Сахаров Владимир Васильевич — доктор технических наук, профессор.
198035, Санкт-Петербург, ул. Двинская, 5/7
Saharov Vladimir V. — Grand PhD in Technical Sciences, professor.
5/7 Dvinskaya Str., St. Petersburg, 198035
Чертков Александр Александрович — доктор технических наук, доцент.
198035, Санкт-Петербург, ул. Двинская 5/7
Chertkov, Alexandr A. — Grand PhD in Sciences, associate professor.
5/7 Dvinskaya Str., St. Petersburg, 198035
Каск Ярослав Николаевич — кандидат технических наук, доцент.
198035, Санкт-Петербург, ул. Двинская, 5/7
Kask, Yaroslav N. — PhD.
5/7 Dvinskaya Str., St. Petersburg, 198035
Целью работы является реализация интеллектуальных алгоритмов синтеза систем управления электроприводами систем энергоснабжения на объектах водного транспорта с использованием искусственных нейронных сетей. Использование подобных интеллектуальных алгоритмов позволит на практике осуществлять цифровую трансформацию аппаратных узлов регуляторов (контроллеров) в системах управления различными объектами, в том числе электроприводами, в математические алгоритмы, базирующиеся на нейросетевых контроллерах. Такие контроллеры, например, с использованием эталонной модели, являются более предпочтительными при управлении нелинейными объектами, поскольку нейросети, на которых они базируются, нелинейны. В связи с этим существенно расширена область их применения в дальнейшем развитии методов компьютерного мониторинга и параметрической идентификации моделей судовых и береговых объектов управления энергоснабжением, а также анализа и прогнозирования показателей энергоэффективности их режимов работы. Рассмотрена процедура синтеза нейросетевого регулятора, построенного на основе эталонной модели, для стабилизации угловой скорости вращения двигателя постоянного тока с целью компенсации колебаний, возникающих в контуре управления приводом. С использованием PID-тюнера определены параметры PID-регулятора, существенно влияющие на качество управления и позволившие ему в составе с типовым астатическим звеном первого порядка выполнять функции эталонного регулятора для обучения нейросетевого регулятора. Показано, что выбранные параметры нейронной модели объекта управления и нейросетевого эталонного регулятора позволили существенно улучшить показатели качества переходного процесса и устранить колебания в приводе управления двигателя постоянного тока. Приведены показатели и характеристики качества обучения нейросетевого регулятора и нейронной модели объекта при выбранных параметрах обучения. Предложен алгоритм обучения нейронной модели управляемого объекта и нейросетевого регулятора модели, базирующийся на динамическом характере обратного распространения ошибки отклонений значений выходных сигналов от эталонных в многослойной нейронной сети с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей. Алгоритм может быть применим в системах управления электроприводами безэкипажных объектов, как летательных, так водного и наземного базирования, на внутреннем водном транспорте.
The purpose of this work is to implement intelligent algorithms for the synthesis of control systems for electric drives of power supply systems at water transport facilities using artificial neural networks. The use of such intelligent algorithms will make it possible to carry out in practice the digital transformation of hardware units of regulators (controllers) in control systems for various objects, including electric drives, into mathematical algorithms based on neural network controllers. Such controllers, for example, those using a reference model, are more preferable when controlling nonlinear objects, since the neural networks on which they are based are nonlinear. In view of this, the scope of their application has been significantly expanded in the further development of methods for computer monitoring and parametric identification of ship and shore power supply management models, as well as the analysis and forecasting of energy efficiency indicators of their operating modes. The procedure for synthesizing a neural network regulator built on the basis of a reference model to stabilize the angular velocity of a DC motor is considered, aiming to compensate for oscillations occurring in the drive control loop. Using a PID tuner, the parameters of the PID controller were determined, significantly affecting control quality and allowing it, together with a typical first-order astatic link, to perform the function of a reference regulator for training the neural network controller. It is shown that the selected parameters of the neural model of the controlled object and the neural network reference regulator made it possible to significantly improve the quality of the transient process and eliminate oscillations in the DC motor drive control. The indicators and characteristics of the training quality of the neural network regulator and the neural model of the object with the selected training parameters are presented. An algorithm for training the neural model of the controlled object and the neural network regulator based on the dynamic nature of the backpropagation of error deviations of output signal values from reference ones in a multilayer neural network is proposed, with the purpose of correction through introducing adjustments to the values of synaptic weight coefficients. The algorithm can be applied in control systems for electric drives of unmanned objects, including aircraft, waterborne, and land-based systems in inland water transport.
The authors declare that there are no conflicts of interest present.