СИНТЕЗ НЕЧЕТКИХ НЕЙРОРЕГУЛЯТОРОВ ДЛЯ СИСТЕМ

1937
УДК 681.5
СИНТЕЗ НЕЧЕТКИХ
НЕЙРОРЕГУЛЯТОРОВ ДЛЯ СИСТЕМ
УПРАВЛЕНИЯ СЛОЖНЫМИ
ОБЪЕКТАМИ С ПРИМЕНЕНИЕМ
ДИНАМИЧЕСКИХ СЕТЕЙ
И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
A.Ф. Алексеев
Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ
Россия, 420141, Казань, ул. Карла Маркса, 10
E-mail: [email protected]
К.Л. Горшкова
Альметьевский государственный нефтяной институт
Россия, 423450, Альметьевск, ул. Ленина, 2
E-mail: [email protected]
П.С. Широков
Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ
Россия, 420141, Казань, ул. Карла Маркса, 10
E-mail: [email protected]
Ключевые слова: нейронные сети, генетические алгоритмы, нейрорегулятор
Аннотация: Предлагаются алгоритмы синтеза систем управления, основанные на нейронных сетях и генетических алгоритмах.
1. Введение
Предлагаются алгоритмы синтеза систем управления, основанные на нейронных
сетях и генетических алгоритмов. Далее конструируются нейрорегуляторы для различных задач.
2. Нейромоделировние с применением RBF NN сетей
На каждом интервале дискретности применим нейросетевую добавку для нейронечеткой аппроксимации системы управления, основанной на T-S-модели. FLC-регулятор
и RBF NN–регулятор в случае правильной настройки в процессе управления устраняют
автоматически все ошибки аппроксимации. Выбранный вариант (RBF NN –регулятор)
позволяет в реальном времени проводить необходимую настройку. Выберем нейронXII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1938
ную сеть, основанную на радиально-базисных функциях (RBF NN controller)/(RBF
сеть). RBF NN предназначена для аппроксимации функций, заданных в неявном виде,
набором шаблонов. RBF NN имеет единственный скрытый слой, только нейроны скрытого слоя имеют нелинейную активационную функцию. Для настройки выбираем для
рассмотрения уже cинтезированный процесс на основе модального синтеза или на основе LQR-метода или FLC-нечеткого регулятора. Рассмотрим следующие обозначения:
c  (c1 , c2 ,..., cn ) – вектор координат центра активационной функции нейрона скрытого
слоя;  j – ширина окна активационной функции

 j1
n
( X j c j )
j -го нейрона скрытого слоя;
2

f ( X , c)  e
– радиально-симметричная активационная функция нейрона
скрытого слоя; i , j – вес связи между i -м нейроном исходного слоя и j -м нейроном
скрытого слоя.
Алгоритм обучения сети RBF выбирается следующим образом. 1) Выбирается
размер скрытого слоя H равным количеству тренировочных шаблонов Q . Синаптические веса нейронов скрытого слоя принять равными. 2) Центры активационных функций нейронов скрытого шара размещаются в точках пространства входных сигналов
сети, входящих в набор тренировочных шаблонов  : c j  X j , j  1, H . 3) Ширина окон
2
активационных функций нейронов скрытого слоя  j , j  1, H выбирается достаточно
большой, но без наложения в пространстве входных сигналов сети. 4) Определяются
веса нейронов исходного слоя сети wi , j , i  1, Z , j  1, H . Для этого предъявляется сети
весь набор тренировочных шаблонов. Выход i -го нейрона исходного шара для p -го
шаблона определяется:
Yi  wi1 f ( X p , c1 )  wi 2 f ( X p , c2 )  ...  wiH f ( X p , cH ) 
 wi1 f ( X p , X 1 )  wi 2 f ( X p , X 2 )  ...  wiH f ( X p , X H )  Di .
Уравнение для всех выходов сети и всех шаблонов в матричной форме имеет вид
T
– интерполяционная матрица, fij  f ( X i , X j ) ;
w  D , где   fij
i 1. H , j 1, h
w  wij
i 1, H , j 1, z
– матрица исходных синаптических весов; D  dij
i 1, H , j 1, z
– матрица
исходных шаблонов.
