Раздел 1.Использование нечетких алгоритмов в задачах автоматического регулирования.
Данный раздел курсовой работы состоит из двух подразделов. Первый из них посвящен ознакомления с программой Water Tank из пакета программ Simulink Fuzzy в среде MATLAB5. По умолчанию эта программа демонстрирует работу модели САР с Fuzzy Controller’oм. Для сопоставления результатов моделирования САР с нечетким регулятором и ПИД- регулятором в программе используется Switch. После прогона каждой из двух моделей результаты необходимо отобразить в Word’e. Сопоставляя результаты моделирования, следует сделать вывод о качестве регулирования, и какой САР следует отдать предпочтение. Необходимо заметить, что ПИД- регулятор по умолчанию имеет оптимальные настройки для предложенной модели объекта регулирования.
Задачей второго подраздела является создание нового проекта (предлагаемое его название Fuzzy1). С этой целью осуществляем копирование (в полном объеме) программы Water Tank. Затем проводим процедуру идентификации динамических свойств модели объекта и составляем ее передаточную функцию W(Р).
На втором шаге вносим ряд изменений и дополнений в скопированную программу Water Tank. Во-первых, каждый студент получает индивидуальное задание по структуре новой модели объекта регулирования (статического второго порядка с запаздыванием) с конкретными количественными величинами его параметров K, t и T, а также определяется номинальная величина задания регулирующего параметра. Необходимые вариации и периодичность изменений сигнала задания (обеспечивается использованием программного блока Signal Generator) студент подбирает сам при выполнении прогонов программы, например проверяется целесообразность использования его настроек: А=10, f=0,005рад/с.
Для повышения адекватности модели САР необходимо предусмотреть выполнение процедуры нормирования сигнала управления, а именно соответствия его диапазону (0…100)%. Кроме этого в модели САР необходимо отобразить динамические свойства исполнительного устройства, соответствующие передаточной функции
W(P)= ;
(пневматический мембранный механизм с позиционером).
После завершения указанной работы приступаем к моделированию и уточняем параметры симулятора, в первую очередь – продолжительность прогона. Рекомендуемая его продолжительность (2000…4000) с.
Ввиду того, что все нечеткие регуляторы имеют общую для них особенность – они пропорциональные и при этом нелинейные, то есть представляют собой регуляторы с переменной величин коэффициента передачи (Кр=var), в структуру модели САР необходимо ввести интегратор, на вход которого подать сигнал динамической ошибки (error). Постоянную времени Ти определить с использованием процедуры оптимизации.
Дальнейшим развитием модели САР является введение в ее структуру вместо идеального дифференциатора – реального, параметры которого определяются с использованием также процедуры оптимизации.
Для проверки влияния на работу САР координатных возмущений создать (используя программный модуль Subsistem) следующую структуру (параметры - рекомендуемые).
A=10; f=0,002
t=1500
±5
+
+
Осцилографированию подлежат сигналы: задания, регулируемой переменной, координатного возмущения и управляющего воздействия, выводимые через Мuх на Scope.
Все указанные выше процедуры проектирования проделать и в альтернативной модели САР с линейным ПИД- регулятором, при этом структуру регулятора принять традиционной (как в курсовом проекте по дисциплине ТАУ), а его параметры настройки определить используя программу оптимизации.
Меняя синхронно параметры обоих моделей объектов сопоставить влияние параметрических возмущений на качество регулирования и дать их мотивированную оценку.
Раздел 2.Разработка модели САР с регулирующим контролером на основе использования искусственной нейронной сети.
Этот раздел является логическим продолжением работы, выполненной в разделе 1. Основная работа связана с заменой Fuzzy Control’а на Neironsets с сохранением при этом без изменения всех других подсистем модели и их параметров. Структура искусственной нейронной сети и набор обрабатываемых ею параметров индивидуальны для каждого студента.
