5.6 Регулятор на базі прямої та зворотної моделі з фільтром на вході

sol l en

M

w1

Out1

random i nput

3.5 T sum .s+1

1 T m .s

1

T fi der.s

beta1

-K-

1

T L.s

beta2

w2

wsol l

T o Workspace5

t

Cl ock

In1

In2

In3

T rai n Vector

Di rekt m odel

In1

In2

INPUT ANFIS T RAIN

In3

T rai n Vector

Inverse m odel

Рис. 5.6.1 Структурна схема формування вивчення множини , для системи з прямою та зворотною моделлю.

sol l en

M

w1

In1

Cl ock

t

3.5 1

beta1

₁

₁

w2

T L.s

Ram p

Out1

T sum .s+1

T m .s

T fi der.s

-K-

In2

beta2

ANFIS Di rect1

In1

Out1 1

In2

ANFIS Di rect

Рис. 5.6.2.Структурна схема системи з прямою та зворотною моделлю. Без фільтра.

На рис 5.6.1 и 5.6.2 представлені структурні схеми для фази вивчення та фази роботи, в системі на базі прямої та инверсної моделі об’єкту регулювання.

0.12

0.7

0.1

0.6

0.08

0.5

0.06

0.4

0.3

0.04

0.2

0.02

0.1

₀

0 1 2 3 4 5 6

₀

0 1 2 3 4 5 6

Рис. 5.6.3. Перехідні процеси швидкості і задає сигналу. На рис. 5.6.3. представлені перехідні процеси з рівнем керуючого сигналу рівного 0.1 і 0.5 номінальної швидкості. Не дивлячись на це, при рівні завдання, перерегулювання становить 5%, навіть при використанні датчика інтенсивності. А при значенні сигналу керування рівному 0.5, перерегулювання дорівнює нулю.

0.6

0.5

0.4

0.3

0.2

0.1

0

-0.1

0 1 2 3 4 5 6 7

Рис. 5.6.4 . графік помилки мережі , задає сигналу і швидкості З рис. 5.6.4 видно що коригувальний сигнал повторює графік моменту двигуна. Для отримання астатизму швидкості , потрібно було поміняти знак в суматорі , перед прямою нейронної моделлю . Якщо знаки суматора зберегти в тому ж стані що і при навчанні то вийде що при додатку навантаження , сигнал швидкості двигуна Змушує вихідний сигнал нейронної мережі слідувати формою швидкості двигуна. У разі зміни знаків , сигнал різниці актуальною швидкості двигуна і відновленої за допомогою нейронної мережі повторять форму моменту двигуна , тобто зростає - коли до системи прикладена навантаження . Саме в цьому випадку сигнал різниці реальної і відновленої швидкості двигуна , доданий до керуючому сигналу для інверсної мережі дозволяє отримати астатизм . Такий підхід вносить коливання в систему , через те що сигнал корекції зашумлений дрібними вібраціями , проте ця проблема вирішується за допомогою фільтра , що стоїть в каналі передачі корегуючого сигналу.

0.7

0.6 _M Wm

0.5

0.4

0.3

Korrect

0.2

0.1

0

-0.1

0 1 2 3 4 5 6 7

_{Рис. 5.6.5 Відпрацювання лінійно наростаючого сигналу, та додаткового навантаження}

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0

-0.1

0 1 2 3 4 5 6 7

Рис. 5.6.6 Відпрацювання випадкового ступеневої сигналу, без навантаження. Перехідні процеси, представлені на рис. 5.6.5 і 5.6.6 демонструють здатність до відпрацювання змінного сигналу керування, і аститизму з управління та обуренню.

Out1

0.3

0.3s+1

In1

Cl ock

sol l en

t

3.5 1

w1

beta1

₁

M

₁

w2

T L.s

random i nput

In2

Out1

T sum.s+1

T m.s

T fi der.s

-K-

beta2

ANFIS i nverse

Ramp1

1

In1

Out1 1

In2

ANFIS Di rect

danf

1

Рис. 5.6.7 Структурна схема в Матлаб, застосування прямої та зворотньої моделі об’єкта регулювання.

