5.5. Применение нейронных сетей для управления печью

5.5.1. Введение

В последнее время предложено несколько схем обучения нейронных систем управления [34]. Среди них одной из наиболее ценных оказалась схема с использованием инверсной модели [16], [17]. Одно из достоинств данной схемы — простота ее реализации. В обобщенном подходе к обучению, предложенном в работе [17] и описанном в разделе 4.2, обучение нейронной сети выполняется в автономном режиме. Этот процесс аналогичен пакетному обучению в распознавании образов, когда целевыми образами являются входные сигналы объекта управления, а входные образы состоят из соответствующих выходных сигналов объекта управления и некоторых задержанных сигналов этого объекта. При распознавании образов нейронная сеть обучается запоминать и вспоминать образы, а в системах управлении она обучается обнаруживать отношения между образами. Сходимость достигается путем минимизации ошибки, т.е. рассогласования между целевым образом и выходом нейронной сети. Это рассогласование должно быть ниже некоторой заданной величины. После того как сеть заканчивает обучение на инверсной модели, она перестраивается в контроллер прямого действия.

Хотя схема нейронного управления на основе инверсной модели по своей архитектуре аналогична обычной схеме управления с обратной связью, свойства нейроконтроллера несколько отличаются от свойств обычного контроллера с обратной связью. Нейроконтроллер по своим характеристикам аналогичен традиционному самонастраивающемуся адаптивному контроллеру [1]. В схеме прямого управления с самонастройкой требуется априорное знание структуры математической модели объекта управления. Необходимо также находить оценки параметров объекта управления, например методом

наименьших квадратов (см. раздел 3.3). Только после этого регулятор может выработать правильное управляющее воздействие, используя инверсную математическую модель объекта.

Подход к нейронному управлению на основе инверсной модели является в этом отношении более надежным и простым, так как не требует обязательного построения математической модели объекта. Способность нейросетевых моделей к обучению и обобщению на основе характеристик типа «вход-выход процесса» является важным достоинством, так как позволяет разрешать многие проблемы управления, используя при этом менее точные знания об объекте управления. Кроме того, использование полулинейных сигмоидных функций в качестве функций активации для скрытых слоев сети позволяет управлять системами с высокой степенью нелинейности, что невозможно, если использовать только адаптивные и обычные методы. Более того, использование нейросетевых моделей позволяет работать со сложными, плохо определенными объектами управления, для которых сложно разработать математическую модель.

Еще одно достоинство нейросетевых моделей заключается в возможности оперативного обучения, направленного на улучшение характеристик модели. В базовом варианте подхода на основе инверсной модели нейроконтроллер может подвергаться оперативному обучению для минимизации ошибки системы. Однако в такой архитектуре минимизация ошибки характеристики не означает минимизации действительной ошибки выхода объекта управления, связанной с расположением объекта управления. Чтобы минимизировать фактическую ошибку выхода нейроконтроллера, требуется знать якобиан объекта управления (см., например, схему специализированного обучения [17]), что противоречит вышеуказанным достоинствам нейронного управления. В работе [35] предложена схема аппроксимации, где вместо элементов якобиана объекта управления используются только знаки этих элементов. Если известно, в каком направлении параметры управления влияют на

выходные величины объекта управления, то достаточно правильно учитывать только упомянутые направления. Такой подход приемлем для несложных объектов управления, работающих в установившемся режиме.

Более точный подход к оперативному обучению нейроконтроллеров состоит в адаптации архитектуры косвенного адаптивного управления. При этом вместо модели идентификации используется нейронная сеть аналогичной архитектуры, как показано нарис. 4.2.5. В работе [8] такая архитектура использовалась в сочетании с опорной моделью. В работах [36], [9], [10] и ряде других предлагалась аналогичная схема, получившая название «обратное распространение во времени». В этой схеме сначала нейросетевая модель обучалась эмулировать объект управления. Затем нейронный эмулятор использовался в качестве средства обратного распространения ошибки характеристики с целью получения эквивалентной ошибки на выходе нейроконтроллера. Данная схема включает оперативную реализацию нейроконтроллера посредством подачи на вход случайных сигналов и непрерывного повторения желаемого цикла траектории до достижения минимума ошибки рассматриваемой характеристики.

В данной работе архитектура нейроэмулятора и нейроконтроллера применяется для управления миниатюрной промышленной печью со многими входами и выходами. Внешний вид такой печи показан на рис. 5.5.1, а структурная схема — нарис. 5.5.2. Оперативная совместная реализация как нейросетевого эмулятора, так и нейроконтроллера в реальном времени нецелесообразна, так как этот процесс является медленным по своей природе. Нецелесообразно также применять случайные входные сигналы в течение длительного времени или многократно повторять желаемый цикл траектории. Поэтому первоначальное автономное обучение нейросетевой модели является обязательным.

Исходным пунктом в данном подходе является разумный выбор нейросетевых моделей, подвергаемых автономному обучению для построения инверсной и прямой модели каждого из

каналов печи. Обучающие образцы берутся из характеристик «вход-выход» каждого из каналов. Эти модели затем испытываются в оперативном режиме, в результате чего отбираются лучшие модели нейроконтроллера и нейроэмулятора. Далее они настраиваются для управления процессом по схеме, приведенной на рис. 4.2.5. Достоинством такой конфигурации является возможность дальнейшего оперативного обучения нейроконтроллера и нейроэмулятора с целью адаптации к окружающим условиям и улучшения характеристик. В настоящем исследовании, однако, не приводится детальный анализ поведения нейронных сетей.

Простейший способ показать эффективность новой схемы управления — сравнить ее с существующими схемами. С этой целью для одной и той же печи была разработана схема адаптивного управления с самонастройкой на основе алгоритма Кларка-Гаутропа [14], [15] и схема обычного ПИД-управления [33]. В экспериментах все три схемы сравнивались по отслеживанию изменений уставки, по характеристикам в условиях неизвестных возмущений на нагрузке и в условиях изменений параметров процесса, по насыщению выходных сигналов контроллера. В последующих разделах приводится краткое описание системы управления печью, рассматривается реализация схемы нейронного управления печью и анализируются результаты экспериментов.