5.2.7. Заключение

В данном разделе приведены результаты сравнения четырех схем управления на примере системы регулирования температуры водяной ванны. В подходах, реализованных в этих четырех схемах, имелись как сходства, так и различия. По результатам экспериментов для всех схем управления, кроме ПИК, обнаружились как достоинства, так и недостатки. Из всех рассмотренных схем управления схема, основанная на ПИК, по-видимому, наиболее проста для реализации. Однако было установлено, что этот наиболее распространенный тип контроллера не может работать удовлетворительно в сложных условиях. Таким образом, данный тип контроллера можно рекомендовать только для простых задач управления и только при условии, что к системе не предъявляется высоких требований.

Так как для водяной ванны возможно построение математической модели пониженного порядка, полученная на основе этой модели информация использовалась для разработки всех четырех контроллеров. Сначала в процессе моделирования была сделана грубая настройка параметров HЛK и ПИК, и только потом выполнялась точная оперативная настройка этих величин для улучшения характеристик. Для НСК количество элементов входного вектора нейросетевой модели соответствовало пониженному порядку модели объекта управления. Однако в условиях, когда модели объектов плохо определены [27], НСК, HЛK и ПИК могут использоваться без каких-либо математических моделей. В то же время ОПК и многие традиционные адаптивные контроллеры не могут разрабатываться без априорных математических моделей.

Одним из недостатков нейронного управления является необходимость предварительного обучения. Для успешного применения нейронных сетей важен также обоснованный выбор структуры модели и параметров обучения. Однако после обучения НСК становится самонастраивающимся и не требует

какой-либо настройки. В то же время для ОПК, даже если он является самонастраивающимся, выбор задаваемых пользователем параметров представляет определенную проблему, особенно для сложных объектов управления.

Для НЛК имеется ряд факторов и величин, которые требуется предварительно выбрать, чтобы обеспечить успешную работу контроллера. Вообще говоря, такой выбор является достаточно трудоемким мероприятием. Вместе с тем, некоторые из этих величин (например, ширину функции принадлежности, коэффициент масштабирования и т.д.) можно определить эвристически или методом проб и ошибок. Однако для обеспечения приемлемых характеристик НЛК важнаточная настройка данных параметров. В этом отношении более предпочтительными являются нечеткие адаптивные системы [11], [12], [13], так как, кроме всего вышеуказанного, в них возможно автоматическое порождение правил. Однако эти адаптивные нечеткие системы могут оказаться сложными для разработки. Для ПИК время от времени требуется ручная настройка, если рабочая точка процесса изменяется из-за возмущений или по каким-либо иным причинам.

Еще одним преимуществом нейронных сетей и нечетких систем управления (по сравнению с традиционными адаптивными и обычными системами) является возможность их применения для решения задач управления, связанных с существенными нелинейностями. Такому применению нейронных сетей посвящено много работ [8], [9]. Использование сигмоидных функций для скрытых нейронов позволяет применять нейронные сети для решения таких задач управления, для которых традиционные схемы до настоящего времени были непригодны. Установлено также, что для этой цели могут использоваться и НЛК [6], [11], [13]. Источниками нелинейности для НЛК являются алгоритмы формирования и устранения нечеткости, правила амплитудно-частотной модуляции и логический вывод.

Алгоритмы управления, основанные на нейронных сетях и нечеткой логике, могут быть легко реализованы на

аппаратных средствах параллельной обработки, что обеспечивает высокое быстродействие данных алгоритмов [3], [4], [5]. В работе [4] показано, что скорость вывода в обычной СБИС-схеме, реализующей операции нечеткой логики, не зависит от количества правил. Кроме того, параллельная работа контроллеров на основе нейронных сетей более устойчива даже в случае отказа некоторых синаптических связей [6],[32]. Затраты времени на вычисления для ОПК очень велики по сравнению с другими контроллерами, так как его работа связана с очень большим объемом вычислений. Затраты времени на вычисления для HЛK минимальны, так как в этих контроллерах используются главным образом логические операции и сравнения. В табл. 5.2.1

Таблица 5.2.1. Сравнительные характеристики четырех схем управления (по результатам экспериментов)

(см. скан)

приведены основные результаты сравнения характеристик различных контроллеров, полученные на основе экспериментальных данных.

Данное исследование показало, что искусственные нейронные сети могут быть легко реализованы в системах управления реального времени. Подход на основе нейронного управления обеспечивает устойчивость. Его характеристики сравнимы с результатами, которые демонстрируют наиболее развитые традиционные методы управления. Хотя нейроконтроллеры обладают хорошими характеристиками и имеют определенные преимущества перед контроллерами трех других типов, можно надеяться на разработку еще более эффективных и надежных схем управления. Этому должно способствовать выявление лучших сторон и характеристик систем различных классов.