Розробка, дослідження системи керування на основі нейронної мережі (стр. 10 из 21)
Для навчання мережі використовується генетичний алгоритм (ГА), що набудовує параметри нейроконтролера не за помилкою в керуванні U, а за помилкою на виході об'єкта, порівнюючи його з виходом еталонної моделі (рис. 3.10).
Рис. 3.10. Застосування ГА для настроювання параметрів нейроконтролера.
Вихідна популяція зі 100 хромосом генерувалася випадковим образом. Кожний з 26 параметрів мережі кодується 16 бітами, у такий спосіб хромосома, що кодує нейроконтроллер, являє собою 416 розрядну послідовність нулів і одиниць. Діапазон зміни кожного з параметрів прийнятий від -1 до +1. 16-розрядне кодування забезпечує дискретність зміни параметра не гірше ніж
.При одиничному вхідному впливі на об'єкт керування, описуваний системою рівнянь (3.18), якість системи оцінюється перехідною характеристикою. При визначених значеннях параметрів САР спостерігаються процеси, що відповідають хитливому характеру роботи системи, стійкому і на границі стійкості. Задача нейроконтролера - визначення параметрів САР, що забезпечують стійкість системи і необхідні показники якості, такі як величина перерегулювання, число перерегулювань і час перехідного процесу. При цьому САР у цьому випадку повинна формувати такі керуючі впливи, під впливом яких сигнал на виході об'єкта керування відповідав сигналу завдання, що формується за допомогою еталонної моделі (різниця сигналів UГ і X1 повинна бути мінімальної).
Результати роботи нейроконтролера приведені у виді осцилограм на рис..11, 3.12.
Рис. 3.11. Залежність X1 з використанням нейроконтролера та без.
На рис. 3.11. приведені перехідні процеси змінної
у відносних одиницях без використання системи керування на основі нейроконтроллера (крива 1) і з його використанням (крива 2) при завданні на вхід об'єкта сигналу одиничної амплітуди.
Рис. 3.12. Залежність при різних вхідних впливах.
Рис. 3.12 ілюструє поводження об'єкта не тільки на тренувальних шаблонах, але і на проміжних значеннях амплітуди вхідного сигналу, що підтверджує універсальність апроксимуючих здібностей нейронних мереж і можливість використання розробленого нейроконтролера для формування сигналів керування напругою порушення синхронного генератора електропередачі дизель-потяга.
3.4 Розробка системи керування дизель-потяга на основі нейромережевих технологій
Синтез оптимальної системи керування енергетичною системою дизель-потяга можна здійснити на основі ідей теорії рівноважних математичних моделей з використанням нейромережевих технологій. Для цього спочатку необхідно мати деяку вихідну структуру системи керування, а для одержання кращої системи необхідно синтезувати додаткову (допоміжну) систему, сукупна дія яких приводить до бажаного результату, тобто забезпечує поліпшення заданого показника якості.
Поліпшення системи керування асинхронними тяговими двигунами можна спробувати здійснити шляхом рівнобіжного включення синтезованої системи регулятора на основі нейронних мереж. Як вихідна система керування обрана одна систем, синтезована за допомогою нейронної мережі, виконана корекція синтезованого закону керування по каналах напруги і частоти. Результуючий квазіоптимальний сигнал керування U може бути отриманий як:
, (3.19)де
- сигнал, формований згідно деякого методу (наприклад, методу АКУР); 
- додатковий сигнал, одержуваний на виході нейронної мережі.Дослідження на математичних моделях показало, що система в цьому випадку має гарну стійкість, а всі змінні, які спостерігаються, знаходиться в припустимих діапазонах.
Система керування електроприводом дизель-потяга має два канали: канал формування амплітуди керуючого впливу і канал формування частоти. Тому у вихідну структуру системи керування необхідно додати дві нейронні мережі (для кожного каналу). У якості нейронних мереж обраний багатошаровий перцептрон, що має вхідний, вихідний і два схованих шари. Структура мережі ідентична для кожного з каналів: 4 входи, 4 нейрони в першому схованому шарі, 7 нейронів у другому схованому шарі і 1 вихідний нейрон. У якості активаційної функції кожного з нейронів обрана сигмоїдальна функція виду (3.33).
