Статья

Название статьи О РАЗРАБОТКЕ МЕТОДА ОПРЕДЕЛЕНИЯ ЗНАЧЕНИЙ ЗАДЕРЖЕК ВХОДНЫХ СИГНАЛОВ НЕЙРОННОЙ СЕТИ ПРИ РЕАЛИЗАЦИИ НЕЙРОСЕТЕВОГО ОПТИМИЗАТОРА ПАРАМЕТРОВ ПИ-РЕГУЛЯТОРА
Автор Ю.И. Еременко, Д.А. Полещенко, А.И. Глущенко
Рубрика РАЗДЕЛ IV. НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ УПРАВЛЕНИЯ
Месяц, год 10, 2015
Индекс УДК 004.89 + 681.51
DOI
Аннотация Нейросетевой оптимизатор позволяет осуществлять в реальном масштабе времени подстройку параметров KP и KI ПИ-регулятора для повышения энергоэффективности несимметричных объектов управления, описываемых апериодическими звеньями первого и второго порядков с запаздыванием. Основной составляющей оптимизатора является нейронная сеть, в вектор входных параметров которой входят задержанные на равные промежутки времени Δt друг от друга сигналы с выхода объекта управления. Целью исследования являлась разработка метода для вычисления значения Δt в зависимости от значений параметров регулируемого процесса. Было проведено более 15 000 вычислительных экспериментов с моделями объектов управления с различными значениями постоянных времени, коэффициента усиления и времени запаздывания. Для каждой конкретной модели применялись значения Δt в диапазоне от 1 до 40 с. В наборе из 40 опытов выбирался лучший по предложенному критерию, что и определяло оптимальное значение Δt для рассматриваемой модели. По результатам экспериментов была аппроксимирована искомая аналитическая зависимость. Также было показано, что количество N обращений к нейросетевому оптимизатору в течение конкретного переходного процесса в целом является постоянной величиной для всех опытов, при условии, что вызов оптимизатора осуществляется раз в Δt секунд. Было показано, что кривая распределения значений величины N подчиняется нормальному распределению. Для данных фактов приведено теоретическое обоснование и, благодаря этому, предложен подход к вычислению Δt без необходимости знания значений параметров объекта управления. В дальнейшем предполагается включить параметр Δt в алгоритм обучения нейросетевого оптимизатора для его оперативной коррекции в процессе работы, а полученную аналитическую зависимость использовать для вычисления начального значения Δt.

Скачать в PDF

Ключевые слова Адаптивное управление; нейронные сети; ПИ-регулятор; нейросетевой оптимизатор; время задержки входных сигналов.
Библиографический список 1. Astrom K.J., Hagglund T., Hang C.C., Ho W.K. Automatic tuning and adaptation for PID controllers. A survey // IFAC J. Control Eng. Practice. – 1993. – Vol. 1, No. 4. – P. 699-714.
2. Astrom K.J., Hagglund T. Advanced PID Control. – Research Triangle Park: ISA – The Instrumentation, Systems, and Automation Society, 2006. – 461 p.
3. Alexandrov A.G., Palenov M.V Self–tuning PID–I controller: Proceedings of the 18th IFAC World Congress. Mi-lano, Italy, 2011. – P. 3635-3640.
4. Pfeiffer B.-M. Towards «plug and control»: self–tuning temperature controller for PLC // International journal of Adaptive Control and Signal Processing. – 2000. – No. 14. – P. 519-532.
5. Ziegler J., Nichols N. Optimum settings for automatic controllers // Trans. ASME. – 1942. – No. 65. – P. 759-768.
6. Шубладзе А.М., Кузнецов С.И. Автоматически настраивающиеся промышленные ПИ- и ПИД-регуляторы // Автоматизация в промышленности. – 2007. – № 2. – С. 15-17.
7. Ротач В.Я. Кузищин В.Ф., Петров С.В. Настройка регуляторов по переходным характеристикам систем управления без их аппроксимации аналитическими выражениями // Автоматизация в промышленности. – № 11. – 2009. – С. 9-12.
8. Chen J., Huang T. Applying neural networks to on-line updated PID controllers for nonlinear process control // Journal of Process Control. – 2004. – № 14. – P. 211-230.
9. Fang M., Zhuo Y., Lee Z. The application of the self–tuning neural network PID controller on the ship roll reduction in random waves // Ocean Engineering. – 2010. – № 37. – P. 529-538.
10. Anderson K.L., Blankenship G.I., Lebow L.G. A rule–based adaptive PID controller // Proc. 27th IEEE Conf. De-cision. Control, 1988. – P. 564-569.
11. Omatu S., Khalid M., Yusof R. Neuro-Control and its Applications. – London: Springer, 1995. – 255 p.
12. Reyes J., Astorga C., Adam M., Guerrero G. Bounded neuro–control position regulation for a geared DC motor // Engineering Applications of Artificial Intelligence. – 2010. – No. 23. – P. 1398-1407.
13. Tan S.–H., Hang C.–C., Chai J.–S. Gain scheduling: from conventional to neuro–fuzzy // Automatica. – 1997. – Vol. 33, No. 3. – P. 411-419.
14. Zhao Z.Y., Tomizuka M., Isaka S. Fuzzy gain scheduling of PID controllers // IEEE Transactions on systems. man. and cybernetics. – 1993. – No. 5. – P. 1392–1398.
15. Unal M., Ak A., Topuz V., Erdal H. Optimization of PID Controllers Using Ant Colony and Genetic Algorithms. – London: Springer, 2013. – 85 p.
16. Еременко Ю.И., Полещенко Д.А., Глущенко А.И. О применении нейросетевого оптимизатора параметров ПИ-регулятора для управления нагревательными печами в различных режимах работы // Управление большими системами. – 2015. – Вып. 56. – С.143-175.
17. Hagglund T., Tengvall A. An automatic tuning procedure for unsymmetrical processes // Proceedings of 3rd European control conference, 1995. – P. 2450-2455.
18. Еременко Ю.И., Полещенко Д.А., Глущенко А.И., Фомин А.В. Об оценке применимости различных структур нейронной сети в реализации нейросетевого оптимизатора параметров ПИ-регулятора для управления тепловыми объектами // Системы управления и информационные технологии. – 2014. – № 3.2 (57). – С. 236-241.
19. Hornik K., Stinchcombe M., White H. Multilayer feed-forward networks are universal approximators // Neural networks. – 1989. – No. 2 (5). – P. 359-366.
20. Huang G.B., Wang D.H., Lan Y. Extreme learning machines: a survey // International Journal of Machine Learning Cybernetics. – 2011. – No. 2. – P. 107-122.

Comments are closed.