Способ идентификации сложного объекта управления дробного порядка



Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка
Способ идентификации сложного объекта управления дробного порядка

 


Владельцы патента RU 2592464:

федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Белгородский государственный технологический университет им. В.Г. Шухова" (RU)

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта. Техническим результатом является повышение точности создания математической модели сложного объекта, описываемого дифференциальными уравнениями в частных производных. Способ содержит сбор статистических данных в режиме номинального функционирования объекта и использование их в качестве обучающей выборки динамической нейронной сети с элементами дробного запаздывания в ветви обратной связи, причем после завершения обучения на вход нейронной сети, как на "черный ящик", подается типовое ступенчатое воздействие, а полученная реакция на выходе нейронной сети с помощью модифицированного метода Симою аппроксимируется в форме передаточной функции дробного порядка. 3 ил.

 

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта.

Известна система идентификации параметров нестационарного объекта с переменным запаздыванием [патент на изобретение РФ 2027214].

Изобретение относится к системам идентификации переменных параметров динамических объектов, в том числе и переменного запаздывания, зависящего от времени. Способ определения переменного запаздывания основан на подстройке параметров системы по сигналу , означающему наличие отклонений параметров объекта и модели. При параметры объекта и модели равны. Лежащее в основе изобретения представление x(t-τ) в ряд Тейлора в точке t обладает очень низкой точностью и существенно зависит от числа членов разложения, к тому же автор ограничивается двумя членами разложения. Следует отметить, ведение дифференциаторов еще более усугубляет положение, так как вносит в систему импульсные воздействия, что вряд ли может гарантировать высокое качество идентификации.

Наиболее близким к предлагаемому решению, принятым за прототип, является способ активной идентификации линейных объектов управления [патент на изобретение РФ №2306592] путем анализа входного и выходного сигналов, заключающийся в том, что испытательные гармоники подаются на вход объекта последовательно во времени, при этом каждой гармонике, действующей в течение рабочего интервала, предшествует интервал (интервал - пауза), на котором испытательный сигнал отсутствует, паузы и рабочие интервалы позволяют оценить влияние реализовавшегося внешнего возмущения на ошибку идентификации и уменьшить это влияние путем увеличения времени идентификации.

С существенными признаками предложенного способа совпадает следующая совокупность признаков прототипа: сбор статистических данных о входных и выходных переменных объекта.

Недостатком прототипа является снижение точности получаемой математической модели для объектов, описываемых дифференциальными уравнениями в частных производных, вследствие того, что он позволяет получить модели только в форме передаточных функций целого порядка, которые обладают более низким уровнем адекватности объекту по сравнению с указанными уравнениями или передаточными функциями дробного порядка.

Этот недостаток связан с тем, что прототип использует математическое описание динамики в полных производных, в то время как многие процессы, например теплотехнические, более точно описываются моделью дифференциальных уравнений в частных производных. Для повышения точности описания объектов, описываемых дифференциальными уравнениями в частных производных, необходим переход к математическим моделям дробного порядка.

В основу изобретения положена задача повышения точности математической модели сложного объекта, описываемого дифференциальными уравнениями в частных производных.

Поставленная задача решается тем, что способ идентификации сложного теплового объекта управления включает процедуру сбора статистических данных в режиме его номинального функционирования и использует их в качестве обучающей выборки динамической нейронной сети с элементами дробного запаздывания в ветви обратной связи, причем после завершения обучения на вход нейронной сети, как на "черный ящик", подается типовое ступенчатое воздействие, а полученная реакция на выходе нейронной сети с помощью модифицированного метода Симою аппроксимируется в форме передаточной функции дробного порядка.

Заявляемый способ позволяет получать математические модели объектов в форме передаточных функций дробного порядка, что повышает точность моделирования процессов, описываемых дифференциальными уравнениями в частных производных. Кроме того, полученная модель в форме передаточных функций дробного порядка позволяет применить методы теории автоматического управления для решения задачи анализа и синтеза систем управления, что затруднительно при использовании моделей в форме дифференциальных уравнений в частных производных. В предлагаемом способе впервые применяется модификация нейронных сетей путем введения звена дробного запаздывания и модификация метода идентификации Симою для получения возможности идентифицировать процессы дробного порядка [Karikov, Е.В. Construction of a Dynamic Neural Network Model as a Stage of Grate Cooler Automation. / E.B. Karikov, V.G. Rubanov, V.K. Klassen // World Applied Sciences Journal. - 2013. - 25 (2). - Pp.: 227-232].

