УДК 681.51
SYNTHESIS OF NEUROEMULATORS FOR TECHNOLOGICAL CONTROL OBJECTS USING ANALYTICAL PLATFORM
DEDUCTOR
Mikhaylov Alexey Sergeevich, postgraduate student, Kostroma State Technological
University, amt@kstu.edu.ru
Nekhoroshkina Mariya Sergeevna, assistant, Department of information technologies, Kostroma State Technological University, vt@kstu.edu.ru
Abstract. In article synthesis of neuroemulator based on experimental data for DC motor with separate excitation is examined. Description of laboratory-scale plant for benchmark data obtaining and solution algorithm are presented. Precision of obtained model is evaluated. The development environment is analytical platform Deductor.
Keywords: neuroemulator, multi-layer perceptron, Resilient Propagation algorithm, DC motor, identification.
СИНТЕЗ НЕЙРОЭМУЛЯТОРОВ ТЕХНОЛОГИЧЕСКИХ ОБЪЕКТОВ УПРАВЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ АНАЛИТИЧЕСКОЙ ПЛАТФОРМЫ DEDUCTOR
Михайлов Алексей Сергеевич, аспирант, Костромской государственный технологический университет, amt@kstu.edu.ru
Нехорошкина Мария Сергеевна, ассистент кафедры информационных технологий, Костромской государственный технологический университет, vt@kstu.edu.ru
Аннотация. В статье рассматривается синтез нейроэмулятора по экспериментальным данным для двигателя постоянного тока независимого возбуждения. Приводится описание лабораторной установки для получения исходных данных и алгоритм решения задачи. Оценивается точность полученной модели. В качестве среды разработки используется аналитическая платформа Deductor.
Ключевые слова: нейроэмулятор, многослойный персептрон, алгоритм Resilient Propagation, двигатель постоянного тока, идентификация.
Одним из перспективных направлений в проектировании систем автоматического управления (САУ) является использование в их структуре элементов искусственного интеллекта, в частности искусственных нейронных сетей (ИНС), применяемых в качестве нейрорегуляторов и нейроэмуляторов технологических объектов управления (ТОУ). Анализ некоторых публикаций по данной тематике проводится в работе [1].
При синтезе элементов САУ на основе ИНС большинство авторов использует пакет MATLAB и его расширение Neural Network Toolbox.
В настоящей статье в отличие от предлагаемых методик рассматривается синтез нейроэмулятора ТОУ с использованием аналитической платформы Deductor.
Выбор данного программного обеспечения особенно интересен тем, что оно является свободным для образовательных целей и широко используется при анализе различных экономических процессов, чему посвящен целый ряд изданий, например, [2]. При этом примеры использования Deductor для решения задач технического характера отсутствуют, хотя объективных причин для этого нет.
Пусть в качестве ТОУ выбран двигатель постоянного тока независимого возбуждения (ДПТ НВ). В работе [3] описана структура лабораторной установки, позволяющей получить исходные данные для синтеза нейроэмулятора ТОУ «двигатель - рабочая машина». Функциональная схема установки приведена на рис. 1.
Рис. 1. Функциональная схема лабораторной установки
Механическая часть лабораторной установки представляет собой ДПТ НВ и нагрузочную машину (НМ), соединенные между собой через муфту (М). В качестве НМ используется асинхронный электродвигатель мощностью 50 Вт. Мощность ДПТ НВ - 90 Вт. На общем валу также располагается датчик скорости (ДС). Ток якоря ДПТ НВ контролируется датчиком тока (ДТ). Аналоговые сигналы с ДС и ДТ поступают на вход аналогово-цифрового преобразователя (АЦП). Цифровой сигнал с выхода АЦП поступает в ЭВМ.
В качестве исходных данных для синтеза нейроэмулятора рассматриваются результаты серии натурных экспериментов, в ходе которых на обмотку якоря ДПТ НВ подавалось напряжение ия, а после входа ДПТ НВ в установившийся режим производилось отключение обмотки якоря от сети.
Значения ия были выбраны равными 70, 80, 100, 120, 150 и 180 В. В каждом эксперименте регистрировалась угловая скорость ДПТ НВ т и ток якоря 1я. Шаг квантования был выбран равным
0,001 с.
Таким образом, были получены кривые переходных процессов по скорости и току якоря, а также кривые выбега для каждого значения ия. Во всех экспериментах напряжение на обмотке возбуждения Ue соответствовало номинальному, а подключение НМ к сети питания не проводилось.
