Розробка, дослідження системи керування на основі нейронної мережі

Рис. 3.3. Принцип роботи контролера швидкості на основі двох правил.
Вихідна функція приналежності кожного правила визначається оператором "МІНІМУМ", а формування нечіткого виходу виконується оператором "МАКСИМУМ".
Оскільки нечіткий нейроконтролер виконує функцію статичного нелінійного перетворення, то можна записати дії контролера у формі:
(3.5)
де
і
- нелінійні
коефіцієнти.
З урахуванням
процесу інтегрування
за допомогою
блоку БІ (див.
рис. 3.1) одержуємо
середнє значення
сигналу U, пропорційне
току завдання
відповідно
до виразів:
(3.6)
чи
,
(3.7)
що є формою запису нечіткого ПІ контролера з нелінійними коефіцієнтами. Подібним чином можна записати алгоритм нечіткого контролера для П- і ПІД-контролеров.
Алгоритм для нечіткого П-контроллера:
Якщо Е = PS, то U = PB, (3.8)
де PB - велике позитивне число.
Чи можна записати:
U = KE, (3.9)
де K - нелінійний множник.
Алгоритм для нечіткого ПІД - контролера:
Якщо
Е = PS і CE = NS і E = PS, то DU = ZE, (3.10)
де E - похідна СЕ.
Керування може бути записане у формі:
. (3.11)
З урахуванням
процесу інтегрування
за допомогою
блоку БІ (як і
для ПІ-регулятора)
одержуємо
середнє значення
сигналу U, пропорційного
струму задавання
відповідно
до виразів:
(3.12)
чи
,
(3.13)
тобто ПІД-контролер.
Нелінійні коефіцієнти, що адаптуються в процесі функціонування, у нечіткому контролері дозволяють стійко формувати сигнали керування при зміні параметрів системи в процесі функціонування.
Загальна структура нечіткої системи зі зворотним зв'язком приведений на рис. 3.4.

