5.2. Применение нейронного управления в системе регулирования процессов в водяной ванне и сравнение его с другими схемами управления

5.2.1. Введение

Классическая теория управления с обратной связью послужила основой для разработки простых систем автоматического управления. Основными причинами широкого применения этой теории для разработки промышленных систем управления стали доступность ее принципов и относительная простота реализации. Однако обычные контроллеры с фиксированным коэффициентом передачи являются неэффективными для компенсации вариаций параметров объекта управления. Их адаптация к изменениям внешней среды оставляет желать лучшего. Необходимость разработки контроллера, хорошо настраиваемого не только на одну рабочую точку, но и на весь диапазон рабочих точек, стала основой для выдвижения идеи адаптивного контроллера.

За последние три десятилетия предложено много методов адаптивного управления [1], [2]. Это стало возможным в значительной степени благодаря достижениям современной теории управления и теории устойчивости. Способность

автоматически адаптироваться к изменениям динамики объекта управления и внешней среды сделала адаптивные контроллеры все более привлекательными для различных практических приложений. Однако применение таких контроллеров имеет ряд недостатков. Для их реализации требуется выполнить математическое моделирование объекта управления, что во многих случаях сложно и трудоемко. К тому же неточности модели объекта управления могут привести к ухудшению характеристик контроллера. Они также имеют много параметров, вследствие чего инженеру-практику или оператору сложно связать настройку последних с действиями системы управления. Больше того, адаптивные контроллеры не подходят для нелинейных и сложных систем управления.

Развитие теории искусственных нейронных сетей и нечеткой логики стало источником новых возможностей для реализации более эффективного управления. Нейронные сети представляют собой обучаемые динамические системы, оценивающие характеристики вход-выход. Нечеткие системы преобразуют наборы структурированных данных, связанных с объектом управления, в соответствующие управляющие воздействия. И те, и другие системы кодируют выбранную информацию в виде параллельно-распределенной структуры и не являются сложными для аппаратной реализации [3]-[5]. Нейронные и нечеткие системы имеют принципиальное преимущество перед традиционными системами адаптивного и оптимального управления: для их реализации не требуется априорная математическая модель объекта управления. Используя несколько правил, описывающих поведение переменных управления, нечеткие системы могут разрабатываться по лингвистическим правилам, тесно связанным с областью искусственного интеллекта. В то же время нейронные сети требуется обучать, прежде чем их можно будет использовать для целей управления.

Имеются несколько работ, где системы управления на основе нейронных сетей сравниваются с нечеткими и адаптивными

системами управления [6],[7]. Однако эти исследования полностью основываются на данных моделирования. В данной работе авторами выполнено сравнение характеристик многослойного нейросетевого контроллера (НСК) с контроллером на основе нечеткой логики (HЛK), с обобщенным прогнозирующим контроллером (ОПК) и с обычным ПИ-контроллером (ПИК). Сравнение проводилось для системы регулирования температуры в водяной ванне.

Зачем потребовалось сравнивать разные алгоритмы управления? Они используют разные подходы к управлению. Поэтому, применяя каждый из алгоритмов для решения одной и той же задачи управления, можно понять общие и отличительные черты этих подходов. Сравнивая результаты разных подходов к управлению в идентичных условиях, можно оценить их достоинства и недостатки. Кроме того, нейросетевой подход к управлению находится еще на начальной стадии своего развития в системах управления, работающих в режиме реального времени. Он пока применяется значительно реже, чем более развитые методы, как традиционные, так и новые. Поэтому сравнение его с другими подходами представляет несомненный интерес.

Как выполнялось сравнение? Практически невозможно сравнивать линейные контроллеры (например, ОПК и ПИК) с нелинейными контроллерами (НСК, HЛK) на сложных, слабо структуризованных задачах управления. Поэтому данное исследование проводилось в основном на примере достаточно простой системы управления водяной ванной. Прямое сравнение четырех использованных алгоритмов позволяет проанализировать каждый из рассматриваемых подходов и их характеристики. Для обеспечения точности сравнения эксперименты проводились при одинаковых возмущающих воздействиях и изменениях в объекте управления.

Для каждой системы управления проведено четыре группы экспериментов: регулировка уставки, воздействие неизвестных возмущений по нагрузке, существенные изменения параметров, переменная временная задержка. Для реализации каждого из

алгоритмов требовалась локальная настройка и коррекция объекта управления, выполнявшаяся на основе эвристических соображений. Хотя по результатам этих экспериментов сложно сделать строгие выводы о достоинствах и недостатках каждой из систем, можно надеяться, что данное исследование окажется полезным для будущей разработки эффективной интеллектуальной схемы управления. На наш взгляд, исследования должны быть направлены на выявление положительных сторон каждого класса систем управления.

В нейронной схеме управления сначала выполнялось автономное обучение многослойных нейронных сетей на основе алгоритма обратного распространения с целью изучения моделей инверсной и прямой динамики объекта управления. Затем нейронные сети настраивались в соответствии с архитектурой, показанной на рис. 4.2.5. В такой схеме может выполняться непрерывное оперативное обучение, направленное на дальнейшее улучшение характеристик. Данная архитектура применялась разными исследователями независимо друг от друга [8]- [10]. Обучение НСК начиналось со случайного набора весов связей. Однако для рассматриваемого процесса, медленно изменяющегося во времени, данный подход нецелесообразен. Следует первоначально выполнять автономное обучение как для инверсной, гак и для прямой нейросетевой модели.

Система управления с использованием HЛK была построена на основе простых соображений, характеризующих управление температурой процесса только с позиции здравого смысла. В последнее время были предложены адаптивные нечеткие системы управления, в которых за счет некоторого усложнения системы была обеспечена возможность автоматической композиции и декомпозиции правил [7], [11]-[13]. Однако авторы решили использовать обычный подход [27]. Обобщенная прогнозирующая система управления реализована на основе алгоритма управления с долгосрочным прогнозированием [14], [15]. Он уже обсуждался в разделе 3.6. Так как ПИ- и ПИД-управление все еще остаются наиболее распространенными

методами в промышленности, данная традиционная схема также сравнивалась с тремя вышеуказанными схемами управления. Сравнение производилось на одной и той же системе с одним входом и одним выходом и в идентичных условиях.

Структура данного раздела следующая. Сначала приводится краткое описание системы управления температурой водяной ванны. Затем кратко рассматривается реализация управления на основе нейронных сетей, нечеткой логики и обобщенного прогнозирующего управления для этой системы. После этого приводится сравнение и обсуждение экспериментальных данных.