книги / Управление большими системами. УБС-2017

Информационные технологии в управлении техническими системами и технологическими процессами

1) Предобработка изображения:

♦работают с изображением, не изменяя его;

♦преобразуют изображение в бинарное;

♦преобразуют изображение согласно особой функции фильтра;

2) Считывание и сохранение информации:

♦о каждом пикселе в отдельности;

♦о группе пикселей определённых участков;

♦о типе последовательностей пикселей;

♦о наличии изменения пикселя от исходного изображения.

3.Логическая обработка результатов фильтрации

После сбора информации, как правило, необходимо провести её анализ. Методы этой группы нельзя назвать универсальными, и они требуют входную информацию в определённом виде. Поэтому при разработке систем в первую очередь нужно определиться с используемым алгоритмом распознавания.

Задача методов на стадии логической обработки – рассчитать некое значение, которое в дальнейшем будет использоваться для принятия решения. Рассмотрим некоторые методы.

Задачи подсчёта площади можно решать двумя разными способами – получением размеров объекта и дальнейшим расчётом по формулам либо, если объект сложной формы, подсчётом количества пикселей, занимаемых объектом, и сопоставлением их с предварительно рассчитанной площадью.

Второй способ простой и достаточно быстрый, однако может иметь погрешности при неправильных настройках и некачественных входных данных. Для первого же способа требуются дополнительные вычисления, что замедляет общую работу алгоритма.

При распознавании объектов на контрастном фоне оптимально использовать изображение, заранее приведённое к бинарному виду. На этом изображении производится выявление контура объекта любым алгоритмом контурного анализа. Примером может служить цепной код Фримана (рис. 3) [2].

Полученный код полностью описывает распознанный объект и может быть использован как для расчёта площади, так

343

381

Информационные технологии в управлении техническими системами и технологическими процессами

Первый класс (самый быстрый, менее сложный) – особые точки, являющиеся стабильными на протяжении секунд. Такие точки служат для того, чтобы вести объект между соседними кадрами видео или для сведения изображения с соседних камер. К таким точкам можно отнести локальные максимумы изображения, углы на изображении (детектор Хариса), точки, в которых достигаются максимумы дисперсии, определённые градиенты и т.д.

Второй класс (ощутимо медленнее) – особые точки, являющиеся стабильными при смене освещения и небольших движениях объекта. Такие точки служат в первую очередь для обучения и последующей классификации типов объектов. К таким точкам относятся точки, найденные методом гистограмм направленных градиентов (HOG).

Третий класс (самый медленный из перечисленных, но показывающий самые продуктивные результаты) – стабильные точки. Самые распространённые методы из этой группы – SURF и SIFT. Они позволяют находить особые точки даже при повороте изображения. Расчёт таких точек осуществляется дольше по сравнению с остальными методами, но за достаточно ограниченное время.

Существует много других алгоритмов распознавания. Почти все из них имеют чёткую направленность на определённую задачу распознавания. Остановимся на перечисленных как на наиболее популярных.

4. Принятие решения на основе логической обработки

В случаях когда не требуется высокая точность определения, этот этап можно свести к минимуму – определению, преодолело ли значение, высчитанное на предшествующем этапе, определённый порог. Но в остальных случаях приходится применять различные дополнительные алгоритмы анализа.

Задачи, связанные с определением объекта, могут высчитывать вероятность того, что перед ними находится объект из базы поиска. Другими словами, насколько похож анализируемый

345

383

Управление большими системами. Выпуск XX

объект на искомые. Примером такого подхода может быть свёрточная нейронная сеть.

Заключение

Выбор того или иного алгоритма распознавания прежде всего связан с объектами, которые требуется распознавать. Конечно, многие алгоритмы позволяют использовать себя для достаточно широкого круга задач, но в таких случаях, как правило, страдает вероятность распознавания или повышаются требования к условиям, при которых происходит распознание (например, определённый фон и освещение).

Следующим важным фактором является способ сбора информации об объекте с изображения. Иногда можно упростить фильтрацию изображения для сокращения времени работы всего алгоритма распознавания. Однако при упрощении первых двух этапов может возникнуть потребность в использовании дополнительных сложных алгоритмов принятия решения.

Кроме того, не стоит забывать, что иногда проще решить проблему на физическом уровне, чем программном (например, намного проще использовать для распознавания изображения хорошего качества, чем усложнять алгоритм распознавания дополнительными фильтрами, подавляющими шумы).

Литература

1.ИВАНЬКО М.А., КЛЕПИКОВА А.В. Системы искусственного зрения // Вестник МГУП им. Ивана Фёдорова – 2015. –

№ 5.

