Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації
Виконано синтез нейрорегулятора на основі еталонної моделі для рішення задачі управління спеціальним устаткуванням рухомих об’єктів . Наведено порядок синтезу нейрорегулятора Model Reference Controller, реалізованого в пакеті прикладних програм Neural Network Toolbox системи MATLAB . Встановлено, як...
Saved in:
| Published in: | Електротехніка і електромеханіка |
|---|---|
| Date: | 2015 |
| Main Authors: | , , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут технічних проблем магнетизму НАН України
2015
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/149376 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації / Б.І. Кузнецов, Т.Ю. Василець, О.О. Варфоломієв // Електротехніка і електромеханіка. — 2015. — № 5. — С. 47–54. — Бібліогр.: 7 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859632307707576320 |
|---|---|
| author | Кузнецов, Б.І. Василець, Т.Ю. Варфоломієв, О.О. |
| author_facet | Кузнецов, Б.І. Василець, Т.Ю. Варфоломієв, О.О. |
| citation_txt | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації / Б.І. Кузнецов, Т.Ю. Василець, О.О. Варфоломієв // Електротехніка і електромеханіка. — 2015. — № 5. — С. 47–54. — Бібліогр.: 7 назв. — укр. |
| collection | DSpace DC |
| container_title | Електротехніка і електромеханіка |
| description | Виконано синтез нейрорегулятора на основі еталонної моделі для рішення задачі управління спеціальним устаткуванням рухомих об’єктів . Наведено порядок синтезу нейрорегулятора Model Reference Controller, реалізованого в пакеті прикладних програм Neural Network Toolbox системи MATLAB . Встановлено, які параметри нейрорегулятора
суттєво впливають на якість регулювання і визначені значення параметрів, що забезпечують найкращі показники
якості функціонування системи. Виконано моделювання системи на ЕОМ.
Выполнен синтез нейрорегулятора на основе эталонной модели для решения задачи управления специальным оборудованием подвижных объектов. Приведен порядок синтеза нейрорегулятора Model Reference Controller, реализованного в пакете прикладных программ Neural Network Toolbox системы MATLAB. Установлено, какие параметры нейрорегулятора
существенно влияют на качество регулирования и определены значения параметров, которые обеспечивают лучшие
показатели качества функционирования системы. Выполнено моделирование системы на ЭВМ.
The aim of this work is the synthesis of neural network reference
model controller. The synthesis is performed in MATLAB for the
problem of control of the aiming and stabilization system for the
special equipment of moving objects. This paper presents the
synthesis of the neural network reference model controller to
meet the given performance characteristics of operation for the
aiming and stabilization system for the special equipment of
moving objects. Simulink tool in MATLAB is used to build the
block diagram of double-loop neural network system of aiming
and stabilization, where the reference model controller is put in
the velocity loop and P-regulator is put in the position loop,
with feedforward velocity control. Presented the method of synthesis of the neural network reference model controller that is
implemented in the Neural Network Toolbox in MATLAB. System tests with the broad range of parameter values determined
the key parameters defining the control quality. Optimal values
of the key parameters were found to provide the highest control
performance. System simulation and analysis of the obtained
results is given.
|
| first_indexed | 2025-12-07T13:12:03Z |
| format | Article |
| fulltext |
ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5 47
© Б.І. Кузнецов, Т.Ю. Василець, О.О. Варфоломієв
УДК 681.3.01
Б.І. Кузнецов, Т.Ю. Василець, О.О. Варфоломієв
СИНТЕЗ НЕЙРОРЕГУЛЯТОРА MODEL REFERENCE CONTROLLER
ДЛЯ СИСТЕМИ НАВЕДЕННЯ І СТАБІЛІЗАЦІЇ
Виконано синтез нейрорегулятора на основі еталонної моделі для рішення задачі управління спеціальним устатку-
ванням рухомих об’єктів . Наведено порядок синтезу нейрорегулятора Model Reference Controller, реалізованого в па-
кеті прикладних програм Neural Network Toolbox системи MATLAB . Встановлено, які параметри нейрорегулятора
суттєво впливають на якість регулювання і визначені значення параметрів, що забезпечують найкращі показники
якості функціонування системи. Виконано моделювання системи на ЕОМ. Бібл. 7, рис. 16.
Ключові слова: нейромережеве управління, система наведення і стабілізації, нелінійний динамічний об’єкт,
нейрорегулятор на основі еталонної моделі, Model Reference Controller.
Выполнен синтез нейрорегулятора на основе эталонной модели для решения задачи управления специальным оборудова-
нием подвижных объектов. Приведен порядок синтеза нейрорегулятора Model Reference Controller, реализованного в па-
кете прикладных программ Neural Network Toolbox системы MATLAB. Установлено, какие параметры нейрорегулятора
существенно влияют на качество регулирования и определены значения параметров, которые обеспечивают лучшие
показатели качества функционирования системы. Выполнено моделирование системы на ЭВМ. Библ. 7, рис. 16.
Ключевые слова: нейросетевое управление, система наведения и стабилизации, нелинейный динамический объект,
нейрорегулятор на основе эталонной модели, Model Reference Controller.
Вступ. Практично всі вітчизняні і зарубіжні бо-
йові машини оснащені системами наведення і стабілі-
зації озброєння, що забезпечують можливість ведення
прицільного вогню з ходу. Проте в процесі розробки
таких систем не враховується ряд факторів, а саме:
кінематична схема системи наведення і стабілізації
містить пружні елементи, які ускладнюють розрахун-
кову схему механічної частини системи, перетворюю-
чи її на багатомасову; система управління є істотно
нелінійною, що обумовлене наявністю моменту сухо-
го тертя в підшипниках приводного двигуна і момен-
ту тертя в кінематичному пристрої сполучення, а та-
кож наявністю люфта між зубами провідної і веденої
шестерні; на озброєння діють зовнішні обурюючі мо-
менти, обумовлені коливаннями корпусу і ін. Задача
синтезу ефективних систем наведення і стабілізації з
урахуванням всіх означених факторів, що забезпечує
високу точність ведення вогню, є актуальною.