Изобретение поясняется на примере построения модели колосникового холодильника цементного клинкера "Волга-75". На фиг. 1 представлен объект управления в виде «черного ящика», на фиг. 2 показан фрагмент реальных изменений во времени одной из входных и одной из выходных переменных в режиме нормального функционирования колосникового холодильника «Волга-75», на фиг. 3 изображена структура нейронной сети (NARX), где IW - матрица весов входа; LW - матрица весов нейронов промежуточного слоя; р - вектор входов; y - выход сети; TDL (Tapped Delay Line) - линии задержки, определенные вектором L=(lin; lout), где lin, lout - длины входной и выходной линий соответственно.

Процесс идентификации объекта состоит из 3-х этапов:

1. Анализ объекта исследования и сбор информации о входных и выходных переменных. На данном этапе проводится определение входных и выходных переменных объекта, характер изменений которых записывается при сборе статистических данных в режиме его нормального функционирования.

2. Построение модели в форме динамических нейронных сетей, где в качестве структуры нейронной сети предложено использовать нелинейную авторегрессионную сеть с экзогенными входами (NARX-сеть), при этом обучение нейронной сети осуществляется путем серии экспериментов с сигналами, записанными в процессе функционирования объекта (1-й этап), в результате чего устанавливаются параметры сети. Для объектов исследования, описываемых уравнениями в частных производных, используется NARX-сеть с добавлением звеньев дробного запаздывания.

3. Получение результирующей математической модели в форме передаточной функции по каналам управления объекта осуществляется путем анализа отклика нейронной сети на стандартные входные воздействия. Наиболее простым и эффективным является подача на входы сети функции Хевисайда и аппроксимации отклика с помощью метода Симою (в случае идентификации объекта целого порядка) или модифицированного метода Симою (для объекта дробного порядка).

Проиллюстрируем суть способа на примере построения модели колосникового холодильника цементного клинкера "Волга-75". В соответствии с первым этапом осуществляется запись реализации входных и выходных переменных объекта. Фрагмент реальных изменений во времени входных и выходных переменных в режиме нормального функционирования объекта (колосникового холодильника) приведен на фиг. 2.

Второй этап получения модели в форме нейронной сети начинается с выбора структуры в классе NARX-сети, которая относится к классу рекуррентных нейронных сетей. Наличие обратных связей позволяет NARX-сети принимать решения, основываясь не только на входных данных, но и с учетом предыстории состояний динамического объекта.

В общем случае модель нелинейной авторегрессии с внешними входами описывается рекуррентным уравнением:

где х[n] - входной сигнал; y[n] - выходной сигнал; ψ - некоторое нелинейное преобразование; nx и ny - максимальное число задержек по входному и выходному сигналам соответственно. Архитектура используемой в работе NARX-сети представлена на фиг. 3.

Моделирование объектов, содержащих дробно-иррациональные интегро-дифференциальные преобразования требует применения модифицированных структур нейронных сетей.

Покажем подход к такой модификации на примере NARX-сети (фиг. 3). Данная сеть реализует рекуррентное соотношение (1) за счет использования элементов запаздывания сигнала. Для иллюстрации принципа работы рекуррентной нейронной сети воспользуемся дискретным представлением исследуемой системы в форме пространства состояний:

Принимая во внимание, что Δх[k+1]=х[k+1]-х[k], для момента времени к при шаге дискретизации Т, получим:

Из систем уравнений (2) и (3) видно, что NARX-сеть реализует уравнение состояния дискретной формы.

Выразим конечную разность через Z-преобразование:

Перейдем к конечной разности дробного порядка:

С другой стороны, конечную разность можно вычислить по формуле:

Таким образом, используя соотношения (5) и (6), можно получить формулу для описания звена запаздывания дробного порядка:

Применяя в структуре нейронной сети звенья запаздывания дробного порядка, получим возможность моделировать динамические объекты дробного порядка.

В ходе обучения нейронных сетей получены следующие результаты:

1. Для модели движения клинкера по колосниковой решетке наименьшее СКО (41.83) соответствует сети с 15 нейронами в скрытом слое и одинарной задержкой сигнала обратной связи.

2. Для модели движения воздуха в колосниковом холодильнике наименьшее СКО (123) отвечает сети с 15 нейронами в скрытом слое и одинарной задержкой сигнала обратной связи.

3. Для модели теплообмена между воздухом и клинкером наименьшее СКО (444) получено для сети с 15 нейронами в скрытом слое и одинарной дробной задержкой сигнала обратной связи порядка 1/2.

Третий этап идентификации состоит в получении результирующей модели объекта в форме передаточной функции дробного порядка путем применения модифицированного авторами метода Симою для аппроксимации кривой разгона объекта дробного порядка.

Исследуемый объект может быть описан линейным дифференциальным уравнением дробного порядка с постоянными коэффициентами:

где ; - постоянные коэффициенты, x - отклонение регулируемой величины, u - входное воздействие, α∈N - общая кратность порядков дробных операций.

