CC BY
29
стороны, может привести к чрезвычайно длительному вычислительному процессу и высокой сложности полученной в итоге модели. В процессе решения задачи декомпозиции в расчет берутся только те частоты, чьи амплитуды превышают пороговый уровень. Таким образом, производится поиск периодов составляющих (в алгоритме для упрощения используются лишь частоты на локальных максимумах спектра). Затем найденные по спектру периоды верифицируются на кратность с помощью автокорреляционной функции. После прохождения верификации происходит выделение периодической составляющей путём усреднения исследуемого сигнала. Выделенная составляющая вычитается из сигнала, и цикл повторяется, то есть после каждого выделения составляющей для полученного сигнала перестраивается спектр, постепенно уменьшая свою амплитуду и теряя ярко выраженные частоты.
После выполнения первого этапа, а также в том случае, если установленный пороговый уровень превышает максимальную амплитуду на спектре, выполняется второй этап процедуры декомпозиции - выявление закона распределения случайной составляющей. Случайная составляющая генерируется из равнораспределённого сигнала по инверсной функции распределения амплитуд полученного сигнала (остатка от исходного) методом обратного преобразования (преобразование В. И. Смирнова) [1]. Более подробно алгоритм описан в [2].
Выводы. Разработанный подход [2] реализован в виде приложения «SigDecTool», которое позволяет осуществлять синтез и анализ разнообразных стационарных аддитивных шумов как с произвольными характеристиками, так и с характеристиками, полученными на основе анализа реальных сигналов шума.
ЛИТЕРАТУРА
1. Метод обратного преобразования (преобразование В. И. Смирнова) [Электронный ресурс] // Сайт.-URL: http://ru.wikipedia.0rg/wiki/MeT0fl_06paTH0r0_npe06pa30BaHHfl (дата обращения 05.08.2010).
2. Andrey V. Vara, Victor А. Kovalev. The approach to modeling of noise signals // Materials of the Ninth International Young Scholars' Forum of the Asia-Pacific Region Countries. Vladivostok, Russia. Far-Eastern National Technical University. 2010 - p.392, pp.132 - 137, ISSN 1996-3238.
Марков H.A., Ноткин Б.С., Змеу K.B.
ПРОГНОЗИРУЮЩЕЕ ИНВЕРСНОЕ НЕУРОЙПРАВЛЕНИЕ С РЕГЕНЕРИРУЕМЫМ ЭТАЛОННЫМ ПЕРЕХОДНЫМ ПРОЦЕССОМ
Прогнозирующее инверсное нейроуправление (ПИН) [1] является одним из методов стратегии прогнозирующего управления [2] - современного подхода к синтезу систем автоматического управления (САУ). ПИН позволяет построить регулятор, реализующий и обобщающий необходимые примеры "вход-выход", непосредственно на основе данных "вход-выход" объекта управления (ОУ) посредством обучения искусственной нейронной сети (ИНС). Суть подхода состоит в том, что произвольные управляющие воздействия, приложенные к ОУ и переводящие его в некоторое новое состояние, рассматриваются как примеры целенаправленных управлений (рис.1).
К достоинствам данного метода можно отнести отсутствие необходимости априорного знания математической модели объекта, что существенно облегчает синтез регулятора в условиях параметрической неопределенности. Кроме того, данный поход позволяет строить адекватные инверсные прогнозирующие модели по зашумленным данным.
Эксперименты показывают, что с увеличением горизонта прогноза в ПИН возрастает вариативность допустимых форм переходных процессов, увеличивается среднеквадратичная ошибка обучения, точность прогнозирующих инверсных моделей уменьшается. В свою очередь ПИН с меньшим горизонтом прогноза обеспечивает большую точность управления. Однако на практике прогнозирующего потенциала моделей с меньшим горизонтом может оказаться недостаточно, что может привести к колебательности. Кроме того, бесконечно уменьшать горизонт прогноза вряд ли удастся из-за неизбежного шума в реальных системах. Таким образом, выбор горизонта прогноза в ПИН является компромиссным решением между требуемой точностью прогнозирующей модели и качеством переходного процесса. Для решения данной проблемы в [1] предложено использовать на входе ПИН сглаживающие фильтры, что позволяет повысить качество управления при малых горизонтах прогноза. Однако данный прием не гарантирует отсутствие колебательности и устойчивость системы в условиях ограничения амплитуды управления, т.к. не учитывает текущую динамику системы.
