Разработка, исследование и применение нейросетевых алгоритмов идентификации и управления динамическими системами

• Автор: Пантелеев, Сергей Владимирович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 128 с. : ил.

ОГЛАВЛЕНИЕ
Введение.

1 Нейросетевые модели идентификации объектов

1.1 Нейросетевая идентификация статических объектов

1.2 Идентификация динамических объектов нейронными сетями прямого распространения.

1.2.1 Входной сигнал нейронной сети

1.2.2 Выходной сигнал нейронной сети

1.2.3 Желаемый выходной сигнал нейронной сети

1.2.4 Ошибка решения.

1.2.5 Функция активации

1.2.6 Описание структуры разомкнутой нейронной сети

1.2.7 Функционал оптимизации.
1.2.8 Метод поиска экстремума функционала оптимизации
1.2.9 Выбор начальных условий для настройки
1.2. Параметры, заданные априори.
1.2. Параметры, требующие выбора в процессе формирования плана экспериментов
1.3 Идентификация динамических объектов нейронными сетями с обратными связями.
1.3.1 Описание структуры разомкнутой трехслойной нейронной сети.
1.3.2 Функционал оптимизации.
1.3.3 Метод поиска экстремума функционала оптимизации
1.3.4 Выбор начальных условий для настройки
1.4 Выводы по главе 1
2 Нейросетевые алгоритмы управления.
2.1 Выбор задач для нейроуправления
2.2 Классификация типов и структур нейроуправления
2.3 Инверсное прямое нейроуправление
2.4 Инверсное непрямое нейроуправление
2.5 Прямое нейроуправление с прямым эмулятором
2.6 Непрямое нейроуправление с прямым эмулятором
2.7 Прямое нейроуправление с непрямым эмулятором
2.8 Непрямое нейроуправление с непрямым эмулятором
2.9 Косвенное нейроуправление без эмулятора.
2. Косвенное нейроуправление с прямым эмулятором
2. Косвенное нейроуправление с непрямым эмулятором
2. Предиктивное упреждающее нейроуправление.
2. Выводы по главе 2
3 Решение задач управления и идентификации с применением нейронных сетей.
3.1 Идентификация уравнения ВандерПоля как статического объекта
3.1.1 Математическая постановка задачи.
3.1.2 Нейросетевая постановка задачи.
3.1.3 Эксперимент
3.1.3.1 Однослойная нейронная сеть.
3.1.3.2 Двухслойные нейронные сети.
3.2 Синтез системы активной виброзащиты.
3.2.1 Описание системы.
3.2.2 Получение аналитической модели системы.
3.2.3 Построение модели в ЗнпиПпк.
3.2.3 Формирование управляющего сигнала гидроцилиндра возмущения.
3.2.4 Проведение эксперимента
3.2.5 Анализ результатов экспериментов.
3.3 Идентификация чашевого окомкователя.
3.3.1 Постановка задачи.
3.3.2 Нейросетсвой алгоритм идентификации чашечного окомкователя
3.3.2.1 Входной вектор нейронной сети.
3.3.3.2 Выходной вектор нейронной сети
3.3.3.3 Желаемый выходной вектор
3.3.3.4 Ошибка решения
3.3.3.5 Функция активации.
3.3.3.6 Описание структуры разомкнутой нейронной сети.
3.3.3.7 Функционал оптимизации
3.3.3.8 Метод поиска экстремума функционала оптимизации
3.3.3.9 Метод настройки весовых коэффициентов нейронной
3.3.3. Метод настройки параметров шага цикла обучения
3.3.3. Выбор начальных коэффициентов для настройки
нейронной сети
3.3.4 Экспериментальные результаты
3.3.5 Выводы.
3.6 Создание системы нейроуправления режимом зависания вертолета .
3.6.1 Описание системы.
3.6.2 Математическая модель
3.6.3. Разработка нейроадаптивного контроллера.
3.6.4. Результаты экспериментов
3.7 Выводы по главе 3.
Заключение.
Список использованных источников


Одной из причин этого является то, что традиционные методы управления в основном опираются на теорию линейных систем, в то время как реальные объекты являются по своей природе нелинейными. В действительности часто сложно сделать работу оборудования полностью автоматической. Управление должно осуществляться людьми-операторами. Даже если будет разработана сложная система управления, структура и принципы работы которой будут недоступны для понимания оператором оборудования, надежность и безопасность такой схемы окажутся низкими, т. Это может привести к нежелательным потерям сырья, а также к авариям и несчастным случаям. По этой причине широкое распространение получили пропорциональные-интегрально-дифференциальные регуляторы (ПИД-контроллеры) из-за простоты их структуры и высокой надежности. В контроллерах этого типа оператор может управлять тремя параметрами, добиваясь улучшения показателей качества. Однако эти контроллеры имеют ряд недостатков. Например, при изменении рабочих точек требуется перенастройка контроллеров. На крупных предприятиях с непрерывным режимом работы при использовании таких контроллеров необходим тщательный контроль, что требует большой численности квалифицированного персонала. На многих объектах управления такая перенастройка контроллеров в принципе невозможна. Для лучшего решения задач управления требуется разработка новых схем управления. Эти новые схемы управления должны быть достаточно просты по принципам организации и функционирования, чтобы промышленность восприняла их легко и в широком масштабе. Может оказаться сложным разработать схемы управления для крупномасштабных систем, обеспечивающих высокую эффективность и при этом использующие только простые принципы управления. Однако желательно, чтобы в новых системах управления манипуляция параметрами была сведена к минимуму. Известные примеры реализации управления сложными динамическими системами, перечисленными выше, в основном касаются модификации известных методов теории управления с учетом особенностей вышеназванных сложных систем. В частности, эти методы связываются с попыткой описания нелинейными дифференциальными уравнениями (с переменными параметрами и многомерных) и попыткой решения этих уравнений с помощью алгоритмов, адекватных вычислителям с архитектурой фон-Неймана. В случае реализации нейроуправления подобный подход становится ненужным и фактически является «ложной» задачей на пути реализации управления сложными динамическими системами. Объектом исследования является проблема разработки нейросетевых алгоритмов управления сложными динамическими системами, то есть системами с существенными нелинейностями, многомерными, в том числе с переменными параметрами и структурой. Предметом исследования - синтез алгоритмов нейроуправления для различных объектов. Цель исследования - классификация, создание и исследование методов нейроуправления на модельных примерах и реальных объектах. Конкретным результатом является новые методы нейроуправления и применение к решению четырех конкретных задач. В первой главе комплексно рассмотрена задача нейросетевой идентификации различных объектов. Глава 2 посвящена актуальной и новой задаче выбора конкретной схемы и структуры нейроуправления. В главе 3 показаны примеры полученных алгоритмов при решении конкретных задач. Задаче идентификации объектов посвящено большое количество работ, отличающихся не только типами идентифицируемых объектов, но и самими методами идентификации. Большое внимание в этих работах уделяется идентификации линейных динамических объектов, описывающихся дифференциальными или разностными уравнениями с неизвестными коэффициентами. Естественным переходом к более точному описанию объектов является переход к нелинейным дифференциальным уравнениям, при этом классический подход к проблеме идентификации заключается в формировании системы нелинейных дифференциальных уравнений, определении коэффициентов этих уравнений из экспериментальных данных, решении систем нелинейных дифференциальных уравнений и дальнейшей проверки адекватности модели на практике (рисунок 1. Решение систем нелинейных обыкновенных диф. Рисунок 1. Классический подход к идентификации объекта.