Приведем уравнение (8) к следующему виду, разделив на и вынося за скобки:

где a 1,…,a n; b1,…,bm - постоянные коэффициенты, K - коэффициент преобразования системы, определяемый по формуле:

Передаточная функция объекта W(s)=X(s)/U(s), описываемого уравнением (9), может быть представлена в следующем виде:

В дальнейшем будем рассматривать нормированную передаточную функцию . Введем переменную , тогда передаточная функция объекта будет выглядеть следующим образом:

Инверсная передаточная функция объекта будет

Разложение инверсной функции в ряд Тейлора в окрестности точки ν=0 имеет вид:

где коэффициенты разложения Ck называются согласно методу Симою площадями. Приравнивая выражение для передаточной функции и разложение (10), после приведения подобных получим линейную систему уравнений путем приравнивания коэффициентов при одинаковых степенях ν.

где неизвестные коэффициенты Ck определяются на основании системы уравнений:

Далее, подставляя значения коэффициентов Ck в систему (11), находим искомые параметры передаточной функции a 1,…,a n; b1,…,bm. Здесь моменты µk находятся из уравнений связи производной k-го порядка изображения Ф(s) и оригинала ϕ(t) в форме:

Таким образом, предлагаемый способ позволяет получить математическую модель сложного теплового объекта управления в форме передаточных функций дробного порядка.

Способ идентификации сложного теплового объекта управления, включающий процедуру сбора статистических данных в режиме его номинального функционирования, отличающийся тем, что статистические данные о входных и выходных переменных объекта управления используются в качестве обучающей выборки динамической нейронной сети с элементами дробного запаздывания в ветви обратной связи, причем после завершения обучения на вход нейронной сети, как на "черный ящик", подается типовое ступенчатое воздействие, а полученная реакция на выходе нейронной сети с помощью модифицированного метода Симою аппроксимируется в форме передаточной функции дробного порядка объекта управления.



 

Похожие патенты:

Изобретение может быть использовано для непрерывного контроля, оценки и прогнозирования состояния неопределенности взаимодействия судна с внешней средой. Техническим результатом является повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций.

Изобретение относится к судостроению, а именно к способам прогнозирования качки судна, позволяющим обеспечить надежную посадку летательных аппаратов на суда и плавучие технические средства освоения Мирового океана, в том числе научно-исследовательские суда, буровые платформы и др.

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс.

Изобретение относится к области радиотехники и может быть использовано для интеллектуального анализа оценки устойчивости инфокоммуникационной системы. Техническим результатом является повышение устойчивости функционирования системы связи при воздействии деструктивных электромагнитных излучений на ее структурные элементы за счет оперативной реконфигурации и обработки характера деструктивных воздействий.

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.
Изобретение относится к информационным технологиям и нейрофизиологии. Техническим результатом изобретения является повышение скорости работы технологий нейрокомпьютерного интерфейса.
Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля.

Изобретение относится к области управления компьютерными сетями с использованием алгоритмов искусственного интеллекта. Техническим результатом является снижение времени простоя рабочих объектов компьютерной сети за счет увеличения точности прогноза изменений основных показателей.

Изобретение относится к системам и способам автоматического регулирования систем. Способ автоматического регулирования включает измерение множества характеристических параметров системы, в котором один из параметров (u) управления применяют в качестве функции измеренных параметров (y).

Изобретение относится к автоматическому управлению и может быть использовано в системах автоматического управления динамическими нестационарными объектами, математические модели которых могут содержать переменные операторы и/или параметры.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости.

Изобретение относится к области управления сложными стохастическими системами автоматического управления. Технический результат - повышение быстродействия поиска оптимальных параметров управления, в том числе, системами, в которых отсутствует монотонность критерия качества.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций.

Изобретение относится к способу управления производственным процессом. Технический результат - управление производственным процессом без простоя производства за счет разработки моделей прогнозирования с использованием информации взаимодействующего зондирующего излучения, параметров управления процессом и событий рабочих прогонов в ходе фактических рабочих прогонов.

Изобретение относится к способу компьютерной генерации управляемой данными модели технической системы, в частности газовой турбины или ветрогенератора. Управляемая данными модель обучается предпочтительно в областях тренировочных данных с низкой плотностью.

Изобретение относится к средствам управления различными процессами технологического комплекса с обеспечением наилучших критериев качества при регулировании. Техническим результатом является обеспечение более точного и гибкого процесса регулирования.

Изобретение относится к вычислительной технике и может быть использовано для управления равновесным случайным процессом (РСП). Техническим результатом является оптимизация режима управления.

Изобретение относится к способу автоматического регулирования системы, в частности к устройству регулирования напряжения статора в генераторе переменного тока. Технический результат - снижение возмущения состояния системы, приближая реальное состояние к идеальному состоянию, обеспечивая стабильность системы.
Наверх