Постановка проблеми. В даний час існує велика
кількість підходів до проблеми синтезу систем управ-
ління, при цьому універсального і ідеального регуля-
тора поки не існує. Широке застосування отримали
методи адаптивного і робасного регулювання, які за-
безпечують стійкість систем із змінною динамікою,
базуються на відомій моделі об'єкту і не вимагають
точного знання її параметрів. Методи адаптивного
регулювання намагаються при цьому підстроїти регу-
лятор на основі оцінки параметрів невідомого об'єкту,
тоді як робасні регулятори залишаються незмінними і
забезпечують стійкість системи тільки в діапазоні
допустимих змін параметрів об'єкту. Проте проблема
синтезу адаптивних систем регулювання для невідо-
мих, нелінійних і змінних в часі об'єктів не вирішена
повністю.
Застосування нейромережевої технології управ-
ління дозволяє значною мірою зняти математичні
проблеми аналітичного синтезу і аналізу властивостей
проектованої системи [1, 2]. Це пояснюється тим, що
властивості, що досягаються, і якість процесів управ-
ління в нейромережевих системах більшою мірою
залежать від фундаментальних властивостей багато-
шарових нелінійних нейронних мереж, а не від аналі-
тично розрахованих оптимальних законів, що зазви-
чай реалізовуються у вигляді комп'ютерної програми.
Настроювані багатошарові нейронні мережі володі-
ють рядом достоїнств, які обумовлюють їх застосу-
вання в завданнях управління нелінійними динаміч-
ними об'єктами.
Мета статті – синтез нейрорегулятора на основі
еталонної моделі Model Reference Controller, реалізо-
ваного з системі Matlab, для вирішення завдання
управління системою наведення і стабілізації спеціа-
льного устаткування рухомих об’єктів.
Виклад матеріалу дослідження, отриманих
наукових результатів. У пакеті прикладних програм
Neural Network Toolbox системи MATLAB реалізовані
три регулятора: регулятор з прогнозом NN Predictive
Controller, регулятор на основі моделі авторегресії з
ковзним середнім NАRMA-L2 Controller і регулятор
на основі еталонної моделі Model Reference Controller
[3]. У роботах [4-6] виконаний синтез і дослідження
системи з нейрорегулятором NN Predictive Controller,
а в роботі [7] – системи з нейрорегулятором NАRMA-
L2 Controller. Як показали дослідження, нейрорегуля-
тор NАRMA-L2 Controller не забезпечує задані показ-
ники якості функціонування системи наведення і ста-
білізації спеціального устаткування рухомих об’єктів.
Найбільш ефективним для побудови нейромережевої
системи наведення і стабілізації є регулятор NN
Predictive Controller, в основу побудови якого покла-
дено принцип нелінійного предиктивного регулюван-
ня. Регулятор використовує модель нелінійного керо-
ваного об'єкту у вигляді нейронної мережі для того,
щоб передбачати його майбутню поведінку. Крім то-
го, регулятор обчислює сигнал управління, який оп-
тимізує поведінку об'єкта на заданому інтервалі часу.
Однак, зазначений регулятор вимагає великих обчис-
лювальних витрат і складний для практичної реаліза-
ції. Тому видається доцільним дослідження питання
про можливість використання більш простого регуля-
тора Model Reference Controller. Далі наводиться
48 ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5
коротка характеристика прикладних програм Neural
Network Toolbox і порядок синтезу нейрорегулятора
на основі еталонної моделі Model Reference Controller,
а також результати моделювання нейромережевої си-
стеми наведення і стабілізації спеціального устатку-
вання рухомих об’єктів при різних видах вхідних дій.
При синтезі нейрорегулятора Model Reference
Controller використовуються наступні файли, розмі-
щені в каталозі toolbox/nnet/ nncontrol. Навчальні фу-
нкції нейронних мереж: Srchbacxc – процедура одно-
вимірного пошуку на основі перебору з поверненням;
trainbfgc – модифікована процедура алгоритму BPGS
для розрахунку системи управління з еталонною мо-
деллю. Nnmodref.m – основна функція, використову-
вана при синтезі нейрорегулятора Model Reference
Controller: забезпечує GUI користувача, генерацію
навчальної вибірки, створення і тренування мережі
регулятора. Sfunxy2 – функція для виведення графі-
ків. Nncontrolutil – підтримка, що забезпечує можли-
вість звернення до приватних функцій з системи
SIMULINK. Nnident.m – основна функція, використо-
вувана при ідентифікації об'єкту, знаходиться в ката-
лозі private. Забезпечує GUI користувача, генерацію
навчальної вибірки, створення і тренування мережі.
На рис. 1 показана структурна схема нейромере-
жевої системи наведення і стабілізації, розроблена в
Simulink системи MATLAB. Схема включає блок
нейрорегулятора Model Reference Controller, блоки
генерації вхідної дії Sing Wave і Rendom Reference,
блок побудови графіків і блоки, що відносяться до
об'єкту управління (Subsystem і інтегруюча ланка). У
контур положення включений П-регулятор з коефіці-
єнтом посилення Kp. Ланки Derivative і MATLAB Fcn
включені в схему для реалізації передуправління за
швидкістю. Для обмеження сигналу при стрибкоподі-
бній зміні завдання на положення використана ланка
обмеження Saturation. Блок Subsystem відповідає мо-
делі двомасової системи з урахуванням моментів тер-
тя на валу двигуна і механізму і наявності люфта в
кінематичному пристрої сполучення. Схема підсисте-
ми Subsystem наведена в [4].
f
1
s
In Out
Subsystem
Sine Wave
Saturation
Random
Reference
Plant Output
Reference
Control
Signal
Neural
Network
Controller
Model Reference ControllerMATLAB
Function
MATLAB Fcn2
Kp
du/dt
Derivative
Рис. 1. Схема системи управління з нейрорегулятором Model Reference Controller з передуправлінням за швидкістю
Структурна схема нейрорегулятора Model
Reference Controller показана на рис. 2. Дана схема
з'являється в окремому вікні при виборі пункту меню
Look Under Mask блоку Model Reference Controller.
