Développement et validation d'algorithmes à convergence rapide pour l'apprentissage de réseaux de neurones utilisés en contrôle actif non-linéaire

Abstract

En contrôle actif de bruit et de vibrations, une des limites de la performance des systèmes de contrôle est la présence de non-linéarités dans les actionneurs. En pratique, ces non-linéarités sont particulièrement présentes lorsque de forts niveaux sont émis par les actionneurs. La plupart des systèmes de contrôle utilisent des contrôleurs linéaires, et ces derniers ne peuvent produire de bonnes performances en présence de fortes non-linéarités. Pour construire un contrôleur non-linéaire, une approche consiste à utiliser un réseau de neurones. Dans ce travail, un type de neurone et une structure de réseaux de neurones sont d'abord choisis. Des algorithmes d'apprentissage à convergence rapide sont ensuite développés pour la structure choisie, parce que les performances de l'algorithme d'apprentissage déjà publié pour cette structure sont faibles. Des essais de contrôle actif de bruit périodique en conduit sont ensuite effectués, de façon à valider le comportement des algorithmes développés dans ce travail. Des essais sur un problème non-linéaire simple seront d'abord effectués, suivis d'essais avec un actionneur présentant un comportement très non-linéaire. Les résultats des essais mettront en évidence l'amélioration de performance pouvant être apportée par un contrôleur non-linéaire par rapport à un contrôleur linéaire, de même que le gain en vitesse d'apprentissage (ou en performance atteinte en un temps donné) pouvant être obtenu en utilisant certains algorithmes développés dans ce travail pour l'apprentissage de la structure choisie plutôt que l'algorithme d'apprentissage déjà publié.