Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)


) Подсистема регулирования теплового режима


Download 4.49 Mb.
bet16/25
Sana11.09.2023
Hajmi4.49 Mb.
#1675868
1   ...   12   13   14   15   16   17   18   19   ...   25
Bog'liq
Задачи, методы и алгоритмы интеллектуальных систем управления обзор

2) Подсистема регулирования теплового режима, состоящая из нейросетевого регулятора температуры, регулятора соотношения «газ/воздух» и анализатора отклонений от программы. Регулятор температуры, построенный на базе интеграции ИНС и ЭС, рассматривается в трех вариантах: беспоисковом, поисковом и комбинированном.
В беспоисковом нейросетевом регуляторе температуры подкупольного пространства, работающем в режиме нагрева ВН, осуществляется (рисунок 58):
- оценивание температуры подкупольного пространства Y(t), расхода газа Uj(t), расхода воздуха U2(t), калорийности газа WK(t), а также эффекта неконтролируемых внешних воздействий 5Y(t) с помощью нейроэкспертной модели воздухонагревателя (экземпляра № 1, построенного путем объединения модифицированного многослойного персептрона и экспертной подсистемы):

= Y(t)-(®1(Uln(t),U2n(t),W^(t)) + ®2(5U1(t-Tn0>'),5U2(t-T»1,),5WK(t-Tn01'))), где U1(t)=Uln(t) + 8U,(t); U2(t)=U2n(t) + SU2(t); Uln(t), U2n(t) - про- граммы на расход газа и расход воздуха, используемые в режиме «нагрев», взятые из базы знаний «Программы управления»; SU^t), §U2(t) - оценка регулирующих воздействий (изменения расхода газа и расхода воздуха); Ф^ ), Ф2( ) - продукционная и нейросетевая модели; Т°у - интервал памяти ВН Калугина;

  • -получение безусловных прогнозных оценок калорийности газа WK(t| t + Tn) на интервале прогнозирования (t;t + Tn) с помощью блока безусловного прогнозирования (ББП) № 1 (экстраполя- тора) и эффекта неконтролируемых внешних воздействий 8Y(t| t + Тп) с помощью ББП № 2;

  • - определение условного прогноза температуры подкупольного пространства с помощью нейроэкспертной модели ВН (экземпляра № 2):


где Um(t| t + Tn),U2n(t| t + Tn) - программные управляющие воздействия на интервале (t;t + Tn), взятые из базы знаний «Программы управления»;
- определение условного прогноза температуры подкупольного пространства воздухонагревателя Калугина с учетом 5Y(t| t + Tn):

- считывание задания (программы) на температуру подкупольного пространства Y*(t| t + Tn) из базы знаний;

Рисунок 58 - Структура беспоискового нейросетевого регулятора температуры
- расчет регулирующего воздействия (изменения расхода газа): 
где fj() - нейросетевой оператор обратной модели «изменение расхода газа - изменение температуры подкупольного пространства»;
- расчет управляющего воздействия (расхода газа):

где Uin(t) - программа на расход газа;
-реализация полученного управления U,(t) на новый такт работы системы.
В поисковом нейросетевом регуляторе температуры подкупольного пространства (рисунок 59) оптимальные управляющие воздействия определяются с использованием нейроэкспертной модели объекта управления (НМОУ), с помощью которой осуществляется прогнозирование его выходного воздействия (температуры подкупольного пространства ВН) в ускоренном масштабе времени, при переборе возможных вариантов управлений (расхода газа и расхода воздуха).
На рисунке 59 приняты следующие дополнительные обозначения: H,(t), H2(t), H3(t) - векторы настроек ИНС НМОУ; 5Y(t| t + Tn), WK(t| t + Tn) - прогнозируемые в реальном времени оценки 8Y(t) и WK(t) на интервале (t;t + Tn); 5Y(0| 0 + Тп/х), WK(0| 0 + Тп / х) - значения 5Y(t| t + Tn) и WK(t| t + Tn) в ускоренном режиме времени; {Y(0| 0 + Тп/х)} - прогнозные оценки выходного воздействия объекта управления, полученные в ускоренном времени при различных вариантах возможных управляющих воздействий {0,(01 0 + Тп/х)} = и(0| 0 + Tn/x) + {SU,(0| 0 + Vx)},
2(0| 0 + Тп/х)}; {Ум2(0| 0 + Тп/х)} - реакции модели объекта управления (экземпляр № 2) на WK(0| 0 + Тп/х), {О,(0| 0 + Тп/х)} и {О2(0| 0 + Тп/х)}; Тп - интервал прогнозирования; 0 = t/x -ускоренное время; х »1 - коэффициент ускорения времени.
Ускоренный режим времени интерпретируется как режим периодического решения задачи управления, при котором в процессе имитационного моделирования модельное (виртуальное) время протекает в несколько раз быстрее, чем реальное.

