Автореферат магистерской работы студента ЭТФ ДонНТУ Улаховича Владимира владимировича
"Применение нейросетей к решению задачи идентификации нагрузки в электромеханических системах"
Актуальность темы
Нейронные сети и сиcтемы управления, построенные на их основе, бурно развиваются в последнее десятилетие, являясь наряду с системами фаззи-логики наиболее преспективным направлением развития ситстем управления сложными электромеханическими системами.
Цель работы
Целью работы является исследование возможности применения нейронный сетей для решения задач управляемого электропривода и выяснение их преимуществ перед классическими методами.
Введение в нейрорегулирование
Искусственные нейронные сети индуцированы биологией, так как состоят из элементов, функциональные возможности которых аналогичные большинству элементарных функций биологического нейрона. Эти элементы потом организуются по способоу, который может отвечать (или не отвечать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число возможностей присущих мозгу. Например, они обучаются на основе опыта, обобщают предшествующие прецеденты на новые случаи и извлекают важные свойства из информации, которая имела лишние данные.
Несмотря на такое функциональное сходство, даже самый оптимистичный их приверженец не мог предположить, что в скором будущем искусственные нейронные сети будут дублировать функции человеческого мозга. Реальный "интеллект", который демонстрируют сложнейшие нейронные сети, находится ниже ровня дождевого червя, и энтузиазм должен быть сдержаным соответственно современным реалиям. Однако так же было бы неверным игнорировать замечательное сходство в функционировании некоторых нейронних сетей с человеческим мозгом. Эти возможности, как бы они не были ограничены сегодня, наводят на мысль, что глубокое проникновение в человеческий интеллект, а также великое множество революционных новаций, могут быть не за горами.
Применение нейросетевых технологий в задачах регулирования электроприводом в реальном времени
Классическое управление по отклонению не всегда способно решать задачи регулирования сложными, нелинейными, взаимосвязанными электромеханическими системами. Как правило, такие задачи решали с использованием последовательной и параллельной коррекции, для чего необходимо было знать математическое описание объекта регулирования. Это не всегда возможно. Чаще всего отсутствует полная информация об объекте и(или) к тому же может в ходе выполнения технологического процесса могут изменяться и параметры и структура объекта регулирования.
В последние десятилетия появились новые нетрадиционные способы регулирования, такие как нейрорегулирование и фаззи-логика. Эти способы относятся к категории интеллектуальных систем управления и позволяют реализовать любой требуемый для процесса нелинейный алгоритм управления, иметь неполное, неточное описание объекта управления (а для нейросетевой системы даже отсутствие описания), создавать мягкую адаптацию, обеспечивающую робастность системе при нестабильности параметров [1]. Наиболее динамично в последнее время развиваются искусственные нейронные сети.
В настоящее время разработано и исследовано несколько десятков искусственных нейронных сетей, но базовыми, принципиально различными типами, являются три типа сетей, соответствующих трем методам их обучения: самоорганизующиеся сети Кохонена с обучением без "учителя"; динамические сети Хопфилда с обучением по методу последовательного подкрепления знаний; сети прямого распространения (перцептронные) с обучением с "учителем". Для решения задач идентификации, моделирования, регулирования, адаптивного управления, оптимизации и т. д. нашли применение два последних типа искусственных нейронных сетей и в наибольшей степени статические многослойные нейронные сети (МНС) прямого распространения с обучению по методу обратного распространения ошибки (BP - Back Propagation).
Управление на основе многослойной нейронной сети позволяет решать плохо формализуемые задачи управления сложными динамическими объектами в тех нередких случаях, когда априорные "жесткие" модели и алгоритмы не адекватны реальному состоянию управляемого процесса. Интерес к применению статических многослойных нейронных сетей вполне объясним, если иметь в виду комплекс их основных свойств:
1) сигналы в таких нейросетях, как и в системах автоматического управления, распространяются в одном, прямом направлении;
2) ключевую роль в формировании необходимых нелинейных алгоритмов управления играют универсальные аппроксимационные свойства этих сетей;
3) способность многослойной нейронной сети к обучению придает адаптивные свойства структурам с включенной в них сетью;
4) способность таких нейросетей к параллельной обработке как аналоговых, так и дискретных сигналов делает естественным их использование для управления многомерными объектами.
