Modellizzazione & comando dei sistemi industriali complessi per mezzo delle tecniche intelligenti

La motivazione principale di questo lavoro è l’implementazione delle varie capacità offerte dalle TIA, come sistemi ibridi migliorati, al fine di sviluppare approcci per la sintesi delle leggi di comando semplici, efficaci e robuste. La formulazione dei problemi di comando è stata svolta con una combinazione dei SIF, delle RNA e degli AG. Il nostro studio tratta e spiega, in maniera esplicita, i problemi incontrati nella fase di concezione dei SIF. Si tratta essenzialmente di:
- problemi di dimensionamento della base delle regole fuzzy del SIF (la struttura);
- problemi di configurazione dei parametri della base di conoscenze;
- problemi di stabilità/robustezza dell’anello di controllo.

I lavori presentati in questa tesi si articolano essenzialmente attorno ai principali assi della modellizzazione e del comando fuzzy di tipo TS1 per sistemi fortemente non lineari complessi.
In primo luogo, si mira a sintetizzare una legge di comando fuzzy stabile e robusta. Per soddisfare tale obiettivo, sarà sviluppata e proposta una strategia di comando. Anticipiamo anche l’impiego della tecnica dell’ibridazione neuronale fuzzy. È proposta e utilizzata anche la struttura RBF-fuzzy estesa al ragionamento approssimativo di tipo TS1. Inoltre si mira a sviluppare un algoritmo ibrido efficace per un’ottimizzazione strutturale e parametrica del controllore RBF-fuzzy proposto. Vengono anche indicate due tappe di apprendimento:
- verrà sviluppata e applicata un’ottimizzazione globale, basata su un algoritmo di tipo AG multi-obiettivo, dell’insieme struttura e parametri, della rete controllore;
- viene anticipato l’utilizzo della tecnica della discesa del gradiente per una più fine regolazione dei parametri delle conseguenze delle regole.
La semplicità della legge di comando, l’efficacia, la stabilità e la robustezza saranno considerate come fattori che intervengono nel criterio delle performance da ottimizzare.
In seconda fase, la nostra ricerca consiste nello sviluppare una metodologia di sintesi che consente la considerazione, esplicita e simultanea, di varie specifiche strutturali e funzionali. Il concetto di multi-modello viene sfruttato per la sintesi di una legge di comando fuzzy pur assicurando la stabilità in BF. L’idea consiste nel determinare un insieme ridotto di regole con la definizione delle zone di funzionamento (funzione di appartenenza) per ogni variabile di stato del sistema. Attorno a tali zone, sarà stabilito il multi-modello attraverso la linearizzazione del modello del sistema. Questa fase rappresenta la modellizzazione fuzzy del sistema non lineare. Il comportamento globale risulta dalla « fusione » dell’insieme dei vari comportamenti locali per mezzo del formalismo di TS. Gli AG rappresentano lo strumento di ottimizzazione che interviene in tutte le tappe di sintesi della legge di comando. L’algoritmo sviluppato in questo contributo consiste:
- nella simulazione del comportamento del procedimento da studiare;
- nell’inizializzazione della base ridotta delle regole;
- nella modellizzazione fuzzy del procedimento tramite l’approccio multi-modello;
- nello stabilire le condizioni di stabilità del modello completo tramite l’approccio energetico di Lyapunov.
L’approccio genetico viene adattato in quest’ultima tappa. Il metodo LMI è sostituito da uno sfruttamento genetico dello spazio di ricerca dei parametri che giustifica le condizioni della stabilità.
Per ogni struttura di comando, saranno presentati risultati di simulazione per mostrare e giustificare le performance desiderate. La convalida dei nostri risultati sarà confrontata con quelli ottenuti da altre tecniche citate come riferimento.
Il nostro lavoro spiega, in particolare, i problemi riscontrati nella fase di realizzazione dei sistemi fuzzy. Esso agisce principalmente per risolvere:
- I problemi di dimensionamento della regola dei sistemi fuzzy (la struttura);
- I problemi della configurazione dei parametri della base di conoscenze fuzzy;
- I problemi di stabilità/robustezza del ciclo di controllo.
Il lavoro presentato in questa tesi è principalmente articolato sui principali assi della modellizzazione fuzzy e sui controllori fuzzy di tipo TS1 per sistemi complessi altamente non lineari.
Inizialmente, ci proponiamo di sintetizzare una legge di un controllore fuzzy stabile e robusto. Per soddisfare tale obiettivo, verrà sviluppata e proposta una strategia di controllo. Anticipiamo inoltre l'uso della tecnica di ibridazione delle reti neurali fuzzy. La topologia RBF fuzzy si è estesa a TS1-t approssimata.