Диссертация (Разработка интеллектуального комплекса для адаптивного управления параметрами микроклимата процессов хранения муки), страница 14

Соответственно на выходе НС-Р выдаются физические величины управляющего воздействия на температуру Утф, влажность Умф и содержание СОз Чсо.ф в силосе. Применение нейросетевого регулятора позволит; 1. Улучшить адаптационные способности регулятора за счет применения более гибкой технологии управления.

2. Повысить качество управления и, следовательно, качественные показатели технологического процесса. 3. повысить экономическую эффективность производства в результате более точного поддержания основных технологических параметров и, соответственно, снижения расхода материальных и энергетических ресурсов, уменьшения процента брака и т.п. 3.5.

Математическое описание нейросетевого регулятора н алгоритм обучения нейросети. На функциональной схеме рисунка 3.7. представлен классический контур регулирования контролируемых параметров. На данной схеме НР— нейросетевой регулятор, Д вЂ” датчик сбора параметров технологического процесса, ОУ - объект управления. Рис. 3.7. Функциональная схема системы управления при помощи нейросетевого регулятора. В контур управления включен нейросетевой регулятор, на вход которого подаются задания параметров а, рассогласование от обратной связи е, а также предыдущие значения регулируемых параметров на один или два таймерных цикла в зависимости от динамики системы. Нейросетевой регулятор на основании приходящих на него данных, обрабатывает и формирует управляющее воздействие 13, передавая его на обьект управления, а именно на исполнительные механизмы, отвечающие за регулировку необходимых параметров.

3.5.1. Разработка архитектуры, подбор количества слоев и нейронов каждого слоя нейронной сети. При разработке нейросетевой модели (НСМ) для решения задачи контроля параметрами воздушной среды в силосе, в первую очередь необходимо выбрать наиболее подходящий тип и архитектуру НС. Выбор структуры НС осуществлялся в соответствии со сложностью решаемой задачи. Проведенные нами исследования 112, 13, 92, 941, показали необходимость использования сети типа многослойного персептрона с одним скрытым слоем, что будет являться оптимальной архитектурой сети, поскольку в этом случае результат обучения оказался значительно лучше, чем при использовании сети однослойного типа.

Анализ однослойных НС показал непригодность их для решения поставленной задачи в виду их низкой вычислительной способности. Дальнейшая экспериментальная часть работы проводилась с применением многослойных НС прямого распространения, типа многослойный персептрон. Сеть, такого типа имеет структуру, показанную на рисунке 3.8, и является наиболее перспективной для решения поставленных задач.

101 (крытый слой, ХХ астровов Рис. 3.8. Многослойная сеть с одним скрытым слоем. Ях~ ...х„) = Я~" ~~ Ц(Ц Щ,чК,)) х = ~хт ...х„), 0<х;<1 В свете этой теоремы задача построения архитектуры сети ставится на строго математическую основу. В своих работах Р. Хечт- Нильсен ~18, 102 После проведения подбора архитектуры сети необходимо определить количество скрьггых слоев и количество нейронов каждого слоя, способствующее получению наименьшей ошибки во время функционирования ИНС 144). Количество скрытых слоев для сети типа многослойный персептрон во множестве практических случаях выбирается экспериментальным путем при проведении обучения.

Теоретическое обоснование выбора количества скрытых слоев в сети определяет теорема Колмогорова ~7, 18, 39~, в которой говорится, что любая непрерывная функция, определенная на и- мерном единичном кубе, может быть представлена в виде суммы 2п+1 супер позиций непрерывных и монотонных отображений единичных отрезков: ~,- = у(Х~,иа )) (3.5.) Тогда для выходного слоя, где формируются значения величин температуры, влажности и СО в силосе будет справедливо следующее: у = ЛХ';=.И,',";) = ПХ,=,И,',"ЛХ,"=.И,'"х,)) а.б.) Отсюда следует, что на значение выходного сигнала влияют веса обоих слоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весов выходного слоя.

Поскольку в качестве функции активации нейронов для данной сети была выбрана сигмоидальная униполярная форма: (3.7.) то (3.5,) примет следующий конечный вид: 1 и 0 и Значение, например температуры, будет выражено конечной формулой следующего вида: 103 23~ показал„что достаточно трех, но констатировал, что в реальной сети использование большего количества слоев приводит к уменьшению суммарного количества элементов в скрытых слоях. Анализ опубликованных результатов, однако, указывает на то, что для решения большинства практических задач достаточно одного, иногда двух скрытых слоев.

Количество скрытых слоев НС определялось экспериментальным путем в среде «Ма~1аЬ» ~90-93~ с учетом теоретического обоснования. В процессе экспериментов были рассмотрены разные структуры НС. Представленные структуры НС подвергались обучению согласно алгоритма обратного распространения ошибки ~23~. На вход НС подавалась одинаковая обучающая выборка. Для реализуемой сети выходой сигнал 1-го нейрона скрьггого слоя в общем виде будет иметь вид; На рисунке 3.9 представлена структура разработанной нейронной сети„типа многослойный перс ептрон с одним скрытым слоем, реализованная в разрабатываемом нейросетевом регуляторе.

