RU186950U1 - Устройство управления электроприводом нелинейных объектов на основе нейронных сетей - Google Patents

Устройство управления электроприводом нелинейных объектов на основе нейронных сетей Download PDF

Info

Publication number
RU186950U1
RU186950U1 RU2018133937U RU2018133937U RU186950U1 RU 186950 U1 RU186950 U1 RU 186950U1 RU 2018133937 U RU2018133937 U RU 2018133937U RU 2018133937 U RU2018133937 U RU 2018133937U RU 186950 U1 RU186950 U1 RU 186950U1
Authority
RU
Russia
Prior art keywords
block
input
output
unit
summing
Prior art date
Application number
RU2018133937U
Other languages
English (en)
Inventor
Хыу Фыонг Чан
Михаил Петрович Белов
Original Assignee
Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" filed Critical Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)"
Priority to RU2018133937U priority Critical patent/RU186950U1/ru
Application granted granted Critical
Publication of RU186950U1 publication Critical patent/RU186950U1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D3/00—Control of position or direction
    • G05D3/12—Control of position or direction using feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

Устройство управления электроприводом нелинейных объектов на основе нейронных сетей относится к области разработки систем автоматического управления с обратной связью электроприводом нелинейных объектов и может быть использовано в различных образцах техники, в которых на объект управления воздействуют случайные не контролируемые внешние возмущающие воздействия представленные, например, виде белого или цветного шумов. Технический результат заключается в достижении заданного качества регулирования объектом управления при действии неконтролируемых внешних возмущений и изменении параметров в структуре объекта управления.
Для получения указанного технического результата в устройство управления, содержащее блок весовых коэффициентов, дополнительно введены последовательно соединенные задающее устройство, первый блок суммирования, блок оптимизатора и блок приводного преобразователя, выход которого предназначен для подключения к объекту управления, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора, первый вход которого предназначен для подключения к выходу объекта управления и к первому входу второго блока суммирования, второй вход подключен к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора подключен ко второму входу второго блока суммирования и к входу блока прогнозирующих моделей.

