Практическое применение искусственных нейронных сетей в качестве инверсной нейронной модели

Рассмотрим практическое применение ИНС в качестве инверсной нейронной модели (ИНМ), используемой для управления электроприводом (ЭП) постоянного тока наматывающего устройства агрегата для производства нетканых материалов по системе тиристорный преобразователь—двигатель (ТПД).

Инверсная модель предназначена для воспроизведения входного сигнала объекта управления U*y при его определенном выходном сигнале со*. Такая модель может быть использована в прямом канале управления при ее последовательном подключении с объектом управления для улучшения качества переходных процессов 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 нейронной сети (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 системы ТПД (рис. 6.25), модель которой составляем с помощью блоков Simulink пакета MATLAB.

Для моделирования была использована система ТПД со следующими параметрами:

Нормированная структурная схема системы ТПД

Рис. 6.25. Нормированная структурная схема системы ТПД

При этом на вход системы был подан тренировочный сигнал и*зи ТР, показанный на рис. 6.26.

С помощью блоков То 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 /*ХПд и скорость со*хпд) последней на тренировочный сигнал ?/*зи ТР (рис. 6.27) и сформирован тренировочный шаблон.

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. 6.28 показано анимированное представление структуры синтезируемой ИНМ системы ТПД. Создаваемая НС состоит из одного скрытого (с четырьмя

График тренировочного сигнала

Рис. 6.26. График тренировочного сигнала

Ток якоря и скорость двигателя в системе ТПД при отработке тренировочного сигнала (У*_

Рис. 6.27. Ток якоря и скорость двигателя в системе ТПД при отработке тренировочного сигнала (У*зи_ТР

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 со* и сигнал ошибки Дсо* = со* — U*зи гр- В программе устанавливается число эпох тренировки НС (в данном случае 2000 эпох), при прохождении которых обучение считается завершенным.

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

На рис. 6.29 показан график изменения средне-квадратичной ошибки воспроизведения создаваемой НС свойств инверсной модели системы ТПД в процессе ее обучения (минимизация ошибки НС).

Как видно из рис. 6.29, синтезированная НС, которая будет использована в качестве ИНМ, с высокой степенью точности аппроксимирует реальный объект.

Анимированное представление (количество циклов 10) структуры ИНМ

Рис. 6.28. Анимированное представление (количество циклов 10) структуры ИНМ

График процесса обучения ИНС (минимизация ошибки НС)

Рис. 6.29. График процесса обучения ИНС (минимизация ошибки НС)

Полученную ИНС используют согласно функциональной схеме, показанной на рис. 6.30, т.е. ее помешают в прямой канал последовательно с объектом управления — системой ТПД. При этом на вход ИНМ подается сигнал с выхода задатчика интенсивности (ЗИ) и*зи и сигнал ошибки отработки задания U*m — со*.

На рис. 6.31 показаны результаты работы синтезированной системы с ИНМ от ЗИ (ток якоря 1*инм и скорость со*инм), а также для сравнения на этом рисунке показаны переходные процессы при работе от ЗИ по трапецеидальной тахограмме разомкнутой системы ТПД (1*тпд и со*тпд) и системы подчиненного регулирования скорости (СПРС) — (1*СПР и оо*спр)-

На рис. 6.32 показаны переходные процессы в системе с ИНМ, в СПРС и разомкнутой системе ТПД при набросе номинальной нагрузки.

Анализ полученных результатов. Из рис. 6.32 видно, что лучшие качественные показатели имеют место при работе настроенной на модульный оптимум двухкон-

Схема использования ИНМ для управления ЭП постоянного тока по системе ТПД

Рис. 6.30. Схема использования ИНМ для управления ЭП постоянного тока по системе ТПД

Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при работе по трапецеидальной тахограмме от ЗИ

Рис. 6.31 Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при работе по трапецеидальной тахограмме от ЗИ

Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при набросе номинальной нагрузки турной однократноинтегрирующей СП PC, а худшие — при отработке сигнала задания в разомкнутой систем

Рис. 6.32. Переходные процессы в системе с ИНМ, СПРС и разомкнутой системе ТПД при набросе номинальной нагрузки турной однократноинтегрирующей СП PC, 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 СП PC.

Из рис. 6.32 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.

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.

Система регулирования скорости в схеме тиристорный преобразователь- двигатель с нейроконтроллером. В качестве базовой принята система регулирования скорости по схеме тиристорный преобразователь—двигатель с модальным регулятором без компенсации противо-ЭДС, работающая от задатчика интенсивности ЗИ. Сам модальный регулятор (МР) был рассчитан при помощи распределения Баттерворта. Схема ТП-Д-МР представлена на рис. 6.33. Переходные процессы, реализуемые этой схемой, приведены на рис. 6.34.

Таким образом, нейроконтроллер должен заставить систему без регуляторов реализовать такие же переходные процессы, как и система ТП-Д с МР.

В качестве входной матрицы нейроконтроллера используем сигнал задания на скорость, а также сигналы обратных связей по трем координатам системы: скорости двигателя, тока якоря двигателя и выходной ЭДС преобразователя.

Так как в качестве обучающего алгоритма используем алгоритм обратного распространения ошибки, необходимо знать выходную матрицу нейроконтроллера (т.е. напряжение задания, поступающее на ТП). Ее берем из разомкнутой системы ТП-Д-МР.

На вход нейроконтроллера поступают четыре координаты (т.е. четыре входа), поэтому во входном слое нейроконтроллера ставим четыре нейрона. Выход из нейроконтроллера только один, поэтому в выходном слое нейроконтроллера ставим один нейрон. Для более точной реализации переходных процессов в скрытом слое нейроконтроллера ставим десять нейронов.

В качестве активационных функций выбираем: для первого слоя - logsig(x); для скрытого слоя - tansig(x); для выходного слоя - purelin(x).

Построенный таким образом нейроконтроллер тренируем с помощью алгоритма обратного распространения ошибки. Критерием тренировки служит ми-

Система ТП-Д-МР

Рис. 6.33. Система ТП-Д-МР

нимум интегрально-квадратичной ошибки. Вид изменения ошибки приведен на рис. 6.35.

Система регулирования скорости в схеме ТП-Д с нейроконтроллером без компенсации противоЭДС, работающая от задатчика интенсивности ЗИ, приведена на рис. 6.36. Переходные процессы, реализуемые этой схемой, показаны на рис. 6.37.

Как видим, схема с нейроконтроллером реализует такие же переходные процессы, как и схема с МР.

Переходные процессы в системе ТП-Д-МР с задатчиком интенсивности

Рис. 6.34. Переходные процессы в системе ТП-Д-МР с задатчиком интенсивности

Зависимость изменения интегрально-квадратичной ошибки от количества эпох

Рис. 6.35. Зависимость изменения интегрально-квадратичной ошибки от количества эпох

Схема регулирования скорости в системе ТП-Д с нейроконтроллером

Рис. 6.36. Схема регулирования скорости в системе ТП-Д с нейроконтроллером

Переходные процессы в схеме с нейроконтроллером

Рис. 6.37. Переходные процессы в схеме с нейроконтроллером

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >