автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевые методы повышения точности систем управления техническими объектами с нелинейными и нечеткими характеристиками

На правах рукописи

005531446

БУЯНКИН ВИКТОР МИХАИЛОВИЧ

НЕЙРОСЕТЕВЫЕ МЕТОДЫ ПОВЫШЕНИЯ ТОЧНОСТИ СИСТЕМ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ С НЕЛИНЕЙНЫМИ И НЕЧЕТКИМИ ХАРАКТЕРИСТИКАМИ

Специальность: 05.13.01- Системный анализ, управление и обработка информации

(в науке и промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

Москва 2013г.

005531446

Работа выполнена в

НАУЧНО-ИССЛЕДОВАТЕЛЬСКОМ ИНСТИТУТЕ ВЫЧИСЛИТЕЛЬНЫХ КОМПЛЕКСОВ им. М. А. КАРЦЕВА

Официальные оппоненты: Рухадзе Анри Амвросиевич

Заслуженный деятель науки и техники РФ, доктор физико-математических наук, профессор, главный научный специалист Института общей физики академии наук им. A.M. Прохорова (ИОФАН РФ);

Пушкарев Юрий Александрович

Заслуженный деятель науки и техники РФ, доктор технических наук, профессор, ведущий научный сотрудник Центрального научно-исследовательского института ОАО «Корпорация «Комета» - ФГУП «ЦНИИ «Комета»;

Носов Виктор Николаевич

Доктор технических наук, заведующий отделом геохимии и аналитической химии (ГЕОХИРАН).

Ведущая организация: ОАО «Системы управления» г. Москва, ул. Профсоюзная, д.78, стр.1.

Защита состоится « 11» сентября 2013г. в 14 часов на заседании диссертационного совета Д520 033 01 Межрегионального общественного учреждения «Институт инженерной физики» (МОУ «ИИФ») по адресу: 142210, Россия, Московская обл., г. Серпухов, Большой Ударный переулок, дом 1а.

С диссертацией можно ознакомиться в библиотеке Межрегионального общественного учреждения «Институт инженерной физики». Автореферат разослан «15» июня 2013г.

Ученый секретарь диссертационного совета

кандидат технических наук, доцент Коровин Олег Вениамин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Современное развитие науки и техники предъявляет все более высокие требования к точности систем управления техническими объектами с нелинейными и нечеткими характеристиками (ТОННХ). Такими техническими объектами являются рассмотренные в диссертации ионно-плазменные установки, высокоточные цифровые электроприводы металлорежущих станков, манипуляторы для роботов с параллельной кинематикой.

С появлением нанотехнологий повысились требования к точности работы ионно-плазменных установок МАП 2,3, предназначенных для напыления нанослоев (10-50 нм) лития, хрома, никеля на лопатки авиационных двигателей с целью повышения жаропрочности, коррозионной стойкости и увеличения срока службы. Ионизированная плазма представляет собой многомерный технический объект с нелинейными и нечеткими характеристиками. Физические процессы в ионизированной плазме сложны. На стабильность и точность ионно-плазменного напыления в той или иной степени влияет около 60 взаимосвязанных параметров (A.A. Рухадзе, А.Ф. Пузряков, С.А. Мубояджан, А.Ф. Исаков). В процессе напыления может меняться порядок системы дифференциальных уравнений, которые описывают динамические и статические характеристики ионизированной плазмы. Многие традиционные математические модели ионизированной плазмы во многих случаях неадекватны реальному процессу. Так как ионно-плазменное напыление является сравнительно новой технологией, то работ, посвященных управлению ионизированной плазмой, мало [33,34,35]. Основными факторами, сдерживающими широкое внедрение систем управления ионизированной плазмой, являются недостаточная информация о статических и динамических характеристиках; невысокая точность функциональных зависимостей, описывающих процесс напыления; отсутствие методов, методик и алгоритмов управления ТОННХ.

В настоящее время сверхточные прецизионные системы управления создаются на базе стандартных классических регуляторов: интегрального (И), пропорционально -интегрального (ПИ), пропорционально интегрально - дифференциального (ПИД), которые широко зарекомендовали себя благодаря своей простоте и высокой надежности для линеаризованных объектов управления. Однако эти регуляторы не могут оперативно перестраивать свои структуры и варьировать коэффициенты при изменении параметров технических объектов. Стандартные классические регуляторы не могут вырабатывать упреждающее прогнозируемое управление, которое является необходимым для ТОННХ.

Одним из способов, позволяющих повысить точность работы ТОННХ при компенсации внешних возмущающих воздействий в системах автоматического управления, является применение теории инвариантности (Г.М. Уланов, Б.Н. Петров, А.Г. Ивахненко, В.В. Солодовников). Основным методом, используемым при построении инвариантных систем, является комбинированное управление с вводом в контур ' ^ технических объектов производных от задающих и возмущающих воздействий. Однако О

\

формирование этих производных в условиях нечеткой информации о внешних возмущающих воздействиях затрудняет применение комбинированного управления.

Другой способ повышения точности работы ТОННХ базируется на применении теории чувствительности с методами исследования зависимости свойств систем управления от изменения параметров технических объектов (P.M. Юсупов, М. Вукобратович). Основой теории чувствительности является определение функций и коэффициентов чувствительности. Функции и коэффициенты чувствительности позволяют оценить влияние отдельных параметров на динамические и статические характеристики системы управления. Однако анализ работы ТОННХ из-за неточности исходных данных неформализуем. В результате вычисление функций чувствительности на базе частных производных состояний объекта по параметрам затруднено, что также ограничивает применение теории чувствительности.

В целом методы управления ТОННХ классическими методами (оптимальным, экстремальным, стохастическим и. т. д.) описываются большим количеством дифференциальных уравнений, что приводит к увеличению объемов расчетов и увеличению времени их обработки. Поэтому классические методы управления не могут существенно повысить быстродействие и точность работы ТОННХ.

В последние годы резко повысился интерес к новым научным направлениям, в частности к нейроуправлению с использованием нейронных сетей. Нейронные сети позволяют эффективно обрабатывать полученные результаты, проводить достаточно глубокий анализ статических и динамических характеристик, отслеживать появление ошибок и нежелательных режимов. Преимущество идеи использования нейронных сетей заключается в сравнительной простоте оптимизации сложных законов управления, минуя процесс разработки математических моделей ТОННХ (А.И. Галушкин, В.Г. Редько, В.А. Терехов). Поэтому нейронные сети, реализованные на базе нейропроцессоров, нашли широкое применение во многих отраслях науки и техники. Нейропроцессорные системы управления непосредственно обучаются статическим и динамическим характеристикам, обеспечивая необходимую точность систем нейроуправления, что выгодно отличает их от традиционных микропроцессорных систем.

Однако при включении нейронных сетей в замкнутые контуры управления ТОННХ появилась проблема анализа устойчивости. Проблема устойчивости ставила в тупик первых исследователей. Сложно было предсказать, какие нейронные сети, состоящие из набора нейронов, связанных между собой перекрестными обратными связями с нелинейными функциями активации, будут устойчивы. Нейроны могут объединяться в сети различными способами, число слоев может быть неограниченным, определение числа нейронов и слоев представляет собой серьезную математическую проблему, основанную на использовании свойств аппроксимируемой функции. Широко применяемые классические методы анализа устойчивости Рауса-Гурвица, Найквиста-Михайлова, используемые для линеаризованных динамических систем, не годятся для систем управления ТОННХ, что было отмечено в трудах А. А. Красовского, Е. П. Попова, К. А. Пупкова. Для определения устойчивости систем управления ТОННХ уже долгое время широко применяется прямой метод Ляпунова. Однако поиск необходимой функции Ляпунова иногда является довольно затруднительным. Определенную трудность представляют и расчеты данными методами локально асимптотических областей устойчивости.

Таким образом, на сегодняшний день анализ устойчивости систем управления ТОННХ существующими классическими методами представляет сложную проблему, что требует новых подходов к определению устойчивости систем управления ТОННХ.

При длительной работе систем управления ТОННХ происходит износ оборудования, приводящий к нештатным ситуациям. В таких случаях приходится прогнозировать и определять неисправности, предсказывая будущие отказы. Такие задачи (в отличие от обычных методов диагностики) можно решать, используя системы прогнозирования на базе нейронных сетей, что делает незаменимой нейродиагностику для повышения надежности работы систем управления ТОННХ.

В диссертации предлагается новый подход к разработке нейросетевых методов для повышения точности работы ТОННХ с системами управления, состоящих из прогнозируемых нейрорегуляторов и нейроидентификаторов с нейродиагностикой неиспратвностей и отказов оборудования, что является на сегодняшний день актуальной проблемой.

Диссертационная работа опирается на достижения отечественной школы систем автоматического управления на базе современных вычислительных комплексов (М.А. Карцев, К.А. Пупков, А.И. Галушкин и др.), а также на достижения зарубежных школ США (У. Макклок, У.Питс, Л.Заде), Канады (Саймон Хайкин) и др.