Description

Предполагаемое устройство относится к области разработки систем автоматического управления с обратной связью электроприводом нелинейных объектов и может быть использовано в различных образцах техники, в которых на объект управления воздействуют случайные не контролируемые внешние возмущающие воздействия представленные, например, виде белого или цветного шумов.
Известна система робастного оптимального управления дискретными объектами (патент №59278, МПК: G05D 3/12, G05D 3/20, опубл. 10.12.2006 г.), содержащая связанные последовательно задающее устройство, устройство сравнения, цифровой регулятор, объект управления и блок наблюдателя состояний, причем блок наблюдателя состояния связан с устройством сравнения и с цифровым регулятором, а также блок показателей качества управления и блок вычисления функции Гамильтона, подключенный к цифровому регулятору, блоку наблюдателя состояний, блоку эталонной модели и блоку показателей качества управления, блок вычислений коэффициентов перенастройки связан с блоком эталонной модели и с цифровым регулятором, с блоком вычисления функции Гамильтона.
Недостатком данной системы управления является то, что в ней отсутствует классификация переменных состояний объекта управления, связанного с линейностью закона управления в структуре наблюдателя состояний при действии неконтролируемых внешних возмущений и изменении параметров в структуре объекта управления.
Наиболее близким по технической сущности к заявляемой полезной модели является система управления объектом с переменной структурой на основе нейронных сетей (патент №108666, МПК: G06F 15/18, опубл. 20.09.2011 г.). Данная система содержит объект управления, нейрорегулятор, нейроклассификатор, блок весовых коэффициентов, при этом на вход блока весовых коэффициентов подается выходной сигнал нейроклассификатора, вход нейроклассификатора соединен с выходом объекта управления, выход нейрорегулятора соединен с входом объекта управления, вход нейрорегулятора соединен с выходом блока весовых коэффициентов, с выходом объекта управления и с сигналом задания.
Недостатком данной системы является низкая производительность, медленная скорость схождения и достоверность распознавания при обучении нейронных сетей Кохонена с алгоритмом обратного распространения ошибки, вследствие отсутствия априорной информации переменных состояний об объекте управления.
Поставленная задача полезной модели направлена на повышение качественных показателей регулирования системы управления. Технический результат, достигаемый в процессе решения поставленной задачи, заключается в достижении заданного качества регулирования объектом управления при действии неконтролируемых внешних возмущений и изменении параметров в структуре объекта управления.
Для получения указанного технического результата в устройство управления электроприводом нелинейных объектов на основе нейронных сетей, содержащее блок весовых коэффициентов, дополнительно введены последовательно соединенные задающее устройство, первый блок суммирования, блок оптимизатора и блок приводного преобразователя, выход которого предназначен для подключения к объекту управления, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов и блок нейроидентификатора, первый вход которого предназначен для подключения к выходу объекта управления и к первому входу второго блока суммирования, второй вход подключен к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора подключен ко второму входу второго блока суммирования и к входу блока прогнозирующих моделей.
Сущность технического решения поясняется чертежом (фиг. 1), на котором представлена структурная схема устройства управления электроприводом нелинейных объектов на основе нейронных сетей. На чертеже изображено:
1 - задающее устройство (УС);
2 - первый блок суммирования (ПБС);
3 - блок оптимизатора (БО);
4 - блок функционала качества (БФК);
5 - блок прогнозирующих моделей (БМП);
6 - блок приводного преобразователя (БПП);
7 - объект управления (ОУ);
8 - второй блок суммирования (ВБС);
9 - блок нейроидентификатора (БНИ);
10 - блок весовых коэффициентов (БВК).
Устройство управления электроприводом нелинейных объектов на основе нейронных сетей (фиг. 1), содержит связанные последовательно задающее устройство 1 (ЗУ), первый блок суммирования 2 (ПБС), блок оптимизатора 3 (БО), блок приводного преобразователя 6 (БПП), выход которого предназначен для подключения к объекту управления 7 (ОУ), блок функционала качества 4( БФК), выход которого соединен со вторым входом блока оптимизатора 3 (БО), блок прогнозирующих моделей 5 (БПМ), выход которого подключен ко второму входу первого блока суммирования 2 (ПБС), второй блок суммирования 8 (ВБС), выход которого подключен ко входу блока весовых коэффициентов 10 (БВК) и блок нейроидентификатора 9 (БНИ), первый вход которого предназначен для подключения к выходу объекта управления 7 (ОУ) и к первому входу второго блока суммирования 8 (ВБС), второй вход подключен к выходу блока приводного преобразователя 6 (БПП), а третий вход соединен с выходом блока весовых коэффициентов 10 (БВК), выход блока нейроидентификатора 9 (БНИ) подключен ко второму входу второго блока суммирования 8 (ВБС) и к входу блока прогнозирующих моделей 5 (БПМ)
При этом блок оптимизатора 3 (БО), блок функционала качества 4 (БФК) и блок прогнозирующих моделей 5 (БМП) выполняют функцию цифрового прогнозирующего регулятора. Из блока нейроидентификатора 9 (БНИ) и блока весовых коэффициентов 10 (БВК) состоит нейросетевой наблюдатель.
В качестве задающего устройства 1 (ЗУ) может быть использован цифровой генератор или персональный компьютер, который формирует задающий сигнал управляющего воздействия, объектом управления 7 (ОУ) может выступать технологическое оборудование, функционирование которого во времени описано системой дифференциальных и алгебраических уравнений.
В качестве блока приводного преобразователя 6 (БПП) могут быть использованы транзисторные инверторы на IGBT транзисторах. Для реализации блоков суммирования 2 (ПБС), 8 (ВБС), блока оптимизатора 3 (БО), блока функционала качества 4 (БФК), блока прогнозирующих моделей 5 (БМП), блока нейроидентификатора 9 (БНИ) и блока весовых коэффициентов 10 (БВК) могут быть использованы вычислительные и программные средства программируемого логического контроллера (ПЛК) фирмы «OMRON» (Япония).
Предполагаемое устройство работает следующим образом. Задающий сигнал управляющего воздействия формируется в задающем устройстве 1 (ЗУ), который подключается к первому блоку суммирования 2 (ПБС) для вычитания прогнозирующего сигнала отрицательной обратной связи. Прогнозирующий сигнал формируется блоком прогнозирующих моделей 5 (БМП), в блоке которого выполняется интегрирование оценки переменных состояний объекта управления для предсказания будущего управляющего сигнала на несколько шагов вперед в течение диапазона прогнозирования. Прогнозирующий сигнал рассогласования у выхода первого блока суммирования 2 (ПБС) поступает на блок оптимизатора 3 (БО), в блоке которого выполняется оптимизация программного управления по квазиньютоновскому критерию, выраженному в блоке функционала качества 4 (БФК). Критерий оптимизации в блоке функционала качества 4 (БФК) синтезируется таким образом, чтобы минимизировать среднеквадратичную ошибку регулирования между задающим управляющим сигналом и выходным сигналом блока прогнозирующих моделей 5 (БМП) с заданной точностью. В результате получается найденный оптимальный управляющий сигнал, подключенный через блок приводного преобразователя 6 (БПП) к объекту управления 7 (ОУ) на который воздействуют неконтролируемые внешние возмущающие воздействия (например: белый или цветной шумы).
Восстановление полного вектора состояний объекта управления и вычисление оценок неизмеряемых параметров состояния объекта осуществляется наблюдателем состояний с помощью известных алгоритмов идентификации, использующих нейронные сети. Структура блока нейроидентификатора 9 (БНИ) представляет собой рекуррентную нейронную сеть, основанную на «модели нелинейной авторегрессии с экзогенными входами» (Nonlinear Auto Regressive with Exogenous inputs), которая называется рекуррентной нейронной сетью NARX или моделью NARX [Хайкин С.Нейронные сети: полный курс // Пер. с англ. М.: Вильяме, 2006. С. 919-989]. Эта компьютерная модель продемонстрировала, что хорошо подходит для идентификации нелинейных систем управления. Архитектурное строение модели NARX может принимать множество различных форм, но, самая простая форма, с использованием архитектурной нейронной сети с обратными связями. Эта модель имеет единственный вход, который применяется к памяти на линиях задержки, состоящих из du элементов. Она имеет единственный выход, замкнутый на вход через память на линиях задержки, которые также содержат dy элементы. Динамика модели NARX описывается следующим нелинейным уравнением:
у(k+1)=σ{u(k), u(k-1), …, u(k-du), у(k), y(k-1), …, y(k-dy),},
где u(k) - вход модели NARX; у(k) - выход модели NARX; σ(⋅) - функции активации. При этом в структуре рекуррентной нейронной сети NARX содержится два слоя. Первый слой - скрытый слой с сигмоидальными функциями активации в виде гиперболического тангенса, второй слой - выходной слой с тождественными функциями активации. Методом обучения рекуррентной нейронной сети NARX в блоке нейроидентификатора 9 (БНИ) является алгоритм обратного распространения ошибки во времени. Этот алгоритм является расширением стандартного алгоритма обратного распространения ошибки и позволяет провести обучение алгоритмом градиентного спуска значительно быстрее и получить хорошую сходимость и лучшее обобщение. Сигнал рассогласования вектора состояний объекта управления у выхода второго блока суммирования 8 (ВБС) подключен к входу блока весовых коэффициентов 10 (БВК). Блок весовых коэффициентов 10 (БВК) содержит матрицу весовых коэффициентов функций активации нейронных сетей в блоке нейроидентификатора 9 (БНИ) для каждого класса из множества изменений параметров состояний объекта управления 7 (ОУ). Эта матрица весовых коэффициентов ставится каждому классу во взаимно-однозначное соответствие. При переходе структуры объекта управления 7 (ОУ) из одного класса в другой происходит замена матрицы весовых коэффициентов на матрицу весовых коэффициентов, соответствующую новому классу. В результате чего определяется восстанавливаемый сигнал полного вектора состояния объекта управления у выхода блока нейроидентификатора 9 (БНИ), подключенного к входу блока прогнозирующих моделей 5 (БМП) и ко второму входу второго блока суммирования 8 (ВБС). Процесс работы устройства управления продолжается до тех пор, пока не будет полностью отработано задающее управляющее воздействие.
В результате получаем улучшение качественных показателей регулирования процессов в системе управления электроприводом нелинейных объектов.

