Developing software model of neural network PID controller in LabVIEW
In this article the method of synthesis and modeling of neural network PID controller is presenred by means of LabVIEW to build an adaptive system of automatic control. As a control object was selected DC motor. Synthesis and simulation of neural network PID controller met the functional properties...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
PROBLEMS IN PROGRAMMING
2025
|
| Schlagworte: | |
| Online Zugang: | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/802 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems in programming |
| Завантажити файл: |  |
Institution
Problems in programming| id |
pp_isofts_kiev_ua-article-802 |
|---|---|
| record_format |
ojs |
| resource_txt_mv |
ppisoftskievua/d3/6ed0c80c7806700775cf3d828ea341d3.pdf |
| spelling |
pp_isofts_kiev_ua-article-8022025-09-02T15:47:58Z Developing software model of neural network PID controller in LabVIEW Розробка програмної моделі нейромережевого під-регулятора в середовищі LabVIEW Zherebko, V.A. Afanasyev, V.V. Liaskovskyi, A.S. UDC 681.51 УДК 681.51 In this article the method of synthesis and modeling of neural network PID controller is presenred by means of LabVIEW to build an adaptive system of automatic control. As a control object was selected DC motor. Synthesis and simulation of neural network PID controller met the functional properties of classical PID regulator. Structure of neural network PID controller – perceptron with one hidden layer neurons, and neural network learning algorithm is back propagation.Problems in programming 2011; 1: 99-108 У даній роботі представлена методика синтезу та моделювання нейромережевого ПІД-регулятора засобами LabVIEW для побудови адаптивної системи автоматичного керування. Як об'єкт керування було обрано двигун постійного струму. Синтез та моделювання нейромережевого ПІД-регулятора виконані за функціональними властивостями класичного ПІД-регулятора. Структура нейромережевого ПІД-регулятора – перцептрон із одним прихованим шаром нейронів, а навчання нейромережі відбувається за алгоритмом зворотного поширення помилки.Problems in programming 2011; 1: 99-108 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2025-08-28 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/802 PROBLEMS IN PROGRAMMING; No 1 (2011); 99-108 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 1 (2011); 99-108 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 1 (2011); 99-108 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/802/854 Copyright (c) 2025 PROBLEMS IN PROGRAMMING |
| institution |
Problems in programming |
| baseUrl_str |
https://pp.isofts.kiev.ua/index.php/ojs1/oai |
| datestamp_date |
2025-09-02T15:47:58Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
UDC 681.51 |
| spellingShingle |
UDC 681.51 Zherebko, V.A. Afanasyev, V.V. Liaskovskyi, A.S. Developing software model of neural network PID controller in LabVIEW |
| topic_facet |
UDC 681.51 УДК 681.51 |
| format |
Article |
| author |
Zherebko, V.A. Afanasyev, V.V. Liaskovskyi, A.S. |
| author_facet |
Zherebko, V.A. Afanasyev, V.V. Liaskovskyi, A.S. |
| author_sort |
Zherebko, V.A. |
| title |
Developing software model of neural network PID controller in LabVIEW |
| title_short |
Developing software model of neural network PID controller in LabVIEW |
| title_full |
Developing software model of neural network PID controller in LabVIEW |
| title_fullStr |
Developing software model of neural network PID controller in LabVIEW |
| title_full_unstemmed |
Developing software model of neural network PID controller in LabVIEW |
| title_sort |
developing software model of neural network pid controller in labview |
| title_alt |
Розробка програмної моделі нейромережевого під-регулятора в середовищі LabVIEW |
