Общие принципы построения интеллектуальных САУ с использованием нейронных сетей.

НС начинают играть все более важную и заметную роль при создании систем автоматического управления (САУ) сложными техническими объектами и контроля за ними. К таким объектам относятся современные летательные аппараты, силовые и энергетические установки, роботы-манипуляторы и др. Для них характерны отсутствие точных математических моделей либо их чрезмерная сложность, высокая размерность пространства состояний и принимаемых решений по управлению, иерархичность, многообразие критериев качества, высокий уровень шумов и внешних возмущений.

Существуют различные способы применения НС в интеллектуальных системах управления. Так, нейронная сеть может использоваться для получения нелинейной математической модели объекта (процесса) управления по входным/выходным данным, т.е. для решения задачи идентификации (рис. 3.13, а). При этом сравниваются выход объекта и выход нейронной сети при одном и том же входном воздействии , а процедура обучения НС состоит в изменении весов ее связей таким образом, чтобы уменьшить рассогласование до приемлемой (достаточно малой) величины.

Другой вариант использования НС – получение инверсной (обратной) математической модели объекта управления (рис. 3.13, б). Здесь на вход нейронной сети подается выход объекта управления , а под желаемой реакцией НС понимается вход объекта . Таким образом, минимизируя величину ошибки в процессе обучения НС, получаем в итоге , т.е. обученная нейронная сеть воспроизводит нелинейную функциональную зависимость – инверсную модель объекта. Данный тип моделей используется, например, в задачах управления роботами-манипуляторами, когда требуется определить желаемый закон изменения управляющего воздействия , обеспечивающий изменение вектора управляемых координат объекта в соответствии с заданной программой .

Возможно непосредственное включение НС в качестве регулятора в замкнутый контур управления объектом (рис. 3.13, в). При этом на вход нейронной сети подается сигнал ошибки управления , выход сети одновременно является входом объекта, а цель обучения НС – уменьшить величину рассогласования между выходами объекта и эталонной модели системы. Таким способом достигается желаемая динамика САУ, причем в силу нелинейной природы НС возникает возможность высококачественного управления реальным объектом в широком диапазоне изменения режимов его работы и условий эксплуатации.

Другой вариант использования НС – ее применение в качестве адаптера для подстройки параметров основного регулятора (рис. 3.13, г). Допустим, что уравнение динамики этого регулятора имеет вид

, (3.41)

где , и – соответственно коэффициенты усиления по пропорциональной, интегральной и дифференциальной составляющим (такой регулятор называется ПИД-регулятором).

Тогда обучение нейронной сети сводится в конечном итоге к формированию такого вектора параметров основного регулятора, при котором обеспечивается минимальной рассогласование , которое в то же время является входом НС.

Возможны и другие варианты комбинированного применения НС наряду с традиционными алгоритмами управления. Так, на рис. 3.13, д нейронная сеть подключена параллельно линейному ПИ- или ПИД-регулятору, что позволяет в полной мере использовать преимущества обычных линейных регуляторов (высокая точность, простота, удобство доводки), а также существенно нелинейный характер, помехозащищенность и способность к обучению НС. На рис. 3.13, е нейронная сеть соединена последовательно с основным (линейным) регулятором. Ее назначение – линеаризация характеристик разомкнутой системы за счет построения инверсной модели объекта управления. Как и на рис. 3.13, в–г, целью обучения нейронной сети в последних двух случаях является приближение результирующих характеристик замкнутой системы к характеристикам эталонной модели, т.е. обеспечение желаемого вида уравнений САУ.

в

г

д

е

Рис. 3.13. Схемы использования НС в САУ