Рис. 3.4. Структура нечіткого контролера у системі керування зі зворотнім зв’язком.
Тут:
БП - база правил для нечіткого нейроконтролера;
ПНЛ - перехід до нечіткої логіки;
ПЧЛ - повернення до чітких значень;
БД - база даних;
РП - регульований пристрій,
БОПП - блок обчислення помилки і її похідної,
БЗП - блок застосування правил.
Сигнали помилки E і зміни помилки CE перетворяться у відповідні сигнали у відносних одиницях e і ce шляхом розподілу на масштабні коефіцієнти, тобто : e=E/GE і ce=CE/GC. Аналогічно, вихідний контролюючий сигнал U обчислюється шляхом множення вихідного сигналу у відносних одиницях на масштабний коефіцієнт GU, тобто DU=duGU, з наступним його інтегруванням для одержання U.
Перевага нечіткого нейроконтролера при використанні відносних одиниць полягає в тому, що той самий керуючий алгоритм може бути використаний для всіх керованих об'єктів одного типу. Масштабні коефіцієнти можуть бути задані як константи чи бути програмованими; програмовані масштабні коефіцієнти можуть контролювати чутливість.
Результати моделювання системи керування електроприводом, що містить тягові асинхронні двигуни з використанням стандартного ПІ регулятора і побудованого з використанням нечіткої логіки в середовищі MATLAB приведені в розділі 4.
3.2 Вибір функцій приналежності нечітких змінних при розробці нечіткого регулятора на основі нейроконтролера в системі керування електроприводом змінного струму
В останні роки в теорії автоматичного керування з'явився напрямок, пов'язаний з методами нечіткої логіки, що дозволяють будувати цифрові регулятори, які забезпечують гранично високу швидкодію систем керування. Однак залишається відкритим питання вибору функцій приналежності для нечітких змінних, що описують функціонування регулятора. Тому доцільно провести порівняльний аналіз різних функцій приналежності і їхній вплив на роботу проектованого регулятора.
Узагальнена структура системи векторного керування тяговим двигуном електропривода змінного струму дизель-потяга з використанням нечіткого контролера по кутовій швидкості двигуна [29] приведена на рис. 3.4.
Сигнали помилки і похідної помилки перетворюються блоками GE-1 і GC-1 у відповідні сигнали у відносних одиницях e і ce шляхом ділення на масштабні коефіцієнти. Аналогічно, вихідний керуючий сигнал u обчислюється шляхом множення вихідного сигналу у відносних одиницях du на масштабний коефіцієнт GU, з наступним його інтегруванням блоком БІ для одержання u.
У якості нечітких перемінних розглядаються наступні:
Е - сигнал помилки по кутовій швидкості, що може приймати значення: {Z1 - нульовий сигнал помилки; NS1 - невеликий негативний; NM1 - середній негативний; NB1 - великий негативний; PS1 - невеликий позитивний; РM1 - середній позитивний; РB1 - великий позитивний};
СЕ - сигнал помилки по похідній кутовій швидкості; {Z2 - нульовий сигнал по похідної помилки; NS2 - невеликий негативний; NM2 - середній негативний; NB2 - великий негативний; PS2 - невеликий позитивний; РM2 - середній позитивний; РB2 - великий позитивний};
DU - сигнал нечіткого керування, {Z3 - нульовий сигнал керування; NVS3 - дуже малий негативний; NS3 - невеликий негативний; NM3 - середній негативний; NB3 - великий негативний; PVS3 - дуже малий позитивний; РS3 - невеликий позитивний; РM3 - середній позитивний; РB3 - великий позитивний}.
Формування нечіткого висновку нейроконтролером здійснюється на підставі нечітких правил, приведених у таблиці 3.1:
| Таблиця 3.1. | |||||||
|
E CE |
NB1 | NM1 | NS1 | Z1 | PS1 | PM1 | PB1 |
| NB2 | NB3 | NB3 | NB3 | NM3 | NS3 | NVS3 | Z3 |
| NM2 | NB3 | NB3 | NM3 | NS3 | NVS3 | Z3 | PVS3 |
| NS2 | NB3 | NM3 | NS3 | NVS3 | Z3 | PVS3 | PS3 |
| Z2 | NM3 | NS3 | NVS3 | Z3 | PVS3 | PS3 | PM3 |
| PS2 | NS3 | NVS3 | Z3 | PVS3 | PS3 | PM3 | PB3 |
| PM2 | NVS3 | Z3 | PVS3 | PS3 | PM3 | PB3 | PB3 |
| PB2 | Z3 | PVS3 | PS3 | PM3 | PB3 | PB3 | PB3 |
Правила формуються в такий спосіб:
1. якщо Е = NB1 і СE = NB2, то DU = NB3,
2. якщо Е = NM1 і СE = NB2, то DU = NB3 і т.д.
Областю визначення всіх нечітких перемінних є інтервал [-1, 1] відносних значень відповідно сигналів помилки по кутовій швидкості, по похідній кутовій швидкості і по сигналі керування. Як форми функцій приналежності нечітких лінгвістичних перемінних Е, СЕ, DU розглядалися форми, приведені на рис. 3.5.

Рис. 3.5. Форми функцій приналежності.
Експерименти проводилися для різних варіантів завдання форм функцій приналежності як вхідних так і вихідний нечітких перемінних.
Спочатку обиралися однотипні форми функцій приналежності (для входу і виходу). При цьому отримали, що якщо функції приналежності описувалися формами а) - в) і е), то нечіткий нейроконтролер функціонував практично однаково, тільки якщо використовувалися функції вигляду в) (трапеціїдальні), одержали деяке перерегулювання в порівнянні з функціями вигляду б).
На рис. 3.6 приведені результати для випадку використання функцій б) і в).


Рис. 3.6. Результати роботи нечіткого нейрорегулятора для випадків використання функцій приналежності вигляду б) (трикутні) та в) (трапеціїдальні)
При використанні функцій приналежності виду г) і д) регулятор не виконував свою основну функцію (рис. 3.7).

Рис. 3.7. Результати роботи нечіткого нейрорегулятора при використанні функцій приналежності вигляду г) і д) (дзвоноподібні).
Далі виконали комбінування: для вхідних змінних вибрали один тип функцій приналежності, а для вихідної - іншу. При цьому з'ясувалося, що форма функцій приналежності для вихідної величини (сигналу нечіткого керування DU) є не визначальною, тобто за якість роботи регулятора відповідає вибір форми функцій приналежності для вхідних нечітких перемінних (сигналу помилки по кутовій швидкості і сигналу помилки по похідній кутовій швидкості). На рис. 3.8 приведені залежності при використанні для входу функцій приналежності трикутної форми (виду в)), а для виходу - виду г).