Решение wT   1 D дает нам искомые значения исходных синаптических весов,
что обеспечивает прохождения интерполяционной поверхности через тренировочные
шаблоны в пространстве входных образов. После нормирования xij , ci  [0,1] , получается: 0   i 1 ( xij  ci ) 2  n для всех начальных образов, параметр  выбирался по реn
комендациям в интервале
n / 2   3 n / 2.
2.1. Нейросетевое моделирование. Общие алгоритмы
Существуют два подхода к настройке параметров регулятора с применением нейронных сетей. В первом подходе обучение нейронной сети осуществляется с участием
эксперта. Процесс обучения выглядит следующим образом. Эксперт должен настраивать параметры K P , K I , K D , … в замкнутой системе автоматического регулирования
при различных задающих воздействиях r (t ) с достаточным для практики качеством.
Полученная в результате настройки с участием эксперта совокупность векторов V i (
i  1, n ),характеризующих динамику задающего воздействия r , рассогласования e* ,
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1939
управляющего воздействия u * и выхода объекта y* , подается на вход нейронной сети,
подключенной к регулятору (ПИД-регулятору в частном случае или другому регулятору). Веса нейронной сети подбираются таким образом, чтобы минимизировать разницу
 * между управляющим воздействием u * , полученным с участием эксперта, и управляющим воздействием u , найденным при параметрах ПИД-регулятора (или другого
регулятора), которые вычисляются как выходные значения нейронной сети.
Самой сложной частью в настройке параметров с использованием данного подхода
является необходимость использования эксперта и обеспечение полноты задающих
воздействий.
Используется другой подход к настройке регулятора с использованием нейронной
сети. При настройке параметров участие эксперта исключается. При этом веса нейронной сети определяются из условия минимизации функции энергии E , которая может
быть задана, например, в виде: E (ti )  e2 (ti 1 )  (r (ti 1)  y (ti 1 ))2 . Здесь управляющее воздействие u (ti ) зависит от параметров K P , K I , K D , … , вычисленных нейронной сетью.
Основным недостатком использования нейронных сетей является сложность получения
выборки, а также определения архитектуры сети.
2.2. Методы оптимизации (генетические алгоритмы)
Идея методов оптимизации для настройки параметров регулятора заключается в
следующем. Выбирается целевая функция, в качестве которой выступает показатель
качества J , зависящий от параметров регулятора (ПИД-регулятора в частном случае).
К полученной целевой функции применяются численные методы оптимизации, которые позволяют определить параметры регулятора, обеспечивающие минимум показателя качества J .
Достоинства методов оптимизации заключаются в следующем: 1. Методы позволяют получить значения параметров, не требующие дальнейшей подстройки. 2. Модель
объекта может быть сколь угодно сложной.
Однако реализация данного подхода связана с определенными трудностями, к которым относятся: 1. Расхождение вычислительного процесса методов оптимизации,
приводящее к тому, что искомые параметры регулятора не будут определены. 2. Медленная сходимость методов в случае поиска минимума для овражных функций или
функций с несколькими минимумами.
Генетические алгоритмы позволяют найти параметры регулятора, доставляющие
минимум показателя качества J, быстрее, чем другие методы случайного поиска. Существенным их достоинством является отсутствие трудностей со сходимостью.
Для применения генетических алгоритмов необходимо преобразовать параметры
регулятора в хромосомы. Параметры могут быть представлены в двоичной форме, в
форме действительных двоичных чисел или в другой форме, в зависимости от выбранной схемы кодирования. Для работы алгоритмов необходимо задать нижнюю и верхнюю границы значений искомых параметров.
Недостатком генетических алгоритмов в ряде случаев является большое время поиска значений параметров, близких к оптимальным, поскольку область возможных значений параметров регулятора выбирается достаточно большой.
Анализ методов настройки параметров регулятора в системах регулирования нелинейных динамических стационарных объектов, не испытывающих возмущений, показал преимущество генетического алгоритма. Поэтому для настройки параметров регулятора, обеспечивающих решение задачи, используется генетический алгоритм. Однако
область возможных значений вектора K P , K I , K D , … выбирается как
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1940
[0, C ]  [0, C ]  [0, C ]  ... , где C – достаточно большое число. Как следствие, поиск значений вектора параметров K P , K I , K D , … регулятора, при которых показатель качества J достигает минимума, требует большого числа итераций. Для сокращения числа
итераций требуется уменьшить область возможных значений вектора параметров K P ,
K I , K D , … . С этой целью рассматривается следующие методика и алгоритм.
