Система управления и анализа объекта при изменении его внутренней структуры

Предложенная система управления предназначена для анализа и управления объектом регулирования при изменении его внутренней структуры. Технический результат достигается за счет того, что в систему управления и анализа объекта при изменении его внутренней структуры, содержащую объект управления, вход которого соединен с входом нейросетвого регулятора, вход нейронной сети Хопфилда соединен с выходом объекта управления, выход нейронной сети Хопфилда соединен с входом блоком вычисления энергии системы, выход блока вычисления энергии системы соединен с входом нейросетевого регулятора, вход нейросетевого регулятора соединен с выходом объекта управления и с сигналом задания, введены нейронная сеть Хопфилда и блок вычисления энергии системы, которые позволяют улучшить управление, реализуемое нейросетевым регулятором, в силу того, что определяют какие изменения, происходят в объекте управления на основании анализа и расчета энергии системы.

Полезная модель относиться к системам регулирования и предназначена для анализа и управления объектом регулирования при изменении его внутренней структуры.

Уровень полезной модели известен из устройства для моделирования системы управления (патент RU 2295151 G06G, опубл. 10.11.2006).

Недостатком данного устройства является то, что производится прогноз и оценка только типовых ситуаций.

Наиболее близким по технической сущности к заявляемой полезной модели является робастная система управления (патент RU 2317578 G05B, опубл. 20.02.2008).

Недостатком известного устройства является отсутствие анализа качественных изменений в объекте управления.

Заявляемая полезная модель направлена на повышение качества управления. Технический результат, достигаемый в процессе решения поставленной задачи, заключается в получении системы управления, которая анализирует изменения внутренней структуры объекта управления в количественном и качественном отношении, результатом анализа является выходной сигнал блока вычисления энергии системы, на основании которого корректируется управление нейросетевого регулятора для объекта управления с учетом произошедших изменений. Это достигается посредством системы управления и анализа объекта при изменении его внутренней структуры.

Указанный технический результат достигается системой управления и анализа объекта при изменении его внутренней структуры, изображенной на фиг.1, которая содержит нейросетевой регулятор 1, объекта управления 2, нейронную сеть Хопфилда 3, блок вычисления энергии системы 4, при этом вход объекта управления соединен с входом нейросетвого регулятора, вход нейронной сети Хопфилда соединен с выходом объекта управления, выход нейронной сети Хопфилда соединен с входом блоком вычисления энергии системы, выход блока вычисления энергии системы соединен с входом нейросетевого регулятора, вход нейросетевого регулятора соединен с выходом объекта управления и с сигналом задания.

На фиг.1 для сигналов введены следующие обозначения:

Х - сигнал задания

XN - выходной сигнал нейросетевого регулятора

XF - выходной сигнал нейронной сети Хопфилда

ХЕ - выходной сигнал блока вычисления энергии системы

Y - выходной сигнал объекта управления

В блоке вычисления энергии системы выполняется расчет энергии объекта управления на основании выходного сигнала нейронной сети Хопфилда XF. Вырабатывается выходной сигнал ХЕ, который является входным для нейросетевого регулятора и корректирует управление.

Нейронная сеть Хопфилда представляет собой два слоя нейронов. Нейроны входного слоя выполняют только распределительные функции для входных сигналов. Количество нейронов входного слоя - n определяется размерностью сигнала Y. Нейроны выходного слоя выполняют нелинейное преобразование взвешенной суммы входных сигналов. Функцией активации данных нейронов является сигмоидальная функция. Размерность выходного слоя сети - n определяется размерностью сигнала Y. Методом обучения нейронной сети Хопфилда является правило обучения Хебба.

Нейросетевой регулятор 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 X, ХЕ, Y. Размерность выходного слоя сети - m определяется размерностью входного сигнала для объекта управления XN. 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, и процесс обучения повторяется. Методом обучения трехслойного персептрона нейросетевого регулятора является генетический алгоритм.

На фиг.2 изображена схема включения нейросетевого регулятора в систему управления для обучения, которая содержит нейросетевой регулятор 1, объект управления 2, нейронную сеть Хопфилда 3, блок вычисления энергии системы 4, эталонную модель 5, алгоритм обучения 6, блок суммирования 7. Нейронная сеть регулятора 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 нейросетевого регулятора. В процессе обучения входное воздействие Х представляет собой множество ступенчатых и гармонических сигналов чередующихся случайным образом.

На фиг.2 дополнительно введены обозначения:

Е - сигнал рассогласования

Н - выходной сигнал эталонной модели

М - сигнал для изменения весовых коэффициентов нейронной сети нейросетевого регулятора

Качество управления достигается за счет того, что нейронная сеть Хопфилда может быть настроена таким образом, что бы анализировать выходной сигнал объекта управления Y и вырабатывать выходной сигнал XF на основании которого блок вычисления энергии системы рассчитывает энергию объекта управления. Выходной сигнал ХЕ поступает в нейросетевой регулятор и корректирует его выходной сигнал XN.

Устройство работает следующим образом. Перед началом работы создается нейронная сеть Хопфилда заданной архитектуры, в блоке вычисления энергии системы выполняется задание функции расчета энергии. Выполняется настройка весовых коэффициентов нейронной сети нейросетвого регулятора. Происходит определение начального состояния объекта управления.

В процессе работы выходной сигнал объекта управления поступает на вход нейронной сети Хопфилда, которая переходит в состояние с определенной энергией. В блоке вычисления энергии системы определяется, на сколько изменилась внутренняя структура объекта управления на основании энергии сети Хопфилда. Выходной сигнал с блока вычисления энергии поступает на вход нейросетевого регулятора и тем самым корректирует управляющий сигнал на входе объекта управления таким образом, что бы выполнялся заданный критерий качества регулирования. Работа продолжается до тех пор, пока не будут отработаны все сигналы задания.

Предложенное устройство может быть реализовано программно-аппаратным способом на основе промышленной базы.

Система управления и анализа объекта при изменении его внутренней структуры, содержащая объект управления, отличающаяся тем, что дополнительно содержит нейросетевой регулятор, нейронную сеть Хопфилда, блок вычисления энергии системы, при этом вход объекта управления соединен с входом нейросетевого регулятора, вход нейронной сети Хопфилда соединен с выходом объекта управления, выход нейронной сети Хопфилда соединен с входом блоком вычисления энергии системы, выход блока вычисления энергии системы соединен с входом нейросетевого регулятора, вход нейросетевого регулятора соединен с выходом объекта управления и с сигналом задания.