Курсовий проект з дисципліни «Штучний інтелект в системах управління»

Складові частини КП

Титульний лист

Анотація

Завдання на курсовий проект

Зміст

Вступ

1. Основні відомості про нейромережі та їх моделювання

2. Методи та алгоритми навчання штучних нейронних мереж

3. Аналіз об’єкта та підготовка його до моделювання

4. Створення та дослідження нейронної моделі регулятора з передбачуванням для керування динамічними процесами

5. Створення та дослідження нейронної моделі регулятора з використанням нелінійної авторегресії з ковзаючим середнім

6. Створення та дослідження нейронної моделі регулятора на основі еталонної моделі

7. Синтез керуючих систем на основі нечіткої логіки

8. Аналіз отриманих результатів

9. Реалізація нейронних регуляторів (програмно або апаратно)

Висновки

Список використаних джерел

Додатки.

КП оформлюється згідно стандарту КТУ (обов’язково) і повинен мати обсяг 30-40 сторінок друкованого тексту (шрифт Times New Roman 14, інтервал-1,0).

При виконанні КП використовується будь-яка версія починаючи MatLab 6.0 до MatLab 2010.

При виконанні пп 4-6 повинно бути приведено 2-3 варіанти проміжних результатів навчання мережі та налагодження системи з необхідними малюнками, схемами та графіками.

Варіант завдання на об’єкт індивідуально видає викладач.

Применение нейронных сетей для проектирования систем управления динамическими процессами Теоретические сведения

Применение нейронных сетей для решения задач управления динамическими процессами позволяет выделить два этапа проектирования систем управления такими процессами:

1. Этап идентификации динамического процесса, для которого проектируется система управления.

2. Этап синтеза закона управления и его реализация с помощью нейронной сети.

На этапе идентификации разрабатывается модель управляемого процесса в виде нейронной сети, которая на этапе синтеза используется для построения регулятора.

Динамические модели систем управления с нейросетевыми регуляторами размещены в разделе Control Systems библиотеки блоков для моделирования нейронных сетей Neural Network Blockset, дос-

туп к которым обеспечивается браузером Library Browser пакета Simulink или командой neural. В этой библиотеке имеются также следующие разделы:

Net Input Function – раздел блоков функций накопления: netprod и netsum;

Transfer Function – раздел блоков передаточных функцій (функций активации): hardlim, hardlims, purelin, satlin, satlins, poslin, logsig, transig, radbas, tribas, softmax и compet;

Weight function – раздел блоков функций взвешивания: dotprod, normprod, dist и negdist.

В разделе блоков управляющих систем Control Systems имеется три вида нейронных регуляторов:

Neural Net Predictive Controller – регулятор с предсказанием будущих реакций процесса на случайные сигналы управления. Алгоритм оптимизации вычисляет управляющие сигналы, которые минимизируют разность между желаемыми и действительными изменениями сигнала на выходе модели и таким образом оптимизируют управляемый процесс. Построение модели управляемого процесса выполняется автономно с использованием нейронной сети, которая обучается в групповом режиме с использованием одного из алгоритмов обучения. Реализация такого регулятора требует значительного объема вычислений, поскольку расчеты по оптимизации выполняются на каждом такте управления.

Narmal2(Nonlinear Autoregressive – Moving Average) – регулятор на основе модели авторегрессии со скользящим средним. Данный регулятор представляет собой модифицированную нейросетевую модель управляемого процесса, полученную на этапе автономной идентификации. Вычисления в реальном времени связаны только с реализацией нейронной сети.

Model Reference Controller – регулятор на основе эталонной модели. Такой регулятор требует обучения нейронной сети управляемого процесса и нейронной сети регулятора. При этом обучение регулятора оказывается достаточно сложным, поскольку обучение основано на динамическом варианте метода обратного распространения ошибки, так как нейронная сеть использует линии задержки. Регуляторы на основе эталонной модели применимы к различным классам управляемых процессов.

