Содержание к диссертации
Введение 5
1 Нейросетевые модели идентификации объектов 10
1Л Нейросетевая идентификация статических объектов 14
1,2 Идентификация динамических объектов нейронными сетями прямого распространения 14
L2.1 Входной сигнал нейронной сети 15
1,2.2 Выходной сигнал нейронной сети 15
1.23 Желаемый выходной сигнал нейронной сети 15
1,2.4 Ошибка решения 15
1.2-5 Функция активации 16
1.2.6 Описание структуры разомкнутой нейронной сети 16
1.2.7 Функционал оптимизации 17
1.2.8 Метод поиска экстремума функционала оптимизации 18
1.2.9 Выбор начальных условий для настройки 19
1.2.10 Параметры, заданные априори 19
1.2.11 Параметры, требующие выбора в процессе формирования плана экспериментов 19
13 Идентификация динамических объектов нейронными сетями с обратными связями 19
13 Л Описание структуры разомкнутой трехслойной нейронной сети 19
133 Функционал оптимизации 23
133 Метод поиска экстремума функционала оптимизации 24
13.4 Выбор начальных условий для настройки 25
1.4 Выводы по главе 1 25
2 Нейросетевые алгоритмы управления 27
2.1 Выбор задач для нейроуправления 27
2.2 Классификация типов и структур нейроуправления 34
2.3 Инверсное прямое нейроуправление Зб
2.4 Инверсное непрямое нейроуправление 37
2.5 Прямое нейроуправление с прямым эмулятором 38
2.6 Непрямое нейроуправление с прямым эмулятором 38
2.7 Прямое нейроуправление с непрямым эмулятором 39
2.8 Непрямое нейроуправление с непрямым эмулятором 40
2.9 Косвенное нейроуправление без эмулятора 41
2.10 Косвенное нейроуправление с прямым эмулятором 42
2.11 Косвенное нейроуправление с непрямым эмулятором 42
2.12 Предиктивное (упреждающее) нейроуправление 43
2.13 Выводы по главе 2 43
3 Решение задач управления и идентификации с применением нейронных сетей 46
Идентификация уравнения Ван-дер-Поля как статического объекта4б
3.1 Л Математическая постановка задачи 46
3.1.2 Нейросетевая постановка задачи 48
3.1.3 Эксперимент 51
3.1.3.1 Однослойная нейронная сеть :... 52
3.1.3.2 Двухслойные нейронные сети 52
3.2 Синтез системы активной виброзащиты 56
3.2.1 Описание системы 56
3.2.2 Получение аналитической модели системы 57
3.2.3 Построение модели в Simulmk 59
3.2.3 Формирование управляющего сигнала гидроцилиндра возмущения 63
3.2.4 Проведение эксперимента 65
3.2.5 Анализ результатов экспериментов 68
33 Идентификация чашевого окомкователя 80
33.1 Постановка задачи 80
33.2 Нейросетевой алгоритм идентификации чашечного окомкователя 85
3.3.2Л Входной вектор нейронной сети 87
33.3.2 Выходной вектор нейронной сети 88
333.3 Желаемый выходной вектор 88
3.33.4 Ошибка решения 88
333.5 Функция активации 88
333.6 Описание структуры разомкнутой нейронной сети 89
333.7 Функционал оптимизации 90
333.8 Метод поиска экстремума функционала оптимизации 90
333.9 Метод настройки весовых коэффициентов нейронной сети 90
ЗЗ.ЗЛО Метод настройки параметров шага цикла обучения.. 91
333.11 Выбор начальных коэффициентов для настройки нейронной сети 91
33.4 Экспериментальные результаты 91
33.5 Выводы 102
3.6 Создание системы нейроуправления режимом зависания вертолета 103
3.6.1 Описание системы 103
3.6.2 Математическая модель 106
3.63. Разработка нейроадаптивного контроллера 108
3.6,4. Результаты экспериментов 109
3.7 Выводы по главе 3 113
Заключение , 115
Список использованных источников 116
Введение к работе
В последние годы проблематика нейроуправления активно развивается. Одной из причин этого является то, что традиционные методы управления в основном опираются на теорию линейных систем, в то время как реальные объекты являются по своей природе нелинейными- В действительности часто сложно сделать работу оборудования полностью автоматической. Управление должно осуществляться людьми-операторами. Даже если будет разработана сложная система управления, структура и принципы работы которой будут недоступны для понимания оператором оборудования, надежность и безопасность такой схемы окажутся низкими, т,к. в процессе работы возможны непредсказуемые явления. Это может привести к нежелательным потерям сырья, а также к авариям и несчастным случаям. По этой причине широкое распространение получили пропорциональные-интеграпьно-дифференциальные регуляторы (ПИД-контроллсры) из-за простоты их структуры и высокой надежности. В контроллерах этого типа оператор может управлять тремя параметрами, добиваясь улучшения показателей качества. Однако эти контроллеры имеют ряд недостатков. Например, при изменении рабочих точек требуется перенастройка контроллеров. На крупных предприятиях с непрерывным режимом работы при использовании таких контроллеров необходим тщательный контроль, что требует большой численности квалифицированного персонала. На многих объектах управления такая перенастройка контроллеров в принципе невозможна.