В литературе известен способ реализации эталонной модели, именуемый регенерируемым эталонным переходным процессом (РЭПП) [2]. Данный метод гарантирует согласованность временных характеристик эталонного и фактического переходных процессов, вне зависимости от качества функционирования системы на предыдущих интервалах управления, наличия возмущающих воздействий и ограничений на амплитуду управляющих воздействий. Принцип РЭПП предложен для формирования эталонной траектории в прогнозирующем инверсном нейроуправлении.
Одним из вариантов формирования РЭПП является задание динамического эталонного фильтра (ЭФ) [2]:
у г (к+л=£ £.у* л+X улк -1+л
(1)
коэффициенты
где уг - эталонный выход, уч> - сигнал задания, у - текущий выход объекта, е, и у, РЭПП.
На рис.2 приведена структура предлагаемого регулятора и результаты управления объектом второго порядка с горизонтом прогноза 20 дискретных отсчетов. Пунктирной линией обозначен переходный процесс, полученный при введении сглаживающего фильтра, сплошной - при использовании динамического РЭПП.
ЭФ
уМ)
То1-
и(к)
Ф
инс
ОУ
1 5
5 1 р
о з о
><05
л аз
задание Г V,
уГ г //возмущён 11 11 1 > 1 < V/ ние / Объект IV {5) = ^ -Ф + 1) .
время, с
Рис. 2. Структура ПИН-регулятора с РЭПП и результаты управления
Таким образом, ПИН регулятор с РЭПП позволяет строить адекватные прогнозирующие модели с меньшим горизонтом прогноза, сохраняя при этом качество управления.
При обучении ПИН-регулятора (рис.1) примеры «вход-выход» неоднозначны, т.к. при произвольном виде тестовых сигналов переход объекта из текущего состояния в желаемое может быть выполнен по различным траекториям. Для введения в регулятор информации о характере переходного процесса на каждом горизонте прогноза будем рассматривать переходный процесс не только относительно состояний в начальный и конечный моменты, а как полноценный пример
переходного процесса, со всеми его промежуточными управлениями и состояниями. При обучении нейросети входной вектор дополним значением интеграла п-го порядка У от ошибки между желаемым и текущим значениями, а в регулятор введем интеграл от эталонной траектории (рис.3). и(к) г-—_ текущее __- {к)
Тестовый сигнал
а)
ОУ
TDL
TDL ф
-V
И НС -J-
ЭФ
"желаемое
TDL
^ ИНС
и(к)
ОУ
У(к) *■
б)
Рис.3. ПИН регулятор с интегральной моделью
Данный регулятор позволяет строить прогнозирующие модели с большим горизонтом прогноза. При этом на больших горизонтах с увеличением порядка интегрирования эталонной траектории увеличивается точность управления.
ЛИТЕРАТУРА
1. Змеу К.В., Ноткин Б.С., Дьяченко П.А. Безмодельное прогнозирующее нейроуправление. //Мехатроника, автоматизация, управление. - 2006. - №9. - С. 8-15.
2. Martin Sanchez J.M., Rodellar J. Adaptive predictive control: from concepts to plant optimization. Prentice Hall, 1996.
Невмержицкий M.H., Обложко И.С., Змеу K.B.
О ВОЗМОЖНОСТИ ИСПОЛЬЗОВАНИЯ ДЕМОНСТРАЦИОННОГО СТЕНДА SIEMENS В УЧЕБНОМ ПРОЦЕССЕ
Современные высококачественные электроприводы представляют собой сложные мехатронные узлы с сильно развитой информационной частью и программным обеспечением, позволяющим настраивать и контролировать сотни параметров. Методика наладки таких электроприводов существенно изменилась: с одной стороны назначение параметров, а также наблюдение в реальном времени и документирование динамических процессов существенно облегчены, с другой -невероятно возросшие возможности модификации электропривода способны поставить в тупик даже опытного наладчика. Зачастую возникает впечатление избыточности возможностей предоставляемых современным электроприводом в части наладки. Весьма вероятно, что значительная часть наладочных возможностей не будет востребована на практике, хотя бы потому, что для их реализации нужно достаточно глубоко изучить техническую документацию, объем которой иногда превышает несколько тысяч страниц текста на иностранном языке.
Отмеченные обстоятельства предъявляют новые требования к построению практической составляющей дисциплин высшей школы, посвященных электроприводу. Следует искать разумный баланс между изучением и освоением широких наладочных возможностей современного электропривода и способностью к их осознанию на студенческом уровне.
В докладе рассматриваются возможности использования демонстрационного стенда фирмы Siemens с электроприводами Simodrive 611U в курсе "Электроприводы станков и промышленных роботов" для студентов специальности "Автоматизация технологических процессов (в машиностроении)".
