Actual Problems in Machine Building 2014 No. 1

Innovative Technologies in Machine Building I International Scientific and Practical Conference « Actual Problems in Machine Building » ________________________________________________________________ 50 предъявляемым требованиям, включая их адаптивные свойства при случайных возмущениях, предполагает разработку и использование нетривиальных законов управления. Перспективные пути решения этой проблемы связаны с комплексным применением современных интеллектуальных технологий для создания принципиально нового поколения систем автоматизации сложными динамическими объектами. Практическое применение интеллектуальной технологии нейросетевого регулирования позволяет разработать регулятор, обладающий высокими адаптивными свойствами и большой функциональной гибкостью. Высокую эффективность работы регулятора предполагается достичь путем использования алгоритма оценки возмущающих воздействий и обоснованного выбора информации из базы знаний. Для решения задачи адаптации математической модели к особенностям технологического процесса электроконтактной наплавки компактного и эффективного управления процессом по заданному режиму целесообразно применение нейронного регулятора. При построении нейрорегулятора возможно применение уже известных методов синтеза нейронных сетей (НС). Алгоритм обучения нейронной сети задается набором обучающих правил. Обучающие правила определяют, каким образом изменяются межнейронные связи в ответ на входное воздействие. Существует несколько правил обучения НС: обратного распространения ошибки, квазиньютоновские методы, различные градиентные методы и т.д. Простейший способ обучения нейронной сети – поочередно изменять коэффициенты сети (вес связи) таким образом, чтобы оптимизировать критерий качества работы сети (среднеквадратичное отклонение). Этот способ является малоэффективным. Более эффективным способом настройки сети является определение градиента ошибки по весам связей. По этому способу все веса изменяются сразу на величину, пропорциональную соответствующей производной. Одним из известных алгоритмов, позволяющих вычислить градиент ошибки, является алгоритм обратного распространения ошибки. В настоящее время имеется несколько подходов для построения нейроконтроллеров на базе многослойной НС прямого и обратного распространения. Все они представляют собой последовательную или параллельную схему нейроуправления. Для разрабатываемой интеллектуальной системы наиболее подходящей является последовательная схема включения нейрорегулятора. Данная схема стала уже традиционной при построении систем управления на базе нейронных сетей и основывается на предварительном обучении. Обучение проводится на множестве соотношений вход-выход объекта, полученных при проведении эксперимента на объекте и его модели. Задачей использования нейронного регулятора является выдача скорректированного управляющего входного сигнала (силы тока наплавки), полученного из базы данных (знаний). Данная задача решается путем обучения НС на примерах из обучающего множества. Критерием обучения является