Применение технологии нейронных сетей для разработки и проектирования управляемого электротехнического комплекса приемно-намоточного устройства агрегата для производства синтетических нитей и нетканых материалов

Главным стимулом развития процесса производства синтетических волокон, нитей и нетканых материалов служит достижение высокой производительности в неразрывной связи с качеством выпускаемой продукции на базе современного технологического оборудования, оснащенного автоматизированным электротехническим комплексом с широким использованием электронных систем управления и многопроцессорной техники. Такие интегрированные системы применительно к производству синтетических волокон и нетканых материалов обеспечивают автоматизированное управление процессом и позволяют осуществить непрерывный мониторинг всех технических параметров и рабочих органов электромеханической системы с многодвигательным электроприводом. Как правило, используется двухуровневая система электронного управления, первый уровень предусматривает встроенный микропроцессор в каждый канал управления, второй — предусматривает главную ЭВМ для координации регулирования процессов формирования, транспортирования и наматывания волокнистого продукта.

Моделирование зоны деформации и математическое описание ее свойств позволяют изучить динамику волокнистого продукта в процессе формирования, транспортирования и наматывания, а также проанализировать деформационные свойства полотна в режимах пуска, торможения, управления скоростными режимами рабочих органов ЭМС. Качество переходного процесса влияет на деформационное состояние продукта и может быть достигнуто выбором рациональных

(оптимальных) параметров системы автоматического регулирования, обеспечивающих заданное быстродействие, при котором время переходного процесса не должно превышать времени проявления упругой составляющей деформации волокнистого материала.

Свободная зона деформации волокнистого продукта представлена в виде эквивалентной электрической цепи, для которой составлены уравнения, позволившие получить передаточную функцию исследуемой зоны в виде:

Анализ передаточной функции осуществлен известными методами теории автоматического регулирования при управляющих и возмущающих воздействиях, соответствующих переходным режимам, позволяющими моделировать качество технологического процесса. На рис. 3.36 приведена переходная функция, характеризующая вытяжку (Е) полотна в свободной зоне, которая не выходит за пределы упругих деформаций. Передаточная функция далее использована при моделиоовании двухконтуоной системы упоавления.

Реакция системы на единичное ступенчатое воздействие

Рис. 3.36. Реакция системы на единичное ступенчатое воздействие

Исследуется двухканальная система транспортирования и наматывания нетканого полотна на агрегате Reicofil с учетом деформационных свойств волокнистого продукта (рис. 3.37). В соответствии с ранее полученными теоретическими и экспериментальными данными разработана структурная схема приемно-намоточного устройства. На рис. 3.37 приняты следующие обозначения: Крн3, КТП2, КД4, КДЧ4,

Структурная схема зоны транспортирования и наматывания нетканого

Рис. 3.37. Структурная схема зоны транспортирования и наматывания нетканого

материала

КдЧ5, Кдн, КР6, КР7, Кк — соответственно коэффициенты усиления регулятора напряжения, тиристорного преобразователя, асинхронного двигателя (АД), датчика частоты вращения канала АД, датчика частоты вращения двигателя постоянного тока (ДПТ), датчика натяжения, редукторов по линии АД и ДПТ, каландра; Т, Гм1, 7^ — соответственно электромеханические постоянные времени АД, преобразователя, ДПТ; ^ — коэффициент колебательности системы; 1/с — конструктивный коэффициент ДПТ.

Исследование динамических режимов приемно-намоточного устройства осуществлялось по структурной схеме моделирования в среде MATLAB электромеханической системы с двухдвигательным электроприводом (рис. 3.38).

Закономерность изменения выходной величины — относительной деформации 8 или вытяжки Е, при ступенчатом входном воздействии, определяется переходной функцией системы (рис. 3.39, а).

В отличие от ступенчатого входного сигнала, с которым связывается анализ переходного процесса, синусоидальный во времени входной сигнал, приложенный к системе, позволяет изучить установившийся процесс на выходе в виде частного решения неоднородного уравнения, например при изменении момента статического сопротивления и момента инерции наматывающего механизма по мере увеличения диаметра наматывания полотна. Входная синусоидальная

Структурная схема моделирования двухдвигательного электропривода приемно-намоточного устройства в среде MATLAB

Рис. 3.38. Структурная схема моделирования двухдвигательного электропривода приемно-намоточного устройства в среде MATLAB

функция времени в линейной системе с постоянными параметрами вызывает установившиеся колебания выходной величины того же периода, но другой амплитуды и фазы, оказывающие влияние на физико-механические свойства перерабатываемого продукта.

