Институт энергосбережения и энергоменеджмента Кафедра автоматизации управления электротехническими комплексами Научный руководитель: доц. Тышевич Б.Л. Автор: студент Лукащук И.Н.

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.

где z 1,z 2,...,z l входные сигналы нейрона; w k1,w k2,...,w kl синаптические веса k-го нейрона в слое; S k выход линейного сумматора; b k смещение; φ(z) функция активации; y k выходной сигнал нейрона. Понятие об элементарном нейроне Модель нейрона и его математическое описание

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.

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

Структурная схема нейроконтроллера NARMA-L2 в программной среде SIMULINK.

Окно ввода параметров нейроконтроллера NARMA-L2 Набор параметров для формирования структуры нейронной сети следующий : Size of the Hidden Layer- количество нейронов в скрытом слое ; No. Delayed Plant Inputs - число линий задержки для входного слоя нейронов ; No. Delayed Plant Outputs - число линий задержки для выходного слоя нейронов ; Sampling Interval (sec) - период дискретности между двумя последовательными моментами отсчета данных ; Normalize Training Data - установка нормирования для приведения данных обучения к диапазону [0 1]; Maximum Plant Input - максимальное значение входного сигнала Minimum Plant Input - минимальное значение входного сигнала Simulink Plant Model - 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. Training Epochs - количество циклов обучения ; Training Function - задает функцию обучения ; Use Current Weights - устанавливает использование текущих весовых коэффициентов нейронной сети ; Use Validation Data - устанавливает использование контрольного множества в объеме 25% от обучающего множества ;. Use Testing Data - устанавливает использование тестового множества в объеме 25% от обучающего множества.

Электропривод по системе ТРН - АД с использованием контроллера NARMA-L2 Структурная схема системы управления электроприводом переменного тока. Структурная схема электропривода переменного тока. Окно ввода параметров нейрокон - троллера NARMA-L2 для системы управления

Главное меню тренировки нейронной сети. Данные обучения. Данные тестирования. Данные проверки. Результаты тренировки нейронной сети

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

Электропривод по системе ПЧ - АД с использованием регулятора NARMA-L2 Структурная схема системы управления электроприводом переменного тока Структурная схема электропривода переменного тока Окно ввода параметров нейроконтроллера NARMA-L2

Главное меню тренировки нейронной сети Данные обучения Данные тестирования Данные проверки Результаты тренировки нейронной сети

График изменения скорости График изменения моментов Графики переходных процессов 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.

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 - ра нейроконтроллера, 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 - ные нейросетевые системы управления, пригодные для использования в действующих технологических комплексах. ВЫВОДЫ