Объектом исследования являются системы управления ТОННХ на примере ионно-плазменных установок, высокоточных цифровых электроприводов металлорежущих станков и манипуляторов для роботов с параллельной кинематикой.

Предмет исследования. Методы синтеза систем управления ТОННХ с применением ансамблей нейронных сетей.

Цель диссертационной работы. Повышение точности работы систем управления ТОННХ на базе новых методов нейроидентификации, нейроуправления, нейродиагностики.

Методы исследовании базируются на применении нейроинформатики, теории нечеткой логики, теории распознавания образов, теории автоматического управления, теории электропривода, методов имитационного моделирования в средах Matlab Neural Network; Matlab-Siraulink; Matlab Fuzzy tech.

Научная и теоретическая новнзна.

1 .Разработан метод синтеза нейроидентификаторов с прогнозированием на базе комплексного применения ансамбля нейронных сетей для систем управления ТОННХ. В отличие от существующих методов идентификации (метода частотных характеристик, метода временных характеристик, метода наименьших квадратов, метода статистических корреляционных функций), которые часто сводятся к линеаризации дифференциальных уравнений, что приводит к приближенному описанию работы и, как следствие, снижению точности идентификации, ансамбли нейронных сетей определяют и прогнозируют статические и динамические характеристики систем управления ТОННХ.

Предлагаются системы управления, уменьшающие время обучения нейронных сетей за счет отсекания лишних локальных минимумов с нелинейным изменением шага обучения.

При синтезе и дообучении ансамбля нейронных сетей с нечеткой логикой с целью повышения точности идентификации при увеличении влияния нелинейностей на

статические и динамические характеристики систем управления ТОННХ проводится коррекция функций принадлежности и баз нечетких правил.

Разработанные нейроидентификаторы с прогнозом используются для создания систем нейродиагностики. Окончательное решение об исправности принимает нейронная сеть, обученная на возможный спектр отказов работы систем управления ТОННХ в условиях неполной информации.

2. Разработан метод синтеза адаптивных прогнозируемых нейрорегуляторов на базе нейронных сетей с нечеткой логикой. В отличие от существующих подходов к синтезу классических регуляторов И, ПИ, ПИД, предлагается выбор структур нейрорегуляторов с использованием нечетких бинарных отношений с (тах-тт) — транзитивным замыканием для систем управления ТОННХ, у которых в процессе работы могут меняться параметры, влияющие на статические и динамические характеристики. Прогнозируемые параметры нейрорегуляторов рассчитываются с использованием нечеткой логики.

Для стабилизации давления ионизированной плазмы в установках МАП 2,3 разработана методика синтеза нейрорегуляторов с инверсной характеристикой нейропрогнозирующих нейроидентификаторов. Нейрорегуляторы обеспечивают необходимые динамические и статические характеристики системы стабилизации давления ионизированной плазмы, увеличивают запасы устойчивости.

Для многоконтурных структур электроприводов разработана методика синтеза нейрорегуляторов на базе эталонных моделей. Системы нейроуправления позволяют дообучать нейрорегуляторы с целью получения необходимых статических и динамических характеристик для достижения необходимой точности работы контуров электроприводов.

Разработанные методики были использованы для создания нейросетевых систем управления манипуляторами для роботов с параллельной кинематикой. За счет этих методик удалось повысить точность работы систем управления в условиях анизотропии с неоднородностью динамических, упругих и скоростных свойств манипулятора.

3, Разработан метод анализа устойчивости систем нейроуправленя. В отличие от существующих методов Рауса-Гурвица, Найквиста-Михайлова, Ляпунова, рассматривается поэтапный анализ первой и второй производных оценочной функции, представляющей сумму ошибок между сетевыми выходными сигналами и ожидаемыми значениями выходного сигнала нейросетевого узла с учетом внешних возмущающих воздействий. На первом этапе определяется оценочная функция нейронной сети, на втором этапе вычисляются производные оценочной функции, на третьем этапе происходит разложение в ряд Тейлора выхода нейросетевого узла, на четвертом этапе проводится анализ устойчивости. Стремление к нулю производных первого, второго порядка оценочной функции и ошибки обучения нейронной сети во временной бесконечности позволяет сделать заключение о локальной асимптотической устойчивости систем нейроуправления. Рассмотрены этапы поиска областей локальной асимптотической устойчивости, где производные первого порядка, разложенные в ряд Тэйлора, доминируют над производными второго порядка в £ приближении, на основании чего делается вывод, что влияние производных высших порядков в этой области ничтожно. При снижении запасов устойчивости в систему нейроуправления поступает сигнал о перенастройке нейрорегуляторов. Данный метод упрощает анализ устойчивости нелинейных динамических систем по сравнению с классическими методами.

Практическая значимость результатов диссертационного исследования

заключается в том, что разработанные методы позволяют:

повысить точность идентификации с прогнозированием динамических и статических характеристик систем управления ТОННХ (ионно-плазменных установок МАП 2,3, высокоточных цифровых электроприводов металлорежущих станков, манипуляторов для роботов с параллельной кинематикой);

- разработать алгоритмы и программное обеспечение синтеза адаптивных нейрорегуляторов на базе нейронных сетей с нечеткой логикой, позволяющих повысить точность управления ТОННХ на 15% по сравнению с традиционными, классическими регуляторами;

разработать алгоритмы и программное обеспечение методики синтеза с автоматизированным нечетким выбором структур нейрорегуляторов на базе нейропрогнозирующих нейроидентификаторов для систем нейроуправления с использованием эталонных моделей;

разработать алгоритмы и программное обеспечение методики синтеза с автоматизированным нечетким выбором структур адаптивных нейрорегуляторов на базе нейропрогнозируемой инверсной характеристики;

разработать инструмент изучения и анализа устойчивости систем нейроуправления ТОННХ;

- разработать алгоритмы и программное обеспечение с комплексным подходом создания систем диагностики на базе комбинированной системы нейроуправления, в которой используется ансамбль нейронных сетей с нечеткой логикой. Окончательное решение об исправности и прогнозировании технического состояния ТОННХ принимает нейронная сеть, обученная на возможный спектр неисправностей оборудования.

Практическая реализация работы.

Результаты диссертационной работы использованы в отчетах НИОКР по теме: «Разработка промышленных технологий по созданию адаптивной системы управления оборудованием по обработке металлов», выполненных для Министерства промышленности и энергетики РФ (Государственный контракт №7410.1003702 от 28 сентября 2007 года). Шифр темы: «Станок» РВИЖ 2-Э44. Работа проводилась в ОАО «НИИВК им. М.А.Карцева», акт о внедрении от 0 9. 11. 2010г.

Результаты диссертационной работы отражены в отчетах при выполнении совместно с кафедрой «Системы автоматизированного проектирования» МГТУ им. Н.Э. Баумана проекта №2. 12/1509, проекта №2. 12/1509, мероприятие 2., раздел 2.1, подраздел 21.2 «Разработка научных основ построения мехатронных технологических машин на базе многосекционных манипуляторов типа «Хобот», согласно аналитической

ведомственной целевой программе «Развитие научного потенциала высшей школы (20092010 годы)», акт о внедрении от 07. 0 3. 2011г.

Разработанные алгоритмы и программы на базе методов нейроидентификации статических и динамических характеристик (электродвигателей постоянного тока, асинхронных электродвигателей переменного тока), алгоритмы и программы нейроуправления внедрены при создании многоконтурных систем управления промышленными электроприводами в НИИ «Электропривод», акт о внедрении от 12. 09. 2007г.

В Научно-производственном объединении НПО «ОЛТА» внедрены методы синтеза нейропрогнозирующих многопараметрических нейроидентификаторов с определением их структурных схем на базе ансамбля нейронных сетей и с применением нечетких технологий для определения нелинейных статических и динамических характеристик технических объектов. Разработаны нейроидентификаторы с нейропрогнозированием на базе многослойных нейронных сетей и нечетких гибридных нейронных сетей, при помощи которых удается определять отказы и аварийные ситуации, что существенно

повышает надежность, работоспособность технических объектов с нелинейными и нечеткими характеристиками технологического оборудования, находящегося в эксплуатации в НПО « ОЛТА», акт о внедрении от 0 4. О 7. 2007г.

В ООО Научно-производственной фирме «Системы автоматического управления неопознанными объектами» (ООО НПФ «САУНО») внедрен метод синтеза нейропрогнозирующего нейроидентификатора с использованием нейронных сетей с нечеткой логикой при неполных и неточных нелинейных статических и динамических характеристик технических объектов. Этот метод позволил повысить точность работы электроприводов для фрезерных станков с ЧПУ на 10%. Разработанная методика синтеза нейроадаптивных нейрорегуляторов с использованием бинарных нечетких множеств на базе нейропрогнозирующих нейроидентификаторов для систем управления СТО с желаемыми характеристиками повысила точность работы электроприводов на 15%, акт о внедрении от 0 1.0 3. 2013г.