Исследование устойчивости разомкнутой и замкнутой систем управления процессом наматывания волокнистого материала проведено по логарифмическим амплитудным и фазовым частотным характеристикам (ЛАФЧХ).

Полученные ЛАФЧХ контура управления характеризуют его устойчивое состояние (рис. 3.39, б). Расположение на комплексной плоскости нулей и полюсов передаточной функции замкнутой системы полностью определяет динамические свойства последней (рис. 3.39, г). Полученные в результате расчета диаграммы Найквиста (рис. 3.39, в) данные позволяют выявить амплитуды составляющих процесса, оказывающие влияние на частоту вращения рабочих органов управляемого комплекса. Выходной регулируемый параметр, характеризующий вытяжку Е полотна, имеет плавный характер в период позиционирования, т. е. изменения диаметра наматывания, не выходящий за пределы упругих свойств волокнистого материала (рис. 3.39, а).

Существующие методы синтеза САУ электроприводами позволяют создавать системы с достаточно высокими показателями регулирования. Их практическая реализация сопряжена с рядом технических

Оценка качества процесса регулирования двухканальной системы управления

Рис. 3.39. Оценка качества процесса регулирования двухканальной системы управления

З.б. Применение технологии нейронных сетей... 213

трудностей, к которым относятся измерения труднодоступных координат, например таких, как электромагнитный и упругий моменты.

С развитием нейросетевых технологий появилась возможность заменить применяемые линейные регуляторы нелинейными, которые при меньшем числе сигналов от измеряемых координат обеспечивали бы требуемое выходное управляющее воздействие для объекта регулирования. С этой целью возможна реализация нелинейного регулятора в виде нейроконтроллера, который представляет собой нейронную сеть, функционирующую по принципу биологических нейронов.

Повышение качества управления с использованием нейросетевых технологий обосновано следующими положениями:

  • 1) нейросетевые модели рассматриваются как естественное развитие традиционной теории автоматического управления;
  • 2) нейронные сети способны обучаться на основе соотношения «вход-выход», поэтому они могут обеспечить более простые решения для сложных задач управления;
  • 3) нейронные сети имеют способность к самообучению, что исключает необходимость иметь большой объем информации для нейроконтроллеров и делает пригодными их для регулирования в условиях существенных неопределенностей;
  • 4) высокая степень параллелизма нейронных сетей позволяет реализовывать быстрые методы микропроцессорной обработки на основе использования нейронных кристаллов или параллельных аппаратных средств.

Для описания устройств и алгоритмов функционирования искусственных нейронных сетей (ИНС) разработана специальная системотехника (сумматоры, синапсы, нейроны, дендриты), предусматривающая объединение простейших устройств в функционально ориентированные сети, предназначенные для решения конкретных задач. С точки зрения использования математики и ЭВМ можно сказать, что ИНС — это динамическая система, состоящая из совокупности связанных между собой по типу узлов направленного графа элементарных процессов, называемых формальными нейронами, которая способна генерировать выходную информацию в ответ на входное воздействие.

Для синтеза нейроконтроллера необходимо получить экспериментальные характеристики работы регулятора. Для их получения используем двухканальную структурную схему зоны транспортирования и наматывания нетканого материала, представленную на рис. 3.38. Подаем на вход системы тренировочный сигнал U = U32 (рис. 3.40). С помощью блоков «То Workspace...» входные и соответствующие выходные сигналы системы записываем в память компьютера. Анализируя выходные сигналы, заменяем незначительные колебания напряжения, стараясь получить эталонный сигнал, при котором достигаются наилучшие характеристики системы. В результате моделирования получаем тренировочный шаблон, который содержит: напряжения на входе AU (AU- U+ С/цЧ4 - С/цЧ5) и на выходе бдд регулятора напряжения АД; напряжения на входе AU2 (AU2 = U32 - С/цЧ7) и на выходе ?/цПТ регулятора мощности ДПТ.

