CC BY
189УДК 621.865.8
В. М. Буянкин
Московский государственный технический университет
им. Н. Э. Баумана, г. Москва, Россия
синтез нЕйрорЕгуляторов для сложных технологических
установок с применением бинарных нечетких отношений
Рассматривается методика синтеза нейрорегуляторов для сложных технических установок с переменнъти параметрами, работающих в условиях, когда статические и динамические характеристики объектов управления имеют нелинейный, а иногда и непредсказуемый характер. Системы нейроуправления с нейрорегуляторами непосредственно обучаются нелинейным статическим и динамическим характеристикам, обеспечивая необходимую точность и качество систем управления сложными техническими установками. Все это приводит к интеграции в нейроуправление нечетких интеллектуальных технологий.
Ключевые слова: управление, нейронные сети электропривод, исполнительные механизмы.
V. M. Bujankin
Bauman Moscow State Technical University, Moscow, Russia
SYNTHESIS NEURALREGULATOR FOR DIFFICULT TECHNOLOGICAL INSTALLATIONS WITH APPLICATION OF BINARY INDISTINCT
RELATIONS
In article the synthesis technique neuralregulator for difficult technical installations with the variable parameters, working in conditions when static and dynamic characteristics of objects of management have nonlinear, and sometimes and unpredictable character is considered. Neuromanagement systems with neuralregulator, are directly trained nonlinear static and to dynamic characteristics, providing necessary accuracy and quality of control systems with difficult technical installations. All it leads to integration in neuramanagement indistinct intellectual technologies.
Key words: management, neural networks the electric drive, executive mechanisms.
В связи с бурным развитием совре- сложными техническими установками. В си-менных интеллектуальных технологий в от- стемах управления сложными техническими ечественной и зарубежной промышленности установками довольно часто используются приходится решать проблемы повышения стандартные регуляторы: интегральный (И), эффективности работы систем управления интегрально пропорциональный (ПИ), инте__грально пропорциональный дифференциаль-
© Буянкин В. М., 2013 ный (ПИД), которые широко зарекомендова-
РОБОТОТЕХНИКА И МЕХАТРОНИКА
АЛ
Ж г
ГРАДА
ли себя благодаря своей простоте и высокой надежности. Однако они не могут оперативно самообучаться и перестраиваться при изменении нелинейных параметров сложных элементов технических установок, особенно в случаях нечетких внешних возмущающих воздействий. Вместо этих регуляторов с жесткой структурой актуально использовать ней-рорегуляторы на базе нейронных сетей, которые легко перестраиваются и переобучаются, изменяя свои коэффициенты и приспосабли-34 ваясь к внешней окружающей среде. Анализ работы большинства элементов технических установок сложен и не формализуем из-за неточности исходных данных. Многие характеристики невозможно измерить, например, параметры электрической дуги в ионно-плаз-менной установке, трение в электродвигателях, изменяющиеся во время работы моменты инерции. Поэтому для улучшения эффективности и качества управления актуально использовать нечеткую логику с мягкими вычислениями. Правильное сочетание нейронных сетей с нечеткой логикой позволяет получить необходимые статические и динамические характеристики систем управления сложных технических установок. Все это приводит к интеграции в нейроуправление нечетких интеллектуальных технологий.
ражаются передаточными функциями, полученными по экспериментальным частотным характеристикам. Используя стандартные классические теории синтеза систем автоматического управления, рассчитывают частотные характеристики регулятора. Традиционно на практике широко используются И (интегральные), ПИ (пропорциональные-интегральные), ПИД (пропорциональные-интегральные дифференциальные) регуляторы (рис. 1), которые хорошо и эффективно зарекомендовали себя для управления техническими установками с линеаризованными математическими моделями. Было разработано много методов настройки этих регуляторов. Наиболее распространенным является метод, основанный на данных работы технической установки при реакции единичного ступенчатого воздействия. Этот метод использовался достаточно продолжительное время и эффективно применяется инженерами-практиками и по сей день. Однако на современном этапе к сложным техническим установкам предъявляются все более высокие требования в отношении качества, эффективности и точности. Работу многих сложных технических установок невозможно описать системой линейных дифференциальных уравнений, рабочие точки статических и динамических характеристик из-за возмущений и существенных нелиней-ностей изменяются. Поэтому для обеспечения оптимальной настройки приходится вручную подбирать и перестраивать коэффициенты регуляторов. Оптимальная настройка в таких условиях становится невозможной, поскольку традиционные регуляторы не могут самообучаться, особенно в условиях нечеткой информации, с неопределенными параметрами. Вместо традиционных регуляторов с жесткой структурой актуально использовать нейроре-гуляторы на базе нейронных сетей, которые легко перестраиваются и переобучаются, изменяя свои коэффициенты, приспосабливаясь к внешней окружающей среде [1-3].
Для синтеза объектов регулирования с переменными нелинейными параметрами, представляющих собой одномассовые структуры, разработаны универсальные нейрорегу-ляторы первого и второго типов, обладающие интегральными и пропорциональными характеристиками (рис. 2).
Для синтеза объектов регулирования с переменными нелинейными параметрами, представляющих собой двухмассовые струк-
Синтез систем управления с нечеткой логикой, выбирающей необходимую структуру нейрорегулятора для токового контура цифрового электропривода
В большинстве случаев сложная техническая установка с первоначальными параметрами по своим динамическим свойствам не удовлетворяет желаемым требованиям: она оказывается неустойчивой или имеет плохие показатели качества. Улучшение характеристик сложных технических установок может быть достигнуто при правильно сконструированном регуляторе. Регулятор - это один из наиболее важных функциональных элементов. Он обеспечивает необходимые динамические свойства - устойчивость, качество переходных процессов. От правильности выбора и выполнения регуляторов зависит в большинстве случаев работоспособность технологической установки. Выбор места включения, схемы и параметров регуляторов является одним из основных этапов синтеза. Динамические свойства элементов технических установок при классическом подходе математически вы-
35
Рис. 1. Регуляторы для управления сложными техническими установками
эз
к
<Р1 "Г ^
->"1
V
'.X
(р2
Рис. 2. Нейрорегуляторы первого и второго типов для синтеза одномассовых объектов
регулирования
туры, разработан универсальный нейрорегу-лятор третьего типа, обладающий интегральными пропорциональными и дифференциальными характеристиками (рис. 3).
На рис. 2, 3 обозначено: В1, В2, В3 - входной и выходной валы; Ф1, ф2, ф3 - углы поворота входного и выходного валов; J1, J2 - моменты инерции на выходном валу; Ь 3, Ь23 - коэффициенты жесткости упругих элементов;
Н12 - коэффициенты демпфирования, характеризующий наличие внутренних сил вязкого трения в упругих элементах; ЭЗ - безынерционный элемент зацепления с передаточным числом.
В представленных нейрорегуляторах элемент г осуществляет задержку сигнала на ] шагов. На входы нейрорегуляторов подается п значений Х(г) и т значений сигнала с выхода Д4
АЛ
Ж г
ГРАДА
Работа нейрорегуляторов с п количеством нейронов описывается системой уравнений:
1 1
Ег = Х01У21 - Х,И/22 - Х2Ж,3 -Е3 — — — — Еа = Х01У41 - - -
36
(1)
4 = ВДн - - -
/?3 = 1ап .у(£",); /?2 = 1ап = 1ап Д4 = 1апя^(Е4);
у;=/г4<+............ад';
У0 = ригеИпе К0',
где Х0 - входной сигнал нейронной сети; К - выходной сигнал нейронной сети;
Т7- Г7 1 Л Г Т7- Г71
входные сигналы
нейронной сети, задержанные на 1, 2 такта; У1 = - выходной сигнал нейронной
сети, задержанный на 1 такт; Еу..Е - выходные сигналы первого слоя нейронов; Ж11...Жп4 - веса первого слоя нейронов; Rl...Rn - сигналы на выходе блоков активации первого слоя нейронов; У0' - сигнал на выходе второго слоя нейронов; Жп - веса второго слоя нейронов; ригеИпе - линейная функция активации.
Для решения задачи выбора необходимого типа нейрорегулятора, обеспечивающего требуемые статические и динамические характеристики работы сложных технических установок, используется модель, основанная на двух бинарных нечетких отношениях. Первое из этих нечетких множеств строится на двух базисных множествах X и У, а второе - на двух базисных множествах У и 2.