Входной вектор сети состоит из: автоматических измерений параметров микроклимата внутри силоса, полученных в определенный момент времени, значений возмущающих параметров, действующих в этот же период времени, - предыдущих значений параметров микроклимата ~с задержкой только на один таймерный цикл, т.к. данный ТП не является столь высоко динамичным)„ - значений управляющих воздействий, - значений параметров, характеризующих исходное качество сырья. Количество используемых входных параметров оказалось равным 10. На выходе НС формируются три выходных сигнала: величина температуры воздуха, влажности воздуха и содержание СО2 в силосе. Пара метри.

ведаваемые ва втол НС. Автомате веские итмереввв и лаииме втолиосо кевтровв Нсевиой слей, в иритиавмв. Прииимает вектор втолимс иарамотрев Скрммой слой НС. Н вейровев. Нм1 1 с ,й„св+ф Рис. 3.9, Структура разработанной нейронной сети, типа многослойный персептрон с одним скрытым слоем и тремя выходными параметрами. На входной слой нейросети подается вектор входных параметров Хп, отраженных в таблице 1. Каждый нейрон скрытого слоя подает на нейроны выходного слоя сигнал весов синаптических связей.

Таковых нейронов в скрытом слое равно одиннадцати. Веса синаптических связей между Ь-м нейроном скрытого слоя и т-м нейроном выходного слоя обозначены через И~~, . Изменение синаптических весов происходит по градиентному методу обратного распространения ошибки. Взаимодействие искусственной нейронной сети с обратным распространением ошибки может эффективно решать задачи, связанные с недостаточной определенностью параметров ПИД-управления.

Это объясняется возможностью НС аппроксимировать любую нелинейную функцию, 105 простотой структуры сети и особенностями алгоритма обучения. Данная нейронная сеть непосредственно выполняет функции регулятора. Таблица 3.2. Параметры, подаваемые на входной слой нейросети. Калнчества тепла за еднннпе Влавлгоств воалтха внут1з н спроса М~г) вреиени, пост~епаговзее от снстены ооог ева х,е,,ф Солержание СОз в силосе Ясов Хн Впавлгость свежез о воздуха Содержание Соз нхолащем воздехе Пр елы~щее значенн ее 3.5.2.

Разработка алгоритма и проведение обучении нейронной сети Многослойные сети можно настраивать градиентными методами, несмотря на огромное количество весовых коэффициентов. Уже давно многими исследователями был предложен эффективный способ вычисления градиента, при котором каждый градиентный шаг выполняется за число операций, лишь немногим болыпее, чем прп обычном вычислении сети на одном объекте. Это кажется удивительным — ведь количество операцтпт, необходимых для вычисления градиента, обычно возрастает пропорционально числу весовых коэффициентов.

Здесь этого удается избежать благодаря аналитическому дифференцированию суперпозиции с сохранением необходимых промежуточных величин. Метод получил название обратного распространения ошибок 1епог ЬасЫ- ргора8а11оп). В общем виде структурная схема обучения нейросети представлена на рисунке. 3.10. Обучение проводилось с учителем.

Рис. 3.10. Структурная схема обучения нейросети. Рассмотрим многослойную сеть, в который каждый нейрон предыдущего слоя связан со всеми нейронами последующего слоя (рис. 3.8) ~115, 1181, Для большей общности запишем: Х = К", У = К"'. Введем следующие обозначения. Пусть выходной слой состоит из М нейронов с функциями активации ~т и выходами а'", т=1, ..., М.

Перед ним находится скрытый слой из Н нейронов с функциями активации сто и выходами и", 6=1, ..., Н. Веса синапгических связей между Ь-м нейроном скрытого слоя и т-м нейроном выходного слоя будем обозначать через 107 и~(х ) = ал(Я~~ аз-~р)(Хр)) (3.10.) Запишем функционал среднеквадратичной ошибки для отдельного объекта Хр, В дальнейшем нам понадобятся частные производные Я по выходам нейронов. Выпишем их сначала для выходного слоя; = а (х;) — у,"' = г,".' (3.12.) Таким образом, частная производная Я по а" равна величине ошибки я" на объекте х;.

Теперь выпишем частные производные по выходам скрытого слоя: Эту величину, по аналогии с я,"', будем называть ошибкой сети на скрытом слое и обозначать через к, . Через <т,'„обозначена производная функции активации, вычисленная при том же значении аргумента, что и в (3.10). Бсли используется сигмоидная функция активацтпк то для эффективного вычисления производной можно воспользоваться формулой (3.14.): (3.14.) Заметим, что е,". вычисляется по я,".', если запустить сеть «задом наперед», подав на выходы нейронов скрытого слоя значения г~'а „, а со„,„.