Рисунок 59 - Структура поискового нейродвушкального регулятора температуры
В поисковом регуляторе температуры (рисунке 59) осуществляется:

  • - оптимизация управления на скользящем промежутке (tn;tn +Т0), где Т0 - интервал оптимизации; п - номер такта работы системы, при этом Тп > Т0;

  • - экстраполяция оценок калорийности газа и косвенных оценок эффекта неконтролируемых возмущений 5Y(t), выделяемого с помощью нейроэкспертной модели ВН Калугина (экземпляра № 1), работающей в реальном времени;

  • -прогнозирование температуры подкупольного пространства с помощью НМОУ (экземпляра № 2), функционирующей в ускоренном времени, применяемой для поиска оптимального расхода газа Uj(t).

Данные, поступающие на входы прогнозирующей НМОУ (экземпляр № 2), представляют собой прогноз, то есть некоторый возможный вариант будущих значений калорийности газа, расхода газа и расхода воздуха. Выходной сигнал этой модели в ускоренном времени складывается с соответствующим прогнозом оценки эффектов неконтролируемых возмущений, в результате формируется условный прогноз температуры ВН Калугина. Подчеркнем, что наряду с названным условным прогнозом в этом регуляторе осуществляется и используется безусловный прогноз калорийности газа. Алгоритм поисковой оптимизации осуществляет многократное «проигрывание» различных возможных вариантов расхода газа и расхода воздуха в ускоренном режиме времени.
Вычисление расхода газа U^t) в течение n-го такта работы системы осуществляется путем реализации различных вариантов будущего управляющего воздействия на модели объекта (экземпляр № 2). Полученный сигнал U^t) через интерфейс «объект - управляющая система» реализуется на объекте и остается неизменным в течение (п+1)-го такта работы системы. После этого начинается новый такт работы, обновляется информация, вычисляются новые условные и безусловные прогнозы и т.д.
Для адаптации ИНС НМОУ, вырабатывающих сигналы YMI(t) и {Ym2(Q| 9 + тп/х)}> SY(t| t + Tn), WK(t| t + T„), в предложенном поисковом регуляторе, были внедрены их копии (НМОУ06(экземпляр №
3), ИНС06- экстраполятор, ИНС^бк- экстраполятор), участвующие только в процессе обучения (Об) с нанесением тестовых воздействий. Если значения весовых коэффициентов сетей-оригиналов (НМОУ, прогнозирующая НМОУ (по структуре и параметрам аналогичная НМОУ, но работающая в ускоренном времени), ИНС- экс- траполятор, HHCWr - экстраполятор) и их копий отличаются больше
чем на 5 %, то БКН осуществляет замену вектора весов сетей-копий на вектор весов сетей-оригиналов. Это обеспечивает приспособление системы к ранее неизвестным ситуациям, за счет обновления обучающей выборки. В качестве ИНС, при практической разработке, рекомендуется использовать модифицированный многослойный пер- септрон.
Комбинированный вариант регулятора температуры (рисунок 60) состоит из поискового и беспоискового блоков. В поисковой части регулятора оптимальные управляющие воздействия определяются с использованием имитационной НМОУ, с помощью которой осуществляется прогнозирование выходных воздействий и состояний ВН в ускоренном режиме времени, при переборе возможных вариантов регулирующих воздействий с учетом ограничений. В качестве ИНС НМОУ предлагается использовать модифицированный многослойный персептрон с униполярной функцией активации сигмоидального типа. Формирование множества возможных вариантов регулирующих воздействий осуществляется с помощью различных алгоритмов обучения обратной нейросетевой модели объекта в беспоисковой части регулятора температуры.
В предлагаемых регуляторах реализуется принцип управления с прогнозированием [77], который состоит в том, что управляющие воздействия вырабатываются с использованием поисковых и беспоисковых процедур на основе как текущих, так и ожидаемых в будущем значений задающих, возмущающих и программных управляющих воздействий, выходных воздействий, состояний объекта управления, а также ограничений. Главное отличие предлагаемой подсистемы регулирования от других заключается в присутствии в контуре обратной связи блоков условного и безусловного нейроэкспертного прогнозирования, представленных моделью ТОУ и экстраполяторами. Прогнозирование необходимо в связи с тем, что последствия реализованных управляющих воздействий сказываются на состояниях и выходных воздействиях объекта определенное время, которое (при заданных начальных условиях) принято называть динамической памятью системы или временем памяти системы.

Рисунок 60 - Структура комбинированного нейродвушкального
регулятора

Download 4.49 Mb.

Do'stlaringiz bilan baham:
1   ...   12   13   14   15   16   17   18   19   ...   25




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©fayllar.org 2024
ma'muriyatiga murojaat qiling