| description |
In this article the method of synthesis and modeling of neural network PID controller is presenred by means of LabVIEW to build an adaptive system of automatic control. As a control object was selected DC motor. Synthesis and simulation of neural network PID controller met the functional properties of classical PID regulator. Structure of neural network PID controller – perceptron with one hidden layer neurons, and neural network learning algorithm is back propagation.Problems in programming 2011; 1: 99-108 |
| publisher |
PROBLEMS IN PROGRAMMING |
| publishDate |
2025 |
| url |
https://pp.isofts.kiev.ua/index.php/ojs1/article/view/802 |
| work_keys_str_mv |
AT zherebkova developingsoftwaremodelofneuralnetworkpidcontrollerinlabview AT afanasyevvv developingsoftwaremodelofneuralnetworkpidcontrollerinlabview AT liaskovskyias developingsoftwaremodelofneuralnetworkpidcontrollerinlabview AT zherebkova rozrobkaprogramnoímodelínejromereževogopídregulâtoravseredoviŝílabview AT afanasyevvv rozrobkaprogramnoímodelínejromereževogopídregulâtoravseredoviŝílabview AT liaskovskyias rozrobkaprogramnoímodelínejromereževogopídregulâtoravseredoviŝílabview |
| first_indexed |
2025-09-17T09:23:21Z |
| last_indexed |
2025-09-17T09:23:21Z |
| _version_ |
1850412022080995328 |
| fulltext |
Навчальні аспекти програмування
УДК 681.51
В.А. Жеребко, В.В. Афанасьєв, А.С. Лясковський
РОЗРОБКА ПРОГРАМНОЇ МОДЕЛІ НЕЙРОМЕРЕЖЕВОГО
ПІД-РЕГУЛЯТОРА В СЕРЕДОВИЩІ LABVIEW
У даній роботі представлена методика синтезу та моделювання нейромережевого ПІД-регулятора засо-
бами LabVIEW для побудови адаптивної системи автоматичного керування. Як об'єкт керування було
обрано двигун постійного струму. Синтез та моделювання нейромережевого ПІД-регулятора виконані
за функціональними властивостями класичного ПІД-регулятора. Структура нейромережевого ПІД-
регулятора – перцептрон із одним прихованим шаром нейронів, а навчання нейромережі відбувається
за алгоритмом зворотного поширення помилки.
Вступ
При побудові робототехнічних або
інших складних систем керування часто
виникає потреба керування об'єктом, чия
математична модель дуже складна або
невідома. Підхід до синтезу таких систем
автоматичного керування (САК) класич-
ними методами буває або вкрай трудоміс-
ткий або неможливий взагалі.
Класичні закони керування, напри-
клад, ПІД-регулювання, не здатні врахову-
вати структурних та параметричних змін,
що відбуваються в об'єкті керування (ОК)
з плином часу, тому необхідно використо-
вувати адаптивні механізми. САК [1, 2],
що побудовані з використанням нейроме-
режевих підходів [3] можна класифікувати
як адаптивні САК.
Нейромережеві методи особливо
актуальні для завдань керування ОК зі
змінною структурою. У такому разі вико-
ристання нейромережевих регуляторів
здатне помітно скоротити терміни і вар-
тість проектування САК оскільки немає
необхідності вирішувати задачу ідентифі-
кації ОК та усувати вплив невизначеності
за умови відповідного навчання нейронної
мережі регулятора.
Нейромережеві структури (штучні
нейронні мережі) використовуються для
побудови ПІД-регулятора двома шляхами
[4]: для побудови власне регулятора, або
для побудови блоку настроювання його
коефіцієнтів. Такий ПІД-регулятор схожий
на регулятор із табличним керуванням (так
зване «програмне керування»), тобто ви-
конується апроксимація функції сигналу
керування нелінійним ОК.
Сучасний спектр універсальних
програмних засобів, що орієнтовані на по-
вний цикл як інженерних досліджень, так і
кінцеву реалізацію спроектованих нейро-
мережевих алгоритмів у прикладних про-
грамах для цільових апаратних платформ
не викликає захоплення. Загалом всі ін-
струментальні середовища чітко спеціалі-
зовані за напрямами: моделювання, проек-
тування, тестування, симуляція тощо.
