Двухэтапная процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона
Работая с нашим сайтом, вы даете свое согласие на использование файлов cookie. Это необходимо для нормального функционирования сайта, показа целевой рекламы и анализа трафика. Статистика использования сайта отправляется в «Яндекс» и «Google»
Научный журнал Моделирование, оптимизация и информационные технологииThe scientific journal Modeling, Optimization and Information Technology
cетевое издание
issn 2310-6018

Двухэтапная процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона

Фролов С.В.   Синдеев С.В.   Коробов А.А.   Савинова К.С.   Потлов А.Ю.  

УДК 62-54
DOI: 10.26102/2310-6018/2020.30.3.028

  • Аннотация
  • Список литературы
  • Об авторах

Представлен обзор методов нейроуправления и анализ их достоинств и недостатков. Поставлена задача поиска квазиоптимальных настроечных параметров нейроуправления нелинейным нестационарным объектом при наличии случайных возмущений. Предложена процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона, состоящая из двух этапов. На первом этапе решается задача робастного нейроуправления путем поиска вектора настроечных параметров алгоритма адаптации на основе предполагаемого множества вариантов модели объекта. Найденные настроечные параметры алгоритма адаптации используются на втором этапе – безмодельном нейроуправлении, на котором осуществляется поиск квазиоптимальных настроечных параметров алгоритма безмодельного нейроуправления. Устойчивость поиска настроечных параметров алгоритма безмодельного нейроуправления достигается за счет применения метода регуляризации. На основе модельного примера показана эффективность и устойчивость предложенной процедуры синтеза управления нелинейными нестационарными объектами. В численном эксперименте был выбран объект, описываемый нелинейным дифференциальным уравнением с коэффициентами, которые зависят от времени. На первом этапе было сформировано случайным образом 20 вариантов модели объекта, найдена архитектура нейронной сети, настроечные коэффициенты алгоритма адаптации. Нейронная сеть включает 2 нейрона во внутреннем слое и использует сигмоидальную функцию активации. На втором этапе проведены численные исследования процесса адаптивного управления. В результате работы алгоритма адаптации степень затухания переходных процессов превышает 50% и процесс управления является устойчивым при значительном отклонении параметров объекта от номинальных значений. Представленный метод является эффективным при управлении многосвязными нестационарными нелинейными объектами в робототехнике, в транспортных системах, химических производствах.

1. Галушкин А.И. Состояние и перспективы развития робототехники, включая системы управления. Доступно по: http://2045.ru/expert/276.html (дата обращения: 28.09.2020).

2. Андреева Е.А., Цирулева В.М. Математическое моделирование оптимального управления динамическими системами с помощью искусственных нейронных сетей. Моделирование, оптимизация и информационные технологии. Научный журнал. 2018;6(2):119-131. Доступно по: https://moit.vivt.ru/wpcontent/uploads/2018/01/AndreevaTsiruleva_1_1_18.pdf (дата обращения: 28.09.2020).

3. Norsahperi N.M.H., Danapalasingam K.A. Neurocontrol Design for an Aerodynamics System: Simple Backpropagation Approach. 10th International Conference on Robotics, Vision, Signal Processing and Power Applications. Lecture Notes in Electrical Engineering. 2019;547 Доступно по: https://link.springer.com/chapter/10.1007/978-981-13-6447-1_1 DOI: https://doi.org/10.1007/978-981-13-6447-1_1 (дата обращения: 28.09.2020).

4. Liu T., Liang S., Xiong Q., Wang K. Adaptive Critic based Optimal Neurocontrol of a Distributed Microwave Heating System using Diagonal Recurrent Network. IEEE Access. 2018;6:68839-68849. Доступно по: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8502748 DOI: 10.1109/ACCESS.2018.2877206 (дата обращения: 28.09.2020).

5. Mohammadzaheri M., Chen L., Grainger S. A critical review of the most popular types of neurocontrol. Asian Journal of Control. 2012;14(1):1-11. Доступно по: https://onlinelibrary.wiley.com/doi/full/10.1002/asjc.449 DOI: https://doi.org/10.1002/asjc.449 (дата обращения: 28.09.2020).