Для каждой из трёх архитектур регуляторов используется одна и та же процедура идентификации управляемого процесса. Нейронная модель во всех случаях представляет собой двухслойную сеть с прямой передачей сигнала и с линиями задержки на каждом слое. Входной, или скрытый (hiden) слой может иметь произвольное число нейронов. Выходной слой имеет только один нейрон. Для входного слоя функции взвешивания, накопления и активизации являются соответственно dotprod, netsum и logsig. Выходной слой имеет такие же функции взвешивания и накопления, а функцией активизации для него является линейная функция purelin. Известно, что сети с такой архитектурой могут воспроизводить весьма сложные нелинейные зависимости между входом и выходом сети.

Настройка параметров нейронной сети, являющейся моделью объекта, выполняется автономно методом последовательного обучения с использованием данных, полученных при испытаниях реального объекта. Для обучения сети может быть использован любой из обучающих алгоритмов для нейронных сетей. Использование контрольного и тестового множеств обучающих данных позволяет избежать явления переобучения сети. Изменяя число нейронов в первом слое, количество линий задержки на входе и выходе сети, а также интервал квантования, или дискретности, можно обеспечить требуемую точность моделирования управляемого процесса.

Диалоговая панель для идентификации управляемого процесса Plant Identification входит в состав всех трёх регуляторов раздела

Control Systems библиотеки нейронных блоков системы Simulink, является универсальным средством и может быть использована для построения нейросетевых моделей любых динамических объектов, которые могут быть представлены блоками этой системы.

С помощью управляющих элементов панели Plant Identification можно задать архитектуру нейронной сети, параметры обучающей последовательности и параметры обучения, а также управлять процессом идентификации и оценивать качество этого процесса.

Набор управляющих элементов для задания архитектурных параметров нейронной сети следующий:

1. Size of the Hiden Layer – количество нейронов на входном или скрытом слое;

2. No. Delayed Plant Inputs – число линий задержки для входного слоя;

3. No. Delayed Plant Outputs – число линий задержки для выходного слоя;

4. Samling Interval – интервал квантования или шаг дискретности, в секундах, между двумя последовательными моментами отсчёта данных;

5. Notmalize Training Data – переключатель нормирования для преобразования обучающих данных к диапазону [0 1].

Набор управляющих элементов для задания характеристик обучающей последовательности таков:

1. Training Samples – число точек отсчёта для получения обучающей последовательности в виде пар значений вход-выход для управляемого процесса, определяемого моделью Simulink;

2. Maximum Plant Input – максимальное значение входного сигнала;

3. Minimum Plant Input – минимальное значение входного сигнала;

4. Maximum Interval Value (sec) – максимальный интервал идентификации, в секундах;

5. Minimum Interval Value (sec) – минимальный интервал идентификации, в секундах;

6. Limit Output Data – переключатель для ограничения значений выходного сигнала;

7. Maximum Plant Output – максимальное значение выходного сигнала, задаваемое при включённом переключателе Limit Output Data;

8. Minimum Plant Output – максимальное значение выходного

сигнала, задаваемое при включённом переключателе Limit Output Data;

9. Simulink Plant Model – для задания модели управляемого процесса, реализованной с помощью блоков Simulink, имеющий порты входа и выхода и сохранённой в файле *.mdl; выбор модели производится с помощью кнопки Browse; имя модели отображается в специальном окне.

Параметры обучения задаются следующим образом:

1. Training Epochs – количество циклов обучения;

2. Training Function – для задания обучающей функции;

3. Use Current Weights – переключатель для использования текущих весов нейронной сети;

4. Use Validation Data – переключатель для использования контрольного множества в объёме 25 % от обучающего множества;

5. Use Testing Data – переключатель для использования тестового множества в объёме 25% от обучающего множества.

Для идентификации управляемого процесса необходимо выполнить следующие действия:

1. Задать архитектуру нейронной сети, которая будет моделью управляемого процесса.

2. Задать параметры обучения.

3. Выбрать модель Simulink для управляемого процесса.