1Control Signal
Terminator1
Terminator
u
y
y hat
y hat1
NN Plant
r
u
y
uhat
NN Controller
2 Plant Output
1
Reference
Рис. 2. Структурна схема нейрорегулятора
Model Reference Controller
Процес синтезу нейрорегулятора починається
шляхом активізації блоку Model Reference Controller.
З'являється вікно, показане на рис. 3.
Особливість даної системи управління полягає в
тому, що виконується побудова двох нейронних ме-
реж: моделі об'єкту управління і самого регулятора.
Спочатку виконується побудова моделі об'єкту
управління, для чого у вікні, показаному на рис. 3
активізується кнопка Plant Identification. При цьому
відкривається вікно Plant Identification, і виконується
побудова нейромережевої моделі об'єкту управління.
Рис. 3. Вікно завдання параметрів нейрорегулятора Model
Reference Controller
Вид вікна Plant Identification проведений на рис. 4.
Це вікно універсальне і може бити використано для
ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5 49
побудови нейромережевих моделей для будь-якого
динамічного об'єкту, який описаний моделлю
SIMULINK. У розглянутому випадку такою моделлю
є модель двомасової системи, що відповідає об’єкту
управління. Процедура ідентифікації дозволяє побу-
дувати нейронну мережу, яка моделюватиме динаміку
керованого об'єкту. Оскільки модель повинна викори-
стовуватися при настройці регулятора, то її слід ство-
рити перш, ніж почнеться розрахунок регулятора.
Рис.4. Вікно ідентифікації керованої системи
Процедура ідентифікації вимагає завдання на-
ступних параметрів.
Параметри архітектури. Size of Hidden Layer (S) –
розмір прихованого шару визначається кількістю ви-
користовуваних нейронів; Sampling Interval (t) – такт
дискретності в секундах визначає інтервал між двома
послідовними моментами знімання даних; No.
Delayed Plant Inputs (Ni) – кількість елементів запіз-
нювання на вході моделі; No. Delayed Plant Outputs
(Nj) – кількість елементів запізнювання на виході мо-
делі; Normalize Training Data. Вікна контролю норму-
вання навчальних даних до діапазону [0 1].
Параметри навчальної послідовності. Training
samples (NB) – довжина навчальної вибірки (кількість
точок знімання інформації); Maximum Plant Input
(max) – максимальне значення вхідного сигналу;
Minimum Plant Input (min) – мінімальне значення вхі-
дного сигналу; Maximum Interval Value (sec) (tmax) –
максимальний інтервал ідентифікації в секундах;
Minimum Interval Value (sec) (tmin) – мінімальний ін-
тервал ідентифікації в секундах; Limit Output Data –
вікно контролю, що дозволяє обмежити об'єм вихід-
них даних, тільки при включеному вікні будуть до-
ступні 2 наступних вікна редагування тексту:
Maximum Plant Output – максимальне значення вихід-
ного сигналу і Minimum Plant Output – мінімальне
значення вихідного сигналу; Simulink Plant Model –
завдання моделі Simulink з вказівкою вхідних і вихід-
них портів, використовуваних при побудові нейроме-
режевої моделі керованої системи. За допомогою
кнопки Browser вибирається необхідна модель з числа
доступних, наприклад схема моделі виконавчого при-
строю стабілізатора озброєння, приведена в [4];
Generate Training Data – кнопка запуску процесу гене-
рації навчальної послідовності; Import Data – імпорт
навчальної послідовності з робочої області або файлу
даних; Export Data – експорт даних, що згенерували, в
робочу область або МАТ-файл.
Параметри навчання. Training Epochs – кількість
циклів навчання; Training function – завдання навчаль-
ної функції; Use Current Weights – вікно контролю, що
дозволяє підтвердити використання поточних вагів
нейронної мережі; Use Validation/Testing Training – ви-
бір цих вікон контролю означає, що по 25 % даних з
навчальної послідовності буде використано для форму-
вання контрольної і текстової підмножин відповідно.
Отже, вибір процедури Generate Training Data
приведе до того, що буде запущена програма генера-
ції навчальної послідовності. Програма генерує на-
вчальні дані шляхом дії ряду випадкових ступінчас-
тих сигналів на модель SIMULINK керованого об'єк-
ту. Графіки вхідного і вихідного сигналів об'єкту
управління виводиться на екран (рис. 5).
Рис. 5. Графіки вхідного і вихідного сигналів при генерації
навчальній послідовності
Після закінчення генерації навчальної послідов-
ності передбачається або прийняти дані (Accept Data),
що згенерували, або відмовитися від них(Reject Data).
Якщо приймаються дані, програма повертає до дещо
зміненого вікна Plant Identification, в якому частина
вікон недоступна, а кнопка Generate Training Data за-
мінена на кнопку Erase Generate Data, що дозволяє
видалити сгенерировані дані. Після натиснення на
кнопку Train Network відбувається створення мережі з
прямою передачею сигналу за допомогою М-функції
newff. Дана функція не тільки створює мережу з ім'ям
netn, але і ініціалізує її ваги і зсуви і готує нейронну
мережу до навчання. Модель нейронної мережі може
бути побудована в системі Simulink за допомогою
оператора gensim(netn) (рис. 6).
Елементи нейтронної мережі, відповідають насту-
пним параметрам: розмір прихованого шару S = 12,
кількість елементів запізнювання на вході моделі
50 ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5
Ni = 2 і кількість елементів запізнювання на виході
моделі Nj = 5. Кожен подальший елемент з'являється в
окремому вікні при активізації попереднього подвій-
ним клацанням миші. З даних елементів в системі
Simulink може бути побудована схема мережі, пока-
зана на рис. 7.