График тренировочного сигнала

Рис. 3.40. График тренировочного сигнала

Для синтезирования нейроконтроллеров создадим НС, используя расширение математической среды MATLAB — пакет Neural Network Toolbox (в дальнейшем NNTools). В графическом интерфейсе NNTools выбираем структуру желаемой НС с видом активационных функций нейронов скрытого и выходного слоев. В качестве тренировочных данных используем данные напряжений из тренировочного шаблона.

На рис. 3.41 представлена структурная схема синтезируемой нейронной сети. Нейронная сеть регулятора напряжения и регулятора мощности состоит из одного скрытого слоя с четырьмя нейронами, входного и выходного слоев. В качестве входных сигналов для системы регулятора напряжения и мощности соответственно используются: управляющие сигналы U и U32, сигналы датчиков частоты враще-

Структурная схема нейронной сети

Рис. 3.41. Структурная схема нейронной сети: а — система регулятора напряжения; б — система регулятора мощности

ния С/дЧ4, С/дЧ5 и натяжения полотна С/дЧ7. Нейроны входного слоя ретранслируют входные сигналы на скрытый слой, не преобразуя их.

Нейроны скрытого слоя имеют логистическую активационную функцию, а выходного слоя — линейную. В скрытом слое происходит нелинейное преобразование сигналов с последующей передачей на нейроны выходного слоя, которые формируют реакцию сети.

Тренировка НС осуществляется по алгоритму обратного распространения ошибки согласно схеме на рис. 3.42. Для оценки качества работы сети служит минимум интегрально-квадратичной ошибки, который рассчитывается по формуле

где норма || || — евклидова, dJ} yj — у'-е значение вектора желаемых и фактических выходов сети соответственно.

Процесс обучения заканчивается, когда удается настроить сеть так, чтобы величина Н не превышала некоторую величину одновременно для всех совокупностей входных сигналов.

Зависимость изменения интегрально-квадратичной ошибки по входному сигналу системы (см. рис. 3.37) (для нейроконтроллера АД) и данным, полученным в тренировочном шаблоне, представлена на рис. 3.43.

В результате тренировки нейроконтроллеры получают способность вырабатывать последовательность воздействий, переводящих объект из произвольного начального состояния в заданное конечное

Схема обучения нейроконтроллера при помощи алгоритма обратного

Рис. 3.42. Схема обучения нейроконтроллера при помощи алгоритма обратного

распространения ошибки

Зависимость изменения интегрально-квадратичной ошибки от количества эпох при обучении нейронного регулятора АД

Рис. 3.43. Зависимость изменения интегрально-квадратичной ошибки от количества эпох при обучении нейронного регулятора АД

состояние за конечное число шагов. На рис. 3.44 представлены переходные процессы, полученные в результате работы схемы транспортирования и наматывания приемно-намоточного устройства в математической среде MATLAB (рис. 3.44, а — без НС, б — с НС, обученной на данных из тренировочного шаблона, в — с НС, обученных на реальных данных (рис. 3.45)).

Переходный процесс в зоне транспортирования и наматывания нетканого материала

Рис. 3.44. Переходный процесс в зоне транспортирования и наматывания нетканого материала:

а — без НС; б — с НС, обученной на данных из тренировочного шаблона; в — с НС, обученной на реальных данных

Структурная схема зоны транспортирования и наматывания нетканого материала с нейроконтроллерами в среде MATLAB

Рис. 3.45. Структурная схема зоны транспортирования и наматывания нетканого материала с нейроконтроллерами в среде MATLAB

Полученные характеристики (см. рис. 3.44, а—в) указывают на допустимое использование НС в качестве регуляторов электропривода ЭМС. При использовании НС происходит значительное повышение быстродействия. Колебательность переходного процесса (см. рис. 3.44, б) говорит о недостаточном обучении сети. Для устранения колебаний необходимо проводить обучение на реальных данных, т. е. тренировать сеть на конкретную задачу. Результаты такой тренировки представлены на рис. 3.44, в.

В отдельных случаях необходимо повысить количество нейронов в скрытом слое НС и производить обучение с более высокой точностью на разнообразных обучающих выборках.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >