Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

Нейрорегулирование на основе инверсно-прямой модели (по работам D. Psaltis и др. [34, 37]). Сущность предложенного подхода состоит в следующем: сначала ИНС обучается на инверсии объекта управления (ОУ), а затем она может быть настроена на непосредственное управление этим объектом. На рисунке 11 представлена общая схема обучения инверсно-прямой нейросетевой модели объекта управления (ИПНМОУ). Обученная таким образом сеть настраивается на работу в качестве регулятора в обычной системе управления с отрицательной обратной связью (рисунок 12). На рисунке 11 приняты следующие обозначения: е₀бО) - ошибка обучения, представляющая собой разницу между значением на выходе ИПНМОУ и реализованными регулирующими воздействиями u(t); y(t) - выходное воздействие объекта.
Нейрорегулирование на основе инверсно-непрямой модели (по работам М. Kawato и др. [34, 37]). Схема обучения инверснонепрямой нейросетевой модели объекта управления (ИННМОУ) «работе» действующего регулятора, включенного параллельно, показана на рисунке 13. Сходимость достигается, когда ИНС, завершив обучение, принимает на себя управление объектом, заменяя регулятор. Метод обучения ИННМОУ на основе информации об ошибки регулирования e_p(t), поступающей на вход сети, и ошибки обучения (то есть разницы между значением на выходе сети и ре- гулятора-учителя) e_o6(t) состоит в многократном повторении желаемой траектории у (t).

Рисунок 12 - Структура системы регулирования на базе ИПНМОУ
Нейроуправление с эмулятором и регулятором (по работам P.J. Werbos [44, 34, 37]). В предложенной структуре нейроуправления объектом используются две ИНС, первая из которых является нейроэмулятором, вторая - нейрорегулятором (рисунок 14). Если ключи № 1 и № 3 замкнуты, а ключ № 2 разомкнут, то выполняется обучение нейроэмулятора (нейросетевой модели объекта управления), в противном случае - корректировка весовых коэффициентов (настроек) нейроконтроллера (инверсной нейросетевой модели объекта управления). То есть нейроэмулятор обучается динамике объекта управления автономно. Нейрорегулятор по сути является обратной моделью нейроэмулятора. Данная архитектура обеспечивает более точное непосредственное обучение нейрорегулятора, так как ошибка регулирования e_p(t) распространяется в обратном направлении через нейроэмулятор для каждой выборки. Полученная таким образом информация на выходе нейроэмулятора используется для корректировки настроек нейрорегулятора. Описанная структура создана с целью минимизации ошибки регулирования, однако она не учитывает влияние помех.



Рисунок 14 - Структура системы регулирования (по работам Р.J. Werbos)
Сравнительный анализ подходов к настройке ИНС в САР выявил их недостаток, заключающийся в том, что для обучения сети используется не образцовое регулирующее воздействие, а фактически реализованное, и не учитываются возмущения, действующие на объект. Для устранения этого недостатка была сформирована следующая постановка задачи, в которой в качестве объекта регулирования рассмотрен воздухонагреватель. В нем был выделен канал регулирования «изменение расход воздуха (входная величина) - изменение температуры купола воздухонагревателя (выходная величина)». Дано: 1. Модель объекта регулирования: 1.1. Модель преобразования входных воздействий в выходные:

(7)
где y₀(t) - выходное воздействие объекта; u(t) - регулирующее воздействие; w(t) - возмущение, приведенное к входу объекта; к - коэффициент усиления объекта; Т - постоянная времени инерции объекта; т₀ - запаздывание объекта. 1.2. Модель возмущения w(t), приведенного к управляющему входу объекта, - случайная величина с нормальным распределением и нулевым средним при условии, что среднеквадратическое отклонение (СКО) = 20 м³/ч. 1.3 Модель возмущения v(t), приведенного к выходу объекта, - случайная величина с нормальным распределением и нулевым средним, СКО = 0,02 °С. 2. Динамические параметры объекта регулирования : Т = 74 с, т₀ = 16 с к = 0,004 °С /(м³ / ч). 3. Имитатор действующей системы регулирования (рисунок 15).



Рисунок 15 - Структура системы автоматического регулирования

• 
  4. Типовые регуляторы: П-, ПИ-, И-, ПИД-регуляторы.
  
• 
  5. Аппарат ИНС (приложение А).
  
• 
  6. Восстановительный блок [63, 64], на схеме которого (рисунок 16) u^B(t) - восстановленное идеальное (ретроспективнообразцовое) регулирующее воздействие, то есть существенно превосходящее фактически реализованное регулирующее воздействие u^p(t), a 8u^B(t) - поправка.
  
• 
  6.1 Обратная модель объекта без запаздывания - идеальное форсирующее звено первого порядка. 6.2 Модель запаздывающей части объекта - звено запаздывания. 6.3 Низкочастотные фильтры № 1 и № 2 - апериодические звенья первого порядка. 7. Показатели качества регулирования: 7.1 Статическая ошибка. 7.2 Время регулирования tp. 7.3 Модульный интегральный показатель I.
  
• 
  8. Ограничение: математическая модель объекта регулирования - инерционное звено первого порядка с запаздыванием. Требуется настроить искусственную нейронную сеть как обратную модель объекта и сравнить известные нейросетевые системы регулирования с типовыми САР.