20071078 (1032028), страница 4
Текст из файла (страница 4)
Особенностью нейронной сети является способность к «обучению», что позволяет передать нейронной сети опыт эксперта. Регулятор с нейронной сетью похож нарегулятор с табличным управлением, однако отличаетсяспециальными методами настройки («обучения»), разработанными для нейронных сетей, и методамиинтерполяции данных.В отличие от нечёткого регулятора, где эксперт должен сформулировать правила настройки в лингвистических переменных, прииспользовании нейронной сети от экспертане требуется формулировки правил – достаточно, чтобы он несколько раз сам настроилрегулятор в процессе «обучения» нейроннойсети.Нейронные сети были предложены в 1943году МакКаллоком и Питтсом как результатизучения нервной деятельности и биологиче Рис. 33. Структура ПИДрегулятора с блоком автонастройки на основе нейронной сети NNСТА 1/200785www.cta.ru© 2007, CTA Тел.: (495) 2340635 Факс: (495) 2321653 http://www.cta.ruВ ЗАПИСНУЮ КНИЖКУ ИНЖЕНЕРАабРис.
34. Схема «обучения» нейронной сети в блоке автонастройки:а — система управления, подстраиваемая экспертом; б — нейроннаясеть, «обучаемая» с помощью сигналов, которые полученыв представленной на рис. 34 а системетеме (рис. 34 а), записываются в архив и затем подаются нанейронную сеть, подключённую к ПИДрегулятору(рис. 34 б). Нейронная сеть настраивается таким образом,чтобы минимизировать погрешность ε = (u* – u)2 междусигналом u*, полученным с участием эксперта, и сигналомu, полученным в процессе «обучения» нейронной сети.
После выполнения процедуры «обучения» параметры нейронной сети заносятся в блок автонастройки. В соответствии стеорией нейронных сетей «обученная» нейронная сетьдолжна вести себя так же, как и эксперт, причём даже притех входных воздействиях, которые не были включены в набор сигналов, использованных при «обучении».Длительность процесса «обучения» является основнойпреградой на пути широкого использования методов нейронных сетей в ПИДрегуляторах [16].
Другими недостатками нейронных сетей являются невозможность предсказания погрешности регулирования для воздействий, которыене входили в набор обучающих сигналов, а также 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.Генетические алгоритмы86Генетические алгоритмы являются мощным методом оптимизации, позволяющим найти глобальный оптимум быстрее, чем другие методы случайного поиска. Существенным их достоинством является отсутствие проблем со сходимостью и устойчивостью. Эти методы используются дляидентификации моделей объектов управления, для поискаоптимальных параметров регулятора, для поиска оптимальных положений функций принадлежности в фаззирегуляторах и для «обучения» нейронных сетей.
Чаще всего генетические алгоритмы используются совместно с нейронными сетями и регуляторами с нечёткой логикой.www.cta.ruНедостатком генетических алгоритмов является большоевремя поиска экстремума, что не позволяет их использоватьв быстродействующих системах реального времени.Генетические алгоритмы основаны на принципах естественного отбора, сформулированных Дарвиным в 1859 году.Идею генетических алгоритмов применительно к решениюматематических задач сформулировал Дж. Холланд в1962 году.
В генетических алгоритмах используются понятия генов, хромосом, скрещивания, мутация, селекции, репродукции. Основной идеей генетических алгоритмов является прямое подобие принципу естественного отбора, когда выживают наиболее приспособленные особи.Для применения генетических алгоритмов необходимопреобразовать переменные, фигурирующие в условии задачи, в генетические переменные. Такое преобразование задаётся схемой кодирования. Переменные могут быть представлены в двоичной форме, в форме действительных десятичных чисел или в другой форме, в зависимости от смысларешаемой задачи.Классический генетический алгоритм состоит из следующих шагов [17].1. Выбор исходной популяции хромосом размера N.2. Оценка приспособленности хромосом в популяции.3.
Проверка условия остановки алгоритма.4. Селекция хромосом.5. Применение генетических операторов.6. Формирование новой популяции.7. Переход к пункту 2.Для работы алгоритма нужно задать нижнюю и верхнююграницы изменения искомых параметров, вероятностьскрещивания, вероятность мутации, размер популяции имаксимальное количество поколений.Исходная популяция хромосом генерируется случайнымобразом. Приспособленность хромосом оценивается с помощью целевой функции в кодированной форме.
Далеехромосомы с лучшей приспособленностью собираются вгруппу, в пределах которой выполняются генетические операции скрещивания или мутации. Скрещивание позволяетполучить от двух родителей перспективного потомка. Оператор мутации вносит изменения в хромосомы. В случаедвоичного кодирования мутация состоит в изменении случайного бита в двоичном слове.Пример кодирования трёх коэффициентов ПИДрегулятора для применения в генетических алгоритмах приведённа рис.