7
lz{2,1}
6
pd{2,1}
5
pd{1,1}1
4
iz{1,1}
3
a{2}
2
a{1}1
1
y{1}1
y{1}
tansig
Input 1
p{1}
purel innetsum1
netsum
Mux
mux1
Mux
mux
w
p
z
dotprod9
w
p
z
dotprod8
w
p
z
dotprod7
w
p
z
dotprod6
w
p
z
dotprod5
w
p
z
dotprod4
w
p
z
dotprod3
w
p
z
dotprod2
w
p
z
dotprod13
w
p
z
dotprod12
w
p
z
dotprod11
w
p
z
dotprod10
w
p
z
dotprod1
bias
b{2}
bias
b{1}
a{1}
p{1} y {1}
Neural Network
Mux
Mux1
Mux
Mux
a{1} a{2}
Layer 2
p{1} a{1}
Layer 1
weight
LW{2,1}
weights
IW{2,1}(1,:)'
weights
IW{1,1}(9,:)'
weights
IW{1,1}(8,:)'
weights
IW{1,1}(7,:)'
weights
IW{1,1}(6,:)'
weights
IW{1,1}(5,:)'
weights
IW{1,1}(4,:)'
weights
IW{1,1}(3,:)'
weights
IW{1,1}(2,:)'
weights
IW{1,1}(12,:)'
weights
IW{1,1}(11,:)'
weights
IW{1,1}(10,:)'
weights
IW{1,1}(1,:)'
weight
IW{1,1}
TDL
Delays 2
TDL
Delays 1
a{1}
7
ad{2,1}
6p{2}
5p{1}3
4
pd{1,1}3
a{1}
2
p{1}2
1
p{1}1
Рис. 6. Моделі елементів мережі з прямою передачею
сигналу, реалізовані в Simulink
y{1}
tansig
Input 1
p{1}
purelinnetsum1
netsum
w
p
z
dotprod9
w
p
z
dotprod8
w
p
z
dotprod7
w
p
z
dotprod6
w
p
z
dotprod5
w
p
z
dotprod4
w
p
z
dotprod3
w
p
z
dotprod2
w
p
z
dotprod12
w
p
z
dotprod11
w
p
z
dotprod10
w
p
z
dotprod1
bias
b{2}
bias
b{1}
Mux
Mux1
weight
LW{2,1}
weights
IW{1,1}(9,:)'
weights
IW{1,1}(8,:)'
weights
IW{1,1}(7,:)'
weights
IW{1,1}(6,:)'
weights
IW{1,1}(5,:)'
weights
IW{1,1}(4,:)'
weights
IW{1,1}(3,:)'
weights
IW{1,1}(2,:)'
weights
IW{1,1}(12,:)'
weights
IW{1,1}(11,:)'
weights
IW{1,1}(10,:)'
weights
IW{1,1}(1,:)'
Рис. 7. Модель статичної мережі з прямою передачею
сигналу, побудована в Simulink
Дана мережа є статичною (статична мережа ха-
рактеризується тим, що в її складі немає елементів
запізнювання і зворотних зв'язків). Мережу викорис-
товує 1 вектор входу з 6 елементами, має 2 шару з 12
нейронами в першому (прихованому) шарі і 1 нейро-
ном в другому (вихідному) шарі. Використовувані
функції активації: гіперболічного тангенса (tansig) - в
першому шарі, лінійна (purelin) – в другому шарі.
Після створення мережі починається процес її на-
вчанні. Векторі входу представляється як числові ма-
сиви вибірок у форматі doubl, що відповідає груповому
представленню даних. Навчання здійснюється з вико-
ристанням функції trainlm. яка відповідає алгоритму
Левенберга-Марквардта. Динаміка зміни помилки на-
вчання, а також перевірки на контрольній і текстовій
множинах відбиваються у вікні, зображеному на рис. 8.
Рис. 8. Вікно контролю процесу навчання
Після завершення навчання його результати ві-
дображаються на графіках рис. 10. Результати тесту-
вання на контрольній і текстовій множині відобража-
ються на графіках, аналогічних рис. 9.
Рис. 9. Результати тренування мережі
Поточний стан відмічений у вікні Plant
Identification повідомленням «Навчання завершене».
Можна згенерувати або імпортувати нові дані, продо-
вжити навчання або зберегти отримані результати,
вибравши кнопки ОК або Apply.
Числові значення елементів матриць вагів
IW{1,1}, LW{2,1} і зсувів b{1}, b{2} нейронної мере-
жі моделі об'єкту управління заносяться в пам'ять
машини і використовуються потім при побудові ней-
ронної мережі регулятора. Після завершення побудо-
ви нейромережевої моделі керованого об'єкту відбу-
ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5 51
вається повернення до вікна завдання параметрів
Model Reference Control (рис. 3).
Для навчання нейронної мережі регулятора необ-
хідно згенерувати навчальні дані. Як еталонна модель
приймається одномасова система. Для генерації навча-
льної послідовності активізується кнопка Generate
Training Data. Ці дані у вигляді графіків з'являться у
вікні Input – Output Data NN Model Reference Control.
Необхідно підтвердити або відкинути ці дані. Якщо
дані прийнятні, то у вікні Model Reference Control ви-
бирається кнопка Train Controler (Навчити регулятор).
Після натиснення на кнопку Train Controler відбуваєть-
ся створення і ініціалізація мережі netn з прямою пере-
дачею сигналу за допомогою М-функції newff. На рис.