Популярним програмним пакетом
для моделювання та синтезу нейромереже-
вих систем керування є MATLAB, але пе-
вні обмеження не дозволяють використо-
вувати його для кінцевої програмної реалі-
зації нейромережевих алгоритмів керуван-
ня на цільових платформах. Тому вибір
було зупинено на пакеті LabVIEW [5]. Цей
пакет дозволяє виконати всі етапи розроб-
ки від моделювання та синтезу до побудо-
ви прикладної програми на цільовій апара-
тній платформі.
У даній роботі запропоновано про-
грамну реалізацію моделі нейромережево-
го ПІД-регулятора на цільовій апаратній
платформі NI CompactRIO [6] засобами
LabVIEW. Синтез регулятора та САК у
цілому також виконані в середовищі Lab-
VIEW. Розробка, синтез та реалізація про-
грамної моделі нейромережевого ПІД-
регулятора складається із окремих етапів:
1. Вибір неперервної моделі ОК.
2. Вибір структури неперервної мо-
делі ПІД-регулятора.
3. Переведення неперервних моде-
лей у цифрову форму.
4. Розрахунок коефіцієнтів налаш-
тування ПІД-регулятора.
99© В.А. Жеребко, В.В. Афанасьєв, А.С. Лясковський, 2011
ISSN 1727-4907. Проблеми програмування. 2011. № 1
Навчальні аспекти програмування
100
5. Вибір структури штучної нейро-
мережі для побудови регулятора.
6. Генерування навчальних вибірок
на базі функціонування класичного ПІД-
регулятора в замкненій САК із ОК.
7. Виконання алгоритму навчання
нейромережі за базою навчальних вибірок.
8. Порівняльний аналіз реалізованої
моделі нейромережевого та класичного
ПІД-регуляторів.
Тож розглянемо кожний із цих ета-
пів синтезу й розробки моделі нейромере-
жевого ПІД-регулятора більш докладно.
Структурна схема САК з класичним
ПІД-регулятором та зі зворотним зв'язком
показана на рис. 1. У ній блок PID назива-
ють ПІД-регулятором, Р – об'єктом керу-
вання, r – задавальний вплив, або устав-
кою, е – сигналом розузгодження або по-
милки, u – керуючий вплив (вихід регуля-
тора), у – регульованою величиною. На
САК можуть впливати зовнішні обурення
d і шум вимірювань n.
Рис. 1. Класичний ПІД-регулятор в САК зі
зворотним зв'язком
На рис. 2 показана типова структура
САК з нейромережевим ПІД-регулятором.
Нейронна мережа в даній структурі
грає роль функціонального перетворювача,
котрий для кожного набору сигналів r, e, u,
y виробляє сигнал, що заміняє компоненти
класичного ПІД-регулятора.
dt
u∂
∫
Рис. 2. САК з нейромережевим ПІД-
регулятором (NN – нейронна мережа)
1. Математична модель об'єкта
керування
Як ОК використовується двигун по-
стійного струму (ДПС) типу
2ПН132LУХЛ4 [7] з характеристиками, що
наведені у табл. 1.
Математична модель динаміки ДПС
описується диференційним рівнянням:
uk
dt
dT
dt
dТT дммя =+⋅+⋅ ωωω
2
2
)( , (1)
де та сталі часу. яT мT
я
я R
LяT = , 2)( Фc
RJ
T
в
япр
м ⋅
⋅
= ,
де – сумарний момент інерції, приве-
дений до вісі двигуна, – конструктивна
стала, Ф – потік збудження ДПС.
прJ
ес
н
яян
в
RIU
Фc
ω
⋅−
=⋅ ,
Таблиця 1. Характеристики ДПС
Назва характеристики Позначен-
ня
Номінальне
значення
Одиниці ви-
мірювання
Номінальна потужність нP 1.9 кВт
Номінальна напруга нU 220 В
Номінальні оберти нn 750 об/хв.
Коефіцієнт корисної дії η 76.6 %
Опір обмотки якоря яR 0.836 Ом
Опір обмотки додаткових полюсів дпR 0.647 Ом
Опір обмотки збудження озR 148 Ом
Індуктивність якоря яL 23 мГн
Момент інерції двигуна нJ 0.0836 кг/м2
Навчальні аспекти програмування
де – номінальна напруга, – струм в
обмотці якоря,
нU яI
нω – номінальна швидкість
обертання валу ДПС.