35 [23]. Здесь хромосома состоит из трёх параметровобщей длиной 48 бит. Операция скрещивания состоит в об3 16=48 бит100…1011101…011010…001K (16 бит)Ti (16 бит)Td (16 бит)Рис. 35. Пример кодирования коэффициентов регулятора дляиспользования в генетическом алгоритме01010 01111001 11001010 11011001 011РодителиПотомкиРис.
36. Пример операции скрещиванияСТА 1/2007© 2007, CTA Тел.: (495) 2340635 Факс: (495) 2321653 http://www.cta.ruВ ЗАПИСНУЮ КНИЖКУ ИНЖЕНЕРАмене генетическим материалом между хромосомами (родителями) для того, чтобы получить новую хромосому (потомка). Существует много различных форм операторов скрещивания. Один из них состоит в том, что в двух родительских хромосомах случайным образом выбирается некоторая позиция (рис. 36), затем происходит обмен генетической информацией, расположенной справа от выбраннойпозиции [24]. После выполнения генетического алгоритмапроизводят декодирование генетического представлениярезультата в инженерные величины.Оценка приспособленности хромосом в популяции дляоценки коэффициентов ПИДрегулятора может быть выбрана, к примеру, какtJ =1∫ t e(t ) dt ,0где e(t ) – текущее значение ошибки регулирования, t – время [23].Селекция хромосом осуществляется методом рулетки. Наколесе рулетки имеются секторы, причём ширина секторапропорциональна функции приспособленности.
Поэтомучем больше значение этой функции, тем более вероятен отбор соответствующей ей хромосомы.В работе [25] генетические алгоритмы используются какдля идентификации объекта управления, так и для настройки параметров ПИДрегулятора. В обоих случаях схемаприменения алгоритма одинакова: составляется критериальная функция, зависящая в первом случае от параметровобъекта управления, во втором – от параметров ПИДрегулятора K, Td, Ti. Далее с помощью генетического алгоритмаотыскивается глобальный минимум функции, координатами которого являются искомые параметры объекта илиПИДрегулятора.В работе [23] поиск оптимальных параметров ПИДрегулятора выполнялся генетическим алгоритмом со следующими параметрами: размер популяции – 20, максимальноеколичество поколений – 100, вероятность скрещивания –0,9, вероятность мутации – 0,1, диапазон изменения параметров 0…40.В ЫВОДЫ881.
ПИДрегулятор остаётся основным типом регулятора вАСУ ТП.2. Улучшить характеристики классического ПИДрегулятора может применение регулятора с двумя степенями свободы и фильтра для сигнала уставки.3. Принцип разомкнутого управления, введённый в ПИДрегулятор, позволяет существенно уменьшить время регулирования и повысить запас устойчивости системы, атакже скомпенсировать внешние возмущения.4.
В системах, где время регулирования является определяющим показателем, следует использовать импульсноеуправление без обратной связи перед включением обычного ПИДрегулятора.5. Регулятор с точно идентифицированной внутренней моделью позволяет увеличить точность слежения за уставкой, но плохо ослабляет внешние возмущения.6. Для систем с транспортной задержкой более, чем 0,2…1от постоянной времени объекта, следует использоватьпредиктор Смита или ППИрегулятор.7.
Если объект управления нелинеен, сложен и не можетбыть идентифицирован, но имеются эвристические праwww.cta.ruвила или опыт ручного управления таким объектом, торешить задачу управления можно с помощью фаззи илинейросетевого регулятора.8. Для поиска оптимальных значений параметров ПИДрегуляторов и идентификации объектов управления с успехом используются генетические алгоритмы. ●Л ИТЕРАТУРА10.
Изерман Р. Цифровые системы управления. — М. : Мир,1984. — 541 с.11. Smith O.J.M. Close control of loops with dead time // ChemicalEngineering Progress. 1957. Vol. 53. P. 217235.12. Методы робастного, нейронечёткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова, 2е изд. — М. : ИздвоМГТУ им. Баумана, 2002. — 744 с.13. Zadeh L.A. Fuzzy sets // Information and Control. 1965. № 8.P. 338353.14. Ротач В.Я. Теория автоматического управления.
— М. : ИздвоМЭИ, 2004. — 400 с.15. Mamdani E.H. Application of fuzzy algorithm for simple dynamicplant // Proc. IEEE. 1974. № 12. P. 15851588.16. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечёткая логика. —М. : Горячая линия — Телеком, 2004. — 143 с.17.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечёткие системы. — М. : Горячаялиния — Телеком, 2006. — 383 с.18. Mann G.K.I., BaoGang Hu, Gosine R.G. Analysis of direct actionfuzzy PID controller structures // IEEE Transactions on Systems,Man and Cybernetics, Part B. June 1999. Vol. 29.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
