Синтез и моделирование системы управления электроприводом на основе эталонной модели нейронного регулятора

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.

1. Барышников С. О. Модели и алгоритмы управления объектами водного транспорта в условиях цифровой трансформации : монография / С. О. Барышников, Д. В. Дмитриенко, В. В. Сахаров, А. А. Чертков. — Санкт-Петербург: ООО «Заневская площадь», 2022. — 520 c.

2. Сахаров В. В. Модели и алгоритмы оптимизации технологических процессов на объектах водного транспорта в среде MatLab / В. В. Сахаров, А. А. Кузьмин, А. А. Чертков. — Санкт-Петербург: ФГБОУ ВО «Государственный университет морского и речного флота имени адмирала С. О. Макарова», 2015. — 436 c. — EDN ULLLID.

3. Чертков А. А. Алгоритм идентификации параметров моделей производственных функций при помощи нейронной сети / А. А. Чертков, C. В. Сабуров, Я. Н. Каск // Вестник государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2023. — Т. 15. — № 6. — С. 1096–1104. DOI: 10.21821/2309-5180-2023-15-6-1096-1104. — EDN AQZOGP.

4. Цвенгер И. Г. Применение нейросетевых регуляторов в системах управления электроприводами / И. Г. Цвенгер, И. Р. Низамов // Вестник Технологического университета. — 2017. — Т. 20. — № 8. — С. 111–114. — EDN VZSIHV.

5. Чертков А. А. Параметрическая настройка ПИД-регуляторов динамических систем средствами MATLAB / А. А. Чертков, Д. С. Тормашев, С. В. Сабуров // Вестник государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2014. — № 5(27). — С. 164–171. — EDN SWLTUJ.

6. Хайкин С. Нейронные сети: полный курс. — 2-e изд.; пер. с анrл. / С. Хайкин. — М.: Издательский дом «Вильямс», 2016. — 1104 с.

7. Вакуленко С. А. Практический курс по нейронным сетям / С. А. Вакуленко, А. А. Жихарева. — СПб., Ун-т ИТМО, 2018. — 71 c.

8. Бобцов А. А. Исполнительные устройства и системы для микроперемещений / А. А. Бобцов, В. И. Бойков, С. В. Быстров, В. В. Григорьев, П. В. Карев [и др.]. — СПб.: Университет ИТМО, 2017. — 134 с.

9. Давидон Б. Автоматическая оптимизация Simulink моделей и регуляторов // Портал научно-практических публикаций [Электронный ресурс]. — Режим доступа: https://portalnp.snauka.ru/2013/10/1194 (дата обращения: 01.03.2025)

10. Белов М. П. Синтез нейросетевого регулятора для двухмассовой электромеханической системы привода подачи токарного станка / М. П. Белов, И. С. Носиров, А. М. Белов // Известия СПбГЭТУ ЛЭТИ. — 2018. — № 8. — С. 70–76. — EDN YNMJVR.

11. Емельянов А. А. Математическое моделирование двигателя постоянного тока в системе относительных единиц в Matlab и Си / А. А. Емельянов, В. В. Бесклеткин, И. М. Агзамов [и др.] // Молодой ученый. — 2019. — № 11(249). — С. 1–7. — EDN ZAHEJV.

12. Wang L. PID Control System Design and Automatic Tuning using MATLAB/Simulink / L. Wang — John Wiley & Sons, Ltd, 2020. — 344 p. DOI: 10.1002/9781119469414.index.