Во Всероссийском институте авиационных материалов (ВИАМ) разработаны алгоритмы и программы для нейроуправления ионизированной плазмой в установках МАП-2,3, акт о внедрении от 29. 10. 2010г.

Разработанные в диссертации методы проектирования нейроидентификаторов, нейрорегуляторов с нейропрогнозированием использованы в учебном и научном процессе в МГТУ имени Н.Э. Баумана на кафедре (Системы автоматизированного проектирования).

Основные научные результаты, выносимые на защиту.

1. Метод синтеза нейроидентификаторов с прогнозом состояния систем управления ТОННХ с диагностикой неисправных узлов на базе ансамбля нейронных сетей с нечеткой логикой.

2. Метод синтеза прогнозируемых нейрорегуляторов на базе нечетких бинарных отношений для систем нейроуправления ТОННХ.

3. Метод анализа устойчивости систем нейроуправления ТОННХ с анализом производных ошибки обучения нейронной сети.

Апробация работы

Основные положения диссертационной работы докладывались и получили положительную оценку на следующих рабочих совещаниях, семинарах и научно-технических конференциях:

1.1st Workshop on Russian Section of IEEE Computational Intelligence Society .Москва, 2005г.

2.Всероссийская научно-техническая конференция МГТУ им. Н.Э. Баумана «Машиностроительные технологии», 2008 г.

3.51-ая научная конференция Московского физико-технического института (МФТИ) «Современные проблемы фундаментальных и прикладных наук», 2008 г.

4.Научно-техническая конференция «Нейроинформатика - 2008» Москва, Московский инженерно-физический институт (МИФИ), 2008 г.

5.7-ая Международная научная конференция «Нейросетевые технологии и их применение НСТиП-2008», Донбасская государственная машиностроительная академия, 2008 г.

б.Международная научно-техническая конференция «Новые информационные технологии и системы» (НИТиС-2008), Пензенский государственный университет, 2008 г.

7.Научно-техническая конференция «Нейроинформатика- 2009», Московский инженерно-физический институт (МИФИ), 2009 г.

8.15-ая Международная конференция по нейрокибернетике (CNC-09), НИИ нейрокибернетики им. А.Б.Когана РГУ г. Ростов-на-Дону, 2009г.

9.Научно-техническая конференция «Нейроинформатика- 2010», Московский инженерно-физический институт (МИФИ), 2010 г.

Ю.Научно-техническая конференция «Нейроинформатика-2011», Московский инженерно-физический институт (МИФИ), 2011г.

11 .Междисциплинарный научный семинар «Экобионика» Москва, (МГТУ им. Н.Э. Баумана), 2010г.

12.Междисциплинарный научный семинар «Современные проблемы общей физики» Москва, (Институт общей физики академии наук им. A.M. Прохорова (ИОФАН РФ)), 2012г.

13.9-ая Всероссийская конференция «Нейрокомпьютеры и их применение» Московский психологический университет (МПУ), 2011г.

14.10-ая Всероссийская конференция «Нейрокомпьютеры и их применение» Московский психологический университет (МПУ), 2012г.

15. 2-ая Международная научно-практическая конференция «Перспективные разработки науки и техники 2011», - Польша, 2011 г.

16.7-ая Международная научно-практическая конференция «День науки 2012», -Прага, Чехия, 2012 г.

17.Международная научно-практическая конференция «Современные научные достижения 2013», - Прага, Чехия, 2013 г.

Достоверность научных положений, теоретических выводов и практических результатов, полученных в диссертации, подтверждена результатами экспериментальной проверки методов, алгоритмов и программного обеспечения с использованием стандартных и специально разработанных тестов, а также корректным обоснованием и анализом моделей с применением теории нейроуправления.

Публикации.

По теме диссертационной работы опубликованы 54 печатные работы. Из них в перечень ВАК входят 20 печатных работ.

Структура и объем диссертации.

Диссертация состоит из введения, семи глав, выводов по каждой главе, списка использованных источников из 140 наименований. Работа изложена на 372 стр., содержит 247 рисунков и 17 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность исследуемой в диссертации темы, сформулированы цель, научная новизна, практическая ценность и достоверность полученных результатов, изложены защищаемые положения.

В первой главе проведен аналитический анализ и обзор отечественных и зарубежных методов и моделей современных систем нейроуправления с нейроидентификаторами и нейрорегуляторами ТОННХ.

Проанализированы отечественные работы по системам управления с нейроидентификаторами и нейрорегуляторами, выполненных:

1. В МГТУ им. Н.Э.Баумана Васин, A.B. Повышение точности слежения приводов систем космического радиовидения методами оптимального и адаптивного управления на

основе нейронных сетей: авторефер. дис. ...канд. тех. наук : 05.02.05./Васин Алексей Владимирович.-М., 2010,-16 с.,

2. В МФТИ Пантелеев, С.В. Разработка, исследование и применение нейросетевых алгоритмов идентификации и управления динамическими объектами : авторефер. дис....канд. тех. наук : 05.13.01./Пантелеев Сергей Владимирович.- М., 2005.- 20 е.,

3. В ДВПИ им. Куйбышева Ноткин, Б.С. Системы прогнозирующего нейроуправления нелинейными динамическими объектами: авторефер. дис. ...канд. тех. наук : 05. 13. Об./Ноткин Борис Сергеевич.- Владивосток, 2006,- 18 е.,

4. В Северо-Кавказком ГТУ Широков, Р.В. Нейросетевые модели систем автоматического регулирования промышленных объектов: авторефер. дис....канд. тех. наук: 05. 13. Об./Широков Роман Викторович.- Ставрополь, 2003.- 26 е.,

5. В МГУП Куликов, Г.Б. Диагностика механических систем приводов полиграфических машин с использованием искусственных нейронных сетей : авторефер. дис ....д-ра тех. наук: 05.02.13./Куликов Григорий Борисович - Ставрополь, 2008,-39 с.

Проанализированы зарубежные работы по системам управления с нейроидентификаторами и нейрорегуляторами.

1 .При совместных научно-исследовательских разработках США (Университет в Неваде, отделение электротехники), Польши (Варшавский Технологический Университет, отделение систем управления и промышленной электроники), Дании (Аалборгский Университет, энерготехнологическое отделение) опубликована работа «Цифровая обработка сигналов в приводах с асинхронными электродвигателями нечеткими нейронными сетями» 2002г. Andrzcj М., Trzynadlowski, Marian P., Kazmierkowski, Pawel Z., Grabowski, Michael M., Bech;

2.Учеными Кореи (отдел электротехники технического колледжа Jeonju, Chonju) опубликована работа «Модель адаптивного нейроконтроллера с оценочной функцией сопротивления ротора индукционного двигателя» 2003г. Woo-yong Han, Sang-min Kim, Chang-goo Lee;

3.Учеными Китая и Финляндии (Харбинский Институт Технологии, Хельсинский Университет Технологии), опубликована работа «Нейродиагностика электродвигателей» 2005г. Xianyi Zhuang,Sheng Qiang.

В этих работах отмечаются характерные особенности задач с неточными исходными данными, высокая вычислительная сложность получения результата, необходимость коррекции и введения дополнительной информации при управлении ТОННХ. Из-за длительности обучения многослойных нейронных сетей с нелинейными функциями активации ухудшаются динамические параметры систем нейроуправления. Отмечаются проблемы устойчивости систем нейроуправления с многослойными нейронными сетями.

На основании проведенного аналитического анализа и обзора можно сделать вывод, что при идентификации, как правило, используют один тип нейронных сетей, которые не способны одновременно решить комплекс задач по анализу и прогнозированию, что приводит к снижению точности систем управления ТОННХ. Учитывая возрастающие требования к точности работы, возникает необходимость в создании методического и алгоритмического обеспечения, позволяющего выполнять системный анализ идентификации с прогнозированием на базе ансамбля нейронных сетей.

В диссертации проведен анализ существующих традиционных методов управления ТОННХ (оптимальное, адаптивное, экстремальное, стохастическое), которые требуют решения большого количества линейных и нелинейных дифференциальных уравнений, что усложняет и затрудняет процессы управления. Предложенные в диссертации методы

нейроуправления с нечеткой логикой позволяют упростить процесс анализа и идентификации ТОННХ, повысить точность процессов управления.

Для достижения в диссертации поставленной цели повышения точности работы предложена структурная схема системы нейроуправления ТОННХ, представленная на рисунке 1. Она состоит из блока нейропрогнозирующего адаптивного нейрорегулятора, блока с нейропрогнозирующим нейроидентификатором, блока нейропрогнозирующей нейродиагностики.

Во второй главе рассмотрен метод синтеза нейроидентификаторов с прогнозом ТОННХ. Проводится анализ традиционных методов: метода частотных характеристик, метода временных характеристик, метода наименьших квадратов, метода статистических корреляционных функций.

