ИССЛЕДОВАНИЕ ЭЛЕКТРОПРИВОДОВ ПЕРЕМЕННОГО ТОКА ПОД УПРАВЛЕНИЕМ НЕЙРОННОЙ СЕТИ

1. ИССЛЕДОВАНИЕ ЭЛЕКТРОПРИВОДОВ ПЕРЕМЕННОГО ТОКА ПОД УПРАВЛЕНИЕМ НЕЙРОННОЙ СЕТИ • Институт энергосбережения и энергоменеджмента • Кафедра автоматизации управления электротехническими комплексами • Научный руководитель: доц. Тышевич Б.Л. • Автор: студентЛукащук И.Н.

2. Объектом исследования является процесс нейросетевого управления электроприводом переменного тока.Предмет исследования - система автоматического управления электроприводом переменного тока с использование нейроконтроллера.Цель исследования - разработка методик синтеза нейросетевых компонентов для системы автоматического управления электроприводами переменного тока.Основные научные результаты заключаются в следующем: исследованы системы автоматического управления с использованием нейросетевых технологий для электроприводов переменного тока, которые из-за своей сложности не могут быть полностью математически описаны. • Практическое значение полученных результатов заключается в возможности применения разработанных методов синтеза нейроконтролле-ра, выводов и рекомендаций для синтеза систем автоматического управления электроприводами переменного тока на практике, с целью улучшения качества управления.

3. Понятие об элементарном нейроне Модель нейрона и его математическое описание где z1,z2,...,zl — входные сигналы нейрона; wk1,wk2,...,wkl — синаптические веса k-го нейрона в слое; Sk — выходлинейногосумматора; bk — смещение; φ(z) — функция активации; yk — выходной сигнал нейрона.

4. ФУНКЦИОНАЛЬНАЯ СХЕМА ПРОЦЕССА ОБУЧЕНИЯ ИНС • Алгоритмы обучения нейронных сетей: • 1. Алгоритмы локальной оптимизации с расчетом частных производных первого порядка. • 2. Алгоритмы локальной оптимизации с расчетом частных производных первого и второго порядков. • 3. Стохастические алгоритмы оптимизации. • 4. Алгоритмы глобальной оптимизации.

5. Нейроконтроллер NARMA-L2 Структурная схема нейроконтроллера NARMA-L2 с идентификацией модели объекта. Блок-схема нейроконтролера NARMA-L2 . IW – весовые коэффициенты входов; LW – весовые коэффициенты  промежуточного слоя; TDL – линия задержки.

6. Структурная схема нейроконтроллера NARMA-L2 в программнойсредеSIMULINK.

7. Окно ввода параметров нейроконтроллераNARMA-L2 • Набор параметров для формирования структуры нейронной сети следующий:  • SizeoftheHidden Layer-количество нейронов в скрытом слое;No. DelayedPlantInputs - число линий задержки  для входного слоя нейронов;No. DelayedPlantOutputs - число линий задержки для выходного слоя нейронов;SamplingInterval (sec) - период дискретности между двумя последовательными моментами отсчета данных;NormalizeTrainingData - установка нормирования для приведения данных обучения к диапазону [0 1];MaximumPlantInput - максимальное значение входного сигналаMinimumPlantInput - минимальное значение входного сигналаSimulinkPlantModel - для задания модели управляемого процесса , имеет порты входа и выхода и сохраняется в файле *. Mdl, выбор модели производится с помощью Browse, где вводится имя модели.TrainingEpochs - количество циклов обучения;TrainingFunction - задает функцию обучения;UseCurrentWeights - устанавливает использование текущих весовых коэффициентов нейронной сети;UseValidationData - устанавливает использование контрольного множества в объеме 25% от обучающего множества;. UseTestingData - устанавливает использование тестового множества в объеме 25% от обучающего множества.

8. Электропривод по системе ТРН-АД с использованием контроллераNARMA-L2 Структурная схема системы управления электроприводом переменного тока. Окно ввода  параметров нейрокон-троллераNARMA-L2 для системы управления Структурная схема электропривода переменного тока.

9. Результаты тренировки нейронной сети Главное меню тренировки нейронной сети. Данные обучения. Данныепроверки. Данныетестирования.

10. Графики переходных процессов График изменения скорости График изменения моментов W1 - скорость электропривода с использованием NARMA-L2;W2 - скорость реальной модели;y - сигнал управления на выходе NARMA-L2. • M1 - момент, развиваемый двигателем;M2 - выходной сигнал генератора импульсов.

11. Электропривод по системе ПЧ-АД с использованием регулятора NARMA-L2 Структурная схема системыуправления электроприводом переменного тока Окно ввода  параметров нейроконтроллераNARMA-L2 Структурная схема электропривода переменного тока

12. Результаты тренировки нейронной сети Данные обучения Главное меню тренировки нейронной сети Данныепроверки Данныетестирования

13. Графики переходных процессов График изменения моментов График изменения скорости • W1 - скорость электропривода с использованием NARMA-L2;W2 - скорость реальной модели;y - сигнал управления на выходе из NARMA-L2 • M1 - момент двигателя;M2 - момент для  нагрузки;M3 - выходной сигнал генератора импульсов.

14. ВЫВОДЫ • Искусственные нейронные сети представляют собой мощное средство  решения задач интеллектуального управления различного уровня сложности.  Методы контролируемого обучения нейронных сетей позволяют синтезировать по экспериментальным данным модели сложных электроприводов переменного тока, выступающие в качестве не-линейных объектов управления, а при осознании целей управления - синтезировать нейроконтроллеры, которые обеспечивают  управление электроприводом. Результативность разработанных методик продемонстрирована на примере синтеза нейросетевой системы управления для электроприводов переменного тока разных типов. Необходимо отметить, что ни структу-ранейроконтроллера, ни время его обучения катастрофически не увеличи-ваются с ростом сложности объекта управления. Исходя из полученных результатов, можно сделать вывод, что практически уже сегодня можно создавать разнообразные промышлен-ныенейросетевые системы управления, пригодные для использования в действующих технологических комплексах.