н
н
я U
Р
I
⋅
=
η
,
60
2 н
н
n⋅⋅
=
π
ω ,
нпр JJ ⋅= 3 ,
Фс
k
е
д ⋅
=
1
,
де – коефіцієнт передачі ДПС. дk
Підставимо числові значення вели-
чин характеристик ДПС, що наведені в
табл. 1, у відповідні формули і отримаємо
диференційне рівняння ДПС (1) у наступ-
ному вигляді:
u
dt
d
dt
d
⋅=++ 379.003.000093.0
2
2
ωωω . (2)
Запишемо неперервну передатну
функцію (ПФ) для ДПС, застосувавши
перетворення Лапласа до диференційного
рівняння (2):
103.000093.0
379.0)( 2 ++ pp
pW .
Перейдемо до цифрової ПФ приве-
деної неперервної частини (ПБЧ) з часто-
тою дискретизації 0.1 с, використавши
команду c2d в пакеті MATLAB.
Наведемо команди переходу від не-
перервної ПФ до цифрової ПФ:
1) >> W=tf(0.379,[0.00093 0.03 1]);
2) >>
103.000093.0
379.0)(
2 ++
=
pp
pW ;
3) >> c2d(W,0.1);
4) >>
0397.03824.0
0996.04394.0)(
2 ++
+
=
zz
zpW .
2. Математична модель ПІД-
регулятора
ПІД-регулятор (PID-regulator) видає
вихідний сигнал, що є сумою трьох скла-
дових компонент: пропорційного регулю-
вання (P), регулювання по інтегралу (I) та
регулювання за похідною (D). Перша час-
тина up(t) пропорційна помилці вихідної
величини, а сама різниці між вихідною
величиною та задавальним впливом:
e(t) = r(t) – y(t); друга частина ui(t) – інтег-
ралу за часом помилки вихідної величини,
а третя частина uд(t) – похідній помилки.
Математичне рівняння класичного
ПІД-регулятора має вигляд
∫ ⋅+⋅+⋅=
t
дip dt
tdeKdteKteKtu
0
)()()()( τ .
Призначення ПІД-регулятора поля-
гає в підтриманні заданого значення r де-
якої величини y за допомогою зміни керу-
ючої величини u.
ПФ цифрового ПІД-регулятора має
наступний вигляд:
zT
zK
z
TK
KzW дi
pПІД
0
0 )1(
)1(2
)(
−
+
−
+= , (3)
де Т0 – період дискретизації, Кі, Кд і Кр –
параметри інтегральної, диференціальної і
пропорційної складових ПІД-закону регу-
лювання u.
Звівши до спільного знаменника
формулу (3), отримаємо кінцеву ПФ циф-
рового ПІД-регулятора:
.
)1(2
2)42()22(
0
0
2
0
2
00
−
+−−+++
zzT
KKTKTKzTKKTK ддpipдi
Тоді ПФ розімкнутої системи з корекцією
буде мати вигляд:
)()()( zWzWzW ПБЧПІДск ⋅= ,
де – цифрова ПФ ПБЧ даної мо-
делі САК.
)(zWПБЧ
3. Розрахунок коефіцієнтів ПІД-
регулятора
3.1. Визначення коефіцієнта інтеграль-
ної складової Кі. Для визначення Кі вико-
ристовуємо вираз для коефіцієнта помилки
за швидкістю:
)()1(
1
lim1
0
zWz
zT
K скv −
→
= . (4)
Зауваження. Для того, щоб вираз
(4) був справедливим, необхідно, щоб фу-
нкція, яка входить під знак lim не мала
полюсів на одиничному колі.
Kν – вибираємо самостійно (Kν =
= 3÷8). Помітимо, що Kν визначається
101
Навчальні аспекти програмування
102
тільки коефіцієнтом Кі і параметрами САК
та залежить від Кд і Кр. Виберемо Kν = 5.
