АДАПТИВНЫЙ НЕЙРОСЕТЕВОЙ ПРОПОРЦИОНАЛЬНО-ИНТЕГРАЛЬНОДИФФЕРЕНЦИРУЮЩИЙ РЕГУЛЯТОР

Главная

Статья в Elpub

РУС ENG

Вопросы радиоэлектроники. 2018; : 86-92

АДАПТИВНЫЙ НЕЙРОСЕТЕВОЙ ПРОПОРЦИОНАЛЬНО-ИНТЕГРАЛЬНОДИФФЕРЕНЦИРУЮЩИЙ РЕГУЛЯТОР

Бураков М. В., Шишлаков В. Ф., Коновалов А. С.

https://doi.org/10.21778/2218-5453-2018-10-86-92

Аннотация

В статье рассмотрена задача конструирования адаптивного пропорционально-интегрально-дифференцирующе-го (ПИД) регулятора на базе нейронной сети Хопфилда для линейного динамического объекта 2-го порядка. Используется описание объекта в виде дискретной передаточной функции, коэффициенты которой определяются с помощью нейронной сети, минимизирующей невязку выходов объекта и модели. Нейронная сеть обрабатывает текущие и задержанные входные и выходные сигналы объекта, выдавая на выходе оценки коэффициентов модели. Еще одна нейронная сеть определяет коэффициенты ПИД-регулятора, при которых динамика системы приближается к динамике эталонного процесса. Расчет весов и смещений нейронов сетей Хопфилда, используемых для идентификации и управления, основан на построении функций Ляпунова. Предлагаемая методика может быть использована для организации адаптивного управления широким классом линейных динамических систем с переменными параметрами. Приведенные в статье результаты моделирования показывают эффективность предложенного метода.

Список литературы

1. Haykin S. Neural Networks and Learning Machines. 3rd edition. USA, NY: Prentice Hall, 2008. 903 р.

2. Narendra K., Parthasarathy K. Identification and control of dynamical systems using neural network // IEEE Transaction on neural network. 1990. No. 1. P. 4–27.

3. Hopfield J. J. Neural networks and phisical systems with emergent collective computational abilities // Proceedings of the National Academy of Sciences of the United States of America. 1982. No. 79. P. 2554–2558.

4. Hopfield J., Tank D. Neural computation of decisions in optimization problems // Biological Cybernetics. 1985. No. 52. P. 141–152.

5. Бураков М. В. Решение алгебраических уравнений при помощи нейронной сети Хопфилда. Завалишинские чтения’2017 // Cборник докладов. СПб.: ГУАП, 2017. С. 14–18.

6. Замятин Н. В., Иванов Е. О. Задача энергоэффективного управления группой вододобывающих насосов и ее решение нейросетью Хопфилда // Доклады. Томск: ТУСУР, 2013. № 4 (30). С. 168–172.

7. Дерябин В. В. Обзор исследований, посвященных использованию нейросетевых технологий в судовождении // Вестник государственного университета морского и речного флота имени адмирала С. О. Макарова. 2015. № 6 (34). C. 29–43.

8. Atencia M., Joya G., Sandoval F. Hopfield Neural Networks for Parametric Identification of Dynamical Systems // Neural Processing Letters. 2005. No. 21. P. 143–152.

9. Елисов Л. Н., Овченков Н. И. Некоторые вопросы сеточного и нейросетевого моделирования задач управления авиационной безопасностью аэропорта // Научный Вестник МГТУ ГА. 2017. № 20 (03). С. 21–29.

10. Бураков М. В. Использование нейронной сети Хопфилда для идентификации динамического объекта. Завалишинские чтения’18 // Cборник докладов. СПб.: ГУАП, 2018. С. 15–19.

11. Astrom K. J., Hagglund T. Advanced PID control. USA, Research Triangle Park: ISA Press, 2006. 460 p.

12. Aström K. J., Hagglund T. Revisiting the Ziegler–Nichols step response method for PID control // Journal of Process Control. 2004. No. 14. P. 635–650.

13. Johnson M. A., Moradi M. H. PID control – New Identification and Design Methods. London: Springer, 2005. 543 p.

14. Александров А. Г., Паленов М. В. Состояние и перспективы развития адаптивных ПИД-регуляторов // Автоматика и телемеханика. 2014. № 2. C. 16–30.

15. Александров А. Г. Оптимальные и адаптивные системы. М.: Высшая школа, 1989. 263 c.

16. Бураков М. В., Рычков Д. А. ПИД-регуляторы с супервизорным управлением // Сборник докладов Всероссийской НТК «Новые технологии в научных исследованиях, проектировании, управлении, производстве НТ-2013» Воронеж, Изд-во Воронежского государственного технического университета, 2013. C. 120–121.

Issues of radio electronics. 2018; : 86-92

ADAPTIVE NEURAL NETWORK PID CONTROLLER

Burakov M. V., Shishlakov V. F., Konovalov A. S.

https://doi.org/10.21778/2218-5453-2018-10-86-92

Abstract

The problem of constructing an adaptive PID controller based on the Hopfield neural network for a linear dynamic plant of the second order is considered. A description of the plant in the form of a discrete transfer function is used, the coefficients of which are determined with the help of a neural network that minimizes the discrepancy between the outputs of the plant and the model. The neural network processes the current and delayed input and output signals of the plant, forming an output for estimating the coefficients of the model. Another neural network determines the PID regulator coefficients at which the dynamics of the system approach the dynamics of the reference process. The calculation of weights and displacements of neurons in Hopfield networks used for identification and control is based on the construction of Lyapunov functions. The proposed methodology can be used to organize adaptive control of a wide class of linear dynamic systems with variable parameters. The results of the simulation in the article show the effectiveness of the proposed method.

References

1. Haykin S. Neural Networks and Learning Machines. 3rd edition. USA, NY: Prentice Hall, 2008. 903 r.

2. Narendra K., Parthasarathy K. Identification and control of dynamical systems using neural network // IEEE Transaction on neural network. 1990. No. 1. P. 4–27.

4. Hopfield J., Tank D. Neural computation of decisions in optimization problems // Biological Cybernetics. 1985. No. 52. P. 141–152.

5. Burakov M. V. Reshenie algebraicheskikh uravnenii pri pomoshchi neironnoi seti Khopfilda. Zavalishinskie chteniya’2017 // Cbornik dokladov. SPb.: GUAP, 2017. S. 14–18.

6. Zamyatin N. V., Ivanov E. O. Zadacha energoeffektivnogo upravleniya gruppoi vododobyvayushchikh nasosov i ee reshenie neiroset'yu Khopfilda // Doklady. Tomsk: TUSUR, 2013. № 4 (30). S. 168–172.

7. Deryabin V. V. Obzor issledovanii, posvyashchennykh ispol'zovaniyu neirosetevykh tekhnologii v sudovozhdenii // Vestnik gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova. 2015. № 6 (34). C. 29–43.

8. Atencia M., Joya G., Sandoval F. Hopfield Neural Networks for Parametric Identification of Dynamical Systems // Neural Processing Letters. 2005. No. 21. P. 143–152.

9. Elisov L. N., Ovchenkov N. I. Nekotorye voprosy setochnogo i neirosetevogo modelirovaniya zadach upravleniya aviatsionnoi bezopasnost'yu aeroporta // Nauchnyi Vestnik MGTU GA. 2017. № 20 (03). S. 21–29.

10. Burakov M. V. Ispol'zovanie neironnoi seti Khopfilda dlya identifikatsii dinamicheskogo ob\"ekta. Zavalishinskie chteniya’18 // Cbornik dokladov. SPb.: GUAP, 2018. S. 15–19.

11. Astrom K. J., Hagglund T. Advanced PID control. USA, Research Triangle Park: ISA Press, 2006. 460 p.

12. Aström K. J., Hagglund T. Revisiting the Ziegler–Nichols step response method for PID control // Journal of Process Control. 2004. No. 14. P. 635–650.

13. Johnson M. A., Moradi M. H. PID control – New Identification and Design Methods. London: Springer, 2005. 543 p.

14. Aleksandrov A. G., Palenov M. V. Sostoyanie i perspektivy razvitiya adaptivnykh PID-regulyatorov // Avtomatika i telemekhanika. 2014. № 2. C. 16–30.

15. Aleksandrov A. G. Optimal'nye i adaptivnye sistemy. M.: Vysshaya shkola, 1989. 263 c.

16. Burakov M. V., Rychkov D. A. PID-regulyatory s supervizornym upravleniem // Sbornik dokladov Vserossiiskoi NTK «Novye tekhnologii v nauchnykh issledovaniyakh, proektirovanii, upravlenii, proizvodstve NT-2013» Voronezh, Izd-vo Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta, 2013. C. 120–121.

АДАПТИВНЫЙ НЕЙРОСЕТЕВОЙ ПРОПОРЦИОНАЛЬНО-ИНТЕГРАЛЬНОДИФФЕРЕНЦИРУЮЩИЙ РЕГУЛЯТОР

Аннотация

ADAPTIVE NEURAL NETWORK PID CONTROLLER

Abstract

События

EasyCookieInfo