1.

Úvod

2.	Prediktivní řízení

2.1	Adaptivní řízení

2.2	Obecné schéma prediktivního řízení

2.2.2

Řídicí kritérium

2.2.3

Řídicí a predikční horizont

2.3	Prediktivní řízení založené na modelu soustavy

2.4	Generalizované prediktivní řízení

2.4.1

Algoritmus generalizovaného prediktivního řízení

2.4.2

Řízení

2.4.3

Volba hodnot horizontů

2.5	Neuronové sítě a prediktivní řízení - definice problému

3.	Neuronové sítě

3.1	Architektura vícevrstvé perceptronové sítě (MLP)

3.1.1

Popis funkce sítě

3.2	Algoritmy učení neuronových sítí

3.2.1

Algoritmus Back Propagation

3.2.2

Marquardt - Levenberg algoritmus

3.3	Normalizace

3.4	Neuronový model NARX

4.	Cíl disertační práce

5.	Neuronové sítě v prediktivním řízení

5.1	Neuronové generalizované prediktivní řízení

5.1.1

Extrakce linearizovaných parametrů

5.1.2

Algoritmus regulace

5.2	Neuronové prediktivní řízení s nelineární optimalizací

5.2.1

Vícekrokový neuronový prediktor

5.2.2

Nelineární optimalizace

5.2.3

Algoritmus regulace

6.	Simulační studie

6.1	Regulovaná soustava

6.2	Neuronový model regulované soustavy

6.3	PID regulátor

6.3.1

Řízení regulované soustavy - sinusový referenční signál

6.3.2

Řízení regulované soustavy - pulsní referenční signál

6.4	Neuronové generalizované prediktivní řízení (NGPC)

6.4.1

Řízení regulované soustavy - sinusový referenční signál

6.4.2

Řízení regulované soustavy - pulsní referenční signál

6.4.3

Vliv šumu

6.5	Neuronové prediktivní řízení s nelineární optimalizací (NPCNO)

6.5.1

Řízení regulované soustavy - sinusový referenční signál

6.5.2

Řízení regulované soustavy - pulsní referenční signál

6.5.3

Vliv šumu

7.

Závěr

8.

Reference

9.	Přílohy - Seznam obrázků

Obr. 9.1 Trénovací množina učení neuronového modelu soustavy - vstup soustavy
Obr. 9.2 Trénovací množina učení neuronového modelu soustavy - výstup soustavy
Obr. 9.3 Řídicí signál při řízení soustavy regulátorem PID pro sinusový referenční signál
Obr. 9.4 Chyba regulace při řízení soustavy regulátorem PID pro sinusový referenční signál
Obr. 9.5 Chyba regulace při řízení soustavy regulátorem PID pro pulsní referenční signál
Obr. 9.6 Řídicí signál při řízení soustavy regulátorem PID pro pulsní referenční signál
Obr. 9.7 Výstup regulované soustavy řízené regulátorem PID s vlivem šumu
Obr. 9.8 Chyba regulace při řízení regulátorem PID s vlivem šumu
Obr. 9.9 Řídicí signál při řízení soustavy regulátorem PID s vlivem šumu
Obr. 9.10 Chyba regulace při řízení soustavy regulátorem NGPC pro sinusový referenční signál
Obr. 9.11 Průběh linearizovaných parametrů soustavy řízené regulátorem NGPC pro sinusový referenční signál
Obr. 9.12 Chyba regulace při řízení soustavy regulátorem NGPC ( =0) pro pulsní referenční signál
Obr. 9.13 Výstup regulované soustavy řízené regulátorem NGPC ( =0.2) pro pulsní referenční signá
Obr. 9.14 Chyba regulace při řízení soustavy regulátorem NGPC ( =0.2) pro pulsní referenční signál
Obr. 9.15 Řídicí signál při řízení soustavy regulátorem NGPC ( =0.2) pro pulsní referenční signál
Obr. 9.16 Chyba regulace při řízení soustavy regulátorem NGPC ( =0.05) pro pulsní referenční signál s vlivem šumu
Obr. 9.17 Průběh linearizovaných parametrů soustavy řízené regulátorem NGPC pro pulsní referenční signál s vlivem šumu
Obr. 9.18 Chyba regulace při řízení soustavy regulátorem NPCNO pro sinusový referenční signál
Obr. 9.19 Chyba regulace při řízení soustavy regulátorem NPCNO pro pulsní referenční signál
Obr. 9.20 Chyba regulace při řízení soustavy regulátorem NPCNO ( =0.05) pro pulsní referenční signál s vlivem šumu
Obr. 9.21 Výstup regulované soustavy řízené regulátorem NGPC ( =0) s vlivem šumu
Obr. 9.22 Chyba regulace při řízení soustavy regulátorem NPCNO ( =0) pro pulsní referenční signál s vlivem šumu
Obr. 9.23 Řídicí signál při řízení soustavy regulátorem NGPC ( =0) s vlivem šumu