.094.0191.59
)1()()1(
1
lim1
0
=→=
=−⋅=−
→
=
ii
ПБЧiскv
KK
zWKzWz
zT
K
3.2. Визначення коефіцієнтів Кд і Кр. Ви-
бираючи два нулі регулятора так, щоб во-
ни компенсували полюси САК, отримаємо:
.)())((
22
2
22
42
2121
2
21
0
2
00
2
0
0
2
02
zzzzzzzzzz
TKKTK
K
z
TKKTK
KTKTK
z
pдi
д
pдi
дpi
++−=−−=
=
++
+
++
−−
+
Прирівнюючи коефіцієнти при од-
накових степенях z, отримуємо систему
рівнянь, з якої знаходимо Кд і Кр.
⎪
⎪
⎩
⎪
⎪
⎨
⎧
=
++
−=
++
−−
⇔
⎪
⎪
⎩
⎪
⎪
⎨
⎧
=
++
=
++
−−
85.0
2.021319.0
2
844.1
2.021319.0
42.01319.0
03972.0
22
2
3824.0
22
42
0
2
0
0
2
0
0
2
0
pд
д
pд
дp
pдi
д
pдi
дpi
KK
K
KK
KK
TKKTK
K
TKKTK
KTKTK
.
Розв'язавши систему рівнянь, отри-
маємо коефіцієнти ПІД-регулятора:
2022.0=дK , 00157.0=pK . Остаточний
вигляд моделі САК з ПІД-регулятором
показано на рис. 3.
zT
zK д
0
)1( −
)1(2
)1(0
−
+
z
zKT i
pK
0397.03824.0
0996.04394.0
2 ++
+
zz
z
Рис. 3. Модель САК з цифровим ПІД-регулятором
4. Вибір структури нейромереже-
вого ПІД-регулятора
В якості структури нейромереже-
вого ПІД-регулятора була вибрана матема-
тична структура типу перцептрон [8].
Багатошарові перцептрони успіш-
но застосовуються для вирішення різнома-
нітних складних завдань. Багатошарові
перцептрони мають три відмінні ознаки:
– кожен нейрон нейронної мережі
має нелінійну функцію активації (nonlinear
activation). Важливо підкреслити, що дана
нелінійна функція є гладкою (тобто всюди
диференційованою), на відміну від жорст-
кої порогової функції, використовуваної у
перцептроні Розенблатта;
– нейромережа містить один або кі-
лька шарів прихованих нейронів, які не є
частиною входу або виходу мережі. Ці
нейрони дозволяють мережі навчатися
рішенням складних завдань, послідовно
витягуючи найбільш важливі ознаки з вхі-
дноro образу (вектора);
– нейромережа має високий ступінь
зв'язності, реалізованої за допомогою си-
наптичних з'єднань. Зміна рівня зв'язності
мережі вимагає зміну безлічі синаптичних
з'єднань або їхніх вагових коефіцієнтів.
Комбінація всіх цих властивостей разом із
здатністю до навчання на власному досві-
ді забезпечує обчислювальну потужність
багатошарового перцептрона.
Найпопулярнішою формою функції,
що задовольняє цій вимозі, є сигмоїдальна
(sigmoidal nonlinearity), обумовлена насту-
пною логістичною функцією.
xe
xy −+
=
1
1)( . (5)
Схема перцептрона, який був обра-
ний для вирішення нашої задачі показаний
на рис. 4, що складається з 4 входів (r, e, u,
y), 3 виходів (компоненти P, I, D) та одно-
го внутрішнього шару нейронів n1..nN, де
N – кількість нейронів внутрішнього шару
Навчальні аспекти програмування
нейромережі; wij – масив ваг, що з'єднує
вхідні сигнали та внутрішній шар нейро-
нів, wjk – масив ваг, що з'єднує внутрішній
шар нейронів з виходами мережі. Значення
і змінюється в межах від 1 до 4, k – від 1 до
3, а j – від 1 до N.