Задающие воздействия

" Неиропрогнозирующие"1 адаптивные нейрорегуляторы : нечеткой логикой

Алгоритмы обучения

а-

неирорегтляторов

Технический ооъект с нелинейными и нечеткими ^ характеристиками

ПГ

4

Ненропрогнозирунщне""1 идентификаторы с нечеткой логикой]

„1С

ПЇейро прогнозирующая ^нейродиагностика

•Алгоритмы ооучения нейроидентификаторов

Рисунок 1. Структура системы нейроуправления ТОННХ

Эти методы часто сводятся к линеаризации дифференциальных уравнений, что приводит к приближенному описанию работы ТОННХ. При классической идентификации с использованием ЭВМ, имеющих архитектуру фон-Неймана, аппроксимируемую функцию представляют в виде последовательной суммы с дальнейшими последовательными вычислениями. При идентификации с использованием нейронных сетей используются параллельные вычисления с возможностью управления числом элементов суммирования, что позволяет достичь требуемой точности прогнозируемых нелинейных статических и динамических характеристик.

Предлагаемый метод представлен в виде схемы (рисунок 2), в котором для определения статических и динамических характеристик ТОННХ используются ансамбли рекуррентных и гибридных нейронных сетей с нечеткой логикой.

' • . - тсшяческнй оБъгкт

Рисунок 2. Схема метода синтеза нейроидентификаторов с прогнозом ТОННХ на базе

ансамблей нейронных сетей

Первый ансамбль нейронных сетей идентифицирует переходную характеристику; второй ансамбль гибридных нейронных сетей с нечеткой логикой осуществляет прогнозирование переходной характеристики на несколько шагов вперед. При обучении этих нейронных сетей анализируется ошибка обучения. Если она превышает заданную точность, то нейронные сети дообучаются. После этого проводится анализ точности нейроидентификации с прогнозом и вычисляются статические и динамические характеристики ТОННХ.

Основные этапы метода состоят из:

- выбора начальной конфигурации и типов рекуррентной и гибридной нейронных сетей с нечеткой логикой;

- выбора критерия обучения для идентифицирующей нейронной сети;

- выбора критерия обучения для прогнозирующей нейронной сети;

- выбора алгоритмов обучения для идентифицирующей нейронной сети;

- выбора числа задержек для идентифицирующей нейронной сети;

- выбора функций активации;

- выбора числа слоев, числа нейронов;

- выбора прогнозируемых параметров для расчета статических и динамических характеристик технического объекта;

- определения входных и выходных переменных для нечеткой нейронной сети;

- задания системы нечеткого вывода;

- выбора лингвистических термов;

- формирования базы правил, выбора функций принадлежности для входных и выходных переменных;

- фазификации входных переменных;

- агрегирования дополнительных условий в нечетких правилах продукций;

- активации дополнительных заключений в нечетких правилах продукций;

- аккумуляции заключений нечетких правил продукций;

- дефазификации выходных данных;

- анализа построения системы нечеткого вывода с графическим отображением.

При увеличении влияния нелинейностей на статические и динамические характеристики технического объекта с целью повышения точности расчета предложено проводить коррекцию параметров нейронной сети с нечеткой логикой (рисунок 3).

Коррекция включает в себя формирование новых баз правил с изменением ширины оснований треугольных функций принадлежностей.

Рисунок 3. Схема коррекции нечетких параметров модели гибридной нейронной сети с

нечеткой логикой

При идентификации характеристик технических объектов необходимо решать задачу определения порядка системы дифференциальных уравнений, поэтому был разработан алгоритм расчета числа задержек для нейронной сети в зависимости от ошибки обучения. Предложенный метод был проверен при идентификации установки МАП 3 для ионно-плазменного напыления лопаток авиационного двигателя (рисунок 4). Точность работы нейроидентификатора при вычислении статических и динамических характеристик, по сравнению с традиционными методами, увеличилась на 20% . На рисунке 5 представлена фотография ионно-плазменной установки МАП 3.

Нсйрошш СС1к / .и« кхнтифнш« /

Проверка гочиоам _

Дообучение ПроКрЫ точносш

жШтка

Дробучете

ШЗчкмдо шрмсфМ и мрапсриспгс

тсшгнхичссшй \naiiotni -„—

СШПССКК II ЛИШНЧКЖ ,ЦЧХк'|>1К1|Ш|

кшюижсшА усшкши

И[ЧЧК'ри 10ЧИ0СТН (ЧЧчсилип щти

ипреишч «1СЙ ч

( пролюич

м

ЛрОГЖ>Иф)ШЯ ИЛСШ* Н.ирошш СС1Ь

• т . у р|п+1)

-

Ионно-шзменная усиановка МАП-3

IV, 1(с<|ро)|.1сн:»фи1ащ|| Ошнйюо^чшш

10' Д1ШНС нх рт ст. \ ,'1ж1СИ|1С ОДЬш

1 4 Ь $ 10 Врем, чии Число хноюбукякя

Руст Димок ш.рш. НсАрОНрОШО!

10' / •

2 14 № |1рсм», Ш1Н

Рисунок 4. Структурная схема системы управления нейроидентификации давления ионизированной плазмы в установке МАП 3

Рисунок 5. Фотография ионно-плазменной установки МАП 3: (а) вакуумная камера,

(б) шкаф управления.

Система уравнений, описывающая процесс нейроидентификации давления ионизированной плазмы в установке МАП 3, имеет вид

у; = у0г~',у2 = г0г-2,г3 = у0г~3,у4 = у0г^,у5 = у0г~5,

£, = ХМ,, + УМ,2 + УМ, + Г21Г14 + У31Г,5 + Г4ЖК + У,ж„ + В,, Ег = Х01У2, + УЛ22 + ^23 + + У3РГ25 + т26 + УМ27 + в2,

Еъ = ХМ3, + УЛ,2 + ^зз + Ф» + % + УЛзе + УРт, + В,,

Еа = хм, + У0К2 + УЯ43 + У2\Уи + У3Г45 + У4^46 + Г,1Г„ + ВА,

е5 = хм, + УМ52 + + У2к54 + УМп + УЛ56 + у Мы + В5,

Е6 = хМе, + г,уга + + ^ + У^65 + гм66 + УМы + В6,

Е, = ХМп + ^72 + ^73 + ^74 + ^75 + У Л76 + ^77 + ^,

£8 = л-,»',, + У0Ж82 + у;^83 + У2Ж84 + УМ85 + г4г. 6 + , + я„

= Х0Г„ + У0Ж92 + У,Г93 + У2Ж94 + У3^95 + У4^96 + У5Ж97 + В9, Е, „ = Х0№-10| + У0^|02 + У,Ж|03 + УМ,м + УМ, 05 + ^,0« + П^.07 + Вю,

Е,5 = ХМ^ + УЛ, 52 + ^>53 + ^154 + ^,55 + + ^157 +

Л, = tan sig(E¡), R2 = tan sig(E2), R3 = tan sig(E3), Rt = tan sig(EA), R5 = tan sig(E¡), R6 = tan sig(E6),

Л, = tan sig (£■,), (1)

Rs = tan sig(Es), R9 = tan sig(E9), R¡0 = tan sig(E¡0),

Rls = tan sig(Els),

Y¿ = R¡W;+...+W;,RIS,

где Y¡¡ - выходной сигнал нейронной сети; í^,..,^ - входные сигналы нейронной сети, задержанные на один, два, три, четыре, пять тактов;

£„...,£„- выходные сигналы первого слоя нейронов; Wn,...,WK1- веса первого слоя нейронов; ¿?,,...,i?15- смещения первого слоя нейронов; R„...,Rl5- сигналы на выходе блоков активации первого слоя нейронов; К„- сигнал на выходе второго слоя нейронов; W¡...WIS- веса второго слоя нейронов; В\- смещение второго слоя нейронов; tan sig -функция активации, имеющая тангенциальную форму.

Система уравнений нейронной сети с нечеткой логикой для прогнозирования давления ионизированной плазмы в установке МАП 3 имеет вид

не/,. = X,, у' = =

I = 1Д

у = 1.............и

п

у!= к=1...................1

У* = Л(пе1\~) = пе1\,

х, =Р,{п), (2)

у* =Р,(п +1),

где х1 - первый сетевой вход; у: - первый сетевой выход; х: - второй сетевой вход; Уц - второй сетевой выход; и О",у , соответственно, среднее и стандартное отклонение функции; хъц - третий сетевой вход; V,3- третий сетевой выход; х* -четвертый сетевой вход; у* - четвертый сетевой выход; п - общее количество лингвистических переменных относительно входных узлов; Р - функция дефазификации.