. (3.20)На входи мереж подаються модулі сигналів потокозчеплення і струму фази статорної обмотки, частота обертання ротора і коефіцієнт, пропорційний масі складу. На виході нейронної мережі формується додатковий сигнал
, за допомогою якого поліпшується функціонування електропривода.На рис. 3.13 приведена структурна схема моделі електропривода дизель-потяга із синтезованою системою керування, що містить додаткові канали, реалізовані з використанням нейронних мереж. Дана модель характеризується тим, що в її структурі присутні два додаткових елементи - NeuralContr_W і NeuralContr_U, за допомогою яких здійснюється формування додаткових сигналів керування
по каналах напруги і частоти. Структурні схеми каналу формування частоти і його основних складових компонентів приведені відповідно на рис. 3.14 і 3.15. 
Рис. 3.13. Структурна схема моделі електропривода дизель-потяга із синтезованою системою керування, що містить додаткові канали, реалізовані з використанням нейронних мереж.
На рис. 3.14-а приведена внутрішня структура блоку NeuralContr_W. Субблоки Layer1, Layer2 і Layer3 являють собою відповідно 1-й, 2-й схований і вихідний шари нейронної мережі. Вхідні сигнали надходять на вхідний шар p{1} у виді вектора, що складає з 4-х елементів (по кількості вхідних сигналів). Далі вектор надходить на вхід першого схованого шару (Layer1). Структура субблоков сімейства Layer приведена на рис 3.14-б. Робота блоку полягає в наступному: спочатку обчислюється зважена сума вхідного вектора для кожного з нейронів першого схованого шару (блок ІW{1,1}) і додавання до цієї суми зсуву (b{1}), що являє собою вектор, число елементів якого дорівнює числу нейронів у цьому шарі. Структура блоку ІW{1,1} приведена на рис 3.15-а. Тут блоки ІW{1,1}(1,:)' - ІW{1,1}(4,:)' задають відповідно вагарні коефіцієнти між відповідним нейроном першого схованого шару (1 - 4) і вхідним шаром. На вхід блоків dotprod1 - dotprod4 подаються вхідний вектор pd{1,1} і відповідні вагарні коефіцієнти. Ці блоки виконують зважене підсумовування вхідного вектора pd{1,1}. Після додавання зсуву до зваженої суми (рис. 3.14-б), отриманий результат, що представляє собою вектор з 4-х елементів (по числу нейронів першого схованого шару), подається на активаційну функцію нейронів (блок tansіg), що реалізує функцію гіперболічного тангенса. Отриманий проміжний результат передається на другий схований шар (Layer2). Принцип роботи аналогічний описаному вище за винятком того, що число блоків dotprod, що виконують зважену підсумовування, дорівнює 7 (числу нейронів у другому схованому шарі, див .рис.3.15-б). На виході другого шару виходить вектор, що складається з 7-ми елементів, який подається на вихідний шар (Layer3). У результаті на виході нейронної мережі (вихід блоку Layer3) виходить сигнал, що здійснює корекцію сигналу керування по частоті (рис.3.15-в). Усі вагові коефіцієнти між шарами мережі і коефіцієнти зсувів були отримані в результаті настроювання мережі, що здійснювалася генетичним алгоритмом.
а)
б)
Рис. 3.14. Структурна схема моделі нейрорегулятора каналу формування частоти.
а).
б).
в).
Рис.3.15. Структурні схеми для визначення вагових коефіцієнтів нейрорегулятора.
Структура нейрорегулятора для каналу формування напруги аналогічна, відрізняється тільки коефіцієнтами настроювання.
При настроюванні мережі до регуляторів можна пред'являти ті чи інші оптимізаційні властивості, наприклад, при тих самих енергетичних витратах (коли нейронна мережа включена в систему керування) одержати менший час розвантажування або більший пройдений шлях, або при однакових кінцевих швидкостях зменшити енергетичні витрати на розгін дизель-потяга. Розглядаються і різні комбінації цих критеріїв.
При навчанні нейронних мереж (НМ) використовувався генетичний алгоритм (ГА). З його допомогою настроювалися параметри НМ відповідно до заданого критерію. Як гени хромосоми в ГА використовуються усі вагові коефіцієнти між шарами нейронних мереж, при цьому перша частина хромосоми являє собою параметри нейронної мережі, що виконує корекцію закону керування по частоті, а друга - по амплітуді.