УДК 62-503.57: 621.313
И. Г. Цвенгер, И. Р. Низамов
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ В СИСТЕМАХ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДАМИ
Ключевые слова: нейронная сеть, адаптивные системы, управление электроприводами; регулятор.
Рассмотрены понятие искусственной нейронной сети и возможности применения нейросетевых регуляторов в системах управления электроприводами. Проведен обзор и анализ существующих статей и научных работ по данной тематике. Приведены достоинства и недостатки применения нейросетевых регуляторов в системах управления электроприводами
Keywords: neural network, adaptive systems, electric drives control; regulator.
Considered the notion of artificial neural network, the possibility of applying neural network regulators in system control of electric drives. Having conducted the review and analysis of existing articles and scientific papers on the subject. Lists the advantages and disadvantages of the application of neural network controllers in the system control of electric drives.
Введение
В условиях современного развития науки и техники все чаще внедряются те или иные новейшие научные разработки. Не являются исключением и системы управления электроприводов (СУЭП). В данной обзорной статье рассматривается одно из наиболее перспективных направлений, а именно возможность применения нейросетевых регуляторов в СУЭП.
Для того что бы понять, что же представляет собой нейросетевой регулятор, обратимся к понятию искусственная нейронная сеть (ИНС). Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке создания моделей этих процессов. Первой такой попыткой их воссоздания были нейронные сети У. Маккалока и У. Питтса. ИНС представляет собой математическую модель, а также её программное или аппаратное воплощение, построенное по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. После разработки алгоритмов обучения, полученные модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. [1].
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор такой сети функционирует только с сигналами, получаемыми периодически, и сигналами, которые он периодически посылает другим процессорам. Несмотря на свою простоту, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие процессоры вместе способны решать довольно сложные задачи [1].
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Это преимущество устраняет возможные ошиб-
ки программирования и оценки управляемого объекта. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными сигналами, а также выполнять обобщение. Это означает, что при успешном обучении сеть сможет вернуть верный результат на основании данных, отсутствовавших в обучающей выборке, а также неполных и (или) «зашумленных», частично искаженных данных [2].
В настоящее время нейронные сети достаточно успешно применяются для синтеза систем управления динамическими объектами. Нейронные сети обладают рядом уникальных свойств, делающих их мощным инструментом для создания систем управления: способностью к обучению на примерах и обобщению данных, способностью адаптироваться к изменению свойств объекта управления и внешней среды, пригодностью для синтеза нелинейных регуляторов, высокой устойчивостью к повреждениям своих элементов в силу изначально заложенного в нейросетевую архитектуру параллелизма [2].
Применение нейросетевых регуляторов
в системах управления электропривода
В настоящий момент в СУЭП наиболее широко применяется пропорционально-интегрально-
дифференциальный (ПИД) или пропорционально-интегральный (ПИ) регуляторы, используемые, в частности, в преобразователях частоты. Рассмотрим применение нейронной сети в ПИД-регуляторах (все те же примеры применимы и в отношении ПИ-регуляторов). Нейронные сети способны как заменить ПИД-регулятор, так и использоваться в адаптации его настроек под текущие условия работы. Нейронная сеть, обладая способностью «обучаться», позволяет использовать опыт эксперта для обучения нейронной сети алгоритму настройки коэффициентов ПИД-регулятора. На рис. 1 показана структура нейронной сети в блоке автонастройки.
Рис. 1 - Структура нейронной сети в блоке автонастройки
В отличие от нечеткого регулятора, где эксперт должен сформулировать правила настройки в лингвистических переменных, при использовании нейронной сети от эксперта нет необходимости формулировать правила - достаточно того, что он несколько раз сам настроит регулятор в процессе «обучения» нейронной сети [3].
Искусственный нейрон представляется функциональным блоком с одним выходом у ил входами х1:х2,...,хл , который реализует в общем случае нелинейное преобразование
у = Р у 2>,х, + ь
где w¡■ - весовые коэффициенты (параметры) при входных переменных х,; Ь - постоянное смещение; Р (•) - «функция активации» нейрона.
Например, сигмоидальная функция Р ф = 1/ (1 + ехр(^)) где а - некоторый параметр.
