Магистр ДонНТУ Шелудько Д.И.

Тема магистерской работы:

Нейросистемы и их использование для управления электроприводом

Реферат

Введение

В настоящее время все большее значение приобретают разработки в области информатики – аппаратно и программно реализованные алгоритмы обработки информации. Так, широкое применение за последнее десятилетие получили совсем недавно известные только узкому кругу специалистов нейронные сети, нечеткая логика, генетические алгоритмы и ряд других информационных технологий.

Среди задач, решаемых информационными системами, можно выделить следующие: классификация образов, кластеризация, аппроксимация функций, прогноз, оптимизация и управление. Задача управления – перевода и поддержания системы в требуемом состоянии, является самой сложной, т. к. в большинстве случаев требует решения ряда других вспомогательных задач.

В области управления электроприводом (ЭП), до последнего десятилетия прошлого века применялись традиционные методы построения управления состоянием динамических систем. В результате использования таких методов, были разработаны системы управления (СУ) с релейными и линейными регуляторами, системы с переменной структурой, системы с операторными обратными связями, системы с ПИД-регуляторами с самонастройкой, системы с обобщенным прогнозирующим управлением. Во всех перечисленных СУ не применяются современные информационные технологии (нейронные сети, нечеткая логика, генетические алгоритмы, экспертные системы ), использование которых может существенно улучшить качество управления сложными объектами. Регуляторы, построенные на основе традиционного подхода, не всегда позволяют осуществлять робастное управление сложными нестационарными объектами. Данное обстоятельство послужило развитию нового научного направления – интеллектуальных СУ.

Интеллектуальные СУ – это СУ, способные к “пониманию” и обучению в отношении объекта управления, возмущений, внешней среды и условий работы. Основное отличие интеллектуальных систем – наличие механизма системной обработки знаний. Главная архитектурная особенность, которая отличает интеллектуальные СУ от традиционных, – это механизм получения, хранения и обработки знаний для реализации своих функций.

В основе создания интеллектуальных СУ лежат два принципа: ситуационное управление (управление на основе анализа внешних ситуаций или событий) и использование современных информационных технологий обработки знаний.

Как уже отмечалось, существует несколько современных информационных технологий, позволяющих создавать данные СУ: экспертные системы, искусственные нейронные сети (ИНС), нечеткая логика, генетические алгоритмы и ряд других. Для разработки интеллектуальных СУ данные методы должны быть объединены с достижениями современной теории управления.

Интеллектуальные технологии между собой различает прежде всего то, что именно положено в основу концепции интеллектуальности – либо умение работать с формализованными знаниями человека (экспертные системы, нечеткая логика), либо свойственные человеку приемы обучения и мышления (ИНС и генетические алгоритмы).

В инженерном контексте интеллектуальное управление должно обладать следующими свойствами: во-первых, способностью к обучению и адаптации; во-вторых, живучестью (устойчивостью к повреждениям и неполадкам); в-третьих, дружественным к пользователю человекомашинным интерфейсом и, в- четвертых, способностью к включению новых компонентов.

Структурно интеллектуальные СУ содержат дополнительные блоки, выполняющие системную обработку знаний на основе указанных выше информационных технологий. Данные блоки могут выполняться либо как надстройка над обычным регулятором, настраивая нужным образом его параметры, либо непосредственно включаться в замкнутый контур управления.

В данной работе будут исследоваться ИНС, поэтому перейдем к их подробному рассмотрению.

Интерес к нейронным сетям (НС) как к моделям биологической обработки информации не угасает более 30 лет. Начало современным моделям НС было положено в работе У. Маккаллока и У. Питтса [10]. Эти авторы сделали первую попытку эмулировать человеческие способности, классифицировать и распознавать образы. Дальнейшее развитие связано с работой Ф. Розенблатта [11]. Его модель была названа персептроном. После некоторого затишья, с начала 1980-х годов начался и продолжается до настоящего времени новый виток развития моделей НС. Он связан с работами С. Гроссберга, Т. Кохонена, Д. Хопфилда и др.

Ядром нейроинформационных технологий является представление о том, что естественные биологические нейроны можно моделировать довольно простыми искусственными автоматами, а вся сложность мозга, его гибкость в обработке различного рода информации и другие его важнейшие качества, определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для обмена сигналами. Предельным выражением этой точки зрения является лозунг: “Структура связей – все, свойства элементов - ничто”.

Совокупность идей, определяющая описанное представление о мозге носит название коннекционизма. Коннекционизм оперирует рядом несложных идей, включающих понятия однородности системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей), надежности системы из ненадежных элементов, “голографичности” системы – при разрушении случайно выбранной части система сохраняет свои полезные свойства.