"2.2 Obecné schéma prediktivního řízení
Prediktivní řízení je založeno na konceptu využívajícím znalostí o regulované soustavě k predikci budoucího výstupů soustavy a k získání optimálních hodnot řídicího signálu pomocí optimalizačního algoritmu. Na základě této jednoduché myšlenky vzniká poměrně všestranný regulační mechanismus použitelný na různé druhy soustav a jeho nadstavby pak vedou k samo-nastavujícím a adaptivním regulátorům.
Mezi základní výhody, které prediktivní řízení představuje, je schopnost řízení nelineárních soustav, soustav s dopravním zpožděním (včetně proměnného) a dále možností zahrnutí omezujících podmínek stavů a výstupů soustavy a na řízení do řídicího algoritmu. Další důležitou vlastností je pro dávkové řízení skutečnost, že využíváme znalost budoucího průběhu požadované hodnoty regulované soustavy.
Obecné schéma prediktivního řízení je zobrazeno na Obr. 2.2. Estimací vlastností regulované soustavy je vytvořen vhodný prediktor výstupů soustavy. Optimalizační algoritmus pak s pomocí prediktoru vytváří takový řídicí signál, aby výstup soustavy byl optimální vzhledem k řídicímu kritériu.

Historie prediktivního řízení sahá do počátku 60. let, kdy byly uveřejněny první regulační schémata zohledňující predikční horizont řízení. Popis vývoje prediktivního řízení je možné najít v mnoha publikacích zabývající se touto oblastí [59][28].
V současné době je dostupná celá řada publikací věnující se prediktivnímu řízení. Velká část se věnuje zahrnutí vlivu omezujících podmínek do řízení, zde jsou známy hlavně práce de Oliviery [3-5], Scokaetra [59], Nevistice[58] a Bemporady [61], [62], který i řeší problematiku proměnného dopravního zpoždění. Prediktivní řízení s nekonečnou délkou predikčního horizontu je obsahem prací Rawlingse a Findeisena [63], s proměnnou-zkracující délkou se zabývá Barva [28].
Na využití algoritmu generalizovaného prediktivního řízení představeného Clarkem a dalšími [6][9] v roce 1987 je pracuje Ronco a další [71][72], Soloway a Haley[20], Cawtrop a Siller-Alcala [63], na použití v průmyslu Camacho a Bordons [43].
Otázka stability rozebírá Chem a Allgower [56], Biegler [54], Morari, de Oliviera a další [3][5][53], Clarke, Mosca a další [36].
Aplikací prediktivního řízení se zaobírá Doyle a Wisnewski [57], v dávkových procesech Valappil a Georgakis [69], použití regulátorů v reálném čase Chem a Allgower [66][56]. Zajímavé je také použití interpolace nelineární soustavy skupinou lineárních a nelineárních modelu v prediktivním řízení (Banerjee a Arkun [55]).
Použití neuronových sítí v řízení se věnují práce Sorennsena [9], Norgaarda [15], Parisiniho a Zoppoliho[50], Lu a Basara[46] a Jagannathana a Lewise[48]. Neuronové sítě v prediktivním řízení jsou obsahem prací Hunta a dalších[42], Ronca a Gawtropa [73], Schenkera a Agarwal[44], Nagyo a Agachiho[14] a Solowaye a Haleyo[20]."

Velmi kvalitně zpracované. Práce byla zachována v autorově formátování, přičemž obsahuje velké množství tabulek, grafů a schémat. V čistém textu by se jednalo o 61 stran. Práce je rozdělena do dvou souborů, přičemž ten druhý obsahuje pouze přílohy (grafy měření).