10 показані моделі елементів нейронної мережі, побу-
довані за допомогою оператора gensim(netn). Мережа
має 4 шари. Параметри першогоі другого шару зада-
ються у вікні Model Reference Control. У даному випад-
ку розмір першого шару S1 = 14, у другому шарі є 1
нейрон. Параметри третього і четвертого шарів відпо-
відають параметрам нейромережевої моделі об'єкту
управління, отримані в результаті виконання процеду-
ри ідентифікації (в даному випадку: розмір третього
шару S3 = 12, четвертого – S4 = 1). Використовувані
функції активації: гіперболічного тангенса (tansig) – в
першому і третьому шарі, лінійна (purelin) – в другому
і четвертому шарах. З даних елементів в системі
Simulink побудована схема мережі, показана на рис. 11.
Дана мережа не має елементів затримки, тобто є
статичною. Мережа використовує 1 вектор входу з 9
елементами. Розмір вектора входу визначається як
(Njc + Nic + Nrc), де Nrc – кількість елементів запізню-
вання на вході регулятора (у даному випадку Nrc = 2);
Nic – кількість елементів запізнювання на виході регу-
лятора (Nic = 3), Njc – кількість елементів запізнювання
на виході моделі об'єкту (Njc = 4). Параметри Njc, Nic, Nrc
задаються у вікні Model Reference Control (див. рис. 3).
1
y{1}1
y{1}
Input 1
p{1}
a{3}
a{2}
a{1}
p{1} y {1}
Neural Network
a{3} a{4}
Layer 4
a{2} a{3}
Layer 3
a{1} a{2}
Layer 2
p{1} a{1}
Layer 1
a{3}
a{2}
a{1}
1
p{1}1
Рис. 10. Моделі елементів статичної мережі
регулятора Model Reference Controller
Значення вагів і зсувів першого і другого шарів
заносяться в пам'ять машини. Потім відбувається
створення і ініціалізація мережі netn з прямою пере-
дачею сигналу за допомогою М-функції newff з одним
елементом у векторі входу.
Після цього виконується побудова динамічної
мережі із заданим числом затримок по входу і виходу
моделі і регулятора. Моделі елементів динамічної
мережі показані на рис. 12. На рис. 13 представлена
схема динамічної мережі, побудована з вказаних еле-
ментів в режимі Simulink.
y{1}
tansig1
tansig
Input 1
p{1}1
purelin1
purelin
netsum3
netsum2
netsum1
netsum
w
p
z
dotprod9
w
p
z
dotprod8
w
p
z
dotprod7
w
p
z
dotprod6
w
p
z
dotprod5
w
p
z
dotprod4
w
p
z
dotprod3
w
p
z
dotprod28
w
p
z
dotprod27
w
p
z
dotprod26
w
p
z
dotprod25
w
p
z
dotprod24
w
p
z
dotprod23
w
p
z
dotprod22
w
p
z
dotprod21
w
p
z
dotprod20
w
p
z
dotprod2
w
p
z
dotprod19
w
p
z
dotprod18
w
p
z
dotprod17
w
p
z
dotprod16
w
p
z
dotprod15
w
p
z
dotprod14
w
p
z
dotprod13
w
p
z
dotprod12
w
p
z
dotprod11
w
p
z
dotprod10
w
p
z
dotprod1
bias
b{4}
bias
b{3}
bias
b{2}
bias
b{1}
Mux
Mux3Mux
Mux2
Mux
Mux1
Mux
Mux
weights
IW{4,3}(1,:)'
weights
IW{3,2}(9,:)'
weights
IW{3,2}(8,:)'
weights
IW{3,2}(7,:)'
weights
IW{3,2}(6,:)'
weights
IW{3,2}(5,:)'
weights
IW{3,2}(4,:)'
weights
IW{3,2}(3,:)'
weights
IW{3,2}(2,:)'
weights
IW{3,2}(12,:)'
weights
IW{3,2}(11,:)'
weights
IW{3,2}(10,:)'
weights
IW{3,2}(1,:)'
weights
IW{2,1}(1,:)'
weights
IW{1,1}(9,:)'
weights
IW{1,1}(8,:)'
weights
IW{1,1}(7,:)'
weights
IW{1,1}(6,:)'
weights
IW{1,1}(5,:)'
weights
IW{1,1}(4,:)'
weights
IW{1,1}(3,:)'
weights
IW{1,1}(2,:)'
weights
IW{1,1}(14,:)'
weights
IW{1,1}(13,:)'
weights
IW{1,1}(12,:)'
weights
IW{1,1}(11,:)'
weights
IW{1,1}(10,:)'
weights
IW{1,1}(1,:)'
Рис. 11. Модель статичної мережі netn, що формується при синтезі регулятора Model Reference Controller
52 ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5
1
y{1}1
y{1}
Input 1
p{1}
a{4}
a{3}
a{2}
a{1}
p{1} y {1}
Neural Network
a{3} a{4}
Layer 4
a{2}
a{4}
a{3}
Layer 3
a{1} a{2}
Layer 2
p{1}
a{2}
a{4}
a{1}
Layer 1
a{4}
a{3}
a{2}
a{1}
1
p{1}1
Рис. 12. Моделі елементів динамічної мережі
нейрорегулятора Model Reference Controller
Елементам матриць вагів і зсувів першого і дру-
гого шару динамічної мережі присвоюються відпові-
дні значення матриць вагів і зсувів першого і другого
шарів спочатку створеної статичної мережі, а елемен-
там матриць вагів і зсувів третього і четвертого шару
динамічної мережі присвоюються відповідні значення
матриць вагів і зсувів першого і другого шару мережі,
відповідної нейромережевої моделі об'єкту управлін-
ня, отриманої при виконанні процедури ідентифікації.