3. Генетический алгоритм настройки параметров регулятора
При применении генетического алгоритма для настройки параметров регулятора в
известных работах используется вещественное кодирование. В этом случае хромосома
G j представляет собой вектор параметров K P , K I , K D , …. При этом значение первого
гена g j1 хромосомы G j соответствует коэффициенту K P , второго g j 2 – коэффициенту
K I , третьего g j 3 – коэффициенту K D , … : G j  ( K P , K I , K D ,...)  ( g j1 , g j 2 , g j 3 ,...) ,
j  1, Nmax , где N max – число хромосом в популяции.
Функция приспособленности задается в виде: Fn  1/ J , где J рассчитывается по
формуле.
Начальная популяция хромосом формируется путем случайного выбора значений
векторов ( K P , K I , K D ,...) из области [0, CK P* ]  [0, CK I * ]  [0, CK D* ]  ... . Отбор хромосом
производится с помощью рангового метода селекции, в качестве генетических операторов используются арифметическое скрещивание и равномерная мутация (в том числе
используются обобщенные логические цепочки). Для формирования нового поколения
применяется элитарная стратегия, при использовании которой на каждой итерации алгоритма в популяции сохраняется наилучшая хромосома, т.е. хромосома с наибольшей
приспособленностью. Работа генетического алгоритма останавливается при выполнении одного из следующих условий: 1) при достижении максимального числа поколений
K max ; 2) если значение приспособленности Fn (G* ) наилучшей хромосомы G* удовлетворяет условию Fn (G* )   , где  – заданная точность; 3) если приспособленность
наилучшей хромосомы не изменяется в течение заданного числа итераций nc .
3.1. Нейрогенетический алгоритм настройки регулятора
Алгоритм. Для настройки вектора параметров ( K P , K I , K D ,...) , обеспечивающих
решение задачи, предлагается следующий алгоритм.
1) Задание исходных данных. Задаются: вектор параметров ( K P* , K I * , K D* ,...) , най-
денных с помощью алгоритма; константа C ; размер популяции N max ; максимальное
число поколений K max ; вероятности скрещивания pc и мутации pm ; вероятность q '
отбора наилучшей хромосомы; точность  ; число итераций nc , в течение которого
приспособленность наилучшей хромосомы не изменяется. Счетчик k числа итераций
полагается равным нулю.
2) Инициализация. Вычисляются максимальные значения gl max ( l  1,3 ) параметров
регулятора: g1max  CK P* , g 2 max  CK I * -, g3max  CK D* . Случайным образом генерируется
N max хромосом, образующих начальную популяцию P (0) следующим образом: значеXII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1941
ния генов g jl ( j  1, N max , l  1, 3... ) хромосом G j случайным образом выбираются из
отрезков [0, gl max ] . Таким образом, формируется множество векторов ( K P , K I , K D ,...) ,
принадлежащих области [0, CK P* ]  [0, CK I * ]  [0, CK D* ]  ... .
3) Оценивание приспособленности. Для каждой хромосомы G j текущей популяции
P (k ) значения параметров ( K P , K I , K D ,...) выбираются из соответствующих генов, и по
формуле вычисляется приспособленность хромосомы G j .
4) Выбор наилучшей хромосомы. Выбирается хромосома G* с наибольшим значением приспособленности, т.е. определяется вектор параметров, обеспечивающий минимальное значение показателя качества J . Если Fn (G* )  Fn , то полагается ic  ic  1 ,
иначе i  1 , F  F (G* ) .
c
n
n
5) Проверка условий остановки. Если выполняется одно из условий: 1) kc  K max ; 2)
Fn ( S * )   ; 3) ic  nc , то осуществляется переход к пункту 6, иначе к пункту 10.
6) Отбор. Формирование родительской популяции M ( k ) хромосом.
7) Скрещивание. К отобранным хромосомам родительской популяции M ( k ) применяется оператор скрещивания следующим образом.
8) Мутация. К хромосомам популяции P ( k  1) применяется оператор мутации.
9) Переход к следующему поколению. В популяцию P ( k  1) включается наилучшая хромосома G* , полагается k  k  1 и осуществляется переход к пункту 3.
10) Остановка алгоритма. Определение вектора параметров ( K P , K I , K D ,...) , соответствующего наилучшей хромосоме G* .