Claims (1)

  1. Устройство управления электроприводом нелинейных объектов на основе нейронных сетей, содержащее блок весовых коэффициентов, отличающееся тем, что в устройство дополнительно введены последовательно соединенные задающее устройство, первый блок суммирования, блок оптимизатора и блок приводного преобразователя, выход которого предназначен для подключения к объекту управления, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора, первый вход которого предназначен для подключения к выходу объекта управления и к первому входу второго блока суммирования, второй вход подключен к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора подключен ко второму входу второго блока суммирования и к входу блока прогнозирующих моделей.
RU2018133937U 2018-09-25 2018-09-25 Устройство управления электроприводом нелинейных объектов на основе нейронных сетей RU186950U1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018133937U RU186950U1 (ru) 2018-09-25 2018-09-25 Устройство управления электроприводом нелинейных объектов на основе нейронных сетей

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018133937U RU186950U1 (ru) 2018-09-25 2018-09-25 Устройство управления электроприводом нелинейных объектов на основе нейронных сетей

Publications (1)

Publication Number Publication Date
RU186950U1 true RU186950U1 (ru) 2019-02-11

Family

ID=65442063

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018133937U RU186950U1 (ru) 2018-09-25 2018-09-25 Устройство управления электроприводом нелинейных объектов на основе нейронных сетей

Country Status (1)

