- •Конспект лекцій
- •«Автоматизація виробничіх процесів та мікропроцесорна техніка»
- •Лекция 1 – Основные понятия, определения автоматизации. Процессы управления, структурная схема асу тп. Виды управления. Автоматизированные системы, виды схем автоматизации.
- •Лекция 2 – Классификация систем автоматизации, автоматические системы.
- •Лекция 3 – Технические средства автоматизации, э/м реле, геркон, магнитные и электронные усилители, транзисторы, исполнительные механизмы.
- •Структура усилителя
- •Каскады усиления
- •Аналоговые усилители и цифровые усилители
- •Виды усилителей по элементной базе
- •Виды усилителей по диапазону частот
- •Виды усилителей по полосе частот
- •Виды усилителей по типу нагрузки
- •Специальные виды усилителей
- •Некоторые функциональные виды усилителей
- •Усилители в качестве самостоятельных устройств
- •Питание
- •Простейшее включение оу
- •Параметры по постоянному току
- •Параметры по переменному току
- •Нелинейные эффекты
- •Ограничения тока и напряжения
- •По типу элементной базы
- •По области применения
- •Другие классификации
- •По основному полупроводниковому материалу
- •По структуре
- •Комбинированные транзисторы
- •Лекция 4 – Микропроцессорная техника, контроллеры, программирование. Основные характеристики мп - контроллеров
- •Лекция 5 - Цифровая обработка сигналов (квантование, цифровая фильтрация).
- •Лекция 6 - Регуляторы. Методы получения информации, датчики, измерительные устройства. Автоматические регуляторы
- •Измерения температуры.
- •Анализ современных методов автоматического контроля давления и выбор наиболее рационального метода
- •Если абсолютное давление ниже барометрического, то
- •3.1 Классификация приборов для измерения давления
- •Манометры сопротивления
- •3.1.6 Емкостные манометры
- •Расходомеры
- •Уравнемеры
- •Измерение уровня с помощью радиоактивных изотопов Область применения
- •Лекция 7 Компьютерные сети.
- •Лекция 8 - Магистральная структура компьютерных сетей. Уровни программного обеспечения сети.
- •Лекция 9 - Интерфейсы (rs 232)
- •Лекция 10 - scada системы
- •Системы scada
- •Лекция 11 - Нечеткие алгоритмы управления
- •Лекция 12 - Искусственная нейронная сеть.
- •Этапы решения задач:
- •Классификация по характеру связей Сети прямого распространения (Feedforward)
- •Рекуррентные нейронные сети
- •Радиально-базисные функции
- •Самоорганизующиеся карты
- •Известные типы сетей
- •Отличия от машин с архитектурой фон Неймана
- •Примеры приложений Предсказание финансовых временных рядов
- •Лекция 13 - Система автоматического контроля и регулирования 3-х зонной методической печи.
- •13.1. Технологические параметры, определяющие работу доменной печи
- •13.2 Локальные системы автоматического управления доменным процессом
- •Регулирование температуры горячего дутья.
- •Регулирование соотношения "природный газ — холодное дутье" с коррекцией по кислороду
- •13.4 Задачи управления ходом доменной печи
- •13.5 Система комплексной автоматизации доменного производства
- •Лекция 14 - Система автоматического контроля и регулирования 3-х зонной методической печи
- •Лекция 15 - Система автоматического регулирования разливкой стали на мнлз.
- •2 Задачи управления на мнлз
- •3 Локальные системы управления
- •4 Асу тп разливки стали на мнлз
- •Лекция 16 - Система автоматического регулирования тепловым режимом дуговой сталеплавильной печи и установки внепечной обработки стали «Печь-ковш».
Классификация по характеру связей Сети прямого распространения (Feedforward)
Все связи направлены строго от входных нейронов к выходным. Примерами таких сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда.
