Найти

Результаты поиска

• НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ МОДЕЛЬНО-ПРОГНОЗИРУЮЩЕГО УПРАВЛЕНИЯ ДЛЯ СИСТЕМЫ СТАБИЛИЗАЦИИ ДИНАМИЧЕСКОГО ОБЪЕКТА

  Б.А. Комаров , С. В. Леонов , Т.Е. Мамонова

  276-287

  2025-12-30

  Аннотация ▼

  Актуальность.  При решении задач стабилизации динамических объектов достаточно широко применяется классическое модельно-прогнозирующее управление. Оно обеспечивает высокое качество управления за счёт решения задачи оптимизации на каждом шаге, однако обладает значительными вычислительными затратами, что ограничивает его применение в системах реального времени с высокими требованиями к частоте обновления. Поэтому вопрос исследования применимости нейросетевого регулятора, обученного на модельно-прогнозирующем регуляторе (MPC) при решении задачи стабилизации положения динамического объекта при ограниченном вычислительном и временном ресурсе является актуальной. Цель. Целью представленной работы было разработать и исследовать нейросетевой регулятор, обученный на основе MPC-регулятора, для стабилизации положения динамического объекта на подвижной платформе. Методы. При выполнении работы использовались методы системного анализа, имитационного моделирования, а также экспериментальные испытания на стенде. Результаты и выводы.  В рамках исследования разработан и обучен нейросетевой регулятор, аппроксимирующий поведение MPC на основе данных, полученных при управлении реальной балансировочной платформой. Обучение проводилось по входным и выходным данным MPC без использования внутренней модели системы, что позволило воспроизвести динамику регулятора при существенно меньших вычислительных затратах. Экспериментальные результаты показали, что нейросетевая модель обеспечивает качество стабилизации, сопоставимое с оригинальным MPC, при этом время вычислений сократилось с 47 мс до 1.6 мс, что составило значение ускорения в 29 раз. Предложенный подход демонстрирует потенциал нейросетевых методов управления в задачах замещения сложных оптимизационных регуляторов для систем с ограниченными вычислительными ресурсами.