3.2. Нейрогенетический алгоритм настройки регулятора
Таким образом, нейрогенетический алгоритм для определения параметров

( K P , K I , K D ,...) регулятора, обеспечивающих решение задачи, состоит из следующих
шагов:
Алгоритм. 1) С помощью предыдущего алгоритма определяется вектор параметров ( K P* , K I * , K D* ,...) регулятора, обеспечивающий установившийся режим переходного процесса.
2) Если при найденном значении вектора ( K P* , K I * , K D* ,...) выполняется условие
J ( K P* , K I * , K D * ,...)   , то осуществляется переход к пункту 3, иначе к пункту 4.
3) Значения ( K P* , K I * , K D* ,...) принимаются в качестве параметров регулятора, и
осуществляется переход к пункту 5.
4) Для настройки вектора параметров ( K P , K I , K D ,...) применяется генетический
алгоритм.
5) Остановка алгоритма и вывод вектора параметров ( K P , K I , K D ,...) .
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1942
4. Решение задачи на основе применения нелинейного
программирования
Общая проблема нелинейного программирования для непрерывных переменных
заключается в том, чтобы найти X такой, что
optimize f (X ) , X  ( x1, x2 ,..., xn )  R n ,
n
область поиска S определена как n-мерный прямоугольник в R (области переменных)
и дополнительным набором ограничений:
g j ( X )  0 j  1, q
,
,
hj ( X )  0
, j  q  1, m .
Большинство исследования в области применений эволюционных методов вычисления к проблемам нелинейного программирования рассматривали довольно сложные
целевые функции. Простые задачи требовали больших усилий. В теории управления и
особенно с применением генетических алгоритмов трудности возрастают.
В методе Homaifar, Lai и Qi (1994) предполагается, что для каждого ограничения
мы устанавливаем семейство интервалов, которое определяет соответствующие значения штрафа. Метод работает следующим образом: для каждого ограничения, создаем
несколько (J) степеней противоречия, для каждого уровня противоречия и для каждого
R
ограничения, создаем коэффициент штрафа ij ( i = 1,2...; j = 1,2...); более высокие
степени противоречия требуют больших значений этого коэффициента.
Численные эксперименты (Michalewicz, 1995) указывают, что качество решений в
большой степени зависит от значений этих параметров. Если коэффициенты штрафа,
Rij
умеренны, алгоритм может сходиться к недопустимому решению; это может произойти, если значение целевой функции (вместе со всеми штрафами) для такого недопустимого решения все еще более привлекательна, чем значения целевой функции для
допутимых решений (см. Michalewicz, 1995 для примера такого случая). С другой стоR
роны, если штрафные коэффициенты ij слишком велики, метод эквивалентен отбраковке недопустимых решений.
Довольно вероятно, что для данной проблемы существует оптимальный набор параметров, для которых система вернула бы допустимое почти оптимальное решение,
однако, его может быть довольно трудно найти. Видимо, вышеупомянутый метод должен быть расширен дополнительным алгоритмом, который определяет все степени
противоречий и все коэффициенты штрафа на основе нескольких компонентов; они
включают (1) тип целевых функции, (2) число переменных, (3) число ограничений, (4)
типы ограничений, и (5) отношение между величинами допустимой и всей области поиска.
Вычислительные трудности возрастают при отсутствии гладкости.
5. Динамические нейронечеткие адаптивные
системы управления
В нечетком и нейронечетком моделировании предпочтителен подход, основанный
на адаптивных алгоритмах моделирования. Для этого используются динамические нечеткие нейронные сети (ДННС).
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1943
Структура ДННС. ДННС – открытые нейронные сети RBF в структуре и эквивалентны нечеткой T-S системе. Открытое здесь, главным образом, означает, что структура нейронных сетей превышает три слоя, смещения не рассмотрены, и веса не могут
быть реальными константами, но могут быть функциями входов.
6. Приложения
6.1. Алгоритм синтеза нечеткого H  регулятора системы
управления вертолета «Ансат»
Предлагается алгоритм синтеза нечеткого H  регулятора. Разработка нечетких алгоритмов использует адаптивные алгоритмы идентификации параметров системы
управления вертолетом с учетом неопределенностей по параметрам и программной
траектории с применением нечетких преобразований И. Перфильевой, а также нечеткое
идентифицирующее устройство, синтезируемое с применением метода функций Ляпунова. Разработаны алгоритмы синтеза лингвистических (интуитивно-опытных) нечетких регуляторов (НЛР) и НЛР, использующих моделирование с помощью динамических моделей (дифференциальные уравнения, конечно-разностные уравнения, гибридные системы) с использованием нескольких функций Ляпунова и векторных функций
Ляпунова.