Для нейроидентификаторов систем управления ТОННХ, работающих в реальном масштабе времени, необходимо решать задачу выбора нейронной сети с оптимальной структурой, минимальным временем обучения и минимальным числом нейронов. В диссертации предлагается система управления, позволяющая увеличивать быстродействие работы нейроидентификаторов с отсеканием лишних локальных минимумов ошибки обучения. Работа системы управления описывается уравнением

их

2т

УТ--ап^

л

2т

агхМ ¿и^О)

V 2/я

УТ--ап^

к

2т [А . . |

—апЛд! ^.„хдп) \ + т

(3)

где х,- входы нейронной сети; Уг - выходной сигнал технического объекта; Ы- число входов нейронной сети; вес к й2- му нейрону второго слоя от Л,- го нейрона

первого слоя сети; т - смещение; п'и1 - вес обратной связи.

В системе управления (рисунок 6) ошибка обучения нейронной сети интегрируется, умножается на коэффициент интегральной составляющей и коэффициент пропорциональной составляющей^, то есть реализуется цифровой ПИ-регулятор с выходным сигналом С/^ для следящей системы управления обучением нейронной сети.

Сумма интегральной и пропорциональной составляющих поступает в блок обучения нейронной сети. Следящая система работает до тех пор, пока не будет достигнута заданная точность обучения нейронной сети. Цифровой регулятор обеспечивает астатизм, точность и устойчивость следящей системы обучения нейронной сети. Когда Е(г) становится равнойследящая система управления останавливает процесс обучения, отсекая поиск лишних локальных минимумов, сокращая при этом число эпох обучения.

Рисунок 6. Структурная схема системы управления для увеличения скорости обучения

нейроидентификатора

Другой, предлагаемый в диссертации способ увеличения быстродействия обучения нейронной сети основан на нелинейном динамическом изменении величины шага обучения, который по мере приближения к локальному минимуму уменьшется, что приводит к снижению числа эпох обучения. При анализе крутизны характеристики ошибки обучения вычисляются первая и вторая производные, которые осуществляют динамическое управление шагом обучения нейронной сети. Шаг / определяется по формуле

І = 'о-Г

2 т і V"1 УТ-—-атсЩ

2т [ А і

—ап^І 2^и>,,д;((л) | + /

1

А

" — аго^І Xу

л л

(4)

где у- коэффициент масштабирования; I - переменный шаг расчета; /0 - постоянный шаг

—акта + я?

. л- \ '=о ;

расчета;

, С

V 2от

УТ--arctg

к

- первая производная ошибки обучения;

\ л

+ т

/ у

<Й2

V 2т

гТ--arctg

к

ъ

- вторая производная ошибки обучения.

Разработанный метод синтеза нейроидентификаторов для определения статических и динамических характеристик нелинейных технических объектов позволяет увеличить на 10-15% точность идентификаци. Благодаря следящим системам управления, разработанным для обучения нейронных сетей, быстродействие увеличивается в 1,5-2 раза (рисунок 7).

£ Ошибка чгннЯ Е

12 3456789 Ошибка *'". "г " II и

Чнс.,0 ЭПОХ обіч

. Ошибка обучения

Заданная ІОЧИОСІЬ

дли системы упрзв-ігмня

—л—__

/

Число ЗПОІ обуч Прекращение процесса "' ""НІ з

(а) (б)

Рисунок 7. Графики ошибки обучения: (а) график зависимости ошибки обучения от переменного шага обучения, (б) график иллюстрации работы системы управления

В третьей главе рассмотрен метод синтеза прогнозируемых нейрорегуляторов с выбором структур нейрорегуляторов на базе нечетких бинарных отношений.

На рисунке 8 представлена структурная схема метода синтеза нейроадаптивных нейрорегуляторов, параметры которых рассчитываются нейронной сетью с нечеткой логикой. Метод состоит из этапов:

- нейроидентификации с прогнозом статических и динамических характеристик ТОННХ;

- формирования нейронной сети с нечеткой логикой;

- обучения нейронной сети с нечеткой логикой;

- вывода поверхности параметров для нечетких входных и выходных переменных;

- формирования обучающей выборки для нейрорегулятора;

- обучения нейрорегулятора;

вычислений статических и динамических характеристик с обученным нейрорегулятором;

- сравнения статических и динамических характеристик СТО с желаемыми параметрами.

Перед синтезом нейронной сети с нечеткой логикой проводится выбор структуры нейрорегулятора с расчетом его параметров. При этом возможны две методики расчета нейрорегулятора с использованием как желаемых характеристик, так и инверсных характеристик технических объектов.

Рисунок 8. Схема метода синтеза прогнозируемых нейрорегуляторов с автоматизированным выбором структур нейрорегуляторов на базе нечетких бинарных

отношений

На рисунке 9 изображена структурная схема синтеза нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления техническими объектами с желаемыми характеристиками.

Первая методика синтеза нейрорегулятора состоит из:

выбора структуры нейрорегулятора с использованием нечетких параметров технического объекта;

- нейроидентификации с прогнозом статических и динамических характеристик технических объектов;

сравнения результатов прогнозирующей нейроидентификации с желаемыми переходными характеристиками;

- формирования обучающей выборки для нейрорегулятора;

- обучения нейрорегулятора;

вычисления статических и динамических характеристик технических объектов с обученным нейрорегулятором;

- сравнения с желаемыми характеристиками эталонной модели.

Если не достигается необходимая точность управления техническим объектом, то проводится дообучение нейрорегулятора.

Рисунок 9. Структурная схема синтеза адаптивных нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления техническим объектом с желаемыми характеристиками

Далее представлены уравнения (5,6,7,8,9), используемые при реализации адаптивного нейрорегулятора для технического объекта, имеющего желаемую характеристику.

Уравнение эталонной модели:

-. (5)

I«;*4

Уравнение нейропрогноза:

р-Рог. (г) = „^ + £ ^ (№о1 + £ ^ )) (6)

Ы ; 1

Вычисление ошибки (г):

IX

Р™{2) _ = ¿=2--Г"""" К,- + ХвдЧ + Е*,*,)) = е*С0- (7)

IX**

Уравнения нейрорегулятора:

Хх = Ха2 1,

Е2=Х^-Х^22 + ¥^23,

Л, = ригеИпе(Е,), = ригеНпе(Еп),

>;, т ■............+лх.

У0 = риге!теУ0,

где Х0,У0- входной и выходной сигналы нейронной сети; Х1,У1 - входные сигналы нейронной сети, задержанные на один такт; Е„...,Еп- выходные сигналы первого слоя нейронов; ГГ„,...Л„3- веса первого слоя нейронов; й,,...,й„- сигналы на выходе блоков активации первого слоя нейронов; Г0- сигнал на выходе второго слоя нейронов; Щ - веса второго слоя нейронов; ригеЧпе - линейная функция активации.

Настройка нейрорегулятора при условии:

На рисунке 10 представлена схема синтеза нейрорегуляторов на базе нейропрогнозируемой инверсной характеристики технического объекта. Вторая методика синтеза нейрорегулятора состоит из:

- выбора структуры нейрорегулятора с использованием нечетких параметров технического объекта;

- нейроидентификации с прогнозом статических и динамических характеристик технических объектов;

- формирования переходной инверсной характеристики технического объекта;

- обучения нейрорегулятора;

- вычисления статических и динамических характеристик технического объекта;

- сравнения статических и динамических характеристик с желаемыми характеристиками.

Если не достигается необходимая точность управления, проводится дообучение нейрорегулятора.

Рисунок 10. Схема синтеза адаптивных нейрорегуляторов на базе нейропрогнозируемой инверсной характеристики технических объектов с использованием нечетких технологий

Далее приведены уравнения (10,11,12), используемые при реализации адаптивного нейрорегулятора на базе нейропрогнозируемой инверсной модели технического объекта.

Формирование инверсной характеристики СТО:

= СР"де"т(г)У1. (10)

Обучающая характеристика для нейрорегулятора:

= *™(г). (11)

Уравнения нейрорегулятора.Р''"^): Х1 ' X ,

У, = Г02-',

Е, = Х0)ГИ-Х11Г12 + Щ13, Е2 = Х0Ж21 - Х,Ж22 + У,Ж23,

Е„ = ХоК, ~ +

= ригеИпе (¿Г,),

Яп = ригеИпе (£„),

У. = +............+

У0 = ригеЧпеУ 0.

Предложенный метод повысил точность работы систем нейроуправления в широком диапазоне статических и динамических характеристик технических объектов на 15%. Прогнозируемые параметры нейрорегуляторов повысили быстродействие работы систем нейроуправления в 1,5-2 раза.

В четвертой главе рассмотрен метод анализа устойчивости систем нейроуправления ТОННХ. На рисунке 11 представлена структурная схема метода анализа локальной асимптотической устойчивости системы нейроуправления техническим объектом с проверкой затухания высших производных ошибки обучения нейронной сети.

Обучение нейронной естн С МНШ1М1ГиШ1СГ| оценочной фуйКШН! 1

Входной

СИ! Н->1

г

с

нейронной ссти технический объект

Вычисление нрон IВОДНЫХ —

Выходной сигнал

оценочной функции I.