Щоб визначитися з кількістю ней-
ронів внутрішнього шару було проведено
декілька дослідів і вибрано N=200.
ijw
jkw
1n
2n
1−Nn
Nn
Рис. 4. Структурна схема нейронної мере-
жі, що використовується як нейромереже-
вий ПІД-регулятора
За результатами дослідів було вияв-
лено, що при меншій кількості нейронів,
навчання нейронної мережі проходить
швидше, але результати моделювання при
цьому є досить неточними, а при більшій
кількості нейронів значно спадає швид-
кість навчання, при цьому точність прак-
тично не змінюється.
5. Генерування навчальних вибі-
рок для нейромережевого ПІД-
регулятора
Генерування навчальних вибірок
для нейромережевого ПІД-регулятора
здійснено в середовищі розробки Lab-
VIEW з допомогою модуля Control Design
& Simulation (CDS) [9]. На рис. 5 показана
схема генерування навчальних вибірок.
Для цього було здійснено симуляцію пере-
хідного процесу САК із цифровим ПІД-
регулятором, і запису бажаних входів та
виходів нейромережевого ПІД-регулятора
в масиви з частотою, рівною частоті дис-
кретизації (0.1 с).
В табл. 2 наведені та описані функ-
ціональні блоки, що були використані для
генерування навчальних вибірок для ней-
ромережевого ПІД-регулятора.
Значення керуючого впливу (u) та
виходу системи (y) на початку ітерації не-
відомі, тому як вхідні параметри u та y бе-
руться значення попередньої ітерації, отже
для створення коректної навчальної вибір-
ки кожен i-й елемент масивів u та y запи-
сується під номером i+1.
Оскільки в модулі CDS непередба-
чено функціонального блоку для цифрово-
го диференціатора, то було використано
функціональний блок Derivative x(t)
PtByPt, який знаходиться в розділі Signal
Processing-Point By Point.
Таблиця 2. Функціональні блоки
Зовнішній вигляд Призначення Зовнішній вигляд Призначення
Вхідний сигнал
Блок запису передатної
функції
Підсилювач
Осцилограф
Запис в масиви пото-
чного часу симуляції
та значення сигналу
Суматор
Інтегратор
Кластер масивів поточ-
ного часу симуляції та
значення сигналу
Диференціатор
Функція для запису на-
вчальних вибірок у файл
103
Навчальні аспекти програмування
104
Симуляція перехідного процесу
САК була здійснена за допомогою струк-
тури Control & Simulation Loop з часом
симуляції 40 с, з кроком 0.001 с, та з часом
дискретизації рівним 0.1 с. Далі відбува-
ється окремо конкатенація масивів
входів та виходів та об'єднання їх в єди-
ний кластер, який і є навчальними вибір-
ками, що записується в файл (рис. 6) і ви-
користовується в подальшому для навчан-
ня нейронної мережі.
Рис. 5. Блок-діаграма генерування навчальних вибірок
Рис. 6. Блок-діаграма збереження навчальних вибірок у XML-файл в LabVIEW
6. Алгоритм навчання нейронної
мережі
Навчання нейронної мережі з учи-
телем виконується за допомогою такого
популярного алгоритму, як алгоритм зво-
ротного поширення помилки (ЗПП). Цей
алгоритм ґрунтується на корекції помилок
виходу нейромережі. Його можна розгля-
дати як узагальнення популярного алгори-
тму адаптивної фільтрації – алгоритму мі-
німізації середньоквадратичної помилки.
Як функцію активації було використано
сигмоїд (5).
Сигнал помилки вихідного нейрона
на ітерації n визначається співвідношен-
ням:
j
)()()( nyndne jjj −= ,
Навчальні аспекти програмування
де – бажане значення, – реальне. )(nd j )(ny j
Поточне значення енергії помилки
нейрона визначимо як j )(
2
1 2 ne j . Відпо-
відно поточне значення загальної
енергії помилки нейронної мережі визна-
чається шляхом додавання величин
)(nE
)(
2
1 2 nej
за всіма нейронами вихідного шару. Це
«видимі» нейрони, для яких сигнал помил-
ки може бути розрахований безпосеред-
ньо. Таким чином, можна записати:
∑=
∈Cj
j nenE )(
2
1)( 2
,
де множина C включає всі нейрони вхід-
ного шару.