НМ создавала на валу ДПТ НВ некоторый минимальный статический момент нагрузки Мн.
На рис. 2 приведена графическая интерпретация результатов серии натурных экспериментов для угловой скорости т и тока якоря 1я после их импорта в Deductor (здесь и далее значения по оси ординат нормализованы, отрицательная полуось времени показана условно). Из рис. 2 видно, что сигнал по каналу 1я сильно зашумлен и нуждается в сглаживании. Сглаживание сигналов по каналам т и 1я проводилось далее инструментальными средствами Deductor.
-0.006 0.014 0.035 0.016 0.036 0.015 0.035 0.01 0.028 0.048 0.01 0.028 0.048 0.016 0.036 0.057 0.077
Ь С
Рис. 2. Исходные кривые со*(і) (1) и 1*(1) (2)
Алгоритм разработки нейроэмулятора, также предложенный в работе [3], в виде блок-схемы представлен на рис. 3.
Рис. 3. Блок-схема алгоритма синтеза нейроэмулятора
При синтезе нейроэмулятора кривые переходных процессов по скорости и току якоря, а также кривые выбега для значений ия равных 70, 100, 120 и 180 В составили обучающее множество; кривые переходных процессов, а также кривая выбега для значения ия = 80 В - тестовое множество.
Наилучшие результаты были получены при использовании ИНС типа «многослойный персептрон» с 9 нейронами во входном слое, 19 нейронами в скрытом слое и 2 нейронами в выходном слое.
Функция активации - гиперболический тангенс, алгоритм обучения - ЯРЯОР с шагом спуска 0,01 и с шагом подъема 1,2. Для прогнозирования значений ю и 1я на (к+1)-м шаге квантования нейроэмулятором учитываются значения этих величин на к-м, (к-1)-м, (к-2)-м и (к-3)-м шагах квантования.
Полученный результат в части количества нейронов в скрытом слое соответствует теореме Колмогорова-Арнольда, а точнее ее приложению к теории ИНС (так называемой теореме Хехт-Нильсена).
На рис. 4 приведены результаты идентификации ТОУ на тестовом множестве, а на рис. 5 - графики приведенной погрешности.
100 90 80 70 60 50 40 30 20 10 0
-0.002 0 0.002 0.005 0.008 0.011 0.014 0.017 0.02 0.023 0.026 0.029 0.032 0.035 0,038 0.041
С
Рис. 4. Результаты идентификации ТОУ по каналу о (1 - исходные данные, 2 - данные нейроэмулятора) и по каналу 1я (3 - исходные данные, 4 - данные нейроэмулятора)
.0.002 0 0.002 0.005 0.008 0.011 0.014 0.017 0.02 0.023 0.026 0.029 0.032 0.035 0.038 0.041
С
Рис. 5. Графики приведенной погрешности: по каналу о (1) и по каналу 1я (2)
В результате проделанной работы автор сделал следующие выводы.
Проведен синтез нейроэмулятора по экспериментальным данным для ДПТ НВ, продемонстрирована возможность применения аналитической платформы Эеёие1;ог для решения задач идентификации ТОУ.
Наилучший результат получен при использовании в качестве нейроэмулятора ИНС с 9 нейронами во входном слое, 19 нейронами в скрытом слое и 2 нейронами в выходном слое.
Максимальная приведенная погрешность синтезированного нейроэмулятора на тестовом множестве по каналу т составляет 10,44%, а по каналу 1я - (-9,49%).
Для повышения точности идентификации необходимо на этапе формирования исходных данных для обучения ИНС выбрать шаг квантования таким образом, чтобы не имела места потеря информации.
Библиографический указатель:
1. Михайлов А.С. Староверов Б. А. Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов / А.С. Михайлов, Б.А. Староверов // Вестник ИГЭУ, 2013. - № 3. - С. 64-68.
2. Паклин Н.Б. Бизнес-аналитика: от данных к знаниям: учебное пособие / Н.Б. Паклин, В.И. Орешков. - 2-е изд. - СПб: Питер, 2013. - 704 с.
3. Михайлов А.С. Алгоритм синтеза нейроидентификатора
для системы «электродвигатель - рабочая машина» / А.С. Михайлов // Сб. тез. второй Всер. интернет-конф. «Грани науки 2013». -Казань: СМУиС, 2013. - С. 974-975 [Электронный ресурс] Режим доступа: ЬИр://§гат2 .kznscience.rU/data/documents/T ezisy_ Огаш-
Nauki-2013.pdf.
Статья поступила в редакцию 16.01.2014