Разработка нейросетевой модели объекта управления Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 519.2:004.421.5:004 7(075)

П.Е. Бураменский, Р.Е. Buramensky, [email protected]

Омский государственный технический университет., г. Омск, Россия

Omsk State Technic al University, Oui^k, Russia

PAiPAEOTKA НЕЙРОСЕТЕВОЙ МОДЕЛИ ОБЪЕКТА УПРАВЛЕНИЯ DESIGN OF NEURAL NETWORK MODEL OF CONTROL OBJECT

Рассматривается методика синтеза ненросетевон модели объекта управления в системах автоматического управления. Б результате работы создала ненросегевая модель, способная на протяжении длительного промежутка времени с достаточной точностью имитировать поведение реального объекта управления.

The method of synthesis of neural network model of control object in automatic control systems. As a result of established neural network model, capable of a long period of time with sufficient accuracy to simulate the behavior of a real object management.

Ключевые слова: искусственная нейронная сеть, моделирования объекта управления, Simulmk

Keywords: artificial neural network, modeling of the control object, Simulink

Введение

Д.тя проведения математического моделирования существует большое количество программных пакетов, автоматизирующих наиболее трудоёмкий этап моделирования: решение сложные системы алгебраических и дифференциальных уравнений, описывающих

143

заданную функциональную схему (модель), обеспечивая удобный и наглядный визуальный контроль за поведением созданного пользователем виртуального устройства. Однако и он не в полной мере избавляет от необходимости установления внутренних механизмов работы модели и рутинных операций настройки модели регулируемого объекта.

Идеальным решением было бы создание компонента способного по результатам самостоятельного анализа поведения реального объекта имитировать работу объекта управления. То есть автоматически выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Такими возможностями обладают нейронные сети. Поэтому было решено создать универсальную нейросетевую модель, способную обучаться на реальных показателях объекта регулирования для которого проектируется автоматический регулятор.

Для синтеза и анализа нейронных сетей использовался инструмент Neural Network Toolbox платформы Matlab. Практическая задача, с помощью которой производится оценка эффективности полученного компонента, заключается в необходимости построить модель парогенератора ядерной энергетической установки ВВЭР-440

Искусственные нейронные сети в задачах управления

Благодаря своим универсальным аппроксимирующим свойствам, ИНС представляют собой мощный инструмент для решения .задачи идентификации нелинейных статических и динамических объектов управления. Основанные на ИНС дискретные идентификационные модели называются нейроэмуляторами (НЭ) или предикторами. В общем виде они описываются следующим нелинейным уравнением:

где NN - преобразование вход-выход, выполняемое ИНС, /1 — глубина задержки обратной связи по выходу НЭ. ¡2 — глубина задержки по входу НЭ.

Различают одношаговые и краткоерочные предикторы (эмуляторы). Одношаговьш предиктор осуществляет предсказание выходного вектора объекта по его предыстории на один шаг вперед. Краткосрочные предикторы или просто ненроэмуляторы (2) являются полной моделью объекта в том смысле, что они могут использоваться независимо от самого объекта. Долгосрочный предиктор представляет собой предельный случай, который может быть получен лишь в том случае, если идентификация объекта проводилась с учетом всех возможных его состояний, и ошибка аппроксимации равна нулю. Понятно, что создание такого нейроэмулягора является очень сложной задачей

Парогенератор как объект управления

Хотя разрабатываемый подход к созданию модели объекта управления претендует на универсальность, в процессе разработки технологии требуется удобный и достаточно хорошо изученный объект для отработки и тестирования полученной системы. Таким объектом выступил парогенератор барабанного типа, работающий в ВВЭР-440.

Разность между поступлением воды и расходом пара из парогенератора (небаланс расходов пара и воды) приводит к изменению уровня, определяемому уравнением:

где Н— уровень в барабане парогенератора, Р— площадь зеркала испарения, IV— поступление воды в парогенератор, В - расход пара из парогенератора, у— плотность воды в циркуляционном контуре парогенератора, у"— плотность пара.

Рассматривая парогенератор как черный ящик, выделим важные, с точки зрения моделирования системы регулирования, входные и выходные параметры. Наиболее распространенная трехимпульсная автоматическая система регулирования парогенератора

у(к +1) - NN(y(к \ у (к -1 \...,y(k-lllti(k\ii{k-l\...>u(k-I1))

(1)

(2)

использует 3 вида сигналов: уровень воды Я в барабане парогенератора, объем поступления воды IVв парогенератор, расход пара О из парогенератора.

Создание модели пар а ген ер агора в виде ИНС

Применение нейронных сетей для решения задач управления динамическими процессами, обычно подразумевает создания: нейроконтроллера, и включает два этапа про ектнров ания:

1. Этап идентификации динамического процесса, для которого проектируется система управления;

2. Этап синтеза закона управления и его реализация с помощью НС.

Рнс. 1 Схема для анализа работы АСР с ПИД н ненромоделью объекта управления

На этапе идентификации разрабатывается модель управляемого процесса в виде нейронной сети, которая на этапе синтеза используется для построения регулятора и с этой точки зрения стороны, в данном проекте нужно сделать лишь половину работы. Однако создание модели способной в течение долгого времени сохранять достоверное поведение задача нетривиальная и не столь проработанная, как создание ненроконтроллеров. В Simulink входит библиотека блоков для моделирования нейронных сетей Neural Network Blockset. В разделе блоков динамических моделей систем управления Control Systems имеется три вида нейронных регуляторов, но несмотря на удобство и продуманность готовых нейронных моделей, использовать данные компоненты для решения поставленной задачи построения модели объекта управления не удастся, так как во всех описанных нейронных регуляторах не предусматривается экспорт созданной модели объекта регулирования. В результате был выбран другой путь синтеза нейронной сети объекта моделирования - использование консольного интерфейса инструментального программного пакета Neural Network Toolbox.

Для моделирования использовалась ИНС типа многослойного персепгрона uewff. Были протестированы различных архитектуры ИНС' с точки зрения формирования обучающих выборок:

- с обучением по динамике регулирования ОУ по времени (модель №1);

- рекуррентная ИНС с учетом одного предыдущего состояния системы (модель №2);

- рекуррентная ИНС с учетом четырех предыдущих состояний системы (модель №3);

а) в)

Рнс. 2 а) Поведение с ПИД-модели (желтая линия) н нейромоделн X« 1 ПГ, б) Работа ЛСР с ПИД (желтая линия) и иейромоделью № 1 (фиолетовая линия) ПГ

Заключение

В результате работы были синтезированы различные типы нейромоделей парогенератора и проведено их испытания в среде ЗшшИпк. Способную на протяжении некоторого промежутка времени с достаточной точностью имитировать поведение реального объекта управления. В коде работы были рассмотрены современные подходы к применению искусственных нейронных сетей в системах управления, осуществлена оценка существующих средств нейромодедарования и предложены собственные модели. ¿Наибольшую точность, согласно исследованию обеспечивает ИНС обучаемая на данных с по динамике регулирования объекта управления:

Библиографический список

1. Махогнло, К. В. Разработка методик эволюционного синтеза нейро-сетевых компонентов систем управления : дис. ... канд. техн. наук /К. В. Махотило. - Харьков, 2008. -179 с.

2_ Осовский, С. Нейронные сети для обработки информации : пер. с польск. / С. Ос овский- -М. : Финансы и статистика. 2010. -344 с.