Для лучшего решения задач управления требуется разработка новых схем управления. Эти новые схемы управления должны быть достаточно просты по принципам организации и функционирования, чтобы промышленность восприняла их легко и в широком масштабе.
Может оказаться сложным разработать схемы управления для крупномасштабных систем, обеспечивающих высокую эффективность и при этом использующие только простые принципы управления» Однако желательно, чтобы в новых системах управления манипуляция параметрами была сведена к минимуму.
Нейроуправление - это раздел теории управления, активно развивающийся в последние годы в основном для управления сложными динамическими системами, а именно:
- системами с существенными нелинейностями;
- системами с переменными параметрами и структурой;
- неформ ал изуемыми или сложноформализуемыми системами;
- многомерными системами;
- распределенными системами.
Известные примеры реализации управления сложными динамическими системами, перечисленными выше, в основном касаются модификации известных методов теории управления с учетом особенностей вышеназванных сложных систем. В частности, эти методы связываются с попыткой описания нелинейными дифференциальными уравнениями (с переменными параметрами и многомерных) и попыткой решения этих уравнений с помощью алгоритмов, адекватных вычислителям с архитектурой фон-Неймана.
В случае реализации нейроуправления подобный подход становится ненужным и фактически является «ложной» задачей на пути реализации управления сложными динамическими системами.
Обьектолг исследования является проблема разработки нейросетевых алгоритмов управления сложными динамическими системами, то есть системами с существенными нелинейностями, многомерными, в том числе с переменными параметрами и структурой. Предметом исследования — синтез алгоритмов нейроуправления для различных объектов.
Цель исследования — классификация, создание и исследование методов нейроуправления на модельных примерах и реальных объектах.
Разрабатываемые методы нейроуправления состоят из трех этапов:
- выбор типа и структуры нейроуправления;
- нейросетевая идентификация объекта управления в реальном времени;
- построение нейроконтроллера для выработки управляющих воздействий.
Задача исследованиях
1) разработка алгоритмов обучения нейронных сетей для идентификации различных видов динамических объектов;
2) классификация типов и структур нейроуправления;
3) решение конкретных задач:
- идентификация уравнения Ван-дср-Поля;
- синтез системы активной виброзащиты;
- идентификация чашевого окомкователя в технологическом процессе окомкования не Лебединском горно-обогатительном комбинате;
- система управления режимом зависания вертолета.
Конкретным результатом является новые методы нейроуправления и применение к решению четырех конкретных задач.
Научная новизна работы состоит в следующем:
1) предложены оригинальные алгоритмы идентификации в контуре нейроуправления с использованием нейронных сетей прямого распространения и нейронных сетей с обратными связями;
2) предложена методика идентификации, представленная в типизированном виде с описанием входа и выхода нейронной сети, желаемого сигнала (указаний учителя) нейронной сети, ошибка решения, структура нейронной сети, включая функции активации, функционал оптимизации, методы поиска экстремума функционала оптимизации, выбор начальных условий;
3) предложена методика формирования плана экспериментов для решения задач нейросетевой идентификации;
4) разработана методика выбора и построения нейроконтроллера п контуре нейроуправления;
5) проведено исследование разработанных методов на примере идентификации нелинейного уравнения Ван-дер-Поля как статического объекта;
6) проведена апробация разработанных методов при решении конкретных задач:
- синтез системы активной виброзащиты;
- идентификация чашевого окомкователя в технологическом процессе окомкования не Лебединском горно-обогатительном комбинате;
- система управления режимом зависания вертолета» На защиту выносятся:
1) методы идентификации динамических объектов с помощью нейронных сетей прямого распространения;
2) методы идентификации динамических объектов с помощью нейронных сетей с обратными связями;
3) классификация задач и структур нейроуправления;
4) методика и результаты идентификации нелинейного дифференциального уравнения с использованием нейронной сети;
5) экспериментальные результаты применения нейросетевых алгоритмов в системе активной виброзащиты;
6) экспериментальные результаты применения нейросетевых алгоритмов при идентификации чашевого окомкователя;
7) технические предложения по созданию системы нейроуправления режимом зависания вертолета.
В первой главе комплексно рассмотрена задача нейросетевой идентификации различных объектов. Глава 2 посвящена актуальной и новой задаче выбора конкретной схемы и структуры нейроуправления, В главе 3 показаны примеры полученных алгоритмов при решении конкретных задач
Похожие диссертации на Разработка, исследование и применение нейросетевых алгоритмов идентификации и управления динамическими системами