Множество ХЦ, Rя, Ья, Ип, Н23, Ь12, Ь23} описывает технологические параметры сложной технической установки:
Rя - сопротивление якоря электродвигателя;
Ь - индуктивность якоря электродвигателя.
Х1 = Х02', Х2 = Х02'
Рис. 3. Нейрорегулятор третьего типа для синтеза двухмассовых объектов регулирования
Множество У (9, п, 5, т} описывает технологические характеристики сложной технической установки:
9 - запас устойчивости; п - число колебаний переходного процесса; 5 - перерегулирование; т - длительность переходного процесса. Множество I г2, гъ} описывает набор структурных схем нейрорегуляторов: нейро-регуляторы первого, второго, третьего типов.
На рис. 4 изображена функциональная схема блока вычисления тах-тт-свертки бинарных нечетких отношений.
Функция принадлежности тах-тт-свертки бинарных нечетких отношений Q, К вычисляется по формуле
Mq®R (< xi, xk >) _
= maXx,CX {min {¿Q (< X , xj >), ¿R (< xi, xk >)}} (2)
(V < xt, xk >e Y x Z).
При вводе параметров сложной технологической установки в блок вычисления max-min-свертки бинарных нечетких отношений выбирается необходимый тип нейрорегулято-ра, который обеспечивает требуемое качество работы, соответствующее технологическим характеристикам.
На рис. 5 изображена структурная схема с этапами синтеза и выбора адаптивных нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления сложными техническими установками с желаемы-
37
Технологические характеристики YГ} г
Г J
Технологические
параметры
^ }
"г
R* 1
L. -
Нп_
в
п
л
г
Блок еычнслрвня
anx-mtü свертки нечетких
отношений
первый тип второй тнп третий тип
г{г„х1гх3)
Чипы
нейрорегуляторов
Рис. 4. Функциональная схема блока вычисления тах-тт-свертки бинарных нечетких отношений
Рис. 5. Структурная схема синтеза адаптивных нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления сложными техническими установками с желаемыми характеристиками
V I ИССЛЕ)
ПАу
Ж г
38
ГРАДА
ми характеристиками с применением нечетких интеллектуальных технологий.
Синтез нейрорегулятора состоит из этапов:
1) выбора структуры нейрорегулятора с использованием нечетких параметров технической установки;
2) нейроидентификации с прогнозом статических и динамических характеристик технической установки;
3) сравнения результатов прогнозирующей нейроидентификации с желаемыми переходными характеристиками;
4) формирования обучающей выборки для нейрорегулятора;
5) обучения нейрорегулятора;
6) вычисления статических и динамических характеристик технической установки с обученным нейрорегулятором;
7) сравнений с желаемыми характеристиками эталонной модели.
Если необходимая точность управления сложной технической установкой не достигается, то проводится дообучение нейрорегулятора.
Работа адаптивного нейропрогнозируе-мого нейрорегулятора с эталонной моделью, имеющей желаемую характеристику сложной технической установки, описывается следующими уравнениями.
Уравнение эталонной модели
_ £=0
АЛ
Уравнение нейропрогноза
п п
ы
;=1
Вычисление ошибки ек(£):
.
1=1 у=1
Уравнения нейрорегулятора:
/?, = ригеИпе(Е1), Яп = ригеИпе(Еп),
у*=т+............+ях,
У0 = ригеЫпеУ0,
(6)
где Х0, У0 - входной и выходной сигналы нейронной сети; Х1, У - входные сигналы нейронной сети, задержанные на один такт; Еу.. Еп - выходные сигналы первого слоя нейронов; Жи...Жп3 - веса первого слоя нейронов; R1...Rn - сигналы на выходе блоков активации первого слоя нейронов; У0 - сигнал на выходе второго слоя нейронов; Жу..Жп - веса второго слоя нейронов; рпгеПпе - линейная функция активации.
Настройка нейрорегулятора осуществляется при условии
(7)
(3)
(4)
Эффективность данной методики была проверена на системе нейроуправления токовым контуром цифрового электропривода (рис. 6), смоделированной в среде МАГЪАВ.