о\_ охто\

Разложение в ряд Тейлора выхода сетевою угла ЛЛ.(/>

Анализ устойчивости Для нрон »вольного положительно! О ДСНСТВИТСЛЫГО!о

числа £ и произвольною времени исходная 1рлск'юрмм обучаемых нейронных сетей устойчива при наличии "('•'.)• при котором.ссли^'Л, то |ДА(«.|*г<'у' в противном случае исходная траектория неустойчива.

Рисунок 11. Схема метода анализа локальной асимптотической устойчивости системы нейроуправления техническим объектом

На первом этапе метода в процессе обучения нейронной сети анализируется первая и вторая производные оценочной функции Ь, которая состоит из двух частей: базовой части Ес и расширенной Ех.

где / - коэффициент устойчивости, связывающий обе части уравнения.

Элемент Ес представляет сумму ошибок между сетевыми выходными сигналами и их ожидаемыми значениями. Расширенная часть Ех может являться функцией производных выходного сигнала сетевого узла Иг с учетом, например, момента нагрузки. Ех содержит производные Иг, градиент I состоит из первых и вторых производных Иг.

—~

дЬ д'}1ги)

дИ^) дЛ, дЬ

81 'дА.

8'

81 Э'2Йг(5)

дА.дА.

5АДж) 8ЛтдЛп

а'

81 дА„

8А.

(14)

(15)

Анализируя затухание этих производных, можно сделать выводы о локальной асимптотической устойчивости ТОННХ.

На втором этапе вычисляются производные оценочной функции. На третьем этапе происходит разложение в ряд Тейлора выхода нейросетевого узла; на четвертом этапе проводится анализ устойчивости.

ДАг1(/0)

лг^Со)

2 гшпыдКММЛ'о)

1 ^ ^ а'Я(0

(16)

I ¿-! ¿-I I

хДМ'оЭ-ДМ'о)-

При снижении запасов устойчивости в систему нейроуправления ТОННХ поступает сигнал о перенастройке нейрорегуляторов для обеспечения необходимой устойчивости. Данный метод упрощает анализ устойчивости нелинейных динамических систем с нейроуправлением по сравнению с традиционными методами Рауса-Гурвица, Найквиста-Михайлова, Ляпунова.

В пятой главе предложен новый подход к разработке систем диагностики на базе системы нейроуправления. Использование нейроидентификаторов с прогнозом позволяет создать систему прогнозируемой нейродиагностики для ТОННХ. На рисунке 12 изображены этапы разработки системы нейродиагностики, в которой предлагается идентифицировать с прогнозом параметры технических объектов. Прогнозируемые параметры сравниваются с максимальными отклонениями. Результаты сравнения поступают в предварительно обученную на неисправности нейронную сеть,

которая предсказывает состояние элементов ТОННХ, формируя сигналы отказа оборудования.

Этапы разработки системы нейродиагностики аварийных ситуаций на базе комбинированной системы состоят из:

- нейропрогнозирования статических и динамических характеристик элементов ТОННХ;

- лингвистического описания неисправностей;

- формирования нейронной сети;

- обучения нейронной сети;

- проверки и тестирования системы нейродиагностики.

Рисунок 12. Этапы разработки системы нейродиагностики ТОННХ

На рисунке 13 представлена функциональная схема системы диагностики на базе нейроидентификаторов с прогнозом для электропривода металлорежущего станка, в которой окончательное решение об исправности элементов электропривода принимает нейронная сеть, на вход которой поступают сигналы X,, Х2, Хг, Хі.

: "" Г 1" щ:: :: -V. ^У" |

^ > "і

—— *

Рисунок 13. Структурная схема системы нейродиагностики на базе нейроидентификаторов с прогнозом для электропривода металлорежущего станка

Для нейронной сети составляются вопросы и ответы, которые имеют бинарный вид, т.е. «Да» или «Нет». При составлении « вектора опроса «, если при диагностике следует ответ «Да», то компоненту вектора присваивается 1 (неисправность), если «Нет»- то О (исправность). Система нейродиагностики с прогнозом на базе нейроидентификаторов показала достаточную высокую степень адекватности реальных и прогнозируемых данных о неисправностях, что позволяет сделать вывод о возможности практического использования нейронных сетей для диагностики ТОННХ.

В шестой главе рассмотрены примеры реализации нейросетевых систем управления ТОННХ. Работа проводилась по теме: «Разработка промышленных технологий по созданию адаптивной системы управления оборудованием по обработке металлов» для Министерства промышленности и энергетики РФ (Государственный контракт №7410.1003702 от 28 сентября 2007 года. Шифр темы: «Станок» РВИЖ 2-Э44).

Методы нейроидентификации, нейроуправления, нейродиагностики были проверены на таких ТОННХ, как высокоточный цифровой следящий электропривод металлорежущего станка с токовым, скоростным и путевым контурами; система нейроуправления давлением ионизированной плазмы (рисунки 14-16). Использование разработанных методов позволило повысить точность поддержания частоты вращения вала электродвигателя металлорежущего станка на 15%.

Работа промышленного станочнот -»лектропрнвола Работа станочного элостропрнвода

фирмы Мнтсубисн с |1сйро)'ираа-1С11ием

(а) (б)

Рисунок 14. Структурная схема системы нейроуправления высокоточным цифровым следящим электроприводом для металлорежущего станка с переходными процессами: (а) переходной процесс общепромышленного сервопривода МЯ-12-ххх А/В фирмы Митсубиси, (б) переходной процесс электропривода с нейроуправлением

На рисунке 14 представлена фотография стенда высокоточного цифрового следящего электропривода для металлорежущего станка с системой нейроуправления.

На рисунке 17 представлены фотографии установки МАП 3 с элементами системы управления.

Микро>ЭВМ Программы Нейр ©идентификации •Нейроуправления Нейропрогнозирования \

—

«нкчщ

: - £

0

Рисунок 15. Фотография стенда высокоточного цифрового следящего электропривода для металлорежущего станка с системой нейроуправления

ї Іеііророі-улмтор

и. ІСистема уппіівлєнияі ^ 1 Никуумнан часи.І ' М ІіІЙІ V 1 | расходом гтп | |уствновкн МЛП-3| 1

Сис-ге ♦ Д - Р. I Зилам нос "Давление в| I Тііні.'іеііііе усгамонке | 1н управлення I ,п,соН МЛГІ-Ч 1 н характерне і кк усіимовки МЛІ 1-3 І --ІЛМҐГЬ«--1

Рисунок 16. Структурная схема системы нейроуправления давлением ионизированной плазмы в установке МАП 3

(а) (б)

Рисунок 17. Фотографии установки МАП 3 с элементами системы управления: (а) микропроцессорная система управления, (б) электроприводы для вакуумной

установки

Внедрение разработанных методов для ионно-плазменной установки МАП 3 при напылении лопаток авиационных двигателей позволило увеличить точность стабилизации давления ионизированной плазмы на 15%.

В седьмой главе рассмотрено применение разработанных методов нейроидентификациии и нейроуправления для манипуляторов и роботов с параллельной кинематикой. Работа велась по гранту: проект №2. 12/1509, проект №2. 12/1509, мероприятие 2., раздел 2.1, подраздел 21.2 «Разработка научных основ построения мехатронных технологических машин на базе многосекционных манипуляторов типа «Хобот», согласно аналитической ведомственной целевой программе «Развитие научного потенциала высшей школы (2009-2010 годы)», акт о внедрении от 07. 03. 2011г. Механизмы с параллельной кинематикой требуют использования непрямоугольного (нелинейного) базиса, что порождает следующие особенности манипуляторов такого класса:

- анизотропия и неоднородность динамических, упругих и скоростных свойств манипулятора;

- возможность потери управляемости в некоторых конфигурациях манипулятора;

- возможность интерференции (соприкосновения) отдельных кинематических цепей манипулятора;

- сложность задания движений манипулятора в обобщенных координатах, связанных со степенями подвижности манипулятора.

Поэтому, как следствие, управление манипуляторами для роботов с параллельной кинематикой существенно сложнее управления традиционными роботами. В диссертации были решены проблемы разработки новых неклассических методов управления такими механизмами, в частности нейросетевых методов управления. Проведены исследования эффективности нейросетевых систем управления механизмами параллельной кинематики: манипуляторов для роботов.

На рисунке 18 представлена функциональная схема системы управления электроприводами с обучаемыми адаптивными нейрорегуляторами манипулятора для робота с параллельной кинематикой. Секции манипулятора состоят из платформ и штанг, которые перемещаются при помощи электроприводов. При перемещении секций

манипулятора изменяются длины штанг, что приводит к изменению жесткости и моментов инерции элементов конструкции манипулятора, вследствие чего снижается точность работы с возникновением неустойчивых автоколебательных режимов. Для обеспечения необходимых желаемых статических и динамических характеристик манипулятора для робота с параллельной кинематикой была разработана система управления электроприводами с переобучаемыми адаптивными нейрорегуляторами.