2.Обработка и анализ изображений в задачах машинного зрения: курс лекций и практ. занятий / Ю.В. ВИЗИЛЬТЕР,

С.Ю. ЖЕЛТОВ, А.В. БОНДАРЕНКО, М.В. ОСОСКОВ, А.В. МОРЖИН. – М.: Физматкнига, 2010. – 672 с.

3.ЯНЕ Б. Цифровая обработка изображений – М.: Техносфе-

ра, 2007. – 584 с.

346

384

Информационные технологии в управлении техническими системами и технологическими процессами

CHOICE OF ALGORITHMS FOR IMPLEMENTATION OF THE SYSTEM OF MACHINE VISION

Aleksandr Anatolyevich Yuzhakov, head of department, professor, D.Sc. Perm National Research Polytechnic University (Perm, 7 Professora Pozdeeva Street, 614013) (edu@at.pstu.ac.ru).

Aleksandr Igorevich Tur, postgraduate student. Perm National Research Polytechnic University (Perm, 7 Professora Pozdeeva Street, 614013) (tur.aleksandr93@mail.ru).

Abstract: Recently the problem of machine vision is very urgent. Machine vision makes it possible to increase the speed of work in cases where human capabilities are a limited factor.

The task of implementing computer vision, in general, can be divided into three stages of working with the image: image filtration, logical processing, decision making.

The choice of the method used at each stage should correspond to the goal and be as simple as possible.

The choice of this or that recognition algorithm is primarily related to the objects that need to be recognized. Of course, many algorithms allow you to use yourself for a fairly wide range of tasks, but in such cases, as a rule, the probability of recognition suffers or the requirements to the conditions under which recognition occurs are increased.

The next important factor is the way to collect information about the object from the image. Sometimes you can simplify the filtering of the image to shorten the working time of the entire recognition algorithm. However, with simplification of the first two stages, there may be a need to use additional complex decision algorithms.

Keywords: machine vision, algorithms, recognition, quality control.

347

385

Управление большими системами. Выпуск XX

УДК 004.89:681.51 ББК 32.813

РАЗРАБОТКА НЕЙРОСЕТЕВОГО НАСТРОЙЩИКА ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ КОМПЕНСАЦИИ ВОЗМУЩАЮЩИХ ВОЗДЕЙСТВИЙ ПРИ УПРАВЛЕНИИ ЭЛЕКТРОПРИВОДОМ ПОСТОЯННОГО ТОКА

Глущенко А.И.1, Петров В.А.2

(Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСиС», Старый Оскол)

В данной статье рассматривается возможность применения нейросетевого настройщика параметров линейных регуляторов в системе управления электроприводом постоянного тока в режиме отработки возмущающих воздействий. Проведены эксперименты по компенсации возмущений на экспериментальном стенде National Instruments. Возмущение реализовывалось ступенчатым уменьшением сигнала в канале управления. Нейросетевой настройщик позволил по сравнению с системой управления без настройки параметров ПИ-регулятора скорости снизить максимальное отклонение скорости от заданной на 8 %, а также снизить время компенсации возмущения на 30 %.

Ключевые слова: электропривод постоянного тока, ПИ-регу- лятор, отработка возмущений, нейросетевой настройщик.

1. Введение

Компенсация возмущающих воздействий является неотъемлемой частью технологических процессов многих промышленных агрегатов. В том числе возмущениям подвергаются

1Антон Игоревич Глущенко, кандидат технических наук, доцент (г. Ста-

рыйОскол, м-нМакаренко, д.42, (4725) 45-12-17, strondutt@mail.ru).

2Владислав Анатольевич Петров, аспирант (79040882508@ya.ru).

348

386

Информационные технологии в управлении техническими системами и технологическими процессами

электроприводы постоянного тока в горной и металлургической отраслях промышленности [2, 3], что и является предметом рассмотрения данной статьи.

Как правило, системы управления электроприводов постоянного тока работают в режимах отработки графика изменения задания и отработки возмущающих воздействий с одним набором параметров линейных регуляторов в контурах тока и скорости.

Но регулятор, оптимально настроенный на переходные процессы, в большинстве случаев неэффективно отрабатывает возникающие в установившемся режиме возмущения [6]. Это, если принять во внимание высокую энергоемкость процессов, характерных для упомянутых отраслей промышленности, позволяет говорить о существенных энергопотерях. Решением данной проблемы может стать построение адаптивной системы управления электроприводом для режима компенсации возмущающих воздействий.

На основе проведенного анализа методов решения указанной задачи возможно выделить следующие основные подходы:

♦изменение структуры регулятора (системы управления)

споследующей идентификацией ОУ в режиме возмущений [16];

♦идентификация ОУ в режиме возмущений с построением адаптивного наблюдателя координат состояния [4, 8, 14, 15];

♦построение адаптивной системы на базе эталонной и внутренней моделей [14, 15, 17];

♦применение методов модального управления для настройки регулятора на подавление возмущений [7, 12].