Разработан алгоритм синтеза H  нечеткого регулятора с учетом запаздывания.
Конструируются алгоритмы нейросетевого моделирования с использованием в НЛРрегуляторе. Разработаны алгоритмы синтеза H  нечеткого регулятора с учетом запаздывания с использованием нейроалгоритмов в управлении вертолетом. Используются
метод функций Ляпунова для синтеза управления. Разработаны алгоритмы конструирования дискретных идентифицирующих устройств пониженного порядка для использования в управлении вертолетом при наличии частичных отказов. Синтезируются соответствующие нечеткие логические регуляторы.
Отладка алгоритмов моделирования и синтеза НЛР проведена на принятых моделях движения вертолета для последующего сравнения с четким регулятором с применением H  регулятора.
Разработаны также алгоритмы синтеза дискретного нечеткого регулятора с использованием нечеткого наблюдающего устройства. Проведено тестирование разработанных алгоритмов на примерах.
На основе предложенных алгоритмов разрабатывается алгоритм и программное
обеспечение для конструирования нечетких идентифицирующих устройств пониженного порядка для использования в управлении вертолетом при наличии частичных отказов для линейных и нелинейных систем управления.
Проводится сравнительный анализ характеристик четких систем управления и четких систем управления с идентифицирующими устройствами и соответствующих нечетких систем.
Нейроуправление является частным случаем в теории интеллектуального управления и подразумевает использование искусственных нейронных сетей для решения задач
управления
различными
объектами
http://ru.wikipedia.org/wiki/%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D
0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0
%B5_%D1%83%D0%BF%D1%80%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1944
%B8%D0%B5. Рассмотрена задача синтеза нейрорегулятора на примере модели вертолета «Ансат». Для демонстрации работы нейрорегулятора требуется обучающая выборка, которая получается с использованием стандартных регуляторов. Рассматривается управление вертолетом «Ансат» в режиме горизонтального полета со скоростью 150
км/ч на высоте 50 м. Рассматривается линейная модель вертолета.
Обучающая выборка должна быть достаточна для обучения. Это значит, что в выборке должны быть представлены максимально все возможные вход-выход пары сигналов, в противном случае нейрорегулятор может недонастроиться и, соответственно,
не удовлетворять требуемым критериям оценки. Так же обучающая выборка не должна
быть излишней, т.к. например повторяющиеся сигналы на входе при разных сигналах
на выходе вводят противоречия и как следствие ошибку на выходе. Другими словами,
нейронная сеть теряет способность обобщать результат на новые наблюдения. Повторяющие сигналы – это сигналы близкие друг к другу на величину равную или меньшую
(выбиралось   0.0001 ). Для многомерных систем расстояние между сигналами,
поступающими на вход нейронной сети, удобно определять по евклидовому расстоянию между двумя точками пространства. В качестве метода настройки параметров
нейрорегулятора использовался генетический алгоритм.
Рассмотрены в качестве примера два нейрорегулятора. Первый имеет архитектуру
MLP 8-8-4 (Многослойный персептрон), второй имеет архитектуру RBF 8-6-4 (Радиально-базисной функции). RBF нейрогелятор настроен с использованием описанного
генетического регулятора, а MLP с использованием специализированного программного обеспечения.
Из представленного результата видно что MLP имеет более точную настройку, а
RBF имеет выбросы за линию значений обучения. Предварительная оценка подтвердилась и RBF имеет меньшую точность по сравнению с MLP, но заметим, RBF нейрорегулятор моделирует произвольную зависимость с использованием только одного скрытого слоя, что позволяет ему работать быстрее и не испытывать трудностей с локальными минимумами при обучении. Это означает, что RBF нейрорегулятор уступает
MLP в точности, но выигрывает во времени работы и обучения. К тому же RBF нейрорегулятор можно легко донастроить в процессе эксплуатации, чего не скажешь о MLP.
Все это дает RBF нейрорегулятору большое преимущество применения в динамических
системах.
