nombre de couches cachées et des nombres de neurones par couche cachée, et d'autre part, à la détermination des poids synaptiques en fonction des fonctions d'activa- tion des neurones retenues et de la richesse des don- nées entrées/sorties disponibles. Il est à noter que de nombreux travaux ont permis de for- muler plusieurs algorithmes de conception des réseaux de neurones dont l'algorithme de construction et celui d'éla- gage. 2. Modélisation Après la présentation de deux schémas blocs relatifs à l'apprentissage de deux modèles neuronaux, direct et inverse, il est proposé par la suite, à titre applicatif, un schéma d'apprentissage en ligne d'un système de régula- tion d'un processus dynamique. 2.1. Modèle direct Le schéma utilisé pour l'élaboration d'un modèle neu- ronal est de la forme suivante : commande processus sortie - -. systèmed'apprentissage cl'a1)1)i-eiiti sslILye RND/ modèle direct Le processus doit être échantillonné en entrée et en sortie à une fréquence suffisante pour pennettre son identification. Après apprentissage, le réseau de neurones dynamique permet de simuler le comportement du processus. L'apprentissage, comme l'identification, nécessite une entrée du processus suffisamment riche pour exciter tous les modes du processus. 2.2. Modèle inverse Etant mis en cascade avec le processus à commander, le but du modèle inverse est, d'un point de vue théorique, de pouvoir obtenir une transmittance unité. En pratique, il y a toujours des erreurs et des dérives dans une telle approche ; mais le modèle inverse constitue un précom- 56 1 REE N,9 Octobre2006 pensateur intéressant pour un grand nombre de processus dans une plage de fonctionnement incluse dans celle envisagée lors de l'apprentissage. Bien évidemment le modèle inverse ne peut pas agir sur les retards intervenant dans l'évolution du processus, de plus sa réalisation nécessite que le processus ne comporte pas d'élément instable. commande processus sortie système d'apprentissage R modèly ! jnversei 2.3. Modélisation du compensateur Il s'agit, dans ce cas, de recopier le fonctionnement d'un correcteur, mis en oeuvre dans la commande d'un processus. Le schéma, relatif à l'apprentissage du modèle neuronal correspondant, est le suivant : 4 1 11) illo (lèle l tl ( Il s,S [èllie1 4 d'apprentissage systèmc processus. 0 liroCeSLIS consigne de commande commande sortie 3. Commande neuronale des processus 3.1. Utilisation du modèle neuronal inverse Le modèle inverse est utilisé comme précompensa- teur. Un correcteur placé dans la structure bouclée du sys- tème à asservir permet de corriger les erreurs et les déri- ves éventuelles. Co lis 1 LYIIC système RN D processus de coiiiiiiïïiide illo (lèle l'ilel,se 1 de conmande modèle im :erse sortte Pour un modèle inverse parfait, la boucle de retour est inutile et la simple commande en boucle ouverte peut suf- fire. En pratique, la réalisation d'une commande classique en boucle fermée, en général choisie très simple, par exemple du type PL, s'avère, toutefois, indispensable. 3.2. Commande à modèle interne neuronal Elle est réalisée selon le schéma synoptique suivant : constsnci2ile svstèiiie de sol*t,le coiiiiiiiiide Pl- () CCSSLIS --+ ik ___, RND Modèle (hreCl Lorsque le modèle est parfait, c'est-à-dire représente totalement le processus étudié, le réseau de neurones inverse peut être retenu pour constituer le système de commande. 3.3. Recopie d'un système de commande Dans certains cas, la mise en oeuvre d'un système de commande complexe peut nécessiter des calculs temps réel importants et il peut être préférable d'utiliser une recopie du système de commande effectuée hors ligne par simulation. COI) IC dLI Cll'I'CCteL [lcopie dv correcceur COIISI processtis b de commande t 3.4. Commande à modèle de référence A partir du correcteur initialisé selon la méthode pré- cédente, il est possible d'améliorer ses performances en forçant le processus bouclé à avoir un comportement cor- respondant à un modèle de référence choisi. modèle de IHérence du bouclé C()Ilsi(Ille eonsime systèmc RND L RND systèmc steiiie de collillialidede commande comma" Cette approche permet également, lorsque les caracté- ristiques du processus évoluent, de réaliser un système de commande auto-adaptatif. Le modèle de référence du pro- cessus bouclé doit être choisi de facon cohérente en tenant compte des caractéristiques dynamiques et des contrain- tes intervenant sur le processus à commander. Pour cela, partant d'un modèle du processus et ayant déterminé une commande satisfaisant les critères de qualité recherchés, un bon choix du modèle de référence consiste à prendre le système simulé à partir du modèle bouclé avec le système de commande associé. conslgnc stèiiie de M (idèle du - soi-t systèmc dc calculé processus i. ; I REE NI 9 Octobre2006 1 m Dossier ./ DU TRAITEMENT NUMÉRIQUE À LA GESTION DES CONNAISSANCES DE NOUVELLES VOIES D'INVESTIGATION ? (2,@, partie) Les réseaux de neurones artificiels 3.5. Commande avec modèle inverse en structure bouclée Dans cette structure, le modèle inverse doit subir un apprentissage préalablement à la mise en fonction pour la commande du processus. Son élaboration peut nécessiter la détermination d'un modèle neuronal direct du proces- sus étudié. L 1 1-N 1, RNU -!n,m,m