Нейронная сеть (рис. 1) представляет собой множества связанных между собой нейронов, количество связей которых может составлять тысячи. Благодаря нелинейности функций активации и большому количеству настраиваемых коэффициентов нейронная сеть может выполнять нелинейное отображение множества входных сигналов во множество выходных [3].
Типовая структура системы автоматического регулирования с ПИД-регулятором и нейронной сетью в качестве блока автонастройки показана на рис. 2.
Рис. 2 - Структура ПИД-регулятора с блоком автонастройки на основе нейронной сети NN
Нейронная сеть NN в данной структуре выполняет роль функционального преобразователя, который для каждого набора сигналов г,е,и, у вырабатывает коэффициенты ПИД-регулятора К, 7) , 7^, стремясь минимизировать ошибку выходного сигнала от сигнала задатчика. Наиболее сложной в про-
ектировании регуляторов с нейронной сетью является процедура обучения.
«Обучение» состоит в идентификации неизвестных параметров нейронов w¡■, Ь и а . Для обучения нейронной сети, в системах управления электроприводом, обычно используют методы градиентного поиска минимума критериальной функ-( . )2
ции е = 1и - и I , зависящей от параметров нейронов. Процесс поиска является итерационным, на каждой итерации находят все коэффициенты сети, сначала для выходного слоя нейронов, затем предыдущего, и так до первого слоя (метод обратного распространения ошибки). Помимо этого используются и другие методы поиска минимума, в том числе генетические алгоритмы, метод моделирования отжига, метод наименьших квадратов [4].
Процесс обучения нейронной сети показан на рис. 3 а. Эксперту предоставляют возможность подстраивать параметры регулятора К, 7, 7^ в замкнутой системе автоматического регулирования при различных входных воздействиях г(^). Предполагается, что эксперт умеет это делать с достаточным для практики качеством. Временные диаграммы
(осциллограммы) переменных г, е *, и *, у *, полученные в системе, подстраиваемой экспертом, записываются в архив и затем подаются на нейронную сеть, подключенную к ПИД-регулятору рис. 3б.
Рис. 3 - Схема обучения нейронной сети в блоке автонастройки
Нейронная сеть настраивается таким образом,
чтобы минимизировать погрешность е между сиг*
налом и , полученным с участием эксперта, и сигналом и , полученным в процессе обучения нейронной сети. После выполнения процедуры обучения параметры нейронной сети заносятся в блок автонастройки (рис. 3б). В соответствии с теорией нейронных сетей, обученная нейронная сеть должна вести себя так же, как и эксперт, причем даже при тех
входных воздействиях, которые не были включены в набор сигналов, использованных при обучении. Для этого работоспособность нейронной сети проверяют новым набором данных, не используемых для ее обучения. Если ошибка на проверочных данных не превышает допустимую, нейронную сеть считают обученной [3].
Длительность процесса обучения и его качество являются основными сложностями, которые не позволяет широко использовать метод нейронных сетей в ПИД-регуляторах. В то же время, настроить нейронную сеть и проверить ее на отсутствие ошибок часто бывает намного быстрее и легче, чем составить адекватную модель электропривода и объекта управления и настроить на ее основе ПИД-регулятор. Причем далеко не всегда настройка регулятора на основе положений теории систем автоматического управления может быть оптимальной. К другим недостаткам нейронных сетей относится невозможность предсказания погрешности регулирования для входных воздействий, входящие в набор обучающих сигналов; отсутствие критериев выбора количества нейронов в сети, длительности обучения, диапазона и количества обучающих воздействий. Ни в одной из публикаций не исследовалась робастность или запас устойчивости регулятора [4].
Обзор и анализ статей по применению
нейросетевых регуляторов в системах управления электропривода
В настоящее время по тематике применения нейросетевых регуляторов в СУЭП имеется ряд статей, исследовательских работ и диссертаций. Рассмотрим некоторые из них и выделим основные результаты этих исследований.