6. Фролов С.В., Фролова Т.А., Синдеев С.В. Управление нелинейными нестационарными объектами на основе нейроконтроллера. Промышленные АСУ и контроллеры. 2012;5:51-56

7. Szepesvari C. Algorithms for Reinforcement Learning. Morgan & Claypool Publishers. 2009. (дата обращения: 28.09.2020).

8. Омату C. Нейроуправление и его приложения. М.: ИПРЖР. 2000.

9. Omidvar O., Elliott D. Neural Systems for Control. Academic Press .1997.

10. Змеу К.В., Марков Н.А., Шипитько И.А., Ноткин Б.С. Безмодельное прогнозирующее инверсное нейроуправление с регенерируемым эталонным переходным процессом. Интеллектуальные системы. 2009;3(21):109-117. Доступно по: http://ics.khstu.ru/media/2010/N21_14.pdf (дата обращения: 28.09.2020).

11. Острем К.Ю. Настройка и адаптация. Приборы и системы управления. 1997; 9:53-65.

12. Перельман И.И. Анализ современных методов адаптивного управления с позиций приложения к автоматизации технологических процессов. АиТ. 1991; 7:3-32. Доступно по: http://www.mathnet.ru/links/325d5b12c45bd8fa80294f202fbdb262/at4218.pdf (дата обращения: 28.09.2020).

13. Кван Н.В. Модели и алгоритмы робастного управления нелинейными объектами в системах с быстродействующим эталоном. Автореферат диссертации кандидата технических наук: 05.13.01. Хабаровск, Амурский государственный университет. 2011.

14. Al Smadi Prof-Takialddin & Al-Agha, Osman & Alsmadi, Khalid. Overview of Model Free Adaptive (MFA) Control Technology. IAES International Journal of Artificial Intelligence. 2018;7:165-169. Доступно по: http://ijai.iaescore.com/index.php/IJAI/article/view/14511/pdf DOI: 10.11591/ijai.v7.i4.pp165-169. (дата обращения: 28.09.2020).

15. Хайкин С. Нейронные сети: полный курс, 2-е издание – М.: Издательский дом «Вильямс». 2006.

16. Фролов С.В., Третьяков А.А. Синтез математических моделей для промышленных АСУ на основе нейронных сетей. Промышленные АСУ и контроллеры. 2000;2.28-31.

17. Фролов С.В., Фролова Т.А., Сомов П.Т. Применение метода регуляризации для обеспечения устойчивости систем регулирования с нейроконтроллером. Промышленные АСУ и контроллеры. 2011;5:54-58.

18. Bishop C.M. Pattern recognition and machine learning. Springer. Science+Business Media. LLC, 2006.

Фролов Сергей Владимирович
д.т.н. профессор
Email: sergej.frolov@gmail.com

ФГБОУ ВО ТГТУ

Тамбов, Российская Федерация

Синдеев Сергей Вячеславович
кандидат технических наук
Email: ssindeev@yandex.ru

ФГБОУ ВО ТГТУ

Тамбов, Российская Федерация

Коробов Артём Андреевич

Email: korobov1991@mail.ru

ФГБОУ ВО ТГТУ

Тамбов, Российская Федерация

Савинова Кристина Сергеевна

Email: savinova.k94@mail.ru

ФГБОУ ВО ТГТУ

Тамбов, Российская Федерация

Потлов Антон Юрьевич
кандидат технических наук
Email: zerner@yandex.ru

ФГБОУ ВО ТГТУ

Тамбов, Российская Федерация

Ключевые слова: нейроуправление, нейроконтроллер, многослойные персептрон, система управления, адаптивное управление

Для цитирования: Фролов С.В. Синдеев С.В. Коробов А.А. Савинова К.С. Потлов А.Ю. Двухэтапная процедура синтеза управления нелинейными нестационарными объектами с использованием многослойного персептрона. Моделирование, оптимизация и информационные технологии. 2020;8(3). Доступно по: https://moit.vivt.ru/wp-content/uploads/2020/08/FrolovSoavtors_3_20_1.pdf DOI: 10.26102/2310-6018/2020.30.3.028

681

Полный текст статьи в PDF