Диссертация (1152187), страница 7
Текст из файла (страница 7)
Такая модель не является автономной. Модель повторения прошлых состояний может использоваться для инверсъш объектауправления. В рамках единого гибридного подхода возможно объединить обе модели. Тогда функция, реализуемая в модели будет выглядеть следующим образом: 71+~ И (У1 УВ ~ УВ 0 7~~ 71 т 71 Ву) 11 13 ) 0 Для обучения такой нейросети необходимо использовать усложненный алгоритм обратного распространения во времени, учитывающий задержки ~рис.
1.13). Рис. 1. 13. Пример гибридной модели у~+т — — Же ~У„, у„, у„1) В данной модели ослаблено влияние недостатков модели с внешними обратными связями. В частности, задержанные на величину чистого запаздывания входы регулирующего воздействия должны помочь преодолеть первый недостаток, а обратная связь с повторением нескольких задержанных выходов НС вЂ” Π— второй ~42, 1151. По сравнению с моделью повторения прошлых состояний объекта управления, гибридная модель, во-первых, является автономной, вовторых, нейросеть становится более гибкой в части обучения динамике объекта.
1.2.5. Анализ и сравнение нейросетевых и линейных регули торов. Современные АСУТП в большинстве своем базируются на линейной теории автоматизации. Но проблема состоит в том, что технологические процессы, особенно пищевые являются нелинейными с множественными связями, часто неопределенными. 183-851. Авторами многих работ ~81 отмечается принципиальная невозможность единой настройки ПИД регуляторов в широком диапазоне. Не говоря уже о технологических процессах пищевой отрасли, где большинство процессов являются нелинейными и многопараметрическими.
Проблема ограниченности линеаризации объекта как метода синтеза закона управления вынуждает искать альтернативные подходы, в том числе, с использованием нейронных сетей. В то же время, нейронная сеть является существенно нелинейным объектом и включение ее в контур управления значительно меняет свойства всей системы.
В работе [61, бб~ приводятся результаты сопоставления нечетко- логического, нейросетевого, ПИ и линейного адаптивного регулятора (депега1 ргейсп~е соп1го11ег). Сравнение осуществляется на примере управления температурой в бассейна. Оценке подвергается как методика синтеза регулятора ~потребность в модели объекта управления, возможность самонастройки, вычислительная сложность используемых алгоритмов), так и результат управления в различных ситуациях (номинальные условия, пиковые помехи, изменение времени задержки объекта управления и других его параметров).
Отдельно оцениваются точность управлеши и плавность выдаваемых управляющих воздействий. Оценки, приводимые в результирующей табльще, носят лингвистический характер 1"плохо", "средне"', "хорошо", "лучше всех"'), что позволяет инженеру сделать выбор метода регулирования при проектировании схожей САУ. Другой случай сопоставления линейного и нейросетевого гибридного регуляторов на задаче управления сервомотором приводится в [83~. Авторы отмечают, что объект управления эффективно линеаризуется, однако в процессе эксплуатации имеют место возмущения, привносимые нагрузкой сервомотора, существенно ухудшающие качество управления с ПИ регулятором в контуре. Этот вывод аналогичен приведенному в [81. В работах [9б, 110, 121 рассмотрено использование нейронной сети типа многослойный персептрон в качестве инструмента для регулирования и прогнозирования качественных показателей готового продукта, для 43 которого заранее не известны входные параметры и невозможно представить математическую модель, учитывающую множественные нелинейные связи.
Показано, что классический регулятор не сможет учесть все эти нюансы, поэтому непригоден для стабилизации качественных параметров. В работе ~381 показано, что для качественного проведения технологического процесса необходимо не только стабилизировать контролируемые параметры, но и учесть необходимое соотношение между их значениями, что также не сможет учесть классический ПИД-регулятор. Адаптивный гибрид ныл| нейросетевой — нечеткологический регулятор, предлагаемый авторами в ~83~, используя информацию о якобиане объекта управления с нейросетевой модели, помогает уменьшить перерегулирование при ступенчатой нагрузке в 3 раза по сравнению с ПИ вариантом.
