https://libeldoc.bsuir.by/handle/123456789/38166
Title: | Метод построения модели нейрорегулятора при оптимизации структуры управления технологическим циклом |
Other Titles: | Method of construction of a neuroregulator model when optimizing the control structure of a technological cycle |
Authors: | Смородин, В. С. Прохоренко, В. А. |
Keywords: | доклады БГУИР;модель нейрорегулятора;адаптивное управление;оптимизация параметров функционирования;фазовая плоскость состояний;оптимальная траектория |
Issue Date: | 2019 |
Publisher: | БГУИР |
Citation: | Смородин, В. С. Метод построения модели нейрорегулятора при оптимизации структуры управления технологическим циклом / Смородин В. С., Прохоренко В. А. // Доклады БГУИР. – 2019. – № 7-8 (126). – С. 125-132. – DOI: https://doi.org/10.35596/1729-7648-2019-126-8-125-132. |
Abstract: | Цель работы, результаты которой представлены в рамках данной статьи, состояла в разработке метода построения модели нейрорегулятора для случая оптимизации структуры управления технологическим циклом, реализация которого осуществляется на базе средств автоматизации производственного процесса при наличии физического контроллера, который осуществляет управление технологическим процессом в соответствии с заданной программой. Для достижения поставленной цели были решены задачи, связанные с применением нейросетевых технологий при построении математической модели нейрорегулятора. При этом математическая модель нейрорегулятора разработана на основе физического прототипа, а процедура синтеза управления в режиме реального времени (адаптивного управления) основана на процедуре обучения рекуррентной нейронной сети, построенной с использованием блоков LSTM, которые имеют возможность хранить информацию в течение длительного времени. Предложен метод построения модели нейрорегулятора для реализации управления технологическим циклом производства при решении задачи поиска оптимальной траектории на фазовой плоскости параметров состояний технологического цикла. В рассматриваемой задаче поиска оптимальной траектории математическая модель нейрорегулятора в каждый момент времени получает информацию о текущем состоянии системы, данные о смежных состояниях объекта управления и направление движения по фазовой плоскости состояний, которое определяется действующими критериями оптимизации управления. С учетом полученных результатов установлено, что рекуррентные сети с LSTM-модулями могут успешно применяться в качестве аппроксиматора Q-функции агента для решения поставленной задачи в условиях, когда частично наблюдаемая область состояний системы имеет сложную структуру. Выбор предложенного в работе метода адаптации к управляющим воздействиям и внешним возмущениям окружающей среды удовлетворяет требованиям к быстродействию процесса адаптации, равно как и требованиям к качеству процессов управления для случаев, когда актуальная информация о природе случайных возмущений управления отсутствует. Среда для проведения экспериментов, а также модели нейронных сетей реализованы на языке программирования Python с использованием библиотеки TensorFlow. |
URI: | https://libeldoc.bsuir.by/handle/123456789/38166 |
Appears in Collections: | №7-8 (126) |
File | Description | Size | Format | |
---|---|---|---|---|
Smorodin_Metod.pdf | 557.45 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.