Рис. 3.8. Результати роботи нечіткого нейроконтролера при використанні для входу функцій приналежності трикутної форми (виду в)), а для виходу - виду г).
З аналізу рис. 3.8 можна побачити, що використання на виході функцій приналежності виду г) дозволяє трохи згладити форму кривої моменту, хоча графік швидкості практично залишився без змін.
Проведені дослідження дозволяють зробити висновок, що використання функцій приналежності виду г) і д) як для вхідних так і для вихідний нечіткої змінної (одночасно) не дозволяє побудувати працездатний регулятор. Визначальним є вибір функцій приналежності для вхідних нечітких перемінних. Для вхідних нечітких змінних краще обирати функції приналежності виду б) чи в), для вихідний - г) чи д).
3.3 Розробка регуляторів системи керування електропередачі дизель-потяга з використанням нейронних мереж
Система автоматичного регулювання електропередачі дизель-потяга складається з ряду аналогічних каналів регулювання, кожний з який виконує визначені функції (обмеження максимальне припустимого струму навантаження генератора, підтримка сталості потужності, обмеження максимально допустимої напруги). САР об'єкта керування являє собою структуру, що змінюється в процесі функціонування в залежності від сформованих експлуатаційних умов (режимів ведення поїзда, навантаження і т.п.), змінюються і параметри структури САР (наприклад, постійні часу задатчиків інтенсивності каналів регулювання). Відповідно до цього рішення питань, пов'язаних з розробкою регуляторів системи керування пропонується здійснити за допомогою штучних нейронних мереж.
Система
автоматичного
регулювання
служить для
формування
керуючого
впливу
по збудженню.
Формування
сигналу
з урахуванням
забезпечення
динамічних
показників
системи здійснюється
шляхом включення
в контур регулювання
пристроїв, що
функціонують
згідно визначених
алгоритмів,
таких як пропорційних,
інтегральних,
пропорційно-інтегральних
чи більш складних,
якщо не можна
досягти заданих
показників
шляхом застосування
одного з названих
алгоритмів.
У випадку
застосування
пропорційно-інтегрального
закону керування
(алгоритму)
формування
величини може
бути здійснене
на підставі
співвідношення:
, (3.14)
де
- напруга
генератора;
- коефіцієнт
підсилення
пропорційної
складової;
- постійна
часу інтегрування;
р - оператор Лапласа.
Величина
формується
з використанням
блоку задавання
інтенсивності,
що забезпечує
темп наростання
відповідного
сигналу в перехідному
режимі:
,
(3.15)
де
- вхідний сигнал
за датчика
інтенсивності;
- постійна
часу.
У загальному випадку величина є нелінійною функцією, що залежить від швидкості зміни вхідного сигналу.
Зв'язок між сигналом керування і сигналом завдання на підставі рівнянь (3.14) і (3.15) описується передатною функцією виду:
.
(3.16)
При дослідженні САР, описуваної рівняннями (3.14) і (3.15), виходячи з виду передатної функції (3.16), з метою уточнення її структури і параметрів, у першому наближенні побудови моделі нейроконтролера, можемо скористатися передавальною функцією виду:
, (3.17)
де
;
;
.
Використовуючи передавальну функцію САР об'єкта керування (3.17) можемо скласти систему диференціальних рівнянь виду:
,
(3.18)
де
- вихідний сигнал
об'єкта керування
(у нашому випадку
);
U - формований
сигнал керування
(у нашому випадку
).
Як відзначалося вище, структура САР СГ містить три аналогічних канали, описуваних однотипними рівняннями виду (3.14) і (3.15), кожний з який включається в роботу за певних умов. До того ж, у залежності від умов експлуатації, необхідно здійснювати деяке підстроювання параметрів схем САР кожного з каналів. За умови створення моделі САР з використанням нейромережевих технологій, узагальнену структуру такої моделі можна представити у виді, зображеному на рис. 3.9.