Синтез ПИ регулятора проводился с целью оптимизации параметров переходного процесса во временной области, а нейросетевой регулятор и модель настраивались по среднеквадратическому критерию. В работе ~851 справедливо отмечается, что корректным линейным прототипом для нейросетевого регулятора является дискретный оптимальный регулятор. Далее автор упрощает многослойный персептрон, заменяя нелинейную функцию активации линейной и, сравнивая количество параметров с линейными системами. В работах ~80, 8Ц настройка НС вЂ” Р осуществляется по схеме косвенного адаптивного управления линейным неустойчивым объектом с чистым запаздыванием.
При синтезе НС вЂ” О порядок объекта считается известным, а оценка запаздывания производится традиционным анализом отклика на ступенчатое возмущение. Особенность данной работы в том, что нейронные сети НС вЂ” О и НС вЂ” Р редуцированы до одного нейрона с линейным выходом. Подобная схема управления является по сути линейной, поэтому неудивительно, что авторы получают достаточно точные оценки коэффициентов моделируемого объекта "нейросетевой" моделью и схожее качество управления. Оба предложенных подхода, очевидно, являются неудовлетворительными, так как в обоих случаях нелинейные нейронные сети редуцируются до линейных.
Представляется очевидным, что систематическое сравнение нейросетевого и традиционного линейного регулятора возможно только при совпадении постановок задач синтеза обои~, причем нейронные сети следует рассматривать в их наиболее распространенном и наиболее эффективном нелинейном варианте. В подавляющем большинстве случаев синтез нейросетевого регулятора осуществляется по критерию минимизации среднеквадратичес кой ошибки управления. Таким образом, проблема сопоставления линейных регуляторов и нейросетевых систематически в литературе не изучалась.
Но очевидно, что для адаптивного управления сложными многопараметрическими процессами, каковыми являются процессы хранения пищевых продуктов, а именно бестарное хранение муки, традиционные ПИД-регуляторы не подходят. Т.к. они не способны вести многопараметрическое управление и слабо подвержены адаптации, поскольку настройка каждого ПИД- регулятора производится отдельно друг от друга, т.е. при корректировке управляющих воздействтп1 не учитываются нелинейные взаимосвязи между ними. 1.2.б.
Обзор существующих н выбор оптимального нейросетевого пакета. Как уже отмечалось, в отсутствии теоретически обоснованного конструктивного метода настройки нейронной сети широкое распространение получили различные численные методы, близкие к нелинейной оптимизации, а также разнообразные эвристические подходы. Обычно для практических работ по курсу искусственных нейронных сетей используется тот или иной универсальный ~йа1Ы1са, Маб аЬ, Ос1аче и др.) или специализированный нейросетевой ~З1пидаг~ Хеига1 Ые1жогЕ Б1шп1а1ог, Кепга1 1.аЬ, Тга) ап и др.) программный пакет. Для большинства типовых задач, решаемых с помощью НС ~распознавание образов, ассоциативная память, кластеризаши, предсказание и т, и), возможностей перечисленных пакетов вполне достаточно 189, 1001.
К ним относятся: ° Выбор архитектуры нейросети и метода ее обучения.. ° Задание обучающего множества.. ° Задание параметров обучения.. ° Обучение нейронной сети, . ° Анализ качества работы обученной нейронной сети. Несмотря на множество функциональных возможностей, которыми обладают стандартные пакеты, часто необходим специализированный набор элементов: е Задание вида и параметров регулятора и объекта управления.. ° Задание входных сигналов - уставки и помехи.
° Регистрация данных для визуализации и обучения нейронной сети.. ° Моделирование САУ.. ° Сравнение и анализ качества работы САУ с различными компонентами, в том числе, с нейросетевыми. В универсальных пакетах (класса Май.аЬ) реализация перечисленных функций требует достаточно серьезного программирования как вычислительных, так и интерактивных и графических функций, В то же время, получающаяся программа обладала бы ограниченным быстродействием, так как должна быть написана на интерпретируемом языке программирования. Демонстрационные оп1гие-программы могут быть использованы в учебном процессе очень ограниченно — для иллюстрации работы конкретных управляющих алгоритмов в конкретных задачах.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