Данные подходы требуют наличия адекватной модели процесса или эталонной модели, что является трудновыполнимой задачей в условиях производства.

Таким образом, целесообразно использовать метод построения адаптивной системы управления, который не потребует наличия модели объекта управления. Таким методом является нейросетевой настройщик параметров линейных регуляторов [1], который необходимо доработать для решения рассматриваемой задачи.

349

387

Управление большими системами. Выпуск XX

2.Постановка задачи

Вданной работе предполагается изменять настройку ПИ-регулятора скорости двигателя постоянного тока во время отработки ступенчатого возмущения для повышения скорости отработки и уменьшения максимального отклонения частоты вращения от величины уставки. Для этого предлагается проводить оперативную адаптацию параметров регулятора скорости с помощью нейросетевого настройщика при выявлении возмущающих воздействий. Необходимо осуществить выбор структуры нейронной сети настройщика, а также разработать базу правил для режима компенсации возмущений.

3.Нейросетевой настройщик для отработки возмущающих воздействий

Нейросетевой настройщик для отработки возмущений представляет собой надстройку над ПИ-регулятором скорости и состоит из искусственной нейронной сети и базы правил

(рис. 1).

Рис. 1. Структурная схема электропривода постоянного тока с нейросетевым настройщиком в контуре скорости

На рис. 1: Wрс – передаточная функция ПИ-регулятора скорости; Wрт – передаточная функция ПИ-регулятора тока; ктп – коэффициент усиления тиристорного преобразователя; Ттп – постоянная времени тиристорного преобразователя; Rя – суммарное сопротивление якорной цепи; Тя – электромагнит-

350

388

Информационные технологии в управлении техническими системами и технологическими процессами

ная постоянная времени якорной цепи; J – момент инерции электропривода; Кот – коэффициент обратной связи по току; Кос – коэффициент обратной связи по скорости; МС – момент нагрузки.

Основным требованием к нейронной сети является возможность «обрабатывать» ту же информацию, что и настраиваемый регулятор. Согласно [9] для сколь угодно точной аппроксимации любой функции многих переменных достаточно двухслойной структуры НС при условии, что в скрытом слое использована нелинейная функция активации. Таким образом для решения поставленной задачи будет достаточно двухслойной НС: входной слой – скрытый слой – выходной слой.

Для определения количества нейронов во входном слое НС рассмотрим ПИ-регулятор. Передаточная функция ПИ-регуля- тора в дискретной форме может быть описана в виде

регулятора для k-го шага управления (момента времени tk) будет иметь вид.

Таким образом, нейронная сеть для настройщика параметров ПИ-регулятора должна содержать пять входов: зада-

значение управляющего воздействия в предыдущий момент

времени u(tk – t).

На выходном слое находится два нейрона, каждый из которых отвечает за вычисление соответствующего параметра регу-

лятора KP, KI.

В работе [11] было обосновано, что число нейронов скрытого слоя должно удовлетворять следующему неравенству:

351

389

Управление большими системами. Выпуск XX

Nhid ≥ 2N+1, где N – это число входов НС. Однако при использовании усреднения входных для нейронной сети величин для

борьбы с шумом необходимо учитывать количество точек усреднения. Также для случая с ПИ-регулятором нейронная сеть имеет вход, на который подается выход ОУ такт назад. Таким образом, для трех точек усреднения и использования ПИ-регу- лятора количество нейронов в скрытом слое (Nhid) должно быть равно 14. Структура НС для решения рассматриваемой задачи примет следующий вид: 5-14-2.

Обучение настройщика происходит двумя методами. При первом вызове настройщика происходит обучение на уже существующие параметры ПИ-регулятора скорости методом экстремального обучения [10]; далее происходит обучение методом обратного распространения ошибки, причем скорость обучения каждого отдельного нейрона выходного слоя нейронной сети определяет база правил. Также база правил определяет моменты, в которые необходимо производить обучение.

База правил в виде алгоритма представлена на рис. 2. Настройщик вызывается раз в t секунд. После выявления возмущения нейросетевой настройщик увеличивает KP регулятора скорости. Далее в момент максимального отклонения частоты вращения от заданной величины (xM) KP уменьшается (η1(2) – скорость обучения нейрона, ответственного за KP), KI – увеличивается (η2(2) – скорость обучения нейрона, ответственного за KI), также происходит расчет допустимой скорости возврата к уставке ( y). Если скорость возврата частоты вращения к заданному значению превышает y, то нейросетевой настройщик приравнивает KP и KI регулятора скорости к нулю. После завершения процесса компенсации возмущения коэффициенты регулятора возвращаются к начальным. rold – последнее зафиксированное стационарное значение уставки по скорости.

352

390