WWW.LIB.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Электронные материалы
 

«В настоящее время в теории автоматического управления и динамических систем активно разрабатывается направление, в рамках которого решаются задачи исследования и построения систем ...»

УДК 681.5

ПАЩЕНКО Г.Н.

ДГП «Институт проблем информатики и управления»

РГП ИМИМ КН МОН РК, Алматы, Казахстан

НЕЙРОСЕТЕВАЯ СИСТЕМА АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ

ПРИ ПАРАМЕТРИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ

В настоящее время в теории автоматического управления и динамических систем активно

разрабатывается направление, в рамках которого решаются задачи исследования и построения систем управления параметрически неопределенными объектами с запаздыванием.

Параметрическая неопределенность характеризуется принадлежностью истинных значений параметров объекта некоторым интервалам с известными границами. Математические модели таких объектов могут быть представлены с использованием правил и терминологии аппарата интервального анализа. Вышеперечисленные особенности вызывают необходимость развития интервальных методов исследования динамических свойств и построения систем управления с заданным качеством на класс интервально-заданных объектов с запаздыванием.

В последнее время, динамично развивающейся основой интеллектуальных систем автоматического управления являются искусственные нейронные сети (ИНС). ИНС получают все большее распространение при синтезе систем автоматического управления (САУ) различными объектами в качестве нейрорегуляторов.

Параметризация ИНС-моделей путем обучения на экспериментальных данных, снятых с объекта, может решить проблему получения адекватной модели в условиях неопределенности динамики объекта управления (ОУ). Довольно часто используется в последние годы метод прогнозирующего управления, охватывающий широкий диапазон алгоритмов управления [1].



Получено достаточное условие асимптотической устойчивости интеллектуальной интервальной системы с запаздыванием с использованием аппарата интервального анализа, интервального аналога прямого метода Ляпунова и подхода Разумихина. С использованием интервального аналога прямого метода Ляпунова, скалярно-оптимизационной функции, подхода Разумихина, аналога соотношения Басса и QR-алгоритма разработана процедура исследования асимптотической устойчивости интервально-заданного объекта с запаздыванием [2].

Предлагается подход к построению систем управления слабо воспроизводимыми процессами, основанный на применении в системе нескольких нейросетевых моделей (НСМ) объекта управления, каждая из которых на определенных участках протекания процесса наиболее приближена к фактическому состоянию объекта, и соответствующих им нейросетевых регуляторов [3]. Нейросетевые регуляторы предварительно обучаются на основе информации о параметрах модели объекта. Рассмотрены следующие три случая задания параметров нейросетевой модели объекта: случай, когда параметры модели получены как среднеарифметические в интервалах неопределенности; случай, когда параметры модели заданы значениями, соответствующими их наихудшему сочетанию; случай, когда параметры модели заданы среднеинтервальными значениями. Первому случаю соответствует нейросетевая модель НСМ1, второму случаю соответствует нейросетевая модель НСМ2, а третьему случаю, соответстветствует нейросетевая модель НСМЗ. Предлагаемые модели НСМ2 и НСМЗ дают возможность оперирования интервальными значениями параметров объекта, то есть применимы в условиях параметрической неопределенности.

Многомодульность означает наличие и применение трех НС-моделей объекта управления (модулей) с определенными параметрами и трех НС-регуляторов (модулей), оптимизированных с использованием соответствующей НС-модели объекта. За счет изменения связей в системе реализуется та или иная предварительно оптимизированная нейросетевая структура, состоящая из НС-модели и НС-регулятора. Реализованная нейросетевая структура обеспечивает высокое качество переходных процессов в условиях параметрической неопределенности.

С использованием априорной информации, получены варианты нейросетевой модели объекта НСМ1, НСМ2 и НСМЗ, соответствующие трем передаточным функциям объекта WM1(p), WM2(p), WM3(p), которые можно применять на этапах анализа робастности системы и на этапах синтеза регуляторов. Требуется построить нейронную сеть с переменной структурой, которая обеспечивала бы приемлемое качество управления объектом в условиях переменных задающих воздействий и переменных параметрах объекта, изменяющихся в пределах заданных интервалов.

Для того, чтобы обосновать робастно-адаптивные свойства системы необходимо проанализировать степень приспособления к неопределенности в системе: многомодульной с тремя нейросетевыми моделями объекта в контуре управления и изменением структуры системы и одномодульной с одной нейросетевой моделью объекта.

Для решения поставленной задачи использована нейронная сеть, реализующая принцип прогнозирующего управления с моделью.

Каждый модуль является нейросетевым регулятором, который включает в себя нейросетевую модель объекта и оптимизатор. Принцип прогнозирующего управления состоит в нахождении на каждом шаге дискретности i такой последовательности управляющих воздействий u[i]...u[i j ], которая, будучи приложена к объекту обеспечит максимальное совпадение последовательности прогнозируемых значений выхода объекта y[i]... y[i j ] с последовательностью его желаемых значений q[i]...q[i j ].

Данная задача решается путем численной минимизации целевого функционала на заданном интервале времени [4].

Имеется несколько квазистационарных режимов работы объекта управления [3], для которых получены математические модели в виде передаточных функций второго порядка с запаздыванием. Для второго и третьего случаев использована информация об интервальной модели объекта [3], параметры которой ограничены возможными их значениями в интервалах, соответствующих серединам этих интервалов и максимальными отклонениям от них.

Для обучения нейронной сети можно использовать различные алгоритмы. Каждый из них имеет ряд своих преимуществ и недостатков. Существуют современные алгоритмы второго порядка, такие как метод Левенберга-Маркара, который на многих задачах работает существенно быстрее, чем остальные.