В структурной схеме:
УА, Ув, Ус - напряжения трехфазного источника;
1зад, 1я, - ток задания, ток якоря электродвигателя, ток в обмотке возбуждения электродвигателя;
Мв, М - возмущающий момент, момент, развиваемый электродвигателем.
Структурная схема управления токовым контуром электропривода металлорежущего станка описывается системой нелинейных дифференциальных уравнений:
и ^ + г I - уравнение обмотки
В В 7, в в
возбуждения;
йг
(5)
и
я — ^я
сИ
я
обмотки якоря;
йг
- уравнение
с1со
/—- = М-МН - уравнение моментов
на валу электродвигателя;
Ф = к, I, е = к ю Ф- уравнение ЭДС
в Ф в' я g т в-7^ ^^
в обмотке возбуждения электродвигателя;
М = км /я Фв - уравнение вращающего момента электродвигателя;
иг = ит (1 + cosa)/3,14 - уравнение тири-сторного преобразователя, (8)
где ив - напряжение в обмотке возбуждения; /в - ток возбуждения; гв - активное сопротивление обмотки возбуждения; Ьв - индуктивность обмотки возбуждения; Фв - магнитный поток обмотки возбуждения; ия - напряжение на якоре; ¡я - ток якоря; ея - ЭДС якоря; гя -активное сопротивление якоря; Ьл - индуктивность якоря; J - момент инерции электродвигателя; ш - частота вращения электродвигателя; М - вращающий момент электродвигателя; Мн - момент нагрузки; к - коэффициент ЭДС электродвигателя; кт - коэффициент момента электродвигателя; ит - амплитудное значение напряжения; а - угол поджигания тиристоров.
В процессе работы многие параметры электропривода (гв, Ьв, гя, J) изменяются по нелинейным зависимостям, поэтому использование традиционных классических регуляторов представляет большую сложность, так как они не обеспечивают необходимые статические и динамические характеристики.
На рис. 7 представлена структурная схема контура нейросамонастройки с блоком ней-ропрогнозирующей идентификации. Контур нейросамонастройки состоит из эталонной модели с желаемыми характеристиками токо-
вого контура [1, 6, 7, 9]. Желаемый выходной сигнал описывается следующим разностным уравнением:
=тк+1+2+... + „]. ( 9)
Структурная схема (рис. 7) состоит из контура нейроидентификации, где вычисляются и прогнозируются статические и динамические характеристики, и контура нейроу-правления, где вырабатываются обучающие характеристики для нейрорегулятора, управляющего током электродвигателя согласно желаемым характеристикам эталонной модели. Данные блока прогнозирующей нейроиденти-фикации сравниваются с данными эталонной модели, в результате сравнения получаются сигналы обучения для нейрорегулятора. Для обеспечения необходимых статических и динамических характеристик системой нечеткого управления выбран нейрорегулятор (рис. 8) с интегрально-пропорциональной структурой. Нейрорегулятор выполняет роль компенсации электромагнитной постоянной времени электродвигателя, что существенно увеличивает быстродействие токового контура.
При моделировании электропривода с переменными нелинейными параметрами было получено семейство обучающих характеристик для нейрорегулятора. В результате обучения нейрорегулятора и тестирования токового контура с нейросамонастройкой был получен переходный процесс, совпадающий с желаемым переходным процессом эталонной модели (рис. 8).
По переходным процессам, изображенным на рис. 8, можно сделать вывод, что си-
39
_ТИРИСТОРНЫЙ-------Электродвигатель
I ПРЕОБРАЗОВАТЕЛЬ ЭЛЕКТРОДВИГАТЕЛЬ £
СИФУ
он
о
м
'ё н
Блок измерения
□
Л/,
1я Ток якоря
электродвигателя
Гв\ 'с
т
1зад
Рис. 6. Структурная схема управления токовым контуром цифрового электропривода, смоделированная в среде МАТЪАБ
АЛ
Ж г
ГРАДА
40
Рис. 7. Структурная схема контура нейросамонастройки с блоком нейропрогнозирующей
идентификации
А
2(У 18 16 14 12 10 8 б 4 2
Переходной процесс с нейрорегулятором в токовом контуре
Желаемый переходной процесс токового контура
10
15
20
25
30
* I, Ю"3 с
Рис. 8. Переходные процессы в токовом контуре с нейрорегулятором
стема нейроуправления с блоком прогнози- с использованием нечетких технологий с же-
рующей нейроидентификации обеспечивает лаемыми характеристиками позволяют суще-
необходимые желаемые статические и дина- ственно повысить и улучшить статические и
мические характеристики токового контура динамические параметры систем управления
электропривода. сложными техническими установками, что
Таким образом, разработанные методы является на нынешний день важной и акту-
синтеза нейроадаптивных нейрорегуляторов альной задачей.
