Система управления объектом с переменной структурой на основе нейронных сетей
Предложенная система управления предназначена для регулирования объектами с медленно меняющимися во времени параметрами и структурой. Технический результат достигается за счет того, что в систему управления объектом с переменной структурой на основе нейронных сетей, содержащую блок весовых коэффициентов, на вход которого подается выходной сигнал нейроклассификатора, нейрорегулятор, выход которого соединен с входом объекта управления, вход нейрорегулятора соединен с выходом блока весовых коэффициентов, с выходом объекта управления и с сигналом задания, вход нейроклассификатора соединен с выходом объекта управления, введены нейрорегулятор на основе трехслойного персептрона и нейроклассификатор на основе нейронной сети Кохонена при этом в блоке весовых коэффициентов содержится матрица весовых коэффициентов нейронной сети нейрорегулятора для каждого класса из множества изменений параметров и структуры объекта регулирования.
Полезная модель относиться к системам управления и предназначена для регулирования объектами с медленно меняющимися во времени параметрами и структурой.
Уровень полезной модели известен из способа идентификации динамических структур, моделируемых записями банка данных с фиксированным числом параметров, значения которых в различные моменты времени могут претерпевать изменения в окружении некоторых стандартных значений и (или) восприниматься по-разному различными наблюдателями (патент 
2001102088/09, опубл. 10.01.2003).
Недостатком данного способа является отсутствие самообучения системы идентификации.
Наиболее близким по технической сущности к заявляемой полезной модели является интеллектуальный контроллер с нейронной сетью и правилами самомодификации, содержащий управляющую нейронную сеть, объект управления, выходы которого с первого по второй соединены соответственно с первым и вторым входами управляющей нейронной сети, вход объекта управления соединен с выходом управляющей нейронной сети, входы блока коэффициента эффективности с первого по второй связанны соответственно с первым и вторым выходами объекта управления, первый вход обучающей нейронной сети связан с выходом блока коэффициента эффективности, выход обучающей нейронной сети соединен с первым входом блока правил самообучения управляющей нейронной сети, первый вход блока истории работы системы связан с первым выходом блока правил самообучения управляющей нейронной сети, второй и третий входы связаны с первым и вторым выходами объекта управления соответственно, первый выход блока истории работы системы связан со вторым входом обучающей нейронной сети и вторым входом блока правил самообучения управляющей нейронной сети, а выходы со второго по третий связаны с первым и вторым входами управляющей нейронной сети, четвертый выход соединен с выходом управляющей нейронной сети (патент 2003138197/09, опубл. 10.06.2005).
Недостатком известного устройства является ограничение регулирования технологического процесса связанное с отсутствием классификации состояния объекта управления при изменении его параметров или структуры.
Заявляемая полезная модель направлена на повышение качества управления. Технический результат, достигаемый в процессе решения поставленной задачи, заключается в достижении заданного качества регулирования объектом управления при изменении его параметров или структуры в установленных интервалах.
Это достигается за счет реализации нейрорегулятором управления, соответствующего настройке матрицы весовых коэффициентов по заданной эталонной модели для каждого класса из множества изменений параметров и структуры объекта управления, с заданной степенью точности.
Указанный технический результат достигается системой управления объектом с переменной структурой на основе нейронных сетей, изображенной на фиг.1, которая содержит нейрорегулятор 1, объект управления 2, блок весовых коэффициентов 3, нейроклассификатор 4.
На фиг.1 для сигналов введены следующие обозначения:
U - сигнал задания
F - выходной сигнал нейрорегулятора
Q - выходной сигнал нейроклассификатора
Y - выходной сигнал объекта управления
W - выходной сигнал блока весовых коэффициентов
Блок весовых коэффициентов содержит матрицы весовых коэффициентов для каждого класса из множества изменений объекта управления. Каждому классу ставится во взаимнооднозначное соответствие единственная матрица весовых коэффициентов нейронной сети нейрорегулятора. При переходе структуры или параметров объекта управления из одного класса в другой происходит замена матрицы весовых коэффициентов нейронной сети на матрицу весовых коэффициентов соответствующую новому классу.
Количество классов во множестве изменений объекта управления обозначенное как - g определяется исходя из того, в каких пределах может изменяться структура объекта управления и количественные характеристики его параметров в процессе работы, а так же от того каким образом задано разбиение на классы множества изменений объекта управления. Разбиение на классы осуществляется на основании экспертных данных.
Нейрорегулятор представляет собой нейронную сеть - трехслойный персептрон с сигмоидальными функциями активации для всех нейронов скрытого и выходного слоев. Нейроны входного слоя выполняют только распределительные функции для входных сигналов. Размерность входного слоя - n определяется суммой размерностей сигналов U, Y. Размерность выходного слоя сети - m определяется размерностью входного сигнала для объекта управления F. Количество нейронов в скрытом слое изначально принимается эмпирически согласно выражению - 2(n+m). Если в процессе обучения требуемое качество управления не достигается, то количество нейронов в скрытом слое увеличивается. Методом обучения трехслойного персептрона регулятора является алгоритм обратного распространения ошибки.
На фиг.2 изображена блок-схема включения нейрорегулятора в систему управления для обучения, которая содержит нейрорегулятор 1, объект управления 2, эталонную модель 5, алгоритм обучения 6, первый блок суммирования 7, второй блок суммирования 8. Нейронная сеть нейрорегулятора настраивается таким образом, что бы минимизировать среднеквадратичную ошибку регулирования между выходным сигналом эталонной модели и выходным сигналом объекта управления с заданной точностью. Эталонная модель представляет желаемую передаточную функцию системы управления, которая должна быть достигнута настройкой весовых коэффициентов нейронной сети нейрорегулятора.
В процессе обучения входное воздействие U представляет собой множество ступенчатых и гармонических сигналов чередующихся случайным образом.
Для каждого класса из множества изменений объекта управления выполняется настройка нейронной сети нейрорегулятора и полученные матрицы весовых коэффициентов размещаются в блоке весовых коэффициентов.
На фиг.2 дополнительно введены обозначения:
Е - сигнал рассогласования
Н - выходной сигнал эталонной модели
М - сигнал для изменения весовых коэффициентов нейронной сети
Нейроклассификатор состоит из входного слоя, нейроны которого выполняют распределительные функции для входного сигнала и нейронной сети Кохонена. При этом каждый нейрон входного слоя сети соединен с каждым нейроном выходного слоя Кохонена. Количество нейронов распределительного слоя - v определяется размерностью сигнала Y. Количество нейронов слоя Кохонена - k принимается эмпирически согласно выражению - (10*g). Весовые коэффициенты слоя Кохонена инициализируются случайным образом с последующей их настройкой конкурентным обучением для выработки выходного сигнала Q. Входной сигнал Y предварительно нормируется перед подачей на нейроны входного слоя. Выходной сигнал Q представляет собой выходные значения нейронов победителей слоя Кохонена. При обучении сеть настраивается таким образом, что количество нейронов победителей равно количеству классов во множестве изменений объекта управления. Каждому классу во множестве изменений объекта управления ставится в соответствие только один нейрон победитель слоя Кохонена.
Качество управления достигается за счет того, что нейронная сеть нейрорегулятора может быть настроена таким образом, что бы реализовывался выходной сигнал объекта управления Y аналогичный выходному сигналу эталонной модели Н с заданной степенью точности, при подаче на вход системы управляющего воздействия U.
Устройство работает следующим образом. Перед началом работы выполняется определение множества изменений параметров и структуры объекта управления и разбиение данного множества на классы. Выполняется задание эталонной модели, настройка матриц весовых коэффициентов нейронных сетей нейрорегулятора и нейроклассификатора, определение сигнала задания для всей системы. После выполнения настроек происходит отработка управляющих сигналов U нейрорегулятором, которые поступают на его вход.
В процессе работы происходит анализ выходного сигнала объекта управления нейроклассификатором в результате чего определяется к какому классу из множества изменений объекта управления принадлежит состояние в котором находится объект управления и какая матрица весовых коэффициентов нейрорегулятора соответствует этому классу, при смене класса происходит замена матрицы весовых коэффициентов нейрорегулятора на соответствующую данному классу. Работа продолжается до тех пор, пока не будут полностью отработано заданное управление U.
Предложенное устройство может быть реализовано программно-аппаратным способом на основе промышленной базы.
Система управления объектом с переменной структурой на основе нейронных сетей, содержащая объект управления, отличающаяся тем, что дополнительно содержит нейроклассификатор, нейрорегулятор, блок весовых коэффициентов, при этом на вход блока весовых коэффициентов подается выходной сигнал нейроклассификатора, вход нейроклассификатора соединен с выходом объекта управления, выход нейрорегулятора соединен с входом объекта управления, вход нейрорегулятора соединен с выходом блока весовых коэффициентов, с выходом объекта управления и с сигналом задания.