Після створення мережі виконується процес її на-
вчання. Параметр навчання вагів і зсувів третього і
четвертого шарів встановлюється рівним 0, унаслідок
чого вони залишаються незмінними в процесі трену-
вання, а змінюються ваги і зсуву першого і другого
шарів, тобто параметри нейросетевой моделі нейроре-
гулятора. Навчання здійснюється з використанням фу-
нкції trainbfgc. Навчання регулятора може займати зна-
чний час, оскільки навчання використовує динамічний
варіант методу зворотного розповсюдження помилки.
y{1}1
tansig1
tansig
Input 1
p{1}
purel in2
purelin
netsum4
netsum2
netsum1
netsum
Mux
mux7
Mux
mux6
Mux
mux5
Mux
mux4
Mux
mux3
Mux
mux2
Mux
mux
bias
b{4}1
bias
b{3}
bias
b{2}
bias
b{1}
weight
LW{4,3}1
weight
LW{3,4}
weight
LW{3,2}
weight
LW{2,1}
weight
LW{1,4}
weight
LW{1,2}
weight
IW{1,1}
1/zDelay 9
1/zDelay 8
1/zDelay 7
1/zDelay 6
1/zDelay 5
1/zDelay 17
1/zDelay 16
1/zDelay 15
1/zDelay 14
1/zDelay 13
1/zDelay 12
1/zDelay 11
1/zDelay 10
1/zDelay 1
Рис. 13. Модель динамічної мережі, що формується при синтезі регулятора Model Reference Controller
Динаміка зміни помилки навчання відбивається у
вікні, показаному на рис. 14. Після того, як навчання
закінчене, графіки виходів еталонної моделі і об'єкту
управління виводяться на екран у вікні, показаному
на рис. 15.
Рис. 14. Вікно контролю процесу навчання нейронної
мережі регулятора Model Reference Controller
Рис. 15. Результати тренування мережі регулятора
Model Reference Controller
ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5 53
Якщо точність стеження за еталонною моделлю
незадовільна, то можна продовжити навчання регуля-
тора з тим же набором даних, знову скориставшись
кнопкою Train Controller. Якщо для продовження на-
вчання необхідно використовувати новий набір да-
них, можна скористатися кнопками Generate Data або
Import Data. Можна продовжити навчання з вибрани-
ми вагами, для чого слід зробити відмітку у вікні кон-
тролю Use Current Weight.
Після закінчення процесу навчання числові зна-
чення елементів матриць вагів і зсувів регулятора (тоб-
то першого і другого шарів) вводяться в блок NN
Controller, а числові значення елементів матриць вагів і
зсувів об'єкту (тобто. третього і четвертого шарів) вво-
дяться в блок NN Plant системи Simulink (див. рис. 2).
При побудові нейронної мережі об'єкту управ-
ління і нейронної мережі регулятора кількість нейро-
нів прихованого шару S варіювались в широких межі.
При малій кількості нейронів мережа не може вико-
нувати поставлене завдання, а при великому спостері-
гається явище перенавчання і зростає об'єм обчис-
лень. Значення S, при яких отримані кращі результа-
ти, знаходяться в межах S = 10 – 15.
Успіх тренування мережі в значній мірі залежить
від довжини навчальної вибірки NB і такту дискретності
t, що визначає інтервал між двома послідовними мо-
ментами знімання даних. Оптимальними у вирішуваній
задачі є: NB = 10000, t = 0,05 c. При збільшенні t зни-
жується точність обчислюється і різниця між помилкою
навчання і помилкою, отриманою на контрольній і тес-
товій множині досягає 102 – 103. Зменшення t викликає
необхідність відповідного збільшення NB і, як наслідок,
значно збільшується час тренування мережі, при цьому
істотного зниження не спостерігається.
Для отримання представницької вибірки необ-
хідно правильно задати максимальне і мінімальне
значення інтервалу ідентифікації. Величина їх зале-
жить від параметрів об'єкту Plant; у даному завданні
прийнято tmin = 4 – 5 c, tmax = 10 – 20 c.
Кількість елементів запізнювання на вході Ni і
виході Nj моделі об'єкту управління варіювалося в
межах Ni = 1 – 4, Nj = 2 – 5. Кількість елементів запіз-
нювання на вході регулятора Nrc, на виході регулятора
Nic і на виході моделі об'єкту Njc (при синтезі нейронної
мережі регулятора) варіювалося в межах: Nrc = 1 – 4,
Nic = 1 – 5, Njc = 1 – 5.
Як навчальна функція нейронної мережі регуля-
тора використана функція trainbfgc, а при навчанні
нейронної мережі об'єкту управління – функція
trainlm. При навчанні нейронної мережі регулятора всі
навчальні дані розбиваються на n сегментів і з вико-
ристанням кожного сегменту виконується Nц циклів
навчання. Кількість циклів навчання Nц, після закін-
чення яких помилка навчання переставала зменшува-
тися, складало Nц = 20 – 30 при n = 30. Як еталонна
модель приймалася одномасова система.
Для визначення показників якості функціону-
вання синтезованої нейромережевої системи проведе-
но моделювання системи при різних тестових вхідних
сигналах: ступінчастому із змінною амплітудою, що
знаходиться і діапазоні від з = 1 рад до з = –1 рад,
лінійно-наростаючому з мінімальною швидкість на-
ростання min = 3,5104 c1, гармонійному з частотою
1 Гц і амплітудою 3. Як показали дослідження, ні
при яких параметрах нейрорегулятора Model
Reference Controller не вдалося отримати задовільні
динамічні характеристики системи. Ідентифікація
об'єкту управління була виконана з високою точніс-
тю. Помилка навчання нейронної мережі об'єкту
управління має порядок 1012, а миттєві помилки не
перевищували 2105. Мінімальна помилка навчання
нейронної мережі регулятора має порядок 104. Проте
навіть без урахування обурюючих дій перехідні про-
цеси системи мають коливальний характер. В якості
прикладу на рис. 18 і 19 приведені графіки перехідних
процесів змінних стану системи при ступінчастій і
гармонійній вхідній дії. Таким чином, для системи
наведення і стабілізації спеціального устаткування
рухомих об’єктів слід використовувати нейрорегулято
NN Predictive Controller, який забезпечує високі пока-
зники якості функціонування системи.