В соответствии с полученными данными, предварительная оценка полностью подтвердилась, и MLP в рамках обучающей выборки действительно полностью ей соответствует по сравнению с RBF, но сложность конфигурирования, неизменность структуры
в процессе эксплуатации, продолжительность процесса настройки и большая размерность нейронов в скрытых слоях для аппроксимации отображения у MLP сетей по
сравнению с RBF сильно затрудняют применение их в динамических системах управления и их донастройку по новым данным в процессе эксплуатации.
6.2. Система нечеткого управления тепловыми процессами установки
смешивания сверхвязкой и высокосернистой нефти для дальнейшей
транспортировки
Разработана математическая модель технологического процесса предварительной
подготовки сверхвязкой нефти (СВН), который заключается в смешивании высокосернистой нефти (ВСН) со сверхвязкой нефтью и в дальнейшей транспортировке полученной смешанной нефти. Деление объекта исследования происходит по технологическим
элементам с сохранением их функциональных связей и свойств, которые представляются алгебраическими, дифференциальными и другими функциональными уравнениями.
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.
1945
Непрерывная подача заданных объемов нефти обеспечивается насосами. Участки
трубопроводов, соединяющие насосные агрегаты и емкости имеют равномерно
распределенную теплоизоляцию из стекловаты, а трубопровод для транспортировки
смешанной нефти покрыт только поливинилхлоридной пленкой, обеспечивающей
защиту от коррозии.
Согласно заданным условиям технологического процесса температура смешанной
нефти на входе в УПН не должна снижаться ниже 10 0 С . Участки трубопроводов
являются сопротивлениями в технологическом процессе транспортировки нефти.
Поэтому изменение температуры воспринимается датчиком температуры с
запаздыванием, так как длина трубопровода измеряется десятками километров и
характеризуется определенной потерей температуры потока нефти. Для решения
задачи поддержания температуры смешанной нефти выше 10 0 С осуществляется
регулирование температуры в емкости установки.
По результатам моделирования получены графики зависимостей во времени
следующих параметров: температуры потока нефти, температуры змеевика, угла
поворота задвижки, управления и регулируемая величина по температуре смешанной
нефти.
На линейный регулятор с запаздыванием вводится ограничения по отклонению.
7. Заключение
Предлагаются алгоритмы синтеза систем управления, основанные на нейронных
сетях и генетических алгоритмов. Далее конструируются нейрорегуляторы для различных задач.
С применением метода векторных функций Ляпунова (ВФЛ) получены условия устойчивости T-S-систем с нечетким RBF NN регулятором. Для синтеза применяется ранее разработанный метод синтеза нечетких логических регуляторов (НЛР) с применением ВФЛ.
Работа выполнена при поддержке гранта Правительства РФ для государственной
поддержки научных исследований по постановлению правительства 220 по договору от
30 декабря 2010 г. № 11.G34.31.0038 и гранта РФФИ-Поволжье 12-01-97023р_поволжье_а 2012 г.
Список литературы
1.
2.
3.
4.
5.
Michalewicz Z., Attia N. In Evolutionary Optimization of Constrained Problems // Proceedings of the 3rd
Annual Conference on Evolutionary Programming / Eds. A.V. Sebald and L.J. Fogel. River Edge, NJ:
World Scientific Publishing, 1994. P. 98-108.
Хайкин С. Нейронные сети: полный курс: 2-е изд. М.: Вильямс, 2006. 1104 с.
Лурье М.В, Математическое моделирование процессов трубопроводного транспорта нефти, нефтепродуктов и газа: учебное пособие. М.: ФГУП Изд-во «Нефть и газ» РГУ нефти и газа им. И.М. Губкина, 2003. 336 с.
Мееров М.В., Дианов В.Г. Теория автоматического регулирования и авторегуляторы. М: Гостоптехиздат, 1963. 264 с.
Алексеев А.Ф., Алексеев Ф.Ф., Дегтярев Г.Л. Синтез нелинейных нечетких алгоритмов управления
на основе метода векторных функций Ляпунова // Вестник КГТУ. 2012. № 4. С. 247-255.
XII ВСЕРОССИЙСКОЕ СОВЕЩАНИЕ ПО ПРОБЛЕМАМ УПРАВЛЕНИЯ
ВСПУ-2014
Москва 16-19 июня 2014 г.