Irányítástervezés neurális hálóval adott dinamikus rendszerekre.

1 Msc hallgató részére

A neurális hálózatok jól használhatók komplex rendszerek (pl. légijárművek, járványterjedési folyamatok) dinamikus működésének leírására. A neurális modellek rendszerint  egy identifikációs folyamat eredményeként jönnek létre, amely során a háló paramétereit a valós rendszerről gyűjtött adatokkal hangoljuk. A modellek fő alkalmazási területe az irányítástervezés, azaz a modell alapján tervezünk alkalmas szabályozást a valós rendszerhez. A sokféle tervezési módszer közül ebben a hallgatói projektben a modell prediktív (MPC) eljárásokra helyezzük a hangsúlyt. Az eljárás lényege, hogy a neurális modell alapján prediktáljuk a valós rendszer  jövőbeli viselkedését és  a beavatkozást ennek alapján, egy optimalizálási feladat megoldásával határozzuk  meg. A hallgató feladata egy adott neurális hálóval leírt modellből kiindulva, előre adott specifikációban rögzített MPC irányítás implementációja. A konkrét feladatok a következők:

- A konzultáció során kapott könyvek és cikkek alapján Ismerkedjen meg a modell prediktív irányítási módszerrel!

- Adott rendszermodell és specifikáció alapján fogalmazza meg az irányítási stratégiát előállító optimalizálási feladatot!

- Írjon eljárást Python nyelven, amely alkalmas numerikus megoldó (solver) segítségével megoldja az optimalizálási feladatot és meghatározza a szükséges beavatkozást. 

- Implementálja a zárt köri irányítást a valós rendszeren, értékelje és dokumentálja az eredményeket. 

Szükséges előismeretek: lineáris algebra alapok, Python programozási nyelv ismerete, érdeklődés a szabályozástechnika és gépi tanulás iránt

Control design based on dynamic neural models

For 1 Msc student

Neural networks are well suited for describing the dynamic behavior of complex systems (e.g. aircraft, disease spread processes). Neural models mostly appear as a result of an identification process, in which the parameters of the network are tuned by using the data collected from the real system. The main application area of these models is control design, meaning that a controller is designed based on the model for the real system. Among the various design procedures, this student project focuses on model predictive control methods. The essence of the procedure is to predict the future behavior of the real system based on the neural model, and determine the control policy accordingly by solving a numerical optimization problem. The student's task is to design and implement an MPC controller based on a model described by specific neural network. The concrete tasks are as follows:

- Use the written materials provided during the consultation to familiarise yourself with the model predictive control method!

- Formulate the optimization task that generates the control strategy based on a given system model and specifications!

- Write a procedure in Python to solve the optimization task by using a numerical solver to  determine the optimal control strategy!

- Implement the closed-loop control on a real system, evaluate and document the results!

Prerequisites: basic knowledge of linear algebra, familiarity with the Python programming language, interest in control design and machine learning.