Основними перевагами функції сиг-
моїд (5) є проста похідна, що використову-
ється при реалізації алгоритму ЗПП та ав-
томатичний контроль підсилення – для
слабких сигналів крива вхід-вихід має си-
льний нахил, що дає більше підсилення,
коли величина сигналу стає більшою, під-
силення послаблюється. Таким чином ве-
ликі сигнали сприймаються нейромережею
без насичення, а слабкі сигнали проходять
по нейромережі без сильного ослаблення.
Основними характеристиками, які
характеризують ефективність навчання
нейронної мережі є «швидкість навчання»
та «навчальний імпульс», які контролюють
хід процесу навчання.
Для запобігання «паралічу» та не-
стійкості нейромережі швидкість навчання
була взята невелика (0.2), навчальний ім-
пульс взятий рівним 0.1. Середньоквадра-
тична помилка, згідно якої мережа вважа-
ється навченою, була взята рівною 0.0001.
При менших значеннях похибки суттєво
збільшується тривалість процесу навчання,
при менших значеннях спостерігається
великий відсоток значень, що не задоволь-
няють бажаним виходам.
На рис. 7 показана лицьова панель
віртуального приладу навчання нейронної
мережі. Процес навчання було здійснено в
LabVIEW за допомогою спеціального на-
бору функцій Neural Net [10] та модулю
CDS [9].
На рис. 8 показана частина блок-
діаграми з циклом навчання нейронної
мережі реалізації ПІД-регулятора.
Рис. 7. Лицьова панель віртуального приладу навчання нейронної мережі в LabVIEW
105
Навчальні аспекти програмування
106
Рис. 8. Частина блок-діаграми навчання нейронної мережі в LabVIEW
При запуску віртуального приладу
виконується цикл навчання нейронної ме-
режі, який зупиняється за умов, що зна-
чення середньоквадратичної похибки стає
менше за допустиме відхилення. При цьо-
му на виході отримаємо масив скорегова-
них ваг, які записуються у файл нейронної
мережі.
7. Порівняння перехідного процесу
системи з нейромережевим та ци-
фровим ПІД-регуляторами
Після навчання нейромережевого
ПІД-регулятора його було включено в
САК замість класичного цифрового ПІД-
регулятора. Для збереження значень u та v
з попередньої ітерації використано запа-
м'ятовуючі пристрої (рис. 9). Проведено
порівняння перехідних процесів системи з
нейромережевим ПІД-регулятором, циф-
ровим ПІД-регулятором та системи без
регулятора. В результаті використання
ПІД-регулятора помилка системи зменши-
лась до нуля, зникло перерегулювання, що
загалом значно покращило перехідний
процес системи (рис. 10). Завдяки вибраній
низькій середньоквадратичній помилці при
навчанні, перехідні процеси з нейромере-
жевим ПІД-регулятором та цифровим ПІД-
регулятором майже збігаються.
Рис. 9. Блок-діаграма порівняння перехідних процесів САК без регулятора, з цифровим ПІД-
регулятором та нейромережевим ПІД-регулятором в LabVIEW
Навчальні аспекти програмування
Рис. 10. Лицьова панель порівняння перехідних процесів системи без регулятора, з цифровим
ПІД-регулятором та нейромережевим ПІД-регулятором в LabVIEW
Висновки
У роботі представлена покрокова
методологія синтезу й реалізації нейроме-
режевого ПІД-регулятора графічною мо-
вою програмування G засобами LabVIEW.
Були побудовані моделі ОК, та класичного
ПІД-регулятора, розраховані коефіцієнти
настроювання класичного ПІД-регулятора.
Для програмної реалізації нейроме-
режевого ПІД-регулятора було обрано
структуру та архітектуру штучної нейрон-
ної мережі із певним набором нейронів,
шарів та активаційною функцією.
