СИНТЕЗ НЕЙРОСЕТЕВОГО РЕГУЛЯТОРА СКОРОСТИ ВРАЩЕНИЯ ВАЛА ЭЛЕКТРОДВИГАТЕЛЯ ПОСТОЯННОГО ТОКА

SYNTHESIS OF NEURAL NETWORK REGULATOR OF SHAFT ROTATION SPEED OF DC MOTOR

Kuchin Alexander Artyomovich

student 4-go kursa, kafedra «Priborostroyeniye» Kovrovskaya gosudarstvennaya tekhnologicheskaya akademiya imeni V.A. Degtyarova,

Russia, Kovrov

АННОТАЦИЯ

Целью работы является синтез нейросетевого регулятора (НС), для управления скоростью электродвигателя постоянного тока. В работе рассмотрен нейросетевой регулятор скорости вращения вала двигателя, настроенный с использованием генетического алгоритма (ГА) и эталонного переходного процесса.

ABSTRACT

The purpose of the work is the synthesis of a neural network controller (NS) to control the speed of a DC motor. The study covers a neural network speed controller of the motor shaft that tuned using the genetic algorithm (GA) and the reference transient.

Ключевые слова: двигатель постоянного тока, нейросетевой регулятор, генетический алгоритм, искусственная нейронная сеть.

Keyword: DC Motor, neural network controller, genetic algorithm, artificial neural network.

Двигатели постоянного тока (ДПТ) используются для обеспечения вращательного или прямолинейного движения в различных электромеханических устройствах [1]. Несмотря на повсеместное использование двигателей постоянного тока, до сих пор в них не удалось избавиться от нелинейных свойств, оказывающих существенное влияние на работу системы автоматического управления (САУ) в целом. В связи с этим остается актуальным тема синтеза регулятора, способного значительно улучшить качество переходных процессов в САУ, в составе которых присутствует ДПТ.

Параметры, описывающие ДПТ, делятся на две группы: механические и электрические. При синтезе регулятора необходимо учитывать, как и механические параметры ДПТ, так и электрические. К механическим параметрам двигателя относят: момент инерции нагрузки , коэффициент вязкого трение  и коэффициент момента . К параметрам электрической части ДПТ относят: сопротивление якорной обмотки , её индуктивность  и коэффициент противо-ЭДС . Кроме этого в ДПТ присутствует три вида нелинейных элементов: насыщение, зона нечувствительности и люфт [2]. Параметры нелинейных элементов ДПТ также важно учитывать при синтезе регулятора.

В качестве тестового образца для проверки работоспособности регулятора скорости, с учетом вышеизложенных особенностей, создана имитационная модель ДПТ, обладающего следующими параметрами:

Параметры нелинейных элементов приняты следующими: верхняя и нижняя границы нелинейности типа «насыщение» равны  и  соответственно; параметр нелинейности типа «зона нечувствительности» равен  Так как в работе рассматривается синтез регулятора скорости вала ДПТ, а не углового положения, то в имитационной модели можно пренебречь нелинейностью типа «люфт». Созданная имитационная модель представлена на рис. 1.

Рисунок 1. Имитационная модель ДПТ

Присутствующие в ДПТ нелинейные элементы объясняют несостоятельность некоторых линейных регуляторов, использующих при попытке управления скоростью вала двигателя и обуславливают целесообразность применения НС регулятора.

При синтезе нейросетевого регулятора его сложность, то есть количество слоев и количество нейронов, должна быть обусловлена сложностью объекта управления, в связи с этим для управления ДПТ можно использовать относительно простую искусственную нейросеть (ИНС), представленную на рис. 2.

Рисунок 2. Структура ИНС, используемой в НС регуляторе

На вход ИНС, структура которой представлена на рис. 2. подается три значения: ошибка управления и два ее предыдущих значения, задержанных с помощью линей задержки. Согласно схеме ИНС с рис. 2. была создана имитационная модель данной нейросети, результат разработки ИНС с использованием графической среды моделирования Simulink приведен на рис. 3.