Пути повышения качества стабилизации выходного напряжения преобразователей частоты для питания групповой нагрузки на основе автономных инверторов тока и мероприятия как по оптимизации регулятора, так и по модернизации силовой части схемы описываются в [5]. Предложенные авторами схемы преобразователей и алгоритмы регулирования, исследованные на компьютерных моделях, позволили получить следующие результаты: в диапазоне нагрузки от номинальной до десятикратной разгрузки и при 5% набросе и сбросе нагрузки адаптивная система стабилизации обеспечивает отклонение напряжения от номинального значения не более чем на 5 - 7 %. Время регулирования соответствует 10 - 15 периодам выходной частоты [5].
В процессе экспериментальных исследований поведения бесконтактного синхронного генератора, входящего в состав электромашинного преобразователя, с регуляторами частоты выходного напряжения с использованием нечеткой логики и нейронной сети в статических и динамических режимах работы, проведенных в [6], получен следующий результат: при подключении нагрузки нечеткий регулятор позволяет уменьшить провалы частоты в среднем в 1,7 раза, нейросетевой регулятор - в среднем в 3,3 раза по сравнению со штатным регулятором. В переходных процессах быстродействие нечеткого регулятора превышает быстродействие штатного в
среднем в 1,5 раза, быстродействие нейросетевого регулятора превышает быстродействие штатного в среднем в 1,84 раза.
Таким образом, можно сделать вывод о том, что интеллектуальные регуляторы частоты выходного напряжения синхронных генераторов превосходят штатный регулятор по точности, величине максимального отклонения и времени регулирования. А это позволяет говорить о перспективности их применения [6].
Возможности использования нейросетевого регулятора для решения проблемы фрикционных автоколебаний в электромеханических системах с нагрузкой «пара трения» рассматриваются в [7]. В этой работе авторы предлагают совместное использование нейросетевого и классического регулятора, считая, что такой подход позволяет полностью сосредоточиться на стабилизации или устранении автоколебаний в механической части электропривода, а также значительно упростить разработку нейросе-тевого регулятора.
При исследовании электромеханической системы, работающей на нагрузку типа «пара трения», авторами установлено, что замкнутая система с нейросетевым регулятором менее чувствительна к изменению момента инерции, чем система с классическим пропорционально-интегральным регулятором, выявлено, что недообученный нейросетевой регулятор полностью не решает поставленную задачу, а, кроме того, приводит к смещению зоны возникновения автоколебаний в другой диапазон скоростей. Так же сделан вывод о том, что одной из проблем нейросетевых регуляторов является то, что если он был разработан и настроен для конкретного объекта, то его работоспособность в другой системе не могла бы быть гарантирована [7].
Возможности применения искусственных нейронных сетей в регуляторах скорости и момента асинхронного электропривода для повышения качества регулирования и экономии энергии и ресурсов представлены в [8]. Автором разработана и исследована четырехслойная со структурой (8 - 9 - 7 - 1) искусственная нейронная сеть наблюдателя скорости с повышенной точностью и с алгоритмом обратного распространения ошибки, обладающая чувствительностью к вариации взаимной индуктивности на низких частотах. Также им проведено сравнительное исследование оценок скорости двигателя в системе адаптивного управления по эталонной модели с использованием нейронной сети с компенсацией сопротивления статора и без компенсации и представлены результаты исследования моделей искусственных нейронных сетей, предназначенных для выполнения функций наблюдателя и регуляторов в системах управления скоростью асинхронного двигателя с короткозамкнутым ротором, в том числе и косвенного векторного управления скоростью.
В [8] установлено, что система управления с компенсацией сопротивления статора уменьшает погрешность оценок скорости в пять раз и повышает устойчивость системы к изменению параметров двигателя даже на очень низких частотах его вращения. Исследованный в данной работе нейросетевой
контроллер, смоделированный как наблюдатель, показал высокую эффективность в оценке скорости, тока ротора и крутящего момента. По данным [8] пусковой ток ротора с нейросетевым предсказывающим контроллером на 13 % меньше, а пусковой момент на 27 % меньше, чем с ПИ-регулятором; при пуске на холостом ходу пусковой ток ротора с нейросетевым предсказывающим контроллером на 18 % меньше, а пусковой момент на 15 % меньше чем с ПИ-регулятором; при подаче полной номинальной нагрузки пусковой ток ротора с нейросете-вым предсказывающим контроллером на 11 % меньше, а пусковой момент на 11 % меньше, чем с ПИ-регулятором.