Рис.3.9 Узагальнена структура моделі САР для одного каналу.
Тут як динамічний
об'єкт виступає
модель СГ (модель
у розділі 2.3) і
його САР, описувана
рівняннями
(3.14) і (3.15). У якості
нейроконтролера
обраний перцептрон
- прямо спрямована
нейронна мережа.
Структура
нейроконтролера:
три ретрансліруючих
вузли на вході
мережі, п'ять
вузлів із
сигмоїдальними
активаційними
функціями в
схованому шарі
й один вихідний
нейрон, що описує
зміну напруги
генератора
під впливом
сигналу керування
U. На вхідні нейрони
надходить
сигнал завдання
і вихідний
сигнал
,
що знімається
з виходу об'єкта,
затриманий
на один і два
такти (DТ).
При дослідженнях,
як сигнал завдання
,
використовувалася
типова функція
впливу у виді
одиничного
сигналу.
Для навчання мережі використовується генетичний алгоритм (ГА), що набудовує параметри нейроконтролера не за помилкою в керуванні U, а за помилкою на виході об'єкта, порівнюючи його з виходом еталонної моделі (рис. 3.10).

Рис. 3.10. Застосування ГА для настроювання параметрів нейроконтролера.
Вихідна
популяція зі
100 хромосом
генерувалася
випадковим
образом. Кожний
з 26 параметрів
мережі кодується
16 бітами, у такий
спосіб хромосома,
що кодує нейроконтроллер,
являє собою
416 розрядну
послідовність
нулів і одиниць.
Діапазон зміни
кожного з параметрів
прийнятий від
-1 до +1. 16-розрядне
кодування
забезпечує
дискретність
зміни параметра
не гірше ніж
.
При одиничному вхідному впливі на об'єкт керування, описуваний системою рівнянь (3.18), якість системи оцінюється перехідною характеристикою. При визначених значеннях параметрів САР спостерігаються процеси, що відповідають хитливому характеру роботи системи, стійкому і на границі стійкості. Задача нейроконтролера - визначення параметрів САР, що забезпечують стійкість системи і необхідні показники якості, такі як величина перерегулювання, число перерегулювань і час перехідного процесу. При цьому САР у цьому випадку повинна формувати такі керуючі впливи, під впливом яких сигнал на виході об'єкта керування відповідав сигналу завдання, що формується за допомогою еталонної моделі (різниця сигналів UГ і X1 повинна бути мінімальної).
Результати роботи нейроконтролера приведені у виді осцилограм на рис..11, 3.12.

Рис. 3.11. Залежність X1 з використанням нейроконтролера та без.
На рис. 3.11.
приведені
перехідні
процеси змінної
у відносних
одиницях без
використання
системи керування
на основі
нейроконтроллера
(крива 1) і з його
використанням
(крива 2) при
завданні на
вхід об'єкта
сигналу одиничної
амплітуди.