В результате применения адаптивных нейрорегуляторов манипулятора для робота с параллельной кинематикой удалось повысить точность работы на 15-20% и получить качественные устойчивые переходные процессы, отвечающие желаемым статическим и динамическим характеристикам.

Рисунок18. Функциональная схема системы управления электроприводами с обучаемыми адаптивными нейрорегуляторами манипулятора для робота с параллельной

кинематикой

Основные выводы и результаты диссертационной работы

В диссертационной работе изложены научно обоснованные технические решения, внедрение которых вносит значительный вклад в развитие страны.

Основные результаты работы заключаются в следующем:

1. Проведен анализ отечественных и зарубежных исследований в области нейроуправления и нейродиагностики. На основе выполненного анализа обоснована возможность создания систем нейроуправления повышенной точности для ТОННХ.

2. Разработан метод синтеза прогнозируемых нейрорегуляторов с автоматизированным выбором структур нейрорегуляторов на базе нечетких бинарных отношений для ТОННХ. Разработанный метод позволяет выполнять идентификацию технических объектов (ионно-плазменных установок, высокоточных цифровых электроприводов металлорежущих станков, манипуляторов для роботов с параллельной кинематикой), обеспечивая прогнозирование статических и динамических характеристик.

Предложен автоматизированный выбор структуры нейроидентификаторов с уменьшением времени обучения и коррекцией функций принадлежности, базы правил для нейронных сетей с нечеткой логикой. Предложены алгоритмы выбора числа нейронов и числа задержек для достижения необходимой точности идентификации. Разработаны меры повышения быстродействия обучения нейроидентификаторов. Использование ансамбля нейронных сетей с нечеткой логикой позволяет проводить идентификацию с прогнозированием динамики ТОННХ (ионно-плазменных установок, высокоточных цифровых электроприводов металлорежущих станков, манипуляторов для роботов с параллельной кинематикой), что приводит к повышению динамической точности на 10%.

3. Разработан метод синтеза адаптивных нейрорегуляторов на базе нейронных сетей с нечеткой логикой. В отличие от существующих подходов синтеза классических регуляторов на базе нечетких бинарных отношений, предлагается выбор структур нейрорегуляторов для ТОННХ (ионно-плазменных установок, высокоточных цифровых электроприводов металлорежущих станков, манипуляторов для роботов с параллельной кинематикой). Прогнозируемые параметры нейрорегуляторов рассчитываются с использованием нечеткой логики. Адаптивные структуры систем нейроуправления позволяют дообучать нейрорегуляторы для получения необходимых статических и динамических характеристик с целью повышения точности работы ТОННХ. Точность работы систем управления с нейрорегуляторами увеличилась на 15%.

4. Разработан метод анализа устойчивости систем управления ТОННХ. В отличие от существующих традиционных методов Рауса-Гурвица, Найквиста-Михайлова, Ляпунова, анализируется стремление к нулю производных первого, второго порядка ошибки обучения нейронной сети во временной бесконечности с заключением о локальной асимптотической устойчивости систем нейроуправления технических объектов с нелинейными характеристиками. Показано, что обучаемые нейронные сети являются эффективным инструментом изучения устойчивости нелинейных динамических систем. Предложены этапы поиска областей локальной асимптотической устойчивости, где производные первого порядка ошибки обучения, разложенные в ряд Тэйлора, доминируют над производными второго порядка в 4 приближении, на основании чего делается вывод, что влияние производных высших порядков в этой области ничтожно мало по сравнению с влиянием производных первого порядка, что обеспечивает устойчивую работу систем нейроуправления ТОННХ. При снижении запасов устойчивости в адаптивную систему нейроуправления поступает сигнал о перенастройке нейрорегуляторов для обеспечения необходимой устойчивости. Данный метод упрощает анализ устойчивости систем управления ТОННХ по сравнению с традиционными методами.

5. Предложен новый подход создания систем диагностики на базе системы нейроуправления, в которой используется ансамбль нейронных сетей с прямой передачей сигнала и обратным распространением ошибки, ансамбль нейронных сетей с нечеткой логикой. Предложенная система нейродиагностики по сравнению с существующими системами диагностики прогнозирует неисправности и оценивает качество функционирования ТОННХ с выявлением возможных отказов. Окончательное решение об исправности и прогнозировании технического состояния ТОННХ принимает экспертная нейросисгема, обученная на возможный спектр неисправностей в условиях неполной информации о статических и динамических характеристиках. Предложенный новый подход позволяет предсказывать и определять неисправные узлы и неисправные элементы в узлах с прогнозированием работоспособности в условиях неполной и нечеткой информации о ТОННХ.

Совокупность полученных результатов позволяет сделать заключение об успешной реализации научных технических решений, внедрение которых вносит значительный вклад в развитие страны.

Основные публикации по теме диссертации

Статьи в научных журналах, рекомендованных ВАК для публикации результатов докторских диссертаций

1. Буянкин, В. М. Интегральный, пропорциональный, дифференциальный нейрорегулятор // Вестник МГТУ им. Н.Э. Баумана. Сер. «Естественные науки». — 2006.

— №3—С. 56—61.

2. Буянкин, В. М. Применение искусственной нейронной сети в режиме идентификации динамических параметров электродвигателя // Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостроение».— 2006. — №3. — С. 25—30.

3. Буянкин, В. М. Двухконтурная система нейроуправления электроприводом с нейросамонастройкой // Нейрокомпьютеры разработка и применение. — 2006.— №8. — С. 90—94.

4. Буянкин, В. М., Захаров В. Г Физические процессы нечеткого управления при обучении нейрорегуляторов токового контура электропривода с мягкими вычислениями // Вестник МАДИ (ГТУ). — 2007. — №2. — С. 72—75.

5. Буянкин В. М., Захаров В. Г Физические процессы нечеткого управления при обучении нейрорегуляторов токового и скоростного контуров электропривода с мягкими вычислениями. Вестник МАДИ (ГТУ). — 2007. — №3, — С. 102—106.

6. Буянкин, В. М., Захаров, В. Г. Прогнозирование неисправностей электропривода с использованием нечеткой нейронной сети // Вестник МАДИ (ГТУ). — 2009. — №4.— С. 21—23.

7. Буянкин, В. М. Нейропродиагностика и прогнозирование работоспособности оборудования электропривода с использованием нейронной сети // Контроль. Диагностика. — 2008. — №3. — С. 60—63.

8. Буянкин, В. М. Нейропродиагностика и прогнозирование работоспособности оборудования электропривода с использованием нечеткой нейронной сети АОТЕ» // Контроль. Диагностика. — 2007. — №12. — С. 59—61.

9. Буянкин, В. М. Синтез нейрорегуляторов с нечеткой логикой для токового и скоростного контура электропривода с мягкими вычислениями // Автоматизация и современные технологии. — 2007. — №11. — С. 19—24.

10. Буянкин, В. М., Пантюхин, Д. В. Нечеткое управление нейрорегуляторами для токового и скоростного контуров электропривода // Нейрокомпьютеры разработка и применение. — 2009. — №10. — С. 46—51.

11. Буянкин, В. М., Пантюхин, Д. В. Нейроидентификация статических и динамических характеристик асинхронного электродвигателя переменного тока // Нейрокомпьютеры разработка и применение. — 2009. — №7. — С. 69—73.

12. Буянкин, В. М., Семенов, В. С. Система нейроуправления с нейродиагностикой токового контура электропривода //Известия вузов. Машиностроение. — 2007.—№12.

— С. 32—36.

13. Буянкин, В. М. Нейроидентификация статических и динамических характеристик электропривода // Известия вузов. Машиностроение. — 2008. — №9. — С. 43—45.

14. Буянкин, В. М. Нейроидентификация, нейроуправление, нейропрогнозирование статических и динамических характеристик электропривода // Вестник компьютерных и информационных технологий. — 2010. — №5. — С. 24—29.

15. Буянкин, В. М. Анализ влияния числа слоев нейронной сети на устойчивость замкнутых систем нейроуправления электроприводом // Вестник МГТУ им. Н.Э. Баумана. Сер. «Машиностроение». — 2010. — №3. — С. 108—115.

16. Буянкин, В. М., Пантюхин, Д. В. Синтез интегрального пропорционального нейрорегулятора для управления электроприводом // Известия Южного федерального университета. Технические науки. — 2006. — №3. — С. 115—121.

17. Буянкин, В. М. Разработка метода синтеза многопараметрической нейропрогнозирующей идентификации с использованием ансамбля нейронных сетей с нечеткой логикой для сложных технологических установок // Промышленные АСУ и контроллеры. — 2012. — №6. — С. 31—35.

18. Буянкин, В. М. Метод нейропрогнозирующей нейродиагностики аварийных ситуаций в сложных электротехнических системах с применением интеллектуальных нечетких технологий // Приборы и системы. Управление, контроль, диагностика. — 2012.

— №5. — С. 5—12.

19. Буянкин, В. М. Синтез нейроадаптивныхнейрорегуляторов с использованием нечетких технологий на базе нейропрогнозирующихнейроидентификаторов для систем управления сложными техническими установками // Приборы и системы. Управление, контроль, диагностика. —2012. — №8. — С. 33—44.