0 1 2 3 4
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
t, c
f, rad
2 1
з
1-
2-
0 1 2 3 4
-1
-0.5
0
0.5
1
t, c
Wm, c-1
0 1 2 3 4
-500
0
500
t, c
Wd, c-1
а б в
Рис. 16. Графіки перехідні процеси змінних стану нейромережевої системи при ступінчастій вхідній дії:
а – задаюча дія з і кут ; б – швидкість механізму м; в – швидкість двигуна д
Висновки. У статті виконаний синтез нейроре-
гулятора на основі еталонної моделі Model Reference
Controller для забезпечення заданих показників якості
функціонування системи наведення і стабілізації спе-
ціального устаткування рухомих об’єктів. У Simulink
системи MATLAB розроблено структурну схему дво-
контурної нейромережевої системи наведення і стабі-
лізації з нейрорегулятором Model Reference Controller
в контурі швидкості і з П-регулятором в контурі поло-
ження і з передуправлінням за швидкістю. Наведено
54 ISSN 2074-272X. Електротехніка і Електромеханіка. 2015. №5
методику синтезу нейрорегулятора Model Reference
Controller, реалізованого в пакеті прикладних програм
Neural Network Toolbox системи MATLAB. Шляхом
варіювання параметрів нейрорегулятора в широких
межах, встановлено, які параметри істотно впливають
на якість регулювання та визначено значення параме-
трів, які забезпечують найкращі результати. Виконано
моделювання системи та проведено аналіз отриманих
результатів.
СПИСОК ЛІТЕРАТУРИ
1. Терехов В.А., Ефимов Д.В. , Тюкин И.Ю. Нейросетевые
системы управления. – М.: ИПРЖР, 2003. – 480 с.
2. Руденко О.Г., Бодянський Е.В. Штучні нейронні мере-
жі: Навчальний посібник. – Х.: ТОВ «Компанія СМІТ»,
2006. – 404 с.
3. Медведев В.С., Потемкин В.Г. Нейронные сети.
MATLAB 6. – М.: ДИАЛОГ-МИФИ, 2002. – 496 с.
4. Кузнецов Б.И., Василец Т.Е., Варфоломеев А.А. Разра-
ботка нейросетевой системы наведения и стабилизации
вооружения легкобронированных машин // Електротехніка і
електромеханіка. – 2008. – №2. – С. 31-34.
5. Кузнецов Б.И., Василец Т.Е., Варфоломеев А.А. Синтез
нейроконтроллера с предсказанием для двухмассовой элек-
тромеханической системы // Електротехніка і електромеха-
ніка. – 2008. – №3. – С. 27-32.
6. Кузнецов Б.И., Василец Т.Е., Варфоломеев А.А. Нейро-
управление нелинейным динамическим объектом с исполь-
зованием метода обобщенного управления с предсказанием
// Електротехніка і електромеханіка. – 2008. – №4.– С. 34-41.
7. Кузнецов Б.І., Василець Т.Ю., Варфоломієв О.О. Синтез
і дослідження системи наведення і стабілізації озброєння
легкоброньованих машин з нейрорегулятором на основі
моделі авторегресії з ковзаючим середнім // Системи озбро-
єння і військова техніка. – 2010. – №4(24). – С. 118-121.
REFERENCES
1. Terekhov V.A., Yefimov D.V., Tyukin I.Yu. Nejrosetevye
sistemy upravlenija [Neural network control system]. Moscow,
IPRZhR Publ., 2002. 480 p. (Rus).
2. Rudenko O.G., Bodyansky E.V. Shtuchni nejronni merezhi:
Navchal'nyj posibnyk [Artificial Neural Networks: Tutorial].
Kharkov, TOV «Kompanіja SMІT» Publ., 2006. 404 p. (Ukr).
3. Medvedev V.S, Potemkin V.G. Neironnye seti. MATLAB 6
[Neural networks. MATLAB 6]. Moscow, DIALOG-MIFI
Publ., 2002. 496 p. (Rus).
4. Kuznetsov B.I., Vasilets T.E., Varfolomiyev O.O. Devel-
opment of a neuro-system of guidance and stabilizing for light-
armored machines armament. Elektrotekhnіka і elektromek-
hanіka – Electrical engineering & electromechanics, 2008, no.2,
pp. 31-34. (Rus).
5. Kuznetsov B.I., Vasilets T.E., Varfolomiyev O.O. Synthesis
of a predictive neuro-controller for a two-mass electromechani-
cal system. Elektrotekhnіka і elektromekhanіka – Electrical
engineering & electromechanics, 2008, no.3, pp. 27-32. (Rus).
6. Kuznetsov B.I., Vasilets T.E., Varfolomiyev O.O. Nonlinear
dynamic object neuro-control using a generalized predictive
control method. Elektrotekhnіka і elektromekhanіka – Electrical
engineering & electromechanics, 2008, no.4, pp. 34-41. (Rus).
7. Kuznetsov B.I., Vasilets T.E., Varfolomiyev O.O. Synthesis
and study of the light armored vehicle aiming and stabilization
system with neural network control based on the autoregressive-
moving-average model. Sistemi ozbroennya i viyskova tehnika –
Systems of arms and military equipment, 2010, no.4(24),
pp. 118-121. (Ukr).
Надійшла (received) 19.05.2015
Кузнєцов Борис Іванович1, д.т.н., проф.,
Василець Тетяна Юхимівна2, к.т.н., доц.,
Варфоломієв Олексій Олексійович3, к.т.н.,
1 Державна установа «Інститут технічних проблем
магнетизму Національної академії наук України»,
61106, Харків, вул. Індустріальна, 19,
e-mail: bikuznetsov@mail.ru
2 Українська інженерно-педагогічна академія,
61003, Харків, вул. Університетська, 16,
тел/phone +38 057 7337959,
e-mail: tatyana.vasilets@gmail.com
3 Технологічний інститут Нью Джерсі (США),
University Heights, Newark, NJ, USA, 07102-1982,
тел/phone +1609 7874172,
e-mail: alexey.varfolomeyev@gmail.com
B.I. Kuznetsov1, T.E. Vasilets2, О.O. Varfolomiyev3
1 State Institution «Institute of Technical Problems
of Magnetism of the NAS of Ukraine»,
19, Industrialna Str., Kharkiv, 61106, Ukraine.