Для описания устройств и алгоритмов функционирования искусственных нейронных систем разработана специальная системотехника (сумматоры, синапсы, нейроны, дендриты), предусматривающая объединение простейших устройств в функционально ориентированные сети, предназначенные для решения конкретных задач.

Актуальность

СУ ЭП, построенные по традиционным методам, не используют современные информационные технологии, в результате чего применение таких систем для управления сложными динамическими объектами приводит к снижению качества управления. Этого недостатка лишены СУ на основе ИНС, которые относятся к интеллектуальным СУ. Нейронные сети – один из основных архитектурных принципов построения ЭВМ шестого поколения. Также, следует отметить, что особый интерес к НС обусловлен многообразием их возможных применений. На основании перечисленных утверждений, можно сделать вывод – исследование ИНС актуально.

Цель работы

Анализ результатов работы СУ ЭП на основе ИНС и оценка возможности применения нейросетевых методов для управления ЭП.

Апробация результатов работы

Основные положения по полученным промежуточным результатам исследований ИНС были доложены на 5-й и 6-й международных научно-технических конференциях аспирантов и студентов "Автоматизация технологических объектов и процессов. Поиск молодых", проходивших в г. Донецке, в 2005 и 2006 годах соответственно [8,9].

Содержание работы

Вопросы применения нейросетевого подхода для решения задач управления рассмотрены в работах [1,2,3,4,5,6,7].

В [1] рассматриваются вопросы применения современных информационных технологий в теории управления, а также, дан краткий обзор существующих традиционных методов построения управления состоянием динамических систем.

В [2] представлены результаты анализа авторами большого количества отечественной и зарубежной литературы с уделением основного внимания анализу применения нейроинформационных технологий в инфотелекоммуникационных системах.

Под ИНС [1] подразумевают вычислительные структуры, состоящие из большого количества однотипных элементов, каждый из которых выполняет относительно простые функции. Элементарным функциональным модулем ИНС является искусственный нейрон, который представляет собой модель живого нейрона, однако лишь в смысле осуществляемых им преобразований, а не способа функционирования.

На рисунке 1 показана математическая модель нейрона математична безперервна модель нейрона.

Рисунок 1 – Математическая модель нейрона (непрерывная модель)

Согласно рис. 1:

x_i – входной сигнал нейрона;

w₀ – смещение;

w_i – вес i -той связи;

f – активационная функция нейрона;

z – выходной сигнал нейрона.

Сигнал s, получаемый на выходе сумматора, определяется следующим выражением:

, (1)

Тогда выходной сигнал нейрона:

, (2)

Непрерывная модель нейрона (рис. 1) работает следующим образом. Входные сигналы x_i поступают на блоки, реализующие функцию синапсов. Каждый из них характеризуется своим весовым коэффициентом w_i (синаптическим весом). Положительные значения весов w_i соответствуют возбудительным синапсам, отрицательные – тормозным.

Взвешенные входные сигналы подаются на линейный сумматор, после чего результат их сложения поступает на блок активационной функции. Обычно активационная функция ограничивает выходной сигнал нейрона в диапазоне [0, 1] или [-1, 1]. Модель нейрона также включает в себя сдвиг w₀, который добавляется к входному сигналу блока активационной функции. Активационная функция нейрона f определяет нелинейное преобразование, осуществляемое нейроном. Существует множество видов активационных функций (пороговая, кусочно-линейная, функция Гаусса и др.). Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид [2]:

, (3)

где – коэффициент, определяющий наклон функции.

ИНС состоит из совокупности расположенных по слоям и связанных между собой нейронов. Можно выделить четыре основные разновидности архитектуры искусственных нейронных сетей: однослойные прямонаправленные сети, многослойные прямонаправленные сети, рекуррентные сети, полностью связанные сети.

В задачах управления [1] наиболее широкое распространение получили многослойные НС прямого распространения, или многослойные персептроны (МСП).

На рисунке 2 приведена схема трехслойной искусственной нейронной сети, которая является частным случаем многослойной прямонаправленной сети.

Рисунок 2 – Схема трехслойной искусственной нейронной сети

В общем случае каждый слой ИНС может содержать множество нейронов. Согласно рис.2, входной слой содержит n нейронов, а выходной – m нейронов. Количество нейронов во входном и выходном слоях зависит от числа входных и выходных сигналов ИНС.

Нейроны входного слоя в таких сетях просто ретранслируют входные сигналы (x_i) на первый скрытый слой, не преобразуя их. В скрытых нейронах последовательно, слой за слоем, происходит нелинейное преобразование сигналов. Сигналы с последнего скрытого слоя поступают на нейроны выходного слоя, которые формируют реакции сети (y_i).

ИНС типа МСП обычно имеет сигмоидальную активационную функцию нейронов скрытого слоя. Выходной слой ИНС может состоять из нейронов с тем же типом активационной функции, что и у нейронов скрытого слоя, но наиболее распространенной является модель прямонаправленной сети с линейными выходными нейронами.