Библиографические ссылки
1. Буянкин В. М. Применение нейронных сетей для управления. Нейросетевые методы повышения эффективности систем управления сложными элементами электротехнических установок. LAMBERN Academic Publishing Germany, 2011. 265 с.
2. Буянкин В. М., Каганов Ю. Т. Нейроуправление роботами с параллельной кинематикой. Применение нейронных сетей для управления роботами. LAMBERN Academic Publishing Germany, 2011. 167 с.
3. Буянкин В. М., Гоменюк С. М., Карпенко А. П., Литун Т. О. Нейросетевая идентификация и управление некоторыми механизмами параллельной кинематики // ИТ: Прилож. к журналу «Информационные технологии». 2011. № 11.
4. Буянкин В. М., Пантюхин Д. В. Нечеткое управление нейрорегуляторами для токового и скоростного контуров электропривода // Нейрокомпьютеры: разработка и применение. 2009. № 7. С. 50-54.
5. БуянкинВ.М., Пантюхин Д.В.Нейроидентификация статических и динамических характеристик асинхронного электродвигателя переменного тока // Нейрокомпьютеры: разработка и применение. 2009. № 7. С. 69-73.
6. Буянкин В. М. Нейроидентификация, нейроуправ-ление, нейропрогнозирование статических и динамических характеристик электропривода // Вестник компьютерных технологий. 2010. № 5. С. 24-29.
7. Буянкин В. М., Пантюхин Д. В. Синтез интегрального пропорционального нейрорегулятора для управления электроприводом // Известия ТРГУ / Таганрог. гос. радиотехн. ун-т. 2006. № 3. С. 115-121.
8. Буянкин В.М. Интегральный, пропорциональный, дифференциальный нейрорегулятор // Вестник МГТУ им. Н. Э. Баумана, Сер. «Естественные науки». 2006. № 3. С. 56-619.
9. Буянкин В.М. Двухконтурная система нейроуправ-ления электроприводом с нейросамонастройкой //
Нейрокомпьютеры: разработка и применение. 2006. № 8-9. С. 90-94.
10. Буянкин В. М., Захаров В. Г. Физические процессы нечеткого управления при обучении нейрорегуляторов токового контура электропривода с мягкими вычислениями // Вестник МАДИ (ГТУ). 2007. № 2(9). С. 72-75.
11. Буянкин В. М., Захаров В. Г. Физические процессы нечеткого управления при обучении нейрорегуляторов токового и скоростного контуров электропривода с мягкими вычислениями // Вестник МАДИ (ГТУ). 2007. № 3(10). С. 102-106.
12. Буянкин В. М. Разработка метода синтеза многопараметрической нейропрогнозирующей идентификации с использованием ансамбля нейронных сетей с нечеткой логикой для сложных технологических установок // Промышленные АСУ и контроллеры. 2012. № 6. С. 31-35.
13. Буянкин В. М. Метод нейропрогнозирующей ней-родиагностики аварийных ситуаций в сложных электротехнических системах с применением интеллектуальных нечетких технологий установок // Приборы и Системы. Управление, контроль, диагностика. 2012. № 5. C. 5-12.
14. Буянкин В. М. Синтез нейроадаптивных нейро-регуляторов с использованием нечетких технологий на базе нейропрогнозирующих нейроиден-тификаторов для систем управления сложными техническими установками // Приборы и Системы. Управление, контроль, диагностика. 2012. № 8. C. 33-44.
15. Буянкин В. М. Управление электроприводами для механизмов параллельной кинематики робота манипулятора типа «Хобот» // Исследования Наукограда. 2012. № 1. C. 29-36.
Статья поступила в редакцию 06.11.2012 г.
41
