Нейросетевые модели систем автоматического регулирования промышленных объектов

• Автор: Широков, Роман Викторович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Ставрополь
• Количество страниц: 215 с. : ил.

Содержание
Введение.
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И МОДЕЛЕЙ СИСТЕМ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ.

1.1. Анализ традиционных методов и моделей систем автоматического регулирования

1.2. Анализ нейросетевых методов и моделей систем автоматического регулирования

1.3. Обоснование целесообразности применения непозиционной системы счисления остаточных классов в нейросетевых моделях САР

1.4. Постановка задачи исследования

Выводы.
ГЛАВА 2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ НЕПОЗИЦИОННОГО КОДИРОВАНИЯ СИСТЕМ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ

2.1. Разработка математической модели нейрона непозиционного кодирования

2.2. Обоснование выбора языка реализации модели

2.3. Разработка библиотеки классов для реализации моделей нейронов
в непозиционной системе счисления остаточных классов
Выводы.
ГЛАВА 3. РАЗРАБОТКА МЕТОДИКИ СИНТЕЗА НЕЙРОСЕТЕВЫХ
МОДЕЛЕЙ АСТАТИЧЕСКИХ ОБЪЕКТОВ РЕГУЛИРОВАНИЯ
3.1. Исследование процесса идентификации объектов регулирования
при зашумленных входных данных
3.2. Разработка методики синтеза нейросетевых идентификационных моделей
3.3. Сравнительная оценка алгоритмов обучения нейросетевых моделей
Выводы.
ГЛАВА 4. СИНТЕЗ СИСТЕМЫ АВТОМАТИЧЕСКОГО РЕГУЛИРОВАНИЯ
ПИТАНИЯ БАРАБАННОГО ПАРОВОГО КОТЛА ТГМ.
4.1. Исследование свойств барабанного парового котла как объекта регулирования питания
4.2. Аппроксимация экспериментальных разгонных характеристик объекта регулирования
4.3. Синтез САР питания с традиционным регулятором
4.4. Синтез САР питания с нейросетевым регулятором
4.4.1. Идентификация объекта регулирования
4.4.2. Синтез САР питания на основе нейроконтроллера
с предсказанием
4.4.3. Синтез САР питания с нейроконтроллером на основе модели авторегрессии со скользящим средним
4.4.4. Синтез САР питания с нейроконтроллсром на основе эталонной модели.
4.5. Сравнительная оценка традиционных и нейросетевых
систем автоматического регулирования питания.
Выводы.
ЗАКЛЮЧЕНИЕ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Модель нейрона непозиционного кодирования для реализации на ЭВМ средствами объектно-ориентированного языка Java. Методика синтеза нейросетевых моделей астатических объектов регулирования. Методика определения оптимальных параметров настройки и архитектуры нейросетевых моделей САР (на примере САР питания котельных установок). Сравнительный анализ качества регулирования основных технологических параметров в традиционных и нейросетевых САР (на примере САР питания котельных установок). Апробация работы. Компьютерная техника и технологии» (Невинно-мысск, ). Публикации. Автор выражает искреннюю благодарность научному руководителю - заслуженному деятелю науки и техники РФ, доктору технических наук, профессору, академику Международной академии информатизации Николаю Ивановичу Червякову. Проблема автоматического регулирования технологических параметров сложных промышленных объектов представляет собой широкую сферу исследований современной науки. В рамках классического подхода формальная поегановка задачи сводится к решению систем обыкновенных линейных дифференциальных уравнений. Теория линейных систем получила широкое развитие с начала -х годов и основана на использовании аппарата преобразований Лапласа и частотно-фазовых характеристик. Тогда же появились первые попытки применения цифровых вычислительных машин в качестве корректирующих фильтров в контуре регулирования. В основе современной теории автоматического регулирования лежит тот факт, что большинство реальных объектов являются по своей природе сложными нелинейными динамическими системами. Первые примеры разработки методов регулирования нелинейных систем относятся также к началу -х годов и связаны в основном с методами решения нелинейных дифференциальных уравнений, адекватных однопроцессорным фон-неймановским вычислительным машинам. Развитие вычислительных машин с массовым параллелизмом привело к созданию принципиально новых алгоритмов и методов регулирования нелинейных динамических систем. Они связаны с нейросетевыми алгоритмами решения обыкновенных нелинейных дифференциальных уравнений, реализуемых с помощью включения в контур регулирования нейрокомпьютеров []. Для сравнительной оценки преимуществ и недостатков различных подходов выполним критический обзор методов и моделей существующих САР. На сегодняшний день наиболее распространенными промышленными системами автоматического регулирования являются системы, базирующиеся на так называемых ПИ- и ПИД-регуляторах. Они доказали свою эффективность в процессе их использования с различными объектами регулирования. Закон регулирования в таких системах представляет собой в общем случае взвешенную сумму сигналов ошибки обратной связи по регулируемой координате, ее интеграла или интеграла и производной. Использование ПИ- и ПИД-регуляторов не требует знания точной модели процесса, поэтому они эффективны в решении задач регулирования промышленных процессов, математические модели которых достаточно сложно определить []. Исследуем свойства таких систем. В процессе синтеза САР с ПИ- и ПИД-регуляторами используются методы классической теории автоматического регулирования. Промышленные ПИ-регуляторы имеют два вида функциональных схем, основанные на введении отрицательной обратной связи[]. В первом варианте (см. Рисунок 1. ОС, „. Т,! Т„ =ТД; Кр = /Кд. В промышленных ПИ-регуляторах в качестве образных связей используют различные устройства: электрические, пневматические и гидравлические. Все они являются аналогами реальных дифференцирующих звеньев и имеют соответствующие динамические характеристики. Сервопривод имеет характеристику интегрального звена. Сервопривод обладает характеристикой пропорционального звена. Анализ выражений (1. САР с ПИ-регулятором отсутствует статическая ошибка. В то же время при установившемся значении регулируемой величины регулирующий орган может занимать различные положения. И/юиг (л) ” Кр + р + КдТдЯ. В промышленных регуляторах такой закон формируется путем последовательной или параллельной коррекции (см. В обоих случаях ПИД-закон воспроизводится лишь приближенно []. Рисунок 1.