4. Сгенерировать обучающую последовательность заданного объёма, запустив модель Simulink с помощью кнопки Generate

Training Data. Генерация обучающей последовательности производится с помощью воздействия ряда ступенчатых сигналов на модель управляемого процесса и снятия значений на выходе и входе модели через каждый шаг квантования. Графики входного и выходного сигнала отображаются в окне Plant Input-Output Data.

5. По завершении генерации обучающей последовательности необходимо либо принять эти данные, нажав на кнопку Accept Data, и тогда они будут использованы для обучения нейронной сети, либо

отвергнуть их, нажав кнопку Reject Data, и повторить процесс идентификации управляемого процесса, представленного моделью Simulink.

6. После получения обучающей последовательности необходимо установить требуемые параметры обучения и с помощью кнопки Train Network запустить процесс обучения нейронной сети.

7. После завершения обучения его результаты отображаются на графиках изменения ошибки сети для обучающей, контрольной и тестирующей последовательностей, а также выходных значений модели и сети при подаче на вход указанных последовательностей.

8. Если результаты обучения приемлемы, то надо сохранить параметры нейросетевой модели управляемого процесса и приступить к синтезу регулятора того или иного класса, нажав кнопки Apply и Ok.

9. Если результаты обучения неприемлемы, то следует нажать кнопку Cаncel и повторить процесс идентификации сначала, изменяя архитектуру сети и параметры обучающей последовательности.

10. Обучающую последовательность можно импортировать из рабочей области или из файла, нажав на кнопку Import Data. Если необходимо обучающую последовательность сохранить в рабочей области или в файле для подбора параметров архитектуры нейронной сети, то следует после получения данных нажать на кнопку Export Data.

11. Удалить только что сгенерированные данные при необходимости можно с помощью кнопки Erase Generated Data.

Таким образом, диалоговая панель Plant Identification позволяет идентифицировать управляемый процесс, представленный в виде имитационной модели Simulink, построить двухслойную нейронную сеть прямой передачи сигнала с необходимым числом нейронов и линий задержки, обучить эту сеть для получения нейронной модели управляемого процесса, оценить качество обучения и работу нейронной сети. Для регулятора на основе авторегрессии со скользящим средним, этап его синтеза отсутствует, так как такой регулятор представляет собой полученную нейросетевую модель управляемого процесса с предсказанием. Для регуляторов на основе эталонной модели с предсказанием, этап синтеза необходим.

Управление с предсказанием использует принцип управляющего горизонта, когда нейросетевая модель управляемого процесса предсказывает реакцию объекта управления на определенном интервале времени в будущем. Предсказания используются программой численной оптимизации для того, чтобы вычислить управляющий сигнал, который минимизирует следующий критерий качества управления:

, 2)] j (t U 1) j (t U [ ρ j)] (t Y j) (t [Y Y

u 2

1

N

1 j

2

N

N j

2

m r ∑ ∑ = =

− + ′ − − + ′ + + − + =

где константы N1, N2, Nu задают пределы, внутри которых вычисляются ошибка слежения и мощность управляющего сигнала;

U′ (t) – пробный управляющий сигнал;

Yr(t) – желаемый управляющий сигнал;

Ym(t) – истинная реакция модели управляемого сигнала;

ρ – коэффициент, определяющий вклад, вносимый мощностью управления в критерий качества.

Структурная схема регулятора с предсказанием представлена на рисунке.

Блок оптимизации определяет значения U′, которые минимизируют критерий качества управления, а соответствующий сигнал управляет процессом.

Синтез регулятора с предсказанием осуществляется с помощью диалоговой панели Neural Network Predictive Control, на которой имеются следующие управляющие элементы:

Cost Horizon (N2) – верхний предел суммирования в показателе качества, при этом нижний предел N1 всегда равен единице;

Control Horizon (Nu) – верхний предел при оценке мощности управления;

Control Weightin Factor (ρ) – коэффициент веса для составляющей мощности управления;

Search Parameter (α) – параметр одномерного поиска, задающий порог уменьшения показателя качества;

Minimization Routine – параметр для выбора процедуры одномерного поиска;