Особенностью ИНС является ее способность к обучению (тренировке) – процессу, при котором свободные параметры НС адаптируются в результате ее непрерывной стимуляции внешним окружением. Тип обучения определяется тем способом, которым производятся изменения параметров. При решении задач управления обычно используется контролируемое обучение. На рисунке 3 представлена схема прямого контролируемого обучения.

Рисунок 3 – Схема прямого контролируемого обучения

“Учитель” сообщает сети, какова должна быть правильная (желаемая) реакция на поступившее воздействие, выдавая соответствующий выходной шаблон. На основании величины ошибки между реальным и желаемым выходами сети по определенному правилу проводится настройка ее синаптических связей. Повторяя этот процесс итеративно можно настроить ИНС так, что она будет эмулировать учителя, то есть его знания о внешней среде перейдут к ней.

Основными свойствами ИНС являюются: свойство обобщения и свойство универсальной аппроксимации.

Рассмотрим практическое применение ИНС в качестве инверсной нейронной модели (ИНМ), ипользуемой для управления ЭП постоянного тока по системе тиристорный преобразователь-двигатель (ТПД)

Инверсная модель [9] предназначена для воспроизведения входного сигнала объекта управления U_У^* при определенном его выходном сигнале . Такая модель может быть использована в прямом канале управления при ее последовательном подключении с объектом управления для улучшения качества переходных процесов последнего при отработке управляющего воздействия. Из теории автоматического управления известно, что система, в которой инверсная модель используется в прямом канале последовательно с объектом управления, имеет передаточную функцию близкую к единице. Это означает, что такая система должна иметь очень хорошие качественные показатели работы.

При создании инверсной модели на основе НС, следует учитывать то, что точность воспроизведения нейромоделью динамики объекта управления зависит от выбора входных сигналов сети, количества скрытых слоев и нейронов, которые они содержат.

Нейроны входного слоя в таких сетях просто ретранслируют входные сигналы на первый скрытый слой, не преобразуя их. В скрытых нейронах последовательно, слой за слоем, происходит нелинейное преобразование сигналов. Сигналы с последнего скрытого слоя поступают на нейроны выходного слоя, которые формируют реакцию сети.

В данном случае объектом управления является система ТПД. Для синтеза ИНМ системы ТПД необходимо получить экспериментальные характеристики ее работы. Для их получения используем структурную схему системи ТПД (рис. 4), модель которой составляем с помощью блоков Simulink пакета MATLAB.

Рисунок 4 – Нормированная структурная схема системы ТПД

Для моделирования была использована система ТПД со следующими параметрами:

T_ПР = 7 мс; T_Я = 10 мс; T_М = 100 мс; .

При этом на вход системы был подан тренировочный сигнал U_{ЗИ_ТР}^*, показанный на рис. 5.

Рисунок 5 – График тренировочного сигнала

С помощью блоков To Workspace входные и соответствующие ему выходные сигналы системы ТПД были записаны в память компьютера и использованы в дальнейшем для обучения НС.

В результате моделирования системы ТПД были получены реакции (ток якоря I_ТПД^* и скорость ) последней на тренировочный сигнал U_{ЗИ_ТР}^* (рис. 6) и сформирован тренировочный шаблон.

Рисунок 6 – Ток якоря и скорость двигателя в системе ТПД при отработке тренировочного сигнала U_{ЗИ_ТР}^*

Синтез НС, с учетом полученного ранее тренировочного шаблона, осуществляется с помощью функции пакета MATLAB newff( ), для которой указывается структура создаваемой НС с видом активационных функций нейронов скрытого и выходного слоев.

На рис. 7 показано анимированное представление структуры синтезируемой ИНМ системы ТПД. Создаваемая НС состоит из одого скрытого (с четырьмя нейронами), входного и выходного слоев. Причем нейроны скрытого слоя имеют логистическую активационную функцию, а выходного слоя – линейную. В качестве входных сигналов используются: сигнал скорости двигателя и сигнал ошибки . В программе устанавливается число эпох тренировки НС (в данном случае 2000 эпох), при прохождении которых обучение считается завершенным.

Рисунок 7 - Анимированное представление (количество циклов - 10) структуры ИНМ

Тренировка НС осуществляется с помощью функции пакета MATLAB train( ).

На рисунке 8 показан график изменения средне-квадратичной ошибки воспроизведения создаваемой НС свойств инверсной модели системы ТПД в процессе ее обучения (минимизация ошибки НС).

Рисунок 8 – График процесса обучения ИНС (минимизация ошибки НС)

Как видно из рис. 8, синтезированная НС, которая будет использована в качестве ИНМ, с высокой степенью точности аппроксимирует реальный объект.

