There is a growing interest in the application of Neural Networks (NNs) to the intelligent control of a nonlinear dynamic process which cannot be described by mathematical models. One of the most relevant features of NNs is self-organizing which provide a good representation of dynamic process through learning by examples. Additional relevant features of NNs to process control are adaptability to a change in environment, robustness with respect to noise, and generalization over the set of previously learned instances. In this thesis, we present a neural control architecture, named Neural Network with Partial Inversion (NN-PI) for the modeling and control of the process. In this architecture, a forward model of the process is obtained using a backpropagation learning algorithm and then the partial inversion method of the trained network produces the control signals, given the process output and current states of the process. This architecture would resolve the problems of the conventional neural control approaches, such as (1) the one-to-many mapping problems which may prove unable to find an inverse in the case of multiple-inputs/single-output of the process and (2) the training and analysis complexities resulted from placing the nonlinear NN in the feedforward or feedback path of the indirect inverse control approach. NN-PI architecture is applied to two complex industrial processes, melting process in T.V. glass-bulbs production and traffic signal control. NN-PI architecture would be well-suited to the traffic signal control in a single intersection. However, a single NN used for traffic signal control in urban traffic networks must be large and thus it requires a long time to train such a large network. In order to overcome this problem, we propose the two-level hierarchical control architecture through the decomposition of the process control problem into manageable subproblems. Through a series of experiments, we found that this architecture can reduce the modeling complexity and learning time, and can provide the robustness and extensibility. NN-PI is used for the operator's control assistance of melting process of T.V. glass bulb manufacturing. There are many factors to make the melting process modeling very difficult, such as nonlinearity, time varying nature of process parameters, and the inherent time delay of the process response of the adjusted parameters. In this case, the feedforward network has appeared not to be able to capture the entire dynamics of the process. For the modeling of the process dynamics, we propose a unified architecture which is the combination of recurrent and feedforward network. Using of the recurrent network allow the designer to implement any sequential or recursive dynamic behavior explicitly. It also provides a straightforward way to represent internal states of the process and the additional information for analyzing the operation to the human operator, that is, the key states and control variables which significantly affect the process output. It has been shown, through applications, that the NN-PI architecture is very efficient for the identification and control of dynamic complex processes.
수리적 모형화가 곤란한 동적 공정의 지능형 제어를 위한 신경망 기법의 활용에 관한 많은 연구가 진행되어 왔다. 인간의 뇌구조를 모방한 신경망 기법이가지는 학습능력 및 그에 따른 비선형 사상 관계의 뛰어난 표현력, 동적 환경에 대한 적응성, 불완전한 측정치들에 대한 오류 허용성 등의 특징들이 지능형 제어 능력을 향상시키게 된다. 본 연구에서는, 역전파 오류 알고리즘에 의한 전방위 모형화를 통해 현재의 공정 상태에 대한 적정 공정성과 달성을 위해 부분 역전도 제어 방법이 적용되는 새로운 신경망 구조인 NN-PI를 제시하고 있다. 일반적인 역방위 제어에서의 일대다 관계성 문제와 간접 역방위 제어 방식에서의 학습 및 분석상의 복잡성 문제들을 해결하게 되며, 보다 효율적인 공정 제어를 위한 추가정보의 제공이 이루어지게 된다. 여기서 제시된 NN-PE 구조는 두가지의 공정 제어 분야에 적용되었다. 첫째, 복잡한 도시교통의 원활한 소통을 위한 교통신호 제어를 위해 2단계 계층적 제어구조를 이루게 된다. 개별 교차로에서는 분산제어가 이루어지며, 전체관련 교차로의 조정을 위한 상위 계층의 제어기가 존재하게 된다. 모의 실험 결과 기존의 신호제어 방법론보다 효과적인 제어가 이루어지며, 계층구조에 의한 제어가 이루어 지므로 모형화의 용이, 학습시간의 단축, 확장성 등의 장점들을 제공하게 된다. 둘째, 브라운관 생산 현장에서의 용해공정 제어를 지원하게 된다. 제어변경에 따른 성과 발생의 시간-지연 현상이 존재하기에 이의 해결을 위해 전방위 네트워크와 회귀 네트워크가 계층적으로 결합된 통합구조를 제시한다. 공정 운영중의 내부 상태 표현이 가능하며, 이를 통한 보다 효율적인 제어 정보의 지원이 이루어지게 된다. 공정 제어에 의한 적정 공정 성과의 유지가 가능하며, 공정성과에 미치는 요인별 중요도가 함께 제공된다. 여기서 제시된 신경망 구조가 비선형 공정의 모형화 및 제어 부분에 잘 적용 될 수 있음을 볼 수 있다. 여타의 실제 생산 현장에서의 다양한 요구 사항들을 반영한 공정 제어기의 구현을 위해 본 연구의 결과가 이용될 수 있을 것으로 기대된다.