Предлагаемый для обучения метод Левенберга-Марквардта на задачах малой и средней размерности, то есть, до нескольких сотен весовых коэффициентов, часто оказывается намного быстрее других алгоритмов. Основное достоинство выбранного для обучения алгоритма Левенберга-Марквардта - то, что он не нуждается в указании критериев останова. Данный метод всегда точно находит один из локальных минимумов функции. Используя в качестве алгоритма обучения алгоритм Левенберга-Марквардта [5, 6], проведено обучение НС.

Обучающие данные в виде случайных ступенчатых сигналов подаются на объект и предъявляются нейронной сети. Функция активации выходного слоя выбрана линейной во всем диапазоне изменения входного аргумента, ввиду того, что выходы сети могут принимать произвольные значения. В случае, если бы в последнем выходном слое сети использовались сигмоидальные функции, выходные сигналы сети были бы ограничены диапазоном [-1; 1]. Это означает, что при поступлении на вход такого слоя сигналов с большими положительными и отрицательными значениями его выход стремился бы к одному из указанных пределов, что является нежелательным. Все нейросетевые модели включены параллельно объекту управления. Сигналы сравниваются на выходах нейросетевых моделей и объекта. Оценкой приближения переходных процессов на выходах моделей и объекта является интегральная модульная ошибка.

Предлагаемая методика решения задачи синтеза нейросетевой системы автоматического управления с переменной структурой при параметрической неопределенности с запаздыванием основана на принципах многомодульности нейронной сети и переменной структуры системы автоматического управления.

Проведено численное моделирование нейросетевой САУ с переменной структурой при изменении задающего воздействия на четырех интервалах, с различными параметрами объекта из интервала неопределенности. Рассматриваемая САУ, на всем интервале функционирования, меняет несколько раз свою структуру.

По результатам исследований было определено, что реакция системы имеет колебательный характер и степень приспособления к неопределенности в многомодульной системе с переменной структурой выше, чем в обычной системе с одной нейросетевой моделью.

Анализируя полученные результаты, отметим, что в САУ с переменной структурой обеспечивается повышение эффективности управления на основе перестраиваемых в реальном времени предварительно обученных нейросетевых моделей объектов.





Литература

1. Лубенцов В.Ф. Исследование САУ процессом ферментации с применением технологии нейронных сетей // Приборы и системы. Управление, контроль, диагностика, 2005. –№ 9. - С. 1-4.

2. Пащенко Г.Н. О процедуре исследования асимптотической устойчивости интервальнозаданного объекта с запаздыванием // Проблемы информатики. -Новосибирск, 2010. -№ 4. -C. 4-9.

3. Червяков Н. И., Лубенцов В.Ф., Рудакова Т.А. Нейросетевая система автоматического управления с переменной структурой // Инфокоммуникационные технологии. 2008. –№ 1. - С. 8Медведев В.С, В.Г. Потемкин. Нейронные сети. МАТЛАВ 6. М.: ДИАЛОГ-МИФИ, 2002.

- 496 с.

5. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. Пер. с англ., М.: «Мир».

1985. – 509 с.

6. Лубенцов В.Ф., Болдырев Д.В. Методы динамической идентификации

Похожие работы:

«ОДИНАДЦАТАЯ МЕЖДУНАРОДНАЯ НАУЧНО-ПРАКТИЧЕСКАЯ КОНФЕРЕНЦИЯ “Математическое и имитационное моделирование систем. МОДС '2016” 27 июня 1 июля 2016 г., Україна, г. Киев с. Жукин Уважаемые коллеги! Приглашаем Вас принять участие в научно-практической конференции, которая...»

«Князева А., Лыкова Н.П. ГОУ ВПО "Российский государственный гуманитарный университет" Филиал в г. Самаре ПОСТАНОВКА ЗАДАЧ ЛИНЕЙНОГО ПРОГРАММИРОВАНИЯ И ИХ РЕШЕНИЕ С ПОМОЩЬЮ MS EXCEL Временем рождения линейного программирования принято считать 1939г., когда была напечат...»

«Московский государственный университет имени М.В. Ломоносова Факультет вычислительной математики и кибернетики Магистерская программа "Программное обеспечение вычислительных сетей" Маг...»

«"Труды МАИ". Выпуск № 82 www.mai.ru/science/trudy/ УДК:629.197.005, 629.7.05 Оценка точности определения траектории самолета в режиме посадки с помощью информационно-вычислительного комплекса бароинерциального типа Чан Куанг...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых" (Вл...»

«Оглавление ВВЕДЕНИЕ Часть I. ОСНОВЫ Глава 1. ТЕОРИЯ ОРГАНИЗАЦИИ В СИСТЕМЕ НАУК Информатика Глава 2. ЭВОЛЮЦИЯ ВЗГЛЯДОВ НА СУЩНОСТЬ И СТРУКТУРУ ОРГАНИЗАЦИИ Таблица 2.1 Ориентация научных школ Ориентация научных школ Реинжиниринг Таблица 2.2 Группировка принципов Файоля Принципы процесса Разделение труда Дисциплина Таблица 2.3 Сопоставление хар...»

«Бокиев У.Ш. Методы оценки эффективности использования информационных технологий в управлении дехканскими (фермерскими) хозяйствами УДК 004.9:631.145 ББК 65.050.90 (2)2 Бокиев Умриддин Шамсуддинович, МЕТОДЫ ОЦЕНКИ ЭФФЕКТИВНОСТИ аспирант кафедры прикладной ИСПОЛЬЗОВАНИЯ информатики РГАУ– МСХА имени ИНФОРМАЦИОННЫХ ТЕХНО...»










 
2017 www.lib.knigi-x.ru - «Бесплатная электронная библиотека - электронные материалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.