Разработка математического и программного обеспечения нейросетевых алгоритмов адаптивных АСР

• Автор: Шаровин, Игорь Михайлович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 206 с. : ил.

ОГЛАВЛЕНИЕ
СПИСОК СОКРАЩЕНИЙ
ВВЕДЕНИЕ
ГЛАВА 1 ОБЗОР МЕТОДОВ АВТОМАТИЗИРОВАННОГО И
АДАПТИВНОГО УПРАВЛЕНИЯ В ПРОМЫШЛЕННЫХ АСУ ТП
1Л Классификация методов идентификации объектов регулирования
1.2 Методы адаптивной настройки, реализуемые в отечественных и
зарубежных контроллерах
1.2.1 Методы адаптивной настройки, разработанные на кафедре
АСУ ТП НИУ «МЭИ»
1.2.2 Реализация адаптивной настройки регуляторов в ПТК
ведущих производителей
1.3 Программные средства настройки АСР
1.4 Нечеткая логика
1.4.1 Принципы построения нечеткого регулятора
1.4.2 Принципы автоподстройки реализуемого регулятора
1.5 Искусственные нейронные сети
1.5.1 Подражающее нейроуправление
1.5.2 Инверсное нейроуправление
1.5.3 Гибридное нейроуправление
1.6 Генетические алгоритмы
1.7 Выводы
ГЛАВА 2 ОПТИМАЛЬНАЯ НАСТРОЙКА РЕГУЛЯТОРОВ
2.1 Структуры исследуемых регуляторов, показатели качества
работы АСР
2.1.1 Структуры исследуемых регуляторов
2.1.2 Выбор показателя запаса устойчивости
2.1.3 Интегральные критерии качества оптимальной настройки
регуляторов
2.2 Численные методы расчета настроечных параметров регуляторов..
2.2.1 Расчет оптимальных параметров ПИ регулятора
2.2.2 Расчет оптимальных параметров ПИД регулятора
2.3 Выводы
ГЛАВА 3 СИНТЕЗ НЕЙРОСЕТЕВЫХ КОМПОНЕНТ СИСТЕМЫ АДАПТИВНОГО УПРАВЛЕНИЯ
3.1 Особенности синтезируемой адаптивной АСР на базе нейросетевых компонент идентификации и адаптации
3.1.1 Структура предлагаемой адаптивной АСР
3.1.2 Процедуры идентификации и адаптации в составе
адаптивной АСР
3.1.3 Поэтапный синтез предлагаемой адаптивной АСР
3.2 Синтез нейросети параметрической идентификации объекта регулирования
3.2.1 Формирование тренировочного множества для обучения
нейросети
3.2.2 Определение достаточного количества обучающих данных для
воспроизведения параметров объекта регулирования
3.2.3 Выбор архитектуры и обучение нейросети
3.3 Синтез адаптивной нейросети для аппроксимации функционала настроечных параметров регуляторов
3.3.1 Создание тренировочного множества с применением полного
факторного эксперимента для обучения нейросети
3.3.2 Выбор класса и структуры нейросети, обучение ИНС
3.4 Выводы
ГЛАВА 4 ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ИДЕНТИФИКАЦИИ И АДАПТАЦИИ
4.1 Обучение нейросети параметрической идентификации объекта
регулирования
4.1.1 Проведение активного эксперимента для создания
тренировочного множества для обучения нейросети
4.1.2 Обучение нейросети параметрической идентификации
4.2 Обучение нейросетей адаптивной настройки реализуемых регуляторов
4.2.1 Обучение нейросетей тренировочными множествами, состоящими из одного полного факторного эксперимента
4.2.2 Обучение нейросетей тренировочными множествами, состоящими из нескольких полных факторных экспериментов
4.2.3 Влияние количества нейронов в скрытом слое нейросети на результаты воспроизведения тренировочных множеств
4.2.4 Реализация нейросети воспроизведения настроечных параметров идеального ПИД регулятора с возможностью изменения частотного показателя колебательности
4.2.5 Реализация адаптивной нейросети в составе двухконтурной каскадной АСР
4.3 Рекомендации поэтапного синтеза нейросетей идентификации и адаптации применительно к задачам синтеза адаптивных АСР теплоэнергетических объектов
4.4 Синтез адаптивной АСР на базе нейросетевых компонент в эмуляторе программируемого логического контроллера
4.5 Выводы
ГЛАВА 5 ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АДАПТИВНОЙ АСР
5.1 Обучение нейросети параметрической идентификации объекта регулирования
5.1.1 Подготовительный этап реализации искусственных нейросетей
5.1.2 Синтез и обучение нейросети идентификации
5.1.3 Синтез и обучение нейросети адаптации
5.2 Реализация адаптивной АСР на базе нейросетевых компонент
в ПЛК
5.3 Проверка качества настроенной адаптивной АСР

Т . = и ( г ;.
В ходе обучения, нейронная сеть должна уловить и запомнить зависимость значений управляющего сигнала и(к-1) от последующего значения реакции объекта управления у (к), находящегося перед этим в состоянии 8(к-1).
а) режим обучения инверсного нейроэмулятора; б) режим управления объектом Рисунок 1.5- Схема обобщенного инверсного нейроуправления
При управлении объектом, инверсный нейроэмулятор подключается как регулятор, причем возможны два способа подключения: замкнутый и разомкнутый. При замкнутом подключении, схема которого показана на рисунке 1.5,а на вход нейроконтроллера подаются текущие значения уставки и вектора состояния объекта управления, поступающего по цепи обратной связи:
х(к) = [г(к +1), Б(к)р".
При разомкнутом подключении на вход нейроконтроллера поступают только значения уставки с задержками:
х(к) = [г(к + 1), г (к) .. г(к-И + 1) .
При этом предполагается, что сформированная при обучении инверсная модель объекта управления является адекватной, следовательно, сигнал управления, выдаваемый нейронной сетью, обеспечит переход объекта в положение, заданное уставкой. Разомкнутая система нейроуправления обладает высоким быстродействием, поскольку на вход нейроконтроллера не поступает значение текущего состояния объекта управления, обработка которого требует значительных ресурсов. Однако из-за отсутствия обратной связи качество такого управления оказывается низким [104].