ПРОГРАМНЕ СЕРЕДОВИЩЕ І ТЕХНОЛОГІЯ МОДЕЛЮВАННЯ НЕЙРОМЕРЕЖЕВИХ СИСТЕМ КЕРУВАННЯ ДИНАМІЧНИМИ ОБ’ЄКТАМИ



КРАВЕЦЬ П.І., ШИМКОВИЧ В.М., ОМЕЛЬЧЕНКО П.В. В данной работе разработана технология и среда моделирования нейросетевых систем управления динамическими объектами. Ключевые слова: нейросетевые системы управления, динамические объекты управления, программная среда, генетический алгоритм.

In this paper, we developed the technology and neuralnetwork simulation environment for dynamic objects control systems.

Keywords: neural network control systems, dynamicobjects, software environment, genetic algorithm.

УДК 681.5.13

Нейромережеві системи управління динамічними об’єктами відносяться до класу складних нелінійних динамічних систем і являють собою новий високотехнологічний напрямок в теорії управління [1, 2]. За допомогою нейронних мереж можливо як завгодно точно апроксимувати (змоделювати) n-вимірну неперервну функцію породжену будь-якою неперервною системою, в тому числі і складними багатомірними динамічними об'єктами та реалізовувати відповідні засоби керування ними, зокрема такі, що можуть адаптуватися до впливу зовнішніх та внутрішніх змін при функціонуванні об’єктів [1,3-5].

Як правило, для реалізації адаптивних нейромережевих систем керування використовують структури з інверсними моделями об’єктів керування в якості регуляторів [1]. Динамічні властивості таких систем визначаються можливостями швидкого переналагодження регуляторів, зокрема за рахунок реалізації нейромережевих регуляторів на розпаралелених обчислювачах, наприклад на ПЛІС [4]. Однак, для реалізації такого підходу необхідно визначити оптимальну структуру нейромережі для моделі об’єкта і регулятора, структуру обчислювача параметрів налагодження нейромереж в реальному часі, оцінити час налаштування та "підлаштування" нейромережі в процесі роботи, обрахувати середньоквадратичну похибку відхилення виходу об'єкта та інше. Все це потребує відповідних програмно-технічних засобів для моделювання і оцінки роботи нейромережевих систем керування динамічними об’єктами (ОК), яких на даний момент не існує. Наприклад, в найпопулярнішому програмному середовищі Matlab можливо побудувати лише статичну нейромережу і неможливо "підлаштовувати" її в процесі роботи.

Для вирішення цих проблем авторами створено програмне середовище DynNC (Dynamic Neuro Controller) (в вигляді консольного додатку) на мові програмування Matlab для моделювання нейромережевих систем керування динамічними ОК. Цей додаток містить наступну функціональність: можливість задавати ОК векторами входу/виходу, задавати змінений під впливом збурюючих факторів вектор виходу ОК, створювати структуру нейромереж для моделювання ОК та регулятора (задавати кількість шарів в ШНМ-контролері, кількість нейронів в прихованих шарах), побудувати графіки виходу ОК, обчислити середньоквадратичну помилку виходу системи, обчислити час «підлаштування» нейроконтролера до змін ОК.

Наведемо технологію використання розробленого програмного середовища та алгоритму роботи.

Першим кроком користувачу програмного середовища DynNC необхідно задати структуру ОК, дані і можливі діапазони зміни векторів «вхід-вихід». Для прикладу виберемо структуру багатовимірного нелінійного ОК з трьома вхідними сигналами і двома вихідними сигналами.

Наступним кроком в DynNC проводиться процедура ідентифікації моделі ОК на основі штучних нейронних мереж (ШНМ) різних конфігурацій і визначається оптимальна структура ШНМ, на основі якої в подальшому буде побудовано його пряму та інверсну моделі. Для цього користувач за допомогою програмного пакету MIMO-Plant [4], провівши досліди для заданого ОК, враховуючи отриману похибку при моделюванні, вибирає внутрішню структуру ШНМ і задає її в DynNC. Так для даного прикладу обрано ШНМ з одним прихованим шаром та 10 нейронами у прихованому шарі, для якої отримано значення середньоквадратичної похибки 0.00275.

Наступним кроком є налаштування нейромереж ОК та регулятора. В середовищі DynNC для налаштування нейромережі використовується генетичний алгоритм [5]. Однією з основних переваг застосування еволюційного підходу є можливість в процесі «підлаштування» (адаптації) регулятора обраховувати функції помилки, що обчислюється як середня різниця між реальним і модельним виходом ОУ.

Наступним кроком є моделювання роботи системи керування з моделями ОК та регулятора, що об’єднані по схемі «спеціалізованого інверсного навчання» (див. рис.1) [1,3]. При цьому виконується оцінка впливу зовнішніх та внутрішніх збурень на вихід ОК та час «підлаштування» регулятора, в тому числі і в тактах роботи обчислювальних засобів, що дає можливість оцінити час «підлаштування» регулятора реалізованого, наприклад, на ПЛІС.

Так для згаданого вище прикладу моделювання зміни зовнішнього збурення на 100% визвала зміни на виходах об’єкта, які були скомпенсовані за рахунок «підлаштування» регулятора – інверсної моделі ОК за 0.2 с (біля 50-и обчислювальних тактів), при цьому середньоквадратична похибка склала 0.0015.

Рис. 1. Схема спеціалізованого інверсного навчання

В результаті всебічних дослідженнь модельованої системи керування динамічного ОК в середовищі DynNC одержуємо вихідні дані для реалізації ШНМ-контролера на ПЛІС:

- оптимальну структуру нейромереж моделі ОК і регулятора;

- програму реалізації генетичного алгоритму;

- можливу середньоквадратичну похибку функціонування системи;

- час налагодження та «підлаштування» регулятора;

- графіки зміни виходу ОК.

Висновок

Представлене програмне середовище дозволяє розробляти і моделювати нейромережеві адаптивні системи управління динамічними об’єктами та забезпечує створення вихідної бази даних для синтезу оптимальної структури нейроконтролера для досліджуваного ОК.

Перелік посилань

  1. Терехов В.А. Нейросетевые системы управления: Учеб. пособие для вузов. – М: Высшая школа. 2002. -183с.

  2. Саймон Хайкин. Нейронные сети. Полный курс. – М.: Вильямс, 2006. – 1104с.

  3. Сигеру Омату. Нейроуправление и его приложения. – М.: ИПРЖР, 2000. – 272с.

  4. Кравець П.І., Шимкович В.М., Ткач І.І. Розробка технології оцінювання показників нейромережевих моделей об'єктів управління / Вісник НТУУ «КПІ». Інформатика, управління та обчислювальна техніка: Зб. наук. пр. – К.: Век+, – 2012. – № 57.– С. 144-150 c.

  5. Кравец П.И., Шимкович В.Н. Метод оптимизации весовых коэффициентов нейронных сетей с помощью генетического алгоритма при реализации на программируемых логических интегральных схемах / Международный научно-технический журнал «Электронное моделирование». – 2013. – 35, №3. – С. 65-75.

  6. Neuralnetworks for control systems: A survey / K. J. Hunt, D. Sbarbaro, R. Zbikowski, P. J. Gawthrop // Automatica. 1992. Vol. 28. № 6. P. 1083 – 1112.
Jun 16, 2016