Country Link
RU (1) RU186950U1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU193607U1 (ru) * 2019-05-28 2019-11-06 Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2079162C1 (ru) * 1994-04-05 1997-05-10 Владимир Николаевич Давыдов Следящий электропривод
RU59278U1 (ru) * 2006-07-24 2006-12-10 Государственное образовательное учреждение высшего профессионального образования Томский политехнический университет Система робастного оптимального управления дискретными объектами
WO2007075458A2 (en) * 2005-12-21 2007-07-05 Pegasus Technologies, Inc. Model based optimization of a single or multiple power generating units
RU108666U1 (ru) * 2010-11-02 2011-09-20 Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" (ГОУВПО "КнАГТУ") Система управления объектом с переменной структурой на основе нейронных сетей
US8068958B2 (en) * 2004-03-02 2011-11-29 Brose Fahrzeugteile Gmbh & Co Kg, Coburg Method for monitoring the adjustment movement of a component driven by a drive device
RU2593735C1 (ru) * 2015-07-29 2016-08-10 Федеральное Государственное Автономное Образовательное Учреждение Высшего Профессионального Образования "Дальневосточный Федеральный Университет" (Двфу) Самонастраивающийся электропривод манипуляционного робота

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2079162C1 (ru) * 1994-04-05 1997-05-10 Владимир Николаевич Давыдов Следящий электропривод
US8068958B2 (en) * 2004-03-02 2011-11-29 Brose Fahrzeugteile Gmbh & Co Kg, Coburg Method for monitoring the adjustment movement of a component driven by a drive device
WO2007075458A2 (en) * 2005-12-21 2007-07-05 Pegasus Technologies, Inc. Model based optimization of a single or multiple power generating units
RU59278U1 (ru) * 2006-07-24 2006-12-10 Государственное образовательное учреждение высшего профессионального образования Томский политехнический университет Система робастного оптимального управления дискретными объектами
RU108666U1 (ru) * 2010-11-02 2011-09-20 Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" (ГОУВПО "КнАГТУ") Система управления объектом с переменной структурой на основе нейронных сетей
RU2593735C1 (ru) * 2015-07-29 2016-08-10 Федеральное Государственное Автономное Образовательное Учреждение Высшего Профессионального Образования "Дальневосточный Федеральный Университет" (Двфу) Самонастраивающийся электропривод манипуляционного робота

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU193607U1 (ru) * 2019-05-28 2019-11-06 Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей

Similar Documents

Publication Publication Date Title
Xie et al. Data-driven filtered reduced order modeling of fluid flows
Jabbar et al. Methods to avoid over-fitting and under-fitting in supervised machine learning (comparative study)
CN103439887B (zh) 低阶系统itae最优的pi控制器参数整定方法及系统
Wilfred et al. System identification using artificial neural network
Li et al. Adaptive NN control for a class of stochastic nonlinear systems with unmodeled dynamics using DSC technique
RU186950U1 (ru) Устройство управления электроприводом нелинейных объектов на основе нейронных сетей
RU2566979C1 (ru) Способ обучения искусственной нейронной сети
Debeljkovic et al. Finite-time stability of continuous time delay systems: Lyapunov-like approach with Jensen’s and Coppel’s inequality
KR20190130190A (ko) 로봇의 인간 얼굴 표정 학습 및 표정 구현 방법
Germani et al. Observer-based stabilizing control for a class of nonlinear retarded systems
Bagheri et al. Closed form tuning equations for model predictive control of first-order plus fractional dead time models
CN105677496B (zh) 基于两层神经网络的测试性指标分配方法
CN104537224B (zh) 基于自适应学习算法的多状态系统可靠性分析方法及系统
RU193607U1 (ru) Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей
CN111522240B (zh) 四旋翼飞行器mtmlp-arx模型、辨识方法、系统及存储介质
JP2017083922A (ja) システムパラメータ同定装置、システムパラメータ同定方法、及びそのためのコンピュータプログラム
Cherepanska et al. Development of artificial neural network for determining the components of errors when measuring angles using a goniometric software-hardware complex
Lehrer et al. Parameter identification methods for non-linear discrete-time systems
RU118769U1 (ru) Система двухуровневого управления на основе нейрорегуляторов
RU108666U1 (ru) Система управления объектом с переменной структурой на основе нейронных сетей
Stoica et al. A bounded real lemma type-result with respect to the anisotropic norm setup for stochastic systems with multiplicative noise
Rekik et al. Fuzzy supervised nonlinear PID control of a class of unknown nonlinear systems
Herzallah et al. Robust control of nonlinear stochastic systems by modelling conditional distributions of control signals
Casspi et al. LQGNet: Hybrid model-based and data-driven linear quadratic stochastic control
JP3276035B2 (ja) 神経回路網モデルの逐次型加速化学習方法