Диссертация (1152187), страница 5
Текст из файла (страница 5)
В связи с этим, представляется возможность замены ПИД-регуляторов на нейросетевые регуляторы, которые возможно адаптировать к постоянно изменяющимся внешним воздействиям и самому объекту управления. Данный способ, несомненно, улучшит качество управления и адаптацию объекта к изменяющимся внешним воздействиям. Во многих работах приводятся сравнительные характеристики различных регуляторов ~б1 1. В работе ~501 приводится пример использования нейросетевого регулятора для управления работой манипулятора. Задача «взять и перенести» и «перемещать по траектории» является нелинейной и использование классических регуляторов не даст необходимого уровня управления.
И здесь необходимо будет перенастраивать манипулятор на новый режим работы, что является достаточно трудоемкой задачей. В задаче управления манипулятором важна точность выполнения его работы, т.е. доставка груза по заданной траектории и определенное место ~81. Использование нейросети значительно повысило качество работы манипулятора, ошибка составила всего 0,1% ~51. Обучение происходило с учителем и нейронная сеть управляла траекторией рабочего органа в конкретные точки доступного пространства, Помимо качества управления„ т.е. совпадение работы манипулятора с заданной траекторией, достигнуто также значительное быстродействие в управлении данной системы. В пищевой промышленности использование нейросетевых технологий описывается в работах ~44, 88, 95, 9б1.
В данных работах предлагается использование интеллектуальных технологий для управления качественными параметрами, которые в реальном производстве возможно измерить только лабораторными методами, в кондитерской, мукомольной 2б и пивоваренных отраслях пищевой промышленности. Разработанный в них подход основан на использовантп~ искусственной нейросети для прогнозирования определенных параметров, влияющих на качество готового продукта. Далее рассмотрим архитектуры и разновидности нейронных сетей для лучшего понимания их функционирования и выбора наиболее подходящей для нашего технологического процесса бестарного хранения муки.
1.2.2. Архитектура и разновидности нейронных сетей. Такие ученые, как Кохонен, Хопфилд, Румельхарт, Хинтон и Вильямс первыми начали изучать применение нейронных сетей для практических задач. Именно они впервые описали обучение многослойного персептрона ~1, 7, 25, 29, 30~. Основа нейронной сети — нейрон. Как правило, это многовходовый вычислительный элемент с одним выходом и нелинейной вычислительной функцией.
В большинстве литературных источников описаны следующие нейроны: - нейроны с сигмоидальной функцией; - нейроны с радиально-базисной функцией. Выходной сигнал у сигмоидального нейрона вычисляется по уравнению ~1.1.) У = Ф(11=1«91Х1 + о~о) Функция активации ф обычно имеет вид сигмоиды ~рис. 1.5 а). Персе птронами называются сети, построенные на основе нейронов сигмоидального типа. Для решения нетривиальных вычислительных задач нужно как минимум два слоя, тогда такие сети называют многослойными. Радиально-базисный нейрон состоит всего из одного слоя нейросети. Выходной сигнал у радиально-базисный нейрон вычисляет по уравнению у = ~1 т соул(л) + аде В.(Х) = ф(Х.С1) ( 1.2.) (1З.) где С. — координаты заранее выбранных "центров", соответствующих нулевым входам нейрона.
Функция ф, как и в случае с сигмоидальным нейроном, может быть реализована различными способами, но имеет характерный вид, приведенный на рис. 1.5 б. слоя. Рис. 1.5. Функции ф сигмоидального (а) и радиально-базисного (б) типов. В архитектуре многослойного персептрона нейроны объединяются в сеть послойно. Выход каждого нейрона 1-го слоя подается на каждый из нейронов (1 + 1)-го слоя. На рисунке 1.6. представлена многослойная нейронная сеть прямого распространения. Архитектуру многослойной нейронной сети можно обозначить как: Л'ггО,п1,...,ит — 1,ит, где пΠ— число входов первого (входного) слоя сети, П1,..., ит — 1 — число нейронов в последовательно расположенных скрытых слоях, пт — число нейронов (и выходов) последнего, выходного Рис.
1.6. Многослойная нейронная сеть прямого распространения. Сложной задачей здесь является выбор количества нейронов и слоев в нейросети 110, 11~. Другими словами, нужно определиться с числом весовых коэффициентов нейросети. В различных источниках количество нейронов определяется количеством распознаваемых образов ~251.
В большинстве случаев точное число нейронов не определяется, т.к. достаточным считается приблизительная оценка. Из некоторого числа научных источников 1371 видно, что при использовании трех- и четырехслойных сетей повышается скорость сходимости. Возможно также добавлять или удалять нейроны для подбора их оптимального количества при решении необходимой задачи ~56). Такой способ применяют при значительной неопределенности и сложности задачи. Выходы в нейронной сети прямого распространения однозначно вычисляются по ее входам. Существует несколько способов придания динамики нейросетям:.
° параллельная подача на вход НС значений в последовательные моменты времени ~рис. 1.7 а); . ° создание локальных обратных связей в нейронах сети ~9, 56~; . ° использование глобальных обратных связей в нейронных сетях: сети Хопфилда и обратное распространение ошибки во времени ~рис. 1.7 б) [9, 37~. Настройка нейронной сети осуществляется при помощи итерации задания и; — весовых коэффициентов нейронов. Рис. 1.7.
Способы придания динамических свойств нейронной сети с помощью разложения во временной ряд ~а) и глобальной обратной связью При использовании радиально-базисных нейронов, необходимо задать с; — центры функций. В том случае, если настройка НС ведется для решения задачи аппроксимации некоторой неизвестной функции ~(.), заданной таблично, то такой процесс называют обучением с учителем 1карелчвед 1еагшпд): (1.4.) Наиболее распространенным является метод обучеши нейронной сети с учителем. Данное обучение тесно связано с методами оптимизации, которые бывают градиентные и стохастические 1случайного поиска).
