Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 12)

Функции принадлежности имеют форму Гаусса.

Кроме того, в подпрограмму записывается таблица правил на основе условных высказываний, которая формирует выходное значение исходя из величин входных параметров, например: Если (число машин на улице СЮ=малое)&(число машин на улице ЗВ=большое)&(время зеленого света на улице СЮ=большое), то (время зеленого света=уменьшить).

Системы управления на основе искусственных нейронных сетей.

Нейронные сети и нейрокомпьютеры – отрасль знаний популярная в настоящее время. Эта популярность обуславливается способностью НС к обучению по наблюдаемым примерам и формированию приемлемых выводов на базе неполной, зашумлённой и неточной входной информации. К НС проявляют интерес отрасти промышленности и непромышленные сферы. НС представляют собой обучаемые динамические системы, оценивающие характеристики вход-выход. НС имеют принципиальное преимущество перед традиционными системами адаптивного и оптимального управления: для их реализации не требуется априорная математическая модель объекта управления.

Причинами, послужившими применению нейронных сетей в системах управления является следующие:

1. НС могут реализовывать произвольные гладкие функции любой сложности.

2. Для реализации нейросетевых СУ необходима минимальная информация об ОУ.

3. При реализации НС в виде сциализированных интегральных схем возможна
параллельная обработка информации, что, во-первых, значительно увеличивает скорость
работы системы и, во-вторых повышает надежность системы.

Приведем основные термины, используемые в литературе по нейросетевым СУ.
1. Оперативное обучение - сеть обучается в процессе управления.

2. Предварительное обучение - сеть обучается перед процессом управления.

3. Обобщенное обучение - НС обучается воспроизводить заданный оператор (копировать
заданную систему).

4. Специализированное (непосредственное) обучение - ИС обучается выдавать нужные

сигналы управления.

5. Прямое обучение (управление) - в схеме обучения (управления) не используется
дополнительный обычный регулятор.

6. Непрямое обучение (управление) - в схеме обучения (управления) используется
дополнительный обычный регулятор.

7. Инверсное обучение - НС обучается воспроизводить обратный оператор объекта.

Рассмотрим некоторые наиболее известные варианты построения нейросетевых СУ.

1. Последовательная схема нейросетевого управления

Простейшая последовательная схема нейросетевого управления показана на рис. 1.

Рис. 1. Последовательная схема нейросетевого управления

Обозначения:

- х -- входной задающий сигнал системы (уставка);

- f - сигналы, несущие информацию о контролируемых возмущениях

- у – выходной сигнал системы

Предложено несколько вариантов обучения НС для схемы на рис. 1.

А. Универсальное управление. На рис. 2.показана схема предварительного обобщенного инверсного обучения НС.

НС, предварительно обученная инверсной динамике объекта, затем используется в схеме на рис. 1.

П ри нестационарности ОУ применение предварительного обучения не позволяет получить хорошие показатели управления. В связи с чем получили развитие схемы, допускающие оперативное обучение. Рассмотрим схему на рис. 3.

В

Рис. 3. Схема обучения нейроконтроллера обратной динамике объекта управления

схеме на рис. 3 нейроэмулятор НС2 обучается обратной динамике ОУ, а ‚нейроэмулятор НС1 просто колирует нейроэмулятор НС2.

Как видно, здесь используется разомкнутая схема управления без отрицательной обратной связи. Достоинствами такой схемы являются простота и отсутствие проблем с устойчивостью. К недостаткам можно отнести следующее: при невыполнении условия квазистационарности ОУ данная схема не гарантирует, что выходной сигнал ОУ будет соответствовать опорному сигналу эта схема не способна управлять неустойчивым объектом; сложности также возникают, если оператор ОУ не имеет обратного.

Б . Предикатное управление (управление с предсказанием). Рис. 4. иллюстрирует процедуру специализированного обучения НС для последовательной схемы управления. В данном случае НС настраивается таким образом, чтобы получить наилучшее выполнение равенства у = х. Отметим, что здесь для обучения НС нельзя применять классический метод обратного распространения с аналитически заданным градиентом так как между выходом системы и НС стоит ОУ, якобиан которого в общем случае неизвестен, и приходится применять либо численную аппроксимацию якобиана системы, либо другие модернизации метода обратного распределения, не требующие информации о якобиане системы. Кроме того, система на рис. 4. не может обучаться в оперативном режиме.

Д

Рис. 4. Схема специализированного обучения

ругой подход состоит в том, чтобы в систему на рис. 4 добавить еще одну НС (эмулятор), которая выполняет имитационное моделирование ОУ (рис. 5).

Н

Рис. 5. Схема с нейроэмулятором и нейроконтроллером

а рис. 5. НС1 выполняет функции контроллера, а НС2 – эмулятора. При этом нейроэмулятор НС2 может использоваться как для определения якобиана ОУ, так и для непосредственного обучения нейроконтроллера НС1. В этом случае идентификатор НС2 настраивается на прямую динамику объекта, а НС1 настраивается через идентификатор НС2 таким образом, чтобы минимизировать критерий качества управления на определенном интервале времени в будущем. После реализации на данном интервале времени процесс повторяется. В литературе этот метод иногда называется как «обратное распространение во времени» или «принцип удаляющегося горизонта».