Сравнение всех результатов имитационного моделирования данной работы показало, что обычная система адаптивного управления с эталонной моделью работает эффективно тогда, когда значения параметров электропривода точно известны и не изменяются во время работы. Система адаптивного управления, замененная двухслойной нейронной сетью, может немного улучшить эффективность системы, но в условиях постоянства ее параметров. Эти обе системы подвержены воздействию небольших изменений параметров, которые возникают в процессе реальной работы. После внесения в структуру системы оценщика (устройство для оценки) сопротивления статора эффективность системы значительно улучшается, что делает ее пригодной для практического применения [8].
Заключение
Проведя анализ приведенных выше работ, можно выделить достоинства применения нейросетевых регуляторов в СУЭП. Благодаря постоянному обучению нейронной сети, регулятор позволяет адаптироваться под изменяющиеся условия, прогнозировать и предугадывать изменения в системе и работать на опережение, уменьшая инерционность и запаздывание системы. Также нейросетевые регуляторы в малой степени чувствительны к изменению параметров, чем другие классические регуляторы. Это является положительным свойством, так как в процессе работы параметры привода могут меняться. Например, при уменьшении момента инерции на 50 % работоспособность регулятора на базе ИНС сохраняется.
К недостаткам же относится то, что нейросете-вой регулятор разрабатывается и настраивается для конкретного объекта регулирования и поэтому его работоспособность в другой системе не гарантирована. Также существует необходимость обучения сети и выбор ее структуры. Еще одним недостатком является сложность реализации и, как следствие, высокая цена.
Таким образом, проведенный анализ показал, что исследования в данном направлении ведутся и на сегодняшний день имеются определенные результаты. Однако из-за сложности реализации нейросете-вых регуляторов на техническом уровне и ряда нерешенных вопросов их применение весьма ограничено. Учитывая стремительное развитие науки и техники, можно предположить, что в ближайшие годы нейросетевые регуляторы смогут раскрыть все свои преимущества и быть доступными на уровне серийного выпуска для использования в системах управления электроприводами.
Литература
1. М. Б. Беркинблит, Нейронные сети. МИРОС, Москва, 1993. 96 с.
2. В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин, Нейросетевые системы управления. Высшая школа, Москва, 2002. 184 с.
3. А. Н. Горбань, Обучение нейронных сетей. СП «Параграф», Москва, 1990. 160 с.
4. А. Н. Чернодуб, Д. А. Дзюба, Обзор методов нейро-управления. Проблемы программирования. 2, 79 - 94 (2011).
5. Е. Е. Миргородский, Н. П. Митяшин, Э. К. Нугаев, Адаптивные системы стабилизации выходного напряжения силовых преобразователей на основе инверторов тока, Вестник Саратовского государственного технического университета, 4, 34 - 38 (2009).
6. Ф. А. Гизатуллин, В. И. Каримов, Экспериментальные исследования интеллектуальных систем регулирования частоты выходного напряжения синхронного генератора в составе электромашинного преобразователя, Современные проблемы науки и образования. 2, 98 -103 (2012).
7. С. В. Ланграф, А. С. Глазырин, Л. Е. Козлова, Т. А. Глазырина, В. В. Тимошкин, К. С. Афанасьев, Разработка и исследование нейросетевого регулятора для электропривода с механической нагрузкой типа «пара трения», ТУСУР. 1, 166 - 172 (2011).
8. А. С. Абозеад Абоалела. Дисс. канд. техн. наук, Казан. нац. исслед. техн. ун-т им. А. Н. Туполева - КАИ, Казань, 2012. 135 с.
©И. Г. Цвенгер - канд. техн. наук, доцент кафедры электропривода и электротехники КНИТУ, electroprivod@list.ru; И. Р. Низамов - магистрант той же кафедры.
© I. G. Tsvenger - candidate of technical Sciences, Assistant of professor, Department of Electric drive and Electrotechnics KNRTU, electroprivod@list.ru; I. R. Nizamov - undergraduate student of Electric drive and Electrotechnics department KNRTU.