Базовым градиентным методом обучения НС является обратное распространение ошибки. Он соответствует градиентному методу оптимизации первого порядка, при котором для выбора направления используется информация о первой производной функции ошибки. 30 Недостатки данного метода связаны с линейностью процедуры поиска минимума. Достоинство градиентного метода в высокой скорости сходимости. Но при этом данная процедура может выдать нам локальный минимум, а не глобальный„поэтому не всегда можно использовать здесь градиентный спуск. Вместо градиентного спуска можно использовать группы методов случайного поиска.
Один из них, алгоритм а1орех, упоминаемый в [481, основан на корреляции ошибки и вариации весовых коэффициентов с использованием полученной информации для их обновления в нужном направлении. Недостаток случайного поиска состоит в том, что он действует намного медленнее, чем градиентный метод.
Обобщая все вышеизложенное, можно сделать вывод, что применение нейросетей в различных технолоптческих процессах выступает в качестве следующих элементов: ° регулятора[9, 27, 36, 49, 53, 57, 60, 61, 65, 72~, ° модели объекта управления [62, 63, 67, 711; ° оптимального фильтра объекта управления [581; ° регулятора совместно с регулятором другого типа; линейным [27, 50, 77, 82|и нечетко-логическим [27, 65, 831; ° настройщика регулятора другого типа [27, 791; ° классификатора или распознавателя образов [9, 21, 46, 8Ц Таким образом, целесообразно обратить внимание на реализацию нейронных сетей в составе нейросетевого регулятора, а также на вопросы, создания и построение нейросетевой модели объекта управления. 1.2.3.
Нейросетевой регулятор. В современных условиях при разработке систем управления часто бывает востребовано управление объектом, чья математическая модель очень сложна или же неизвестна. При этом подход к синтезу систем управления классическими методами бывает или крайне трудоемок, или же невозможен. Для решения задач такого рода хорошо зарекомендовали себя подходы адагпивного управления.
В настоящее время известны различные способы адаптивного управления с применением нейросетевых алгоритмов [1, 4, 51, находящиеся в стадии промышленного внедрения и опытно-промышленных разработок или чисто теоретических предложений. Все они сочетают в своей структуре как классические СПИД) алгоритмы регулирования, так и алгоритмы адаптивного 1нейросетевого) управления. Но, обладая большими преимуществами, они все же имеют ограниченное пространство оптимизац~т, что сокращает варианты поиска оптимальных управляющих воздействий. Кроме того, онп не способны вести многопараметрическое управление и слабо подвержены адаптации, поскольку настройка каждого ПИД - регулятора производится отдельно друг от друга, т.е. при корректировке управляющих воздействий не учитываются нелинейные взаимосвязи между ними 116-18~. Таким образом, весьма важным является повышение адаптационных свойств регуляторов.
Для улучшения качества управления сложным технологическим процессом предлагается использовать структуру автоматизированной системы управления на основе нейросетевых алгоритмов, т.е нейросетевые регуляторы. Нейросетевые регуляторы могут подключаться в контур регулирования по возмущению и по отклонению. При управлении по отклонению нейронная сеть регулятора имеет внешнюю архитектуру вида М (ек) (например, в 174-761). Архитектура нейросетевого регулятора Ж (г~), где гк — уставка, соответствующая управлению по возмущению, применялась в работе 1611. Комбинированные схемы включения нейросетевого регулятора обычно имеют архитектуру входов вида: Л' 1гь у~), где у~ — выход 32 и~ = ~"" Ы+ И"'ЬЪу~, цм т) 11.5.) где г~ — уставка, у~ — наблюдаемый выход объекта управления, и~, ~ — управляющее воздействие, сформированное в предыдущий момент времени.
Для придания динамических свойств НС-Р используется различное количество параметров на входе, подача на входной слой нейронной сети уставки и дискретные производные первого и второго порядка. Также в качестве входов можно использовать производные сигналы ошибки: Л (е~, е'~) 165, 28 831, Л'(е~, е'ь е"~, ..., е~"1). В литературных источниках достаточно большой объем информации, посвященный интеграции нейросетевого регулятора в контур управления ~27, 71, 671, но при этом никто не указывает на критерии выбора оптимальной схемы для задачи управления. В данных работах не объясняется выбор конкретных входов„а упор ставится на собственные свойства нейронных сетей.
Количество входов в ряде случаев определяется соответствующими экспертами производства. объекта управления 168, 73, 79~. Учитывая способность нейронных сетей к реализации разноооразных функций, информационно этот вариант эквивалентен Л 1ек, у~) и Л' (е~, гъ), так как е~, = хт,— у~,. Нейросетевой регулятор (НС вЂ” Р) с архитектурой входов Л' ~еь ук) предлагается в 1671. Схема комбинированного нейросетевого управления приводится в 127~. В работе 170, 71, 73~ подобная схема используется для оптимального управления нелинейным динамическим объектом.
Одна из нейронных сетей 1Л ~ ~ с) является регулятором по возмущению, а другая ~Л' "ас) использует информацию из обратной связи контура управления и сама имеет обратную связь. Управляющее воздействие на объект вычисляется в соответствии с уравнением 11.5.): Основные способы настройки нейросетевого регулятора приводятся в работе ~271. При этом способ обучения нейросети никак не зависит от архитектуры и количества входов НС-Р. На рисунке 1.8б изображен НС вЂ” Р, включенный в контур управления в качестве регулятора по возмущению. Сеть может настраиваться вне контура управления по накопленным данным.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
