СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В некоторых случаях для повышения показателей качества переходных процессов системы автоматического управления необходимо учитывать в модели объекта управления различные механизмы, приводящие в движение сам объект управления (двигатель постоянного тока, колеса, усилительно-преобразующие устройства). При расчете регуляторов аналитическими методами возникают сложности, связанные с наличием в таких системах различного рода нелинейностей, и в том числе существенных (люфт, трение и т.?д.). В этом случае решение данного вопроса может быть связано с применением искусственных нейронных сетей в составе регулятора. В настоящей работе показано применение схемы нейроуправления, в которой используется нейроэмулятор и нейрорегулятор. Это позволяет сформировать обучающую выборку и обучить нейросетевой регулятор в режимах работы системы, находящейся за пределами возможностей управления нелинейной моделью объекта управления с помощью регулятора, рассчитанного аналитическим методом. Такая схема рассматривается в качестве дополнения к алгоритму синтеза нейросетевых регуляторов с детерминированным способом выбора архитектуры и весовых коэффициентов нейронной сети, использующей схему подражающего нейроуправления. Приводится пример повышения качественных характеристик переходных процессов системы с помощью донастройки нейрорегулятора для нелинейной системы «инверсный маятник на подвижном основании» с учетом нахождения в системе инерционного звена, содержащего существенную нелинейность типа «люфт». В качестве цели управления выбиралась стабилизация инверсного маятника в вертикальном положении и перемещение мобильного основания к заданному значению. Для достижения поставленных целей используется схема нейроуправления, содержащая две нейронные сети: нейрорегулятор (выполняет функцию формирования управляющего воздействия на объект) и нейроэмулятор (выполняет функцию имитации модели объекта управления). Необходимо выполнять обратное вычисление пропуска ошибки и настройки весовых коэффициентов нейрорегулятора. В результате удается получить систему автоматического управления, способную к управлению указанным объектом.

1. Организация интеллектуальных систем управления на основе нейрорегуляторов / В.Ф. Гузик, В.А. Прилип, С.А. Черный, А.В. Шестаков // Инженерный вестник Дона. – 2018. – № 4 (51). – С. 189. – EDN: BEZKJY.

2. Аносов В.Н., Кавешников В.М., Саидов С.А. Синтез нейрорегулятора энергии в системе с комбинированной энергоустановкой // Известия Тульского государственного университета. Технические науки. – 2021. – № 4. – С. 201–205. – DOI: 10.24412/2071-6168-2021-4-201-205. – EDN: CNRXKF.

3. Феофилов С.В., Хапкин Д.Л. Применение рекуррентных нейронных сетей в замкнутых следящих системах с нелинейными объектами // Известия Тульского государственного университета. Технические науки. – 2021. – № 11. – С. 72–80. – DOI: 10.24412/2071-6168-2021-11-72-81. – EDN: FPYQAB.

4. Параметрическая оптимизация автоматической системы регулирования автоклавом с двумя ПИД-нейрорегуляторами / М.П. Дунаев, И.В. Игумнов, Д.С. Киргин, Н.Н. Куцый // Вестник Иркутского государственного технического университета. – 2017. – Т. 21, № 4 (123). – С. 67–74. – DOI: 10.21285/1814-3520-2017-4-67-74. – EDN: YLJJGP.

5. Neural systems for control / ed. by O. Omidvar, D.L. Elliott. – New York: Academic Press, 1997. – 272 p.

6. Valeev S., Kondratyeva N. Model-based architecture for control system design with application of SIMO neural network // 2021 International Russian Automation Conference (RusAutoCon), Sochi, Russian Federation, 2021. – IEEE, 2021. – P. 548–552. – DOI: 10.1109/RusAutoCon52004.2021.9537466.

7. Architecture growth of dynamic feedforward neural network based on the growth rate function / X. Zhang, T. Yang, L. Wang, S. Liu, J. Yan, Z. He // 2022 IEEE 11th Data Driven Control and Learning Systems Conference (DDCLS), Chengdu, China, 2022. – IEEE, 2022. – P. 1190–1195. – DOI: 10.1109/DDCLS55054.2022.9858492.

8. Wang X., Li W., Qiao J. A weight initialization method for fuzzy neural network based on rule partition // 2021 33rd Chinese Control and Decision Conference (CCDC), Kunming, China, 2021. – IEEE, 2021. – P. 6449–6453. – DOI: 10.1109/CCDC52312.2021.9601986.

9. Sai T.A., Lee H.-h. Weight initialization on neural network for neuro PID Controller: Case study // 2018 International Conference on Information and Communication Technology Robotics (ICT-ROBOT), Busan, Korea (South). – IEEE, 2018. – P. 1–4. – DOI: 10.1109/ICT-ROBOT.2018.8549904.

10. Шипагин В.И. Нейросетевая реализация полиномиального метода синтеза регуляторов с детерминированным способом выбора архитектуры и инициализации весовых коэффициентов: дис. ... канд. техн. наук: 2.3.1. – Новосибирск, 2023. – 169 с.

11. Jordan M.I., Rumelhart D.E. Forward models: Supervised learning with a distal teacher // Cognitive Science. – 1990. – Vol. 16. – P. 313–355.

12. Widrow B., Smith F.W. Pattern-recognizing control systems // Proceedings of Computer and Information Sciences. – 1964. – Vol. 12. – P. 288–317.

13. Ronco E. Incremental polynomial controller networks: Two self-organising non-linear controllers: Ph.D. Disseration Thesis. – Glasgow, 1997. – 207 p.

14. Дзюба Д.А., Чернодуб А.Н. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.

15. Omatu S., Khalid M., Yusof R. Neuro-control and its applications. – London; New York: Springer, 1996. – 255 p.

16. Воевода А.А., Шипагин В.И. Применение нейросетевого регулятора для многоканальной системы с нестационарными непараметрическими неопределенностями // III Международная конференция по нейронным сетям и нейротехнологиям (NeuroNT'2022): сборник докладов. – СПб., 2022. – С. 41–46.

17. Ключев В.И. Теория электропривода. – М.: Энергоатомиздат, 1985. – 560 с.

18. Башарин А.В., Новиков В.А., Соколовский Г.Г. Управление электроприводами. – М.: Энергоиздат, 1982. – 392 с.

19. Phillips C.L., Harbor R.D. Feedback Control Systems. – Upper Saddle River, NJ: Prentice Hall, 2000.

20. Воевода А.А., Шипагин В.И. Синтез нейросетевого регулятора управления нелинейной моделью перевернутого маятника на тележке // Научный вестник НГТУ. – 2020. – № 2–3 (79). – С. 25–36. – DOI: 10.17212/1814-1196-2020-2-3-25-36.

21. Marquardt D. An algorithm for least-squares estimation of nonlinear parameters // SIAM Journal on Applied Mathematics. – 1963. – Vol. 11 (2). – P. 431–441.