Рисунок 3. Simulink модель ИНС

Настройка нейросетевого регулятора отличается от настройки классических регуляторов. Процесс настройки НС регулятора сводится к адаптации синоптических весов на связях между нейронами, то есть к обучению ИНС. В данной структуре ИНС, использующейся в нейросетевом регуляторе имеется 12 весов, настройка которых и будет является настройкой самого регулятора.

В качестве алгоритма обучения ИНС был использован генетический алгоритм (ГА). Основой генетический алгоритма является эволюционная теория, согласно которой происходит циклическая смена популяций, при которой наиболее адаптированные особи дают большее потомство чем другие, кроме этого процесс смены популяций сопровождается мутациями, в результате которых некоторые особи приобретают новые свойства.

При синтезе нейросетевого регулятора с помощью генетического алгоритма «особью» является нейросеть с определенным набором весов, которые хранятся в «хромосомах», а «адаптированностью особи» является близость реального переходного процесса к желаемому. Работу генетического алгоритма при настройке весов ИНС можно описать в виде алгоритма [3], представленного на рис. 4.

Рисунок 4. Алгоритм генетического обучения ИНС

В качестве эталонного переходного процесса был выбран апериодический процесс 1-го порядка, описываемый передаточной функцией (1):

Общая имитационная модель САУ скоростью вращения вала ДПТ с обратной связью по скорости и НС регулятором представлена следующим образом, рис. 5.

Рисунок 5. Имитационная модель САУ скоростью вращения вала ДПТ

Настройка ИНС нейросетевого регулятора проводилась с использованием инструмента Optimization Toolbox программы Matlab. Optimization Toolbox предоставляет возможность работы с генетическим алгоритмом. При подготовке к обучению ИНС в настройках ГА инструмента Optimization Toolbox был изменен размер популяции, его значение было установлено равным количеству весов настраиваемой ИНС, остальные параметры настройки работы ГА инструмента Optimization Toolbox были оставлены без изменения. Листинг кода оптимизируемой функции, записанной в m-файле представлен ниже:

function z=my_fitness(X)

global k1; global k2; global k3; global k4; global k5; global k6; global k7; global k8; global k9; global k10; global k11; global k12;

k1=X(1); k2=X(2); k3=X(3); k4=X(4); k5=X(5); k6=X(6); k7=X(7); k8=X(8); k9=X(9); k10=X(10); k11=X(11); k12=X(12);

sim('DC_motor2');

z=sum(abs(ITAL-OUT));

end

Изменение значения оптимизируемой функции в процессе работы генетического алгоритма приведено на рис. 6. 

Рисунок 6. График изменения значения оптимизируемой функции в ходе работы генетическое алгоритма

По окончании работы генетического алгоритма, настраивающего веса искусственной нейронной сети нейросетевого контроллера скорости вращения вала электродвигателя постоянного тока, было проведено сравнение эталонного переходного процесса, заданного апериодическим звеном 1-го порядка и полученным переходным процессом на выходе электродвигателя. Результат сравнения переходных процессов представлен на рис. 7.

Рисунок 7. Сравнение переходных процессов при единичном ступенчатом воздействии

Подводя итог, стоит сказать, что при синтезе нейросетевого регулятора на основе эталонного переходного процесса с применением генетического алгоритма обучения ИНС полученный результат является удовлетворительным. Несмотря на то что эталонный переходный процесс и процесс, обеспечиваемый синтезированным НС регулятором, имеют разницу, можно утверждать, что регуляторы на основе ИНС способны обеспечить качественное управление ДПТ. Полученный результат подтверждает целесообразность использования нейрорегуляторов в САУ с нелинейными элементами.

Список литературы:

1. Гусев Н. В. Алгоритмическое обеспечение систем управления следящими электроприводами // Научно-технический и учебно-образовательный журнал: Известия высших учебных заведений. Электромеханика. – 2006. № 3. – C. 57-60.
2. Бобиков А. И., Сурков И. И. Нейросетевое управление скоростью двигателя постоянного тока // Вестник Рязанского государственного радиотехнического университета. 2015. №52-2. С. 105 – 112.
3. Бураков М. В. Нейронные сети и нейроконтроллеры [Учебное пособие] / М. В. Бураков. — СПб. ГУАП, 2013. — С. 223.