Рис. 3.12. Залежність при різних вхідних впливах.
Рис. 3.12 ілюструє поводження об'єкта не тільки на тренувальних шаблонах, але і на проміжних значеннях амплітуди вхідного сигналу, що підтверджує універсальність апроксимуючих здібностей нейронних мереж і можливість використання розробленого нейроконтролера для формування сигналів керування напругою порушення синхронного генератора електропередачі дизель-потяга.
3.4 Розробка системи керування дизель-потяга на основі нейромережевих технологій
Синтез оптимальної системи керування енергетичною системою дизель-потяга можна здійснити на основі ідей теорії рівноважних математичних моделей з використанням нейромережевих технологій. Для цього спочатку необхідно мати деяку вихідну структуру системи керування, а для одержання кращої системи необхідно синтезувати додаткову (допоміжну) систему, сукупна дія яких приводить до бажаного результату, тобто забезпечує поліпшення заданого показника якості.
Поліпшення системи керування асинхронними тяговими двигунами можна спробувати здійснити шляхом рівнобіжного включення синтезованої системи регулятора на основі нейронних мереж. Як вихідна система керування обрана одна систем, синтезована за допомогою нейронної мережі, виконана корекція синтезованого закону керування по каналах напруги і частоти. Результуючий квазіоптимальний сигнал керування U може бути отриманий як:
, (3.19)
де
- сигнал, формований
згідно деякого
методу (наприклад,
методу АКУР);
-
додатковий
сигнал, одержуваний
на виході нейронної
мережі.
Дослідження на математичних моделях показало, що система в цьому випадку має гарну стійкість, а всі змінні, які спостерігаються, знаходиться в припустимих діапазонах.
Система керування електроприводом дизель-потяга має два канали: канал формування амплітуди керуючого впливу і канал формування частоти. Тому у вихідну структуру системи керування необхідно додати дві нейронні мережі (для кожного каналу). У якості нейронних мереж обраний багатошаровий перцептрон, що має вхідний, вихідний і два схованих шари. Структура мережі ідентична для кожного з каналів: 4 входи, 4 нейрони в першому схованому шарі, 7 нейронів у другому схованому шарі і 1 вихідний нейрон. У якості активаційної функції кожного з нейронів обрана сигмоїдальна функція виду (3.33).
. (3.20)
На входи
мереж подаються
модулі сигналів
потокозчеплення
і струму фази
статорної
обмотки, частота
обертання
ротора і коефіцієнт,
пропорційний
масі складу.
На виході нейронної
мережі формується
додатковий
сигнал
,
за допомогою
якого поліпшується
функціонування
електропривода.
На рис. 3.13
приведена
структурна
схема моделі
електропривода
дизель-потяга
із синтезованою
системою керування,
що містить
додаткові
канали, реалізовані
з використанням
нейронних
мереж. Дана
модель характеризується
тим, що в її
структурі
присутні два
додаткових
елементи -
NeuralContr_W і NeuralContr_U, за допомогою
яких здійснюється
формування
додаткових
сигналів керування
по каналах
напруги і частоти.
Структурні
схеми каналу
формування
частоти і його
основних складових
компонентів
приведені
відповідно
на рис. 3.14 і 3.15.

Рис. 3.13. Структурна схема моделі електропривода дизель-потяга із синтезованою системою керування, що містить додаткові канали, реалізовані з використанням нейронних мереж.
На рис. 3.14-а приведена внутрішня структура блоку NeuralContr_W. Субблоки Layer1, Layer2 і Layer3 являють собою відповідно 1-й, 2-й схований і вихідний шари нейронної мережі. Вхідні сигнали надходять на вхідний шар p{1} у виді вектора, що складає з 4-х елементів (по кількості вхідних сигналів). Далі вектор надходить на вхід першого схованого шару (Layer1). Структура субблоков сімейства Layer приведена на рис 3.14-б. Робота блоку полягає в наступному: спочатку обчислюється зважена сума вхідного вектора для кожного з нейронів першого схованого шару (блок ІW{1,1}) і додавання до цієї суми зсуву (b{1}), що являє собою вектор, число елементів якого дорівнює числу нейронів у цьому шарі. Структура блоку ІW{1,1} приведена на рис 3.15-а. Тут блоки ІW{1,1}(1,:)' - ІW{1,1}(4,:)' задають відповідно вагарні коефіцієнти між відповідним нейроном першого схованого шару (1 - 4) і вхідним шаром. На вхід блоків dotprod1 - dotprod4 подаються вхідний вектор pd{1,1} і відповідні вагарні коефіцієнти. Ці блоки виконують зважене підсумовування вхідного вектора pd{1,1}. Після додавання зсуву до зваженої суми (рис. 3.14-б), отриманий результат, що представляє собою вектор з 4-х елементів (по числу нейронів першого схованого шару), подається на активаційну функцію нейронів (блок tansіg), що реалізує функцію гіперболічного тангенса. Отриманий проміжний результат передається на другий схований шар (Layer2). Принцип роботи аналогічний описаному вище за винятком того, що число блоків dotprod, що виконують зважену підсумовування, дорівнює 7 (числу нейронів у другому схованому шарі, див .рис.3.15-б). На виході другого шару виходить вектор, що складається з 7-ми елементів, який подається на вихідний шар (Layer3). У результаті на виході нейронної мережі (вихід блоку Layer3) виходить сигнал, що здійснює корекцію сигналу керування по частоті (рис.3.15-в). Усі вагові коефіцієнти між шарами мережі і коефіцієнти зсувів були отримані в результаті настроювання мережі, що здійснювалася генетичним алгоритмом.