Настроювання нейронної мережі ві-
дбувалось шляхом процедури навчання за
результатами роботи класичного ПІД-
регулятора в САК. Завдяки вибраній низь-
кій середньоквадратичній помилці, перехі-
дні процеси з нейромережевим ПІД-
регулятором та класичним цифровим ПІД-
регулятором майже збігаються.
Головні переваги нейромережевої
реалізації ПІД-регулятора наступні:
– використовуючи здатність на-
вчання на великій кількості навчальних
вибірок, нейронна мережа має можливість
вирішувати задачі, в яких невідомі зако-
номірності між вхідними і вихідними да-
ними ОК;
– можливість стійкого функціону-
вання САК при наявності більшої кількос-
ті неінформативних сигналів шляхом ада-
птування до змін зовнішнього середовища;
– потенційно більша швидкодія, що
досягається за рахунок організації масової
квазіпаралельної обробки даних із викори-
станням програмних технологій LabVIEW
та цільової апаратної платформи Compac-
tRIO на базі FPGA;
– гарантована відмовостійкість при
апаратній реалізації нейромережевого
ПІД-регулятора. Це означає, що при не-
сприятливих умовах продуктивність ме-
режі падатиме незначно.
Програмне моделювання інших ін-
телектуальних регуляторів в САК засоба-
ми LabVIEW є перспективним та актуаль-
ним для даного наукового напряму.
107
Навчальні аспекти програмування
108
1. Жеребко В.А., Лукіна Т.Й., Лясковський
А.С. Методичне забезпечення проектуван-
ня адаптивного регулятора засобами Lab-
VIEW // Проблеми програмування. – 2009.
– № 2-3. – С. 444–451.
2. Александров А. Г. Оптимальные и адаптив-
ные системы: учеб. пособие для вузов по
спец. «Автоматика и управление в техни-
ческих системах». – 2-е изд. – М.: Высш.
шк., 2003. – 262 с.
3. Хайкин С. Нейронные сети: полный курс. :
2-е изд. [пер. с англ.]. – М.: Издательский
дом «Вильямс», 2006. – 1104 с.
4. Пшихопов В. Х., Шанин Д.А., Медве-
дев М.Ю. Построение нейросетевых регу-
ляторов для синтеза адаптивных систем
управления // Информационно-измери-
тельные и управляющие системы. – 2008.
– № 3, 6. – С. 48–52.
5. Трэвис Дж., Кринг Дж. LabVIEW для всех
– 3-е изд. – М.: ДМК Пресс, 2008. – 880 с.
6. LabVIEW и CompactRIO: основы разработ-
ки приложений // National Instruments,
2008. – 305 с.
7. Бесекерский В.А. Сборник задач по теории
автоматического регулирования и управле-
ния – М.: Наука, 1978. – 587 с.
8. Галушкин А. Нейронные сети. Основы
теории. – М.: Высш. шк., 2010. – 496 с.
9. NI LabVIEW Control Design Toolkit. User
Manual [Електронний ресурс].
http://www.ni.com/pdf/manuals/371057g.pdf.
10. NI LabVIEW Neural Network Toolkit. User
Manual [Електронний ресурс].
http://www.ni.com/pdf/manuals/370765c.pdf
Отримано 03.12.2010
Про авторів:
Жеребко Валерій Анатолійович,
молодший науковий співробітник,
викладач кафедри АУТС,
Афанасьєв Віталій Вікторович,
магістрант кафедри АУТС,
Лясковський Антон Сергійович,
магістрант кафедри АУТС.
Місце роботи авторів:
Національний технічний університет
України «КПІ»,
03056, Київ,
Проспект Перемоги 37,
корпус 18, к. 522.
Тел.: +380(44) 406 8346,
e-mail: zherebko@kpi.ua
http://www.ni.com/pdf/manuals/371057g.pdf
http://www.ni.com/pdf/manuals/370765c.pdf
mailto:zherebko@kpi.ua
|