Многослойная нейронная сеть выполняет в динамической системе управления функцию адаптивного регулятора объекта. В этом случае нейросеть в процессе обучения одновременно формирует оптимальное в смысле минимальности требуемой целевой функции управляющее воздействие на входе исполнительного устройства системы. Цель обучения сети и цель управления объектом совпадают и это означает задание общей целевой функции. Возможен вариант, когда работа сети состоит из двух этапов: этапа обучения сети оптимальному закону управления, заранее вычисленному на основе какой-либо теории в соответствии с заданным функционалом обучения; и этапа воспроизведения оптимальной управляющей функции на выходе сети или на входе исполнительного устройства. Здесь целевые функционалы обучения сети и управления объектом могут отличаться друг от друга. Последний вариант применения многослойной нейронной сети для управления нашел по ряду причин преимущественное распространение.
Многослойные нейронные сети находят применение и как идентификаторы состояния нелинейных динамических объектов, успешно конкурируя с традиционными линейными и нелинейными идентификаторами. Следует отметить также применение многослойной нейронной сети в качестве оптимизаторов для настройки традиционных адаптивных регуляторов.
Сеть полностью определена, если задана ее архитектура, т.е. способ соединения базовых элементов, и принят алгоритм ее обучения в соответствии с методом обучения.
В работах [2-4] показана эффективность применение генетических алгоритмов обучения многослойных нейронных сетей в задачах моделирования и управления. Основным достоинством этого метода является возможность поиска глобального экстремума для задач с большим числом локальных экстремумов. Градиентные методы расчета (основным из которых является метод обратного распространения ошибки) обеспечивают только быструю сходимость в области притяжения к экстремуму. Однако основным недостатком метода обучения с помощью генетических алгоритмов на сегодняшний день является его низкое быстродействие, что препятствует его применению в задачах реального времени. А динамические алгоритмы обучения нейронных сетей, такие как скоростной алгоритм обратного распространения ошибки (speed back propagation) и алгоритм обратного распространения ошибки с прогнозом (back propagation of prediction), позволяют использовать статические обучаемые многослойные сети для управления динамическими объектами в реальном масштабе времени.
Особый интерес вызывает использование многослойных нейронных сетей для определения неизмеряемых координат. Классический способ решения этих задач - это построение наблюдателей состояния. Но достаточно легко реализуемые наблюдатели обладают высокой чувствительностью к изменению параметров. Традиционное решение этой задачи - использование наблюдателей с адаптацией, которые, в свою очередь, при реализации имеют сложные алгоритмы и небольшую скорость адаптации.
В работе [5] рассмотрен вопрос синтеза наблюдателя статора асинхронного двигателя на основе нейронной сети для системы с прямым управлением моментом, что подтверждает принципиальную возможность применения нейронных сетей для такого класса задач. Еще одним пример применения нейросетей показан в работе [6]. Здесь рассматривается задача определения магнитного потока машины асинхронного двигателя с короткозамкнутым ротором. Хотелось также отметить тот факт, что авторы двух последних работ для обучения нейронной сети использовали алгоритм обратного распространения ошибки, и результатами моделирования подтвердили пригодность этого метода обучения при решении подобных задач.
Перечень ссылок.
1. Терехов В.М. Современные способы управления и их применение в электроприводе. "Электротехника", №2, 2000 г. с 25-28.
2. - Коровкин Н.В., Потиенко А.А. Использование генетического алгоритма для решения электротехнических задач. - Электричество, 2002, № 11. (с. 2-15)
3. Клепиков В.Б., Сергеев С.А., Махотило К.В., Обруч И.В. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами. - Электротехника, 1999, № 5. (с. 2-6)
4. Вороновский Г.К., Махотило К.В., Петрашов С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - Х.: Основа, 1997. - 112 с.
5. Браславский И.Я., Зюзев А.М., Ишматов З.Ш., Аверьянов М.А., Барац Е.И., Костылев А.В. Синтез нейронного наблюдателя для асинхронного привода с прямым управлением моментом. - Электротехника, 2001, №12. (с. 31-34)
6. Калашников В.И., Денисенко И.В. Нейромодель определения потокосцепления асинхронной машины.// с. 371-372.
