СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В данной работе представлено решение задачи обучения искусственной нейронной сети (ИНС), с помощью которой в автоматической системе регулирования (АСР), имеющей в своем составе ШИМ-элемент, определяется такая важная составляющая его характеристики, как скважность. Исходя из вышесказанного можно говорить о широко распространенной в практике регулирования задаче параметрической оптимизации. Она с учетом применения ИНС при формулировкетребуетуточнения. Известны критерий оптимизации, архитектура ИНС, набор функций активации скрытого слоя. Необходимо определить значения синаптических весов, доставляющих экстремум принятого критерия. При этом следует дать рекомендации по выбору функции активации, исходя из конкретики требований, предъявляемых к процессам, протекающим в автоматической системе.Наличие в данной системе существенно нелинейного элемента определяет подход к решению вышеизложенной задачи с помощью алгоритмических методов.

Алгоритм обучения нейронной сети, сформирован на базе метода Нелдера–Мида, который относится к достаточно универсальным, что позволяет уменьшить трудности, проявляющиеся при решении подобных задач.

Как указывалось выше, этот алгоритм ОНС используется при обучении ИНС, входящей в АСР, структурная схема и ее математическое описание представлены. Для исследования работоспособности алгоритма использована методика, нашедшая распространение при проведении параметрической оптимизации классических импульсных АСР. Она основана на сходимости форм модуляционных характеристик. ПрименениеИНС повлекло за собой введение понятия «псевдомодуляционная характеристика». Приведены результаты настройки автоматической системы на достижение минимума интегрального критерия качества при использовании указанной архитектуры нейронной сети и пяти функций активации скрытого слоя.

1. Сабанин В.Р., Смирнов Н.И., Репин А.И. Автоматические системы регулирования на основе нейросетевых технологий // Вестник Московского энергетического института. – 2005. – № 3. – С. 10–18.

2. Шаровин И.М., Смирнов Н.И., Репин А.И. Применение искусственных нейронных сетей для адаптации САР в процессе их эксплуатации // Промышленные АСУ и контроллеры. – 2012. – № 4. – С. 27–32.

3. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. – М.: ИПРЖР, 2002. – 480 с.

4. Басараб М.А., Ивойлов М.А., Матвеев В.А. Оптимизация балансировки волнового твердотельного гироскопа твердотельного гироскопа с помощью нейронной сети Хопфилда // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2012. – № 7. – С. 289–297.

5. Вариант построения регулятора возбуждения синхрононных электрических генераторов, обеспечивающий оптимизацию параметров переходных процессов сопряженной энергосистеме / А.Б. Борзов, А.В. Бумагин, А.В. Гондарь, К.П. Лихоеденко // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2012. – № 6. – С. 329–350.

6. Rahmani M, Ghanbari A, Ettefagh M. Hybrid neural network fraction integral terminal sliding mode control of an inchworm robot manipulator // Mechanical Systems and Signal Processing. – 2016. – Vol. 80. – P. 117–136. – doi: 10.1016/j.ymssp.2016.04.004.

7. A length ratio based neural network energy management strategy for control / H. Tian , Z. Lu, X. Wang, X. Zhang, Y. Huang, G. Tian // Applied Energy. – 2015. – Vol. 177. – P. 71–80. – doi: 10.1016/j.ymssp.2015.03.006.

8. Zhang L., Suganthan P.N. A survey of randomized algorithms for training neural networks // Information Sciences. – 2015. – Vol. 364. – P. 146–155. – doi: 10.1016/j.ins.2016.01.039.

9. Игумнов И.В., Куцый Н.Н. Нейросетевая реализация и настройка ШИМ-элементов в автоматических системах // Научный вестник НГТУ. – 2015. – № 3 (60). – С. 23–32.

10. Игумнов И.В., Куцый Н.Н. Формирование ШИМ-элемента с использованием искусственных нейронных сетей // Вестник Иркутского государственного технического университета. – 2014. – № 6 (89). – С. 31–35.

11. Химмельблау Д. Прикладное нелинейное программирование. – М: Мир, 1975. – 536 с.

12. Ту Ю.Т. Цифровые и импульсные системы автоматического управления / пер. с англ. Ю.Д. Богомолова, Ю. И. Бородина. – М.: Машиностроение, 1964. – 698 с.

13. Локтюхин В.Н., Челебаев С.В., Антоненко А.В. Нейросетевые аналого-цифровые преобразователи / под общ. ред. А.И. Галушкина. – М.: Горячая линия-Телеком, 2010. – 128 с.

14. Заенцев И.В. Нейронные сети: основные модели: учебное пособие к курсу «Нейронные сети» для студентов 5 курса магистратуры. – Воронеж: Изд-во ВГУ, 1999. – 76 с.

15. Ловецкий К.П., Севастьянов Л.А., Бикеев О.Н. Математический синтез оптических наноструктур. – М: РУДН, 2008. – 143 с.

16. Куцый Н.Н. Автоматическая параметрическая оптимизация дискретных систем регулирования: дис. … д-ра техн. наук: 05.13.06: защищена 26.11.97. – М., 1997. – 386 с.

17. Маланова Т.В.., Куцый Н.Н. Проверка достоверности вычисления функций чувствительности для систем с широтно-импульсной модуляцией // Информационные и математические технологии в науке и управлении: сборник научных трудов / ИСЭМ СО РАН. – Иркутск, 2009. – С. 43–48.