Gai n3

A&D Convertor

1

In1

1

2 1

_In2

In1 Out1

In1 Out1

In1 Out1

Gai n4

1

1

Out1

Gai n1

A&D Convertor1

Fuzzy Logi c

Control l er

A&D Convertor2

_{Рис. 5.6.8 Субсистеми - ANFIS-direct ANFIS-inverse}

Рис. 5.6.9 Поверхність регулювання в системі Anfis Direct

Рис. 5.6.10 поверхність регулювання в системі Anfis Inverse

На рис. 5.6.7 і 5.6.8 зображені структурні схеми системи управління . Рис. 5.6.9 . і 5.6.10 ілюструють сутність нейро фази регуляторів , як видно , по суті кожна така мережа, що має два входи і один вихід є поверхнею , яку легко можна побудувати засобами пакета МАТЛАБ . Система з прямою і інверсної моделлю дозволяє обійтися без інтегратора , і без затримок , шляхом застосування в прямій і інверсної моделі різницевих сигналів. Таким чином ця система розраховується шляхом синтезу нейронних мереж , і дозволяє отримати астатичні перехідні процеси з допустимим перерегулюванням .

6 . Економічне обгрунтування дипломної роботи В даний час в багатьох галузях промисловості існують машини і механізми , які мають нелінійний характер навантаження , гнучку зв'язок першої і другої мас, і зазор в кінематичній схемі механічної системи . Прикладом таких промислових механізмів служать приводу верстатів , підйомно -транспортних машин , колісні пари електровозів і інші машини в механічної частини яких є редуктори і ремінні передачі або помітне закручування валу. Однією з важливих завдань, що вирішуються при проектуванні електроприводів машин і механізмів є забезпечення необхідних показників регулювання . У цій роботі пропонується ідея використання нейрон фазі мережі у вигляді регулятора , для отримання заданої якості регулювання без застосування ручних розрахунків та побудови математичної моделі об'єкта , і скорочення часу настройки системи і пуску в експлуатацію. Якість перехідних процесів досягається застосуванням нейронної мережі як універсального апроксиматора нелінійної динамічної передавальної функції об'єкта. Для зручності і спрощення математичної моделі системи , вона приведена до номінальних параметрах . Розглянуто варіанти регулювання на основі прямого інверсного управління ( direct inverse control ) з суматором , з інтегратором , з варіацією числа входів від 2 до 4 , а так само система регулювання з застосуванням прямий і інверсної моделі об'єкта регулювання.

Комп'ютерне моделювання системи було проведено для всіх цих випадків , з метою виявлення оптимальної за якістю і простоті архітектури системи управління . У системі управління використовується тільки одна зворотний зв'язок по швидкості першої маси , це обгрунтовано тим , що вимірювання швидкості не завжди може бути точно проведено . Наприклад , для випадку колісної пари електровоза швидкість другому маси є лінійною швидкістю переміщення складу , і піддається виміру тільки із застосуванням складних датчиків. Практична доцільність цього дослідження природна, оскільки скорочення числа зворотних зв'язків призведе до скорочення елементів і сполук у схемі , що , в свою чергу , сприяє підвищенню надійності системи управління і здешевленню всієї системи управління . Крім того , вимірювання окремих координат електроприводу , наприклад , пружного моменту , пов'язане з певними складнощами. Метою цієї роботи є дослідження можливостей нейрофазі мережі для керування нелінійними динамічними об'єктами , на прикладі двох масової електромеханічної системи з зазором . Було досліджено вплив зміни параметрів нейронної мережі та об'єкта регулювання на якість перехідного процесу , на керованість системою , на швидкодію , на її стійкість . У процесі дослідження було розглянуто вплив наступних факторів: а ) архітектура мережі ( число входів , вид функцій активації , вид системи виведення , метод навчання). б) схема навчання та використання нейронної мережі ( direct inverse control ) , схема з прямого і зворотного моделлю . в) схема придушення статичної помилки управління : застосування суматорів і інтеграторів. г) вплив коефіцієнтів на вході і виході регулятора на вид перехідного процесу .

Компьютерное моделирование нейромережевою системою керування підтвердило справидливість отриманих теоретичних результатів для двомасової ЕМС з синтезованим нейро фази регулятором.

В практичному плані, такі нейро регулятори можуть бути використані для ЕП машин та механізмів з фрикційним навантаженням, нелінійних електромеханічних змін в двигуні та механічних передач.