20. Буянкин, В. М. Управление электроприводами для механизмов параллельной кинематики робота манипулятора типа «Хобот» // Исследования Наукограда. — 2012. — №1, —С. 29—36.

Основные публикации в остальных изданиях

21. Буянкин, В. М. Нейронные сети в управлении. Нейросетевые методы повышения эффективности систем управления сложными элементами электротехнических установок.

— Germany.: LAMBERN Academic Publishing, 2011. — 300 с.

22. Буянкин, В. М., Каганов, Ю. Т. Нейроуправление роботами с параллельной кинематикой. — Germany.: LAMBERN Academic Publishing Germany, 2011. — 165 с.

23. Буянкин, В. М. Нейросетевая идентификация и управление некоторыми механизмами параллельной кинематики / В. М. Буянкин, С. М. Гоменюк, А. П. Карпенко, Т. О. Литун. — Приложение к журналу «Информационные технологии». — 2011. — №11.

— 32 с.

24. Буянкин, В. М. Цифровое управление электродвигателями. Микропроцессорный следящий электропривод. — Germany. : LAMBERN Academic Publishing Germany, 2012.

— 180 c.

25. Буянкин, В. M. Нечеткое управление в токовом и скоростном контурах электропривода // Неироинформатика-2008 : труды 10-й Всероссийской научно-технической конференции. — Москва, 2008. — С. 35—45.

26. Буянкин, В. М. Нейропрогнозирование работоспособности оборудования электропривода нейронной сетью // Неироинформатика-2008 : труды 10-й Всероссийской научно-технической конференции. — Москва, 2008. — С. 49—56.

27. Буянкин, В. М. Нейроидентификация физических процессов при ионно-плазменном напылении // Нейроинформатика-2009 : труды 11-й Всероссийской научно-технической конференции. — Москва, 2009. — С. 58—65.

28. Буянкин, В. М. Анализ влияния на устойчивость замкнутых систем нейроуправления электроприводом числа слоев нейронной сети // Неироинформатика-2010: труды 12-й Всероссийской научно-технической конференции. — Москва, 2010. — С. 12—24.

29. Буянкин, В. М., Ковалева, С. К. Анализ локальной устойчивости, базирующийся на затухании высших производных ошибки обучения нейронных сетей // Математика,

современные информационные технологии-2012 : труды 8-й Международной научно-практической конференции. — София, 2012. — С. 53—65.

30. Буянкин, В. М., Гоменюк, С. М. Разработка методики синтеза нейропрогнозирующей идентификации статических и динамических характеристик сложных технологических установок с использованием ансамбля нейронных сетей // Неироинформатика-2011: труды 13-й Всероссийской научно-технической конференции.

— Москва, 2011. — С. 21—23.

31. Буянкин, В. М., Пантюхин, Д. В. Синтез последовательного интегрального пропорционального нейрорегулятора для управления электроприводом // Перспективные системы и задачи управления : труды Всероссийской научно-технической конференции.

— Домбай, 2006. — С. 115—121.

32. Буянкин, В. М. Нейропрогнозирование работоспособности оборудования электропривода нейронной сетью //Неироинформатика-2008 : труды 10-й Всероссийской научно-технической конференции. — Москва, 2008. — С. 35—45.

33. Буянкин, В. М. Нейроидентификация характеристик установки с ионно-плазменном напылением для нанесения жаростойких покрытий // Машиностроительные технологии-2008 : труды Всероссийской научно-технической конференции. — Москва, 2008.—С. 85-95.

34. Буянкин, В. М. Нейроидентификация характеристик установки с ионно-плазменном с напылением для нанесения жаростойких покрытий // Современные проблемы фундаментальных и прикладных наук : труды 51-й научно-практической конференции. — Москва, 2008. — С. 75—87.

35. Буянкин, В. М. Нейроидентификация физических процессов при ионно-плазменном напылении // Неироинформатика-2009 : труды 11 -й Всероссийской научно-технической конференции. — Москва, 2009. — С. 35—45.

36. Буянкин, В. М. Нечеткое нейроуправление электродвигателем// Нейросетевые технологии и их применение НСТиП-2008 : труды 7-й Международной научной конференции. — Донбасс, 2008. — С. 95—111.

37. Буянкин, В. М. Нейродиагностика статических и динамических характеристик нейронной сетью // Новые информационные технологии НИТиС-2008 : труды 8-й Международной научной конференции. — Пенза, 2008. — С. 60—71.

38. Буянкин, В. М. Нейродиагностика с комбинированным подходом к нейропрогнозированию аварийных ситуаций в электроприводах : труды 15-й Международной конференции по нейрокибернетике CNC-09.— Ростов-на-Дону, 2009. — С. 120—129.

39. Буянкин, В. М. Разработка методики синтеза нейропрогнозирующей идентификации с использованием нечетких нейронных сетей при неполных неточных статических и динамических характеристик сложных электротехнических установок ансамблем нейронных сетей // Нейрокомпьютеры и их применение : труды 9-й Всероссийской конференция. — Москва, 2011. — С. 161—173.

40. Комбинированный подход с использованием метода нейропогнозирующей нейродиагностики сложных электротехнических установок // Нейрокомпьютеры и их применение : труды 9-й Всероссийской конференция. — Москва, 2011. — С. 180—193.

41. Буянкин, В. М., Васильев, В. В. Цифровой следящий электропривод с раздельным управлением реверсивным тиристорным преобразователем // Электро- и гидропривод станков с ЧПУ и промышленных роботов : сб. науч. тр. — М. : ЭНИМС, 1982. — С.78—86.

42. Буянкин, В. М. Управление приводом в микропроцессорных системах // Микропроцессорная техника в металлорежущих станках с ЧПУ : сб. науч. тр. — М. : ЭНИМС, 1983. — С.43—51.

43. Буянкин, В. М. Диагностика цифрового следящего электропривода / В. М. Буянкин, В. В. Васильев, Э. Л. Тихомиров, Н. С. Точилина // Проблемы создания автоматизированных металлорежущих станков. — М. :НИИмаш, 1981. — С. 135—140.

44. А. с. 734607 СССР. Цифровой следящий привод / В. М. Буянкин и др. (СССР). — № 2630351/18-24;заявл. 10.07.78 ; опубл. 15.05.80, Бюл. № 18.

45. А. с. 746653 СССР. Устройство для преобразования перемещение - код-фаза. Цифровой следящий привод / В. М. Буянкин и др.(СССР). — № 2606552/18-24; заявл. 24.04.78 ; опубл. 07.07.80, Бюл. № 18.

46. А. с. 809056 СССР. Устройство для управления электроприводом / В. М. Буянкин и др.(СССР). — № 2657476/18-24; заявл. 15.09.78 ; опубл. 28.92.81, Бюл. № 8.

47. А. с. 926703 СССР. Преобразователь угловых перемещений в код / В. М. Буянкин и др. (СССР). — № 2693501/18-24 ;заявл. 19.12.78 ; опубл. 07.05.82, Бюл. № 17.

48. Буянкин, В. М., Кравец, В. А., Семенов, В. С. Изучение электропривода постоянного тока с прямым микропроцессорным управлением : метод.указания к лабораторной работе по курсу «Основы электропривода» / под. ред. Ю. И. Даниленко. — М.: МВТУ им. Н.Э. Баумана, 1982. — 12 с.

49. Буянкин, В. М. Применение оборудования по микропроцессорному приводу в лаборатории электропривода / В. М. Буянкин, В. А. Кравец, В. С. Семенов, Р. О. Шамгулов . — М., 1991. — Деп. в ВНИИВО, №1148-91.

50. Буянкин, В. М., Русаков В. М. Исследование статической и динамической точности микропроцессорного электропривода // Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостроение». — 2004. —№ 1.

51. Буянкин, В. М., Русаков, В. М. Влияние внешних возмущающих воздействий на точность микропроцессорного электропривода // Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостроение». — 2004 .— № 2(54).

52. Буянкин, В. М., Русаков, В. М. Анализ влияния дискретности по времени на устойчивость работы микропроцессорного электропривода // Современные естественнонаучные и гуманитарные проблемы : сб. тр. — М. : Лагос, 2005.

53. Буянкин, В. М. Нейродиагностика электропривода : труды 7-й Международной научно-практическая конференция «Новейшие достижения Европейской науки». — София, 2011. Т.40. — Современные информационные технологии. — С. 18—25.

54. Буянкин, В. М. Нейроуправление группой электроприводов секции робота-манипулятора «Хобот» : труды 2-й Международной научно-практической конференции «Перспективные разработки науки и техники 2011». Т.40. — Польша, 2011. — С. 48—55.

Формат 60x90/16 Объем 2,25 усл.п.л. Тираж

Отпечатано в ООО ИПЦ «МАСКА», Научный проезд, д.20 Заказ № 705