Полученную ИНС используют согласно функциональной схеме показанной на рис.9, т.е. ее помещают в прямой канал последовательно с объектом управления – системой ТПД. При этом на вход ИНМ подается сигнал с выхода задатчика интенсивности (ЗИ) U_ЗИ^* и сигнал ошибки отработки задания .

Рисунок 9 – Схема использования ИНМ для управления ЭП постоянного тока по системе ТПД

На рисунке 10 показаны результаты работы синтезированной системы с ИНМ от ЗИ (ток якоря I_ИНМ^* и скорость ), а, также, для сравнения, на этом рисунке показаны переходные процессы при работе от ЗИ по трапециедальной тахограмме разомкнутой системы ТПД (I_ТПД^* и ) и системы подчиненного регулирования скорости (СПРС) – (I_СПР^* и ).

Рисунок 10 – Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при работе по трапециедальной тахограмме от ЗИ

На рис. 11 показаны переходные процессы в системе с ИНМ, в СПРС и разомкнутой системе ТПД при набросе номинальной нагрузки.

Рисунок 11 – Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при набросе номинальной нагрузки

Анализ полученных результатов

Из рис. 10 видно, что лучшие качественные показатели имеют место при работе настроенной на модульный оптимум двухконтурной однократноинтегрирующей СПРС, а худшие – при отработке сигнала задания в разомкнутой системе ТПД.

Система с ИНМ в канале управления имеет большее быстродействие, чем разомкнутая система ТПД, немного уступая по этому показателю СПРС.

Из рис. 11 видно, что минимальную ошибку по скорости при набросе номинальной нагрузки обеспечивает СПРС. В системе с ИНМ эта ошибка немного больше чем в СПРС, но при этом вдвое меньше, чем в разомкнутой системе ТПД.

Таким образом, использование ИНМ для управления ЭП постоянного тока по системе ТПД приводит к увеличению быстродействия системы и уменьшению статической ошибки по скорости при набросе нагрузки.

Заключение

В результате проведенных исследований, можно отметить как преимущества, так и недостатки использования НС в качестве инверсной модели системы ТПД для управления ЭП постоянного тока.

Преимущества:

1. Возможность улучшения качества переходных процессов при работе системы.

2. Уменьшение статической ошибки по скорости в системе при набросе нагрузки.

3. Отсутствие необходимости знания параметров объекта управления для синтеза ИНМ.
   

Недостатки:

1. Наличие повышенных требований к аппаратной и программной частям системы управления.

2. Отсутствие возможности ограничения тока якоря.

В целом, полученные результаты показывают, что применение ИНМ для управления ЭП постоянного тока целесообразно.

Примечание

В настоящее время (май 2006 г.), магистерская работа находится на этапе разработки. Окончательно, данная работа будет готова в январе 2007 г.

Список использованной литературы:

1. "Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика"/А.А. Усков, А.В. Кузьмин. – М.: Горячая линия – Телеком, 2004

2. "Нейронные сети и их применение в системах управления и связи"/В.И. Комашинский, Д.А. Смирнов. – М.: Горячая линия – Телеком, 2002

3. "Интеллектуальные системы автоматического управления"/Под ред. И.М. Макарова, В.М. Лохина. – М.: Физматлит, 2001
   

4. "Нейроуправление и его приложения. Кн.2"/С. Омату, М. Халид, Р. Юсоф/Под общ. ред. А.И. Галушкина. – М.: ИРПЖР, 2000

5. "Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности"/Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. – Харьков.: Основа, 1997

6. "Нейросетевые системы управления. Кн.8"/В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин/ Под общ. ред. А.И. Галушкина. – М.: ИРПЖР, 2002

7. "Интеллектуальное управление динамическими системами"/С.Н. Васильев, А.К. Жерлов, Е.А. Федосов, Б.Е. Федунов. – М.: Физматлит, 2000

8. Шелудько Д.И., Коротков А.В. Применение нейросетей в системах управления электроприводами. //Сборник научных трудов 5-й международной научно-технической конференции аспирантов и студентов "Автоматизация технологических объектов и процессов. Поиск молодых", Донецк, 2005.

9. Шелудько Д.И., Коротков А.В. Застосування інверсної нейромоделі у системах керування електроприводами постійного струму. //Сборник научных трудов 6-й международной научно-технической конференции аспирантов и студентов "Автоматизация технологических объектов и процессов. Поиск молодых", Донецк, 2006.

10. "Логическое исследование идей, относящихся к нервной активности, сборник “Автоматы”"/У.С. Маккалок, У. Питтс/Под ред. К.Э. Шеннона, Дж. Маккарти. – ИЛ, 1956

11. "Принципы нейродинамики (персептроны и теория механизмов мозга)"/Ф. Розенблатт. – М.: Мир, 1965