Рекуррентные нейронные сети
Сигнал с выходных нейронов или нейронов скрытого слоя частично передается обратно на входы нейронов входного слоя (обратная связь). Рекуррентная сеть Хопфилда «фильтрует» входные данные, возвращаясь к устойчивому состоянию и, таким образом, позволяет решать задачи компрессии данных и построения ассоциативной памяти. Частным случаем рекуррентных сетей является двунаправленные сети. В таких сетях между слоями существуют связи как в направлении от входного слоя к выходному, так и в обратном. Классическим примером является Нейронная сеть Коско.
Радиально-базисные функции
Искусственные нейронные сети, использующие в качестве активационных функций радиально-базисные (такие сети сокращённо называются RBF-сетями). Общий вид радиально-базисной функции:
, например,
где x — вектор входных сигналов нейрона, σ — ширина окна функции, φ(y) — убывающая функция (чаще всего, равная нулю вне некоторого отрезка).
Радиально-базисная сеть характеризуется тремя особенностями:
1. Единственный скрытый слой
2. Только нейроны скрытого слоя имеют нелинейную активационную функцию
3. Синаптические веса связей входного и скрытого слоев равны единице
Про процедуру обучения — см. литературу
Самоорганизующиеся карты
Такие сети представляют собой соревновательную нейронную сеть с обучением без учителя, выполняющую задачу визуализации и кластеризации. Является методом проецирования многомерного пространства в пространство с более низкой размерностью (чаще всего, двумерное), применяется также для решения задач моделирования, прогнозирования и др. Является одной из версий нейронных сетей Кохонена. Самоорганизующиеся карты Кохонена служат, в первую очередь, для визуализации и первоначального («разведывательного») анализа данных.
Сигнал в сеть Кохонена поступает сразу на все нейроны, веса соответствующих синапсов интерпретируются как координаты положения узла, и выходной сигнал формируется по принципу «победитель забирает всё» — то есть ненулевой выходной сигнал имеет нейрон, ближайший (в смысле весов синапсов) к подаваемому на вход объекту. В процессе обучения веса синапсов настраиваются таким образом, чтобы узлы решетки «располагались» в местах локальных сгущений данных, то есть описывали кластерную структуру облака данных, с другой стороны, связи между нейронами соответствуют отношениям соседства между соответствующими кластерами в пространстве признаков.
Удобно рассматривать такие карты как двумерные сетки узлов, размещенных в многомерном пространстве. Изначально самоорганизующаяся карта представляет собой сетку из узлов, соединенный между собой связями. Кохонен рассматривал два варианта соединения узлов — в прямоугольную и гексагональную сетку — отличие состоит в том, что в прямоугольной сетке каждый узел соединен с 4-мя соседними, а в гексагональной — с шестью ближайшими узлами. Для двух таких сеток процесс построения сети Кохонена отличается лишь в том месте, где перебираются ближайшие к данному узлу соседи.
Начальное вложение сетки в пространство данных выбирается произвольным образом. В авторском пакете SOM_PAK предлагаются варианты случайного начального расположения узлов в пространстве и вариант расположения узлов в плоскости. После этого узлы начинают перемещаться в пространстве согласно следующему алгоритму:
Случайным образом выбирается точка данных x.
Определяется ближайший к x узел карты (BMU — Best Matching Unit).
Этот узел перемещается на заданный шаг по направлению к x. Однако, он перемещается не один, а увлекает за собой определенное количество ближайших узлов из некоторой окрестности на карте. Из всех двигающихся узлов наиболее сильно смещается центральный — ближайший к точке данных — узел, а остальные испытывают тем меньшие смещения, чем дальше они от BMU. В настройке карты различают два этапа — этап грубой (ordering) и этап тонкой (fine-tuning) настройки. На первом этапе выбираются большие значения окрестностей и движение узлов носит коллективный характер — в результате карта «расправляется» и грубым образом отражает структуру данных; на этапе тонкой настройки радиус окрестности равен 1-2 и настраиваются уже индивидуальные положения узлов. Кроме этого, величина смещения равномерно затухает со временем, то есть она велика в начале каждого из этапов обучения и близка к нулю в конце.
Алгоритм повторяется определенное число эпох (понятно, что число шагов может сильно изменяться в зависимости от задачи).