Управление с предсказанием по сравнению с инверсным управлением дает лучше результаты, особенно это проявляется в случае нереализуемости точной обратной динамики объекта. В то же время и вычислительные затраты для данного метода значительно выше. Рассматриваемая схема управления, так же как и предыдущая, относится к разомкнутым, и при невыполнении условия квазистационарности объекта она не гарантирует, что выходной сигнал ОУ будет соответствовать опорному сигналу.

2. Параллельная схема контроллера нейросетевого управления

Н

Рис. 6. Параллельная схема нейроконтроллера

Рис. 7. Схема «обучение с ошибкой обратной связи»

а рис. 6. приведена параллельная схема нейроконтроллера для последовательной схемы нейросетевого управления. Настройка НС заключается в том, чтобы подкорректировать сигнал обычного контролера u2, если он не обеспечивает необходимого качества управления. На рис. 7. приведена так называемая структура «обучение с ошибкой обратной связи» параллельного нейроконтроллера. В данной схеме НС, завершив обучение, принимает на себя управление объектом, устраняя действие контроллера обратной связи. Отметим, что образцовым регулятором в данном случае может выступать человек-оператор.

3. Нейросетевое управление с обратной связью

Простейшая схема нейросетевого управления с обратной связью показана на рис. 8.

Н

Рис. 8. Нейросетевое управление с обратной связью.

С выполняет функции регулятора замкнутой системы. Достоинствами такой схемы являются способность обеспечивать высокое качество управления при наличии неконтролируемых возмущений, а также нестационарности и неустойчивости ОУ.

В данном случае задача настройки НС значительно сложнее: если при последовательной схеме управления известно, что НС должна реализовывать обратную динамику объекта, то в схеме с обратной связью оператор, который должен реализовывать НС, неизвестен; ни связь, ни якобиан связи между показателями качества регулирования и параметрами НС также неизвестны. Система на рис. 8 может обучаться в оперативном режиме.

4. Схема с обычным контроллером, управляемым нейронной сетью

В системе, приведенной на рис. 9, НС используется для настройки параметров обычного контроллера (например, ПИД-регулятора)

Д анная схема получила название «схема нейросетевого управления с самонастройкой».

Несмотря на большое количество достоинств, СУ на основе НС свойственен и целый ряд недостатков:

1

Рис. 9. Схема, в которой нейронная сеть используется для настройки параметров обычного регулятора

. При оптимизации весов НС возникает проблема остановки алгоритма обучения в локальном минимуме, что приводит к необходимости применения алгоритмов глобальной оптимизации, которые работаю достаточно медленно.

2. Отсутствует строгая теория по выбору типа и архитектуры НС, что приводит к необходимости применять алгоритмы самоорганизации, которые также работают достаточно медленно.

3. Всю информацию НС получает в процессе обучения, и никакую априорнуюинформацию ввести в НС невозможно.

Обобщая указанное выше, можно отметить, что нейросетевые регуляторы имеют в ряде случаев неприемлемо длительное время обучения.

Известно несколько способов ускорения процесса обучения.

1. Встраивание знаний о структуре ОУ в НС. Часто имеется априорная информация об ОУ, которую можно учитывать в так называемых нечетких (гибридных) НС, при этом данная информация не обязательно должна быть формализована и может быть представлена в удобной для человека форме.

2. Предварительное обучение. Перед процессом оперативного обучения НС может быть предварительно обучена на ОУ или его модели, что позволяет значительно сократить время обучения.

3. Использование эффективных нейросетевых парадигм. Выше рассматривались СУ, основанные на многослойных НС прямого распространение, обучаемых с помощью алгоритма обратного распространения. Существует большое разнообразие типов НС и способов их обучения, применение которых, возможно, позволит создать более эффективные системы нейросетевого управления.

4. Эффективные структуры и методы построения нейросетевых систем управления. Выше рассмотрено несколько известных структур нейросетевого управления, но возможно, существуют более эффективные подходы к их построению.

Техническая диагностика. Математические основы технической диагностики.

Основные задачи и принципы технической диагностики (ТД) машин и оборудования: Надежность технических систем (ТС). Методы поддержания и сохранения надежности работоспособности. Система технического обслуживания (ТО) и ремонтов. Переход на новый принцип обслуживания машин и оборудования по фактическому состоянию. Основные задачи ТД.

ТД - это наука о распознавании состояния ТС. ТД изучает методы получения и оценки диагностической информации, диагностической модели и алгоритмы принятия решений. Целью ТД является повышение надежности и ресурса ТС. Как известно, наиболее важным показателем надежности является отсутствие отказов во время функционирования ТС. ТД благодаря раннему обнаружению дефектов и неисправностей позволяет устранить подобные отказы в процессе ТО, что повышает надежность и эффективность эксплуатации, а также дает возможность эксплуатации ТС ответственного назначения по состоянию.

ТД решает обширный круг задач, многие из которых являются смежными с задачами других научных дисциплин. Основной задачей ТД является распознавание ТС в условиях ограниченной информации.

Теоретическим фундаментом для решения основной задачи ТД следует считать общую теорию распознавания образцов. Эта теория занимается распознаванием образов, машинным образованием речи и т.д. ТД изучает алгоритмы распознавания применительно к задачам диагностики. Алгоритмы распознавания в ТД частично основываются на диагностических моделях, устанавливающих связь между состояниями ТС и их отображениями в производстве диагностических сигналов. Важной частью проблемы распознавания являются правила принятия решений.

Характеристики

Список файлов ВКР