щ
наука - производству
ШШШШшМ
Разработка адаптивной нейросетевой системы управления электроприводом '¡j нефтегазотранспортной магистрали
А.М. САГДАТУЛЛИН,
инженер научно-образовательного центра, аспирант кафедры автоматизации и информационных технологий
Альметьевский государственный нефтяной институт
saturn-s5@mail.ru
Представлено использование нейронных сетей для управления сложным объектом в виде асинхронного электродвигателя с динамической нагрузкой. На основе разработанной математической модели асинхронного электродвигателя представлена усовершенствованная схема
нейроконтроллера, дополнительно содержащая нейросетевой эмулятор. Нейроконтроллер в данном случае обучается на основе нейроэмулятора по методу обратного распространения ошибки. Для обучения нейроэмулятора дополнительно применяется многослойная сеть прямого распространения.
THE DEVELOPMENT OF ADAPTIVE NEURAL NETWORK CONTROL SYSTEM FOR ELECTRIC DRIVE PIPELINE TRANSPORTATION OF OIL AND GAS
A. SAGDATULLIN, Almetevsk State oil institute
This article are presents the use of neural networks for the control of complex object in the form of an asynchronous motor with a dynamic load. On the basis of the developed mathematical model of induction motor is presented an improved scheme neural-controller, optionally containing a neural network emulator. Neural-controller in this case study-based neural-motor by the method of back-propagation errors.
Key words: management system, artificial intelligence, neural networks, neural-controller, motor, oil transportation
Необходимость разработки математической модели объекта управления, применение аналитических подходов к интерпретации системы управления, а также другие ограничения не позволяют применять классическую теорию автоматического управления к многомерным динамическим объектам. Для решения подобных задач в 1943 г [1] были предложены математическая модель нейрона и программная реализация искусственной нейронной сети (ИНС). М. Saerens и А. Soquet [2] предложили использовать метод аппроксимации оценки ошибки к области управления в сети обратного распространения. Это позволяет ИНС адаптироваться в изучении объекта управления.
В рамках производственных процессов транспорта и подготовки нефти важным условием является управление в реальном масштабе времени заданным технологическим режимом. Для решения этой проблемы в работах [3 - 5] авторами были представлены методы управления на основе нейронных сетей и одновременной идентификации объекта. Однако погрешность работы данных методов и значительное время отработки возмущающих воздействий не позволяют применять их к рассматриваемому технологическому процессу.
Искусственные нейронные сети представляют собой модель биологического нейрона человеческого мозга. Элементы ИНС сильно связаны между собой, параллельные и перекрестные связи создают сети простых адаптивных элементов согласно их структурной иерархической организации, которые направлены на взаимодействие с объектами реального мира подобно действию человеческого мышления. Основной целью тренировки нейронных сетей является выбор весовых коэффициентов (весов) данной сети посредством
такого ее обучения, чтобы было соответствие между необходимыми сигналами входа/выхода.
Теория однослойной нейронной сети и алгоритм сходимости персептрона был предложен в 1960 г [6]. Сложности, с которыми встретились исследователи нейронных сетей согласно [7] были в том, что однослойные нейросети были очень ограничены и довольно просты, чтобы решать сложные задачи. Отсутствие подходящей процедуры обучения ИНС в конечном счете привело к снижению интереса к нейронным сетям в конце 1960-х. Однако произошло событие, которое помогло устранить эти сложности, - разработка алгоритма обратного распространения ошибки [6]. Входные сигналы х,, умножаются на весовые коэффициенты wi, которые также называются синаптически-ми весами и суммируются в результирующий сигнал, смещенный на величину w0:
W.x + w„
y=f(s¡)
(1)
где x,, x2.....xn - входные сигналы; w, , w2
.....wn - синаптические веса n-го нейрона; Si
- функция входных воздействий и порогового элемента w0; f - функция активации; y -выходной сигнал нейрона.
Функция (1) подается на вход активаци-онной функции нейрона f (рис. 1).
На рис. 1 представлена сигмоидальная функция f.
f (-оо, +оо) _> (-1, +1) и f (0) = 0, т.е.
f(x) =—'— (2)
I + ес".
Также в связи с быстрым развитием полупроводниковых устройств и появлением новых методов управления асинхронными электродвигателями (АД) - field oriented control, методы feedback linearization и variable structure with sliding mode позволили значительно расширить область примене-
наука - производству
щ
Вход
ния таких приводов [8] за счет применения нейронных сетей. В классической схеме векторного управления q) q-оси потока ротора стремятся к нулю, а d-оси амплитуды потока ротора становятся постоянным значением. Следовательно, потоком и моментом АД возможно управлять независимо. Параметрическая неопределенность асинхронного электродвигателя является следствием изменения его температурного режима и динамической нагрузки. Существующие адаптивные контроллеры могут быть пригодными в тех механизмах, параметры которых либо остаются постоянными, либо изменяются очень медленно [9 - 10]. Поэтому задачей является разработка адаптивной нейросетевой системы управления координатами асинхронного электродвигателя.
МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АД
Решение задачи математического моделирования связано с выбором системы координат, так как ток, пото-косцепление и напряжение электродвигателя представляются в виде векторов и данные параметры связаны с соответствующей обмоткой (статора или ротора). Жестко связанной со статором является система координат, ориентированная по осям (а, в), с ротором - по осям q), по осям (и, V) является вращающейся относительно неподвижного статора со скоростью ис. Уравнение Кирхгофа для АД имеет вид [11]:
Мпгле/.щгпическаялюдель и структура И НС
X - IVj.Y, + lVjJt] + D jJfj
Тело нервной клетки
Bias
y-/{x)-/{ Wft + WjXj + wx})
Выражение для момента асинхронного двигателя имеет вид:
(5)
С учетом (5) механическая часть электродвигателя описывается известным уравнением динамики:
(6)
(3)
где L1, L2, L12 - индуктивность обмотки статора, ротора и их взаимоиндуктивность; Ц - напряжение статора; 11, 12 - ток статора и ротора; R1, R2 - активное электрическое сопротивление статора и ротора; ¥2 - потокосцепле-ние статора и ротора; иел = рп и - угловая скорость электрическая; рп - число пар полюсов двигателя; и - угловая скорость двигателя.
Переход к системе координат (а - в) осуществляется при условиях к>=0:
(4)
где J. - момент инерции электродвигателя, Мс - стати-
Рис. 1. Модель нейрона
Delayed signals
Рис. 2. Схема нейронного управления с эмулятором и нейроконтроллером
Трехфазный асинхронный двигатель питается от сети симметричным синусоидальным напряжением (7):
(7)
где ит - амплитуда питающего напряжения, ^ - частота питающего напряжения.
Преобразование координат от одной системы к другой происходит согласно следующим выражениям:
ческий момент.
(8)
Также возможно представление систем (3) и (4) в векторной форме для целей реализации векторного управления. В данном случае основные параметры будут определяться на основе соотношений проекции вектора ЧЧ на оси ортогональной системы координат с1, я - Ч* =0 . - |ч'г|, так как при этом совмещаются ось х вращающейся координатной системы (х, у) с вектором потокос-цепления ротора Т:.
Концепция управления. Адаптивный нейросетевой контроллер для управления координатами асинхронного электродвигателя
С целью решения задач распознавания или аппроксимации функций многослойные сети прямого распространения подвергаются корректировке весовых коэффициентов. Данная корректировка осуществляется на основе
39
щ
наука - производству
200 150 100 50 0
400 300 200 100 0 -100
^_ 1 ilHPPIMPPI РР 1
......1................. ..................:..................
■ '
Электромагнитный момент, "L -_'-^-'-г-
Рис. 3. Результаты моделирования без нейроконтроллера (1) и моделирования с нейроконтроллером и системой адаптивного предсказания и снижения ошибки скорости АД (2)
разработанных алгоритмов обучения нейронных сетей, которые бывают трех видов [12 - 14]:
• Обучение с учителем. Задается набор обучающих векторов - входных значений и желаемых выходов нейронной сети. Весовые коэффициенты в процессе обучения подбираются таким образом, чтобы по полученным входам иметь выходы, максимально близкие к заданным.
• Обучение с оценкой. Изначально не задается желаемый вектор выходных сигналов, однако по результатам работы нейронная сеть получает положительную или отрицательную оценку.
• Обучение без учителя. Задается набор входных векторов, которые обрабатываются на основе законов самоорганизации, что приводит нейронную сеть к состоянию, при котором она способна решать поставленные задачи.
Схема нейронного управления с эмулятором и контроллером представлена на рис. 2. В данном случае ней-роконтроллер обучается на инверсной модели объекта управления, а нейроэмулятор - на реальной модели объекта управления [15 - 16].
Нейроконтроллер обучается на основе нейроэмулято-ра, который обучается с помощью метода обратного распространения ошибки. Для обучения нейроэмулятора зададим многослойную сеть прямого распространения со случайно подобранными весовыми коэффициентами и обучающее множество, состоящее из пар вход сети - желаемый выход {-У, а также выходное значение сети У
Задача обучения заключается в подборе весовых коэффициентов для минимизации некоторой целевой функции. Целевая функция - сумма квадратов ошибок сети на примерах из обучающего множества, а минимизация данного функционала - это решение по методу наименьших квадратов.
(9)
где y
(N)
реальный выход N-го выходного слоя сети
для р-го нейрона на j-м обучающем примере, djp - желаемый выход.
Для нахождения минимума и определения весовых коэффициентов, входящих в состав функции у .(К)(х) , будем использовать метод наискорейшего спуска, п
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.