2 Ukrainian Engineering Pedagogics Academy,
16, Universitetskaya Str., Kharkiv, 61003, Ukraine.
3 New Jersey Institute of Technology,
University Heights Newark, New Jersey, USA, 07102.
Synthesis of neural network Model Reference Controller
for aiming and stabilizing system.
The aim of this work is the synthesis of neural network reference
model controller. The synthesis is performed in MATLAB for the
problem of control of the aiming and stabilization system for the
special equipment of moving objects. This paper presents the
synthesis of the neural network reference model controller to
meet the given performance characteristics of operation for the
aiming and stabilization system for the special equipment of
moving objects. Simulink tool in MATLAB is used to build the
block diagram of double-loop neural network system of aiming
and stabilization, where the reference model controller is put in
the velocity loop and P-regulator is put in the position loop,
with feedforward velocity control. Presented the method of syn-
thesis of the neural network reference model controller that is
implemented in the Neural Network Toolbox in MATLAB. Sys-
tem tests with the broad range of parameter values determined
the key parameters defining the control quality. Optimal values
of the key parameters were found to provide the highest control
performance. System simulation and analysis of the obtained
results is given. References 7, figures 16.
Key words: neural network control, aiming and stabilization
system, nonlinear dynamic object, neuro-controller on the
basis of standard model, Model Reference Controller.
|
| id | nasplib_isofts_kiev_ua-123456789-149376 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 2074-272X |
| language | Ukrainian |
| last_indexed | 2025-12-07T13:12:03Z |
| publishDate | 2015 |
| publisher | Інститут технічних проблем магнетизму НАН України |
| record_format | dspace |
| spelling | Кузнецов, Б.І. Василець, Т.Ю. Варфоломієв, О.О. 2019-02-21T12:47:33Z 2019-02-21T12:47:33Z 2015 Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації / Б.І. Кузнецов, Т.Ю. Василець, О.О. Варфоломієв // Електротехніка і електромеханіка. — 2015. — № 5. — С. 47–54. — Бібліогр.: 7 назв. — укр. 2074-272X DOI: https://doi.org/10.20998/2074-272X.2015.5.06 https://nasplib.isofts.kiev.ua/handle/123456789/149376 681.3.01 Виконано синтез нейрорегулятора на основі еталонної моделі для рішення задачі управління спеціальним устаткуванням рухомих об’єктів . Наведено порядок синтезу нейрорегулятора Model Reference Controller, реалізованого в пакеті прикладних програм Neural Network Toolbox системи MATLAB . Встановлено, які параметри нейрорегулятора суттєво впливають на якість регулювання і визначені значення параметрів, що забезпечують найкращі показники якості функціонування системи. Виконано моделювання системи на ЕОМ. Выполнен синтез нейрорегулятора на основе эталонной модели для решения задачи управления специальным оборудованием подвижных объектов. Приведен порядок синтеза нейрорегулятора Model Reference Controller, реализованного в пакете прикладных программ Neural Network Toolbox системы MATLAB. Установлено, какие параметры нейрорегулятора существенно влияют на качество регулирования и определены значения параметров, которые обеспечивают лучшие показатели качества функционирования системы. Выполнено моделирование системы на ЭВМ. The aim of this work is the synthesis of neural network reference model controller. The synthesis is performed in MATLAB for the problem of control of the aiming and stabilization system for the special equipment of moving objects. This paper presents the synthesis of the neural network reference model controller to meet the given performance characteristics of operation for the aiming and stabilization system for the special equipment of moving objects. Simulink tool in MATLAB is used to build the block diagram of double-loop neural network system of aiming and stabilization, where the reference model controller is put in the velocity loop and P-regulator is put in the position loop, with feedforward velocity control. Presented the method of synthesis of the neural network reference model controller that is implemented in the Neural Network Toolbox in MATLAB. System tests with the broad range of parameter values determined the key parameters defining the control quality. Optimal values of the key parameters were found to provide the highest control performance. System simulation and analysis of the obtained results is given. uk Інститут технічних проблем магнетизму НАН України Електротехніка і електромеханіка Електротехнічні комплекси та системи. Силова електроніка Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації Synthesis of neural network Model Reference Controller for aiming and stabilizing system Article published earlier |
| spellingShingle | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації Кузнецов, Б.І. Василець, Т.Ю. Варфоломієв, О.О. Електротехнічні комплекси та системи. Силова електроніка |
| title | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації |
| title_alt | Synthesis of neural network Model Reference Controller for aiming and stabilizing system |
| title_full | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації |
| title_fullStr | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації |
| title_full_unstemmed | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації |
| title_short | Синтез нейрорегулятора Model Reference Controller для системи наведення і стабілізації |
| title_sort | синтез нейрорегулятора model reference controller для системи наведення і стабілізації |
| topic | Електротехнічні комплекси та системи. Силова електроніка |
| topic_facet | Електротехнічні комплекси та системи. Силова електроніка |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/149376 |
| work_keys_str_mv | AT kuznecovbí sintezneiroregulâtoramodelreferencecontrollerdlâsisteminavedennâístabílízacíí AT vasilecʹtû sintezneiroregulâtoramodelreferencecontrollerdlâsisteminavedennâístabílízacíí AT varfolomíêvoo sintezneiroregulâtoramodelreferencecontrollerdlâsisteminavedennâístabílízacíí AT kuznecovbí synthesisofneuralnetworkmodelreferencecontrollerforaimingandstabilizingsystem AT vasilecʹtû synthesisofneuralnetworkmodelreferencecontrollerforaimingandstabilizingsystem AT varfolomíêvoo synthesisofneuralnetworkmodelreferencecontrollerforaimingandstabilizingsystem |