Основная сложность использования искусственной нейронной сети для реализации алгоритма регулирования связана с необходимостью применения специальных методов настройки («обучения», «тренировки») ее параметров.
Известны два вида настройки параметров такой сети: самообучение и контролируемое обучение («обучение с учителем»). Первый способ используют обычно в задачах распознавания образов и кластеризации, а второй – в задачах управления. Контролируемое обучение в свою очередь подразделяется на два вида: прямое контролируемое обучение и стимулируемое обучение. Наиболее подходящим, то есть рекомендуемым для использования в задачах автоматического регулирования является система стимулируемого обучения. В ней обучаемой частью модели САР является нейронная сеть, а объект регулирования, внешние воздействия (координатные возмущения, изменения сигнала задатчика и его производная, сигнал динамической ошибки и ее производная) выступают в качестве внешней (окружающей) среды. Стимулируемое обучение осуществляется по результату оценки осуществляемого нейронной сетью (регулятором) преобразования «вход-выход». Оценку результата выполняют после реализации «прогона» модели, после подачи на вход сети тренировочного воздействия, а затем изменяют настройку параметров (параметра) сети так, чтобы максимизировать скалярный индекс оценки, называемый стимулом (в психологии он известен как закон Торндайка), закон «проб и ошибок».
Для оптимизации параметров линейных ПИД- алгоритмов регулирования широко применяют симплекс - метод Нелдера-Мида, который также можно отнести к методы стимулируемого обучения. Как показывает опыт, указанный симплекс - методам с успехом может быть применен и для расчета параметров нейросети, если она состоит из малого числа нейронов.
Следует также учесть, что имеется существенная проблема, которая всегда возникает при использовании любых известных методов настройки нейросети, состоящая в том, что число локальных оптимумов, даже при малом числе нейронов, велико. Поэтому результат обучения сети в определяющей мере зависит от удачного выбора стартового набора коэффициентов синаптических связей в сети. Следует быть готовым к тому, что при неудачном выборе стартового набора этих коэффициентов обучение сети зайдет в тупик в окрестности одного локального оптимума, даже если рядом есть глобальный оптимум. Поэтому следует подготовить не один, а несколько стартовых наборов коэффициентов связи сети и после их прогонов на компьютере в среде MATLAB5 отобрать для дальнейшей работы с ним тот, который покажет лучший результат. При этом следует учесть, что использование программы оптимизации не обязательно: при малой размерности сети очень хороший результат может быть получен, если модель САР использовать как игровую с ручным, разумеется целенаправленным, изменением одного или нескольких коэффициентов связей сети.
Раздел 3. Реализация нечетких алгоритмов и искусственных нейронных структур в программной среде промышленных контроллеров.
Содержание данного раздела является реализация моделей САР (разработанных и отлаженных в разделах 1 и 2 в среде MATLAB5) с использованием инструментальной системы программирования какого-либо типа промышленного контроллера. И нечеткие, и нейронные регуляторы могут быть реализованы, например, при использовании таких контроллеров как ПРОТАР, Р-130, Р-300, МИК-51, МИК-52, комплексов КОНТАР и Simatic и др. Поскольку методики перевода алгоритмов из среды MATLAB в программируемую среду указанных контроллеров изложены в методических указаниях к выполнению курсового проекта по дисциплине «Микропроцессорные и программные средства автоматизации» и практически освоены студентами в процессе работы над указанным курсовым проектом, здесь они не рассматриваются ввиду отсутствия в них необходимости. Выбор типа(ов) контроллера отдается на усмотрение студента.
Литературные источники информации, рекомендуемые
для использования при выполнении курсовой работы
1. Научно-производственный журнал «Автоматизация технологических и бизнес-процессов» за 2010 и последующие годы.
2. Петров И.В. Программируемые контроллеры. Стандартные языки и приемы прикладного проектирования. –М.: СОЛОН-ПРЕСС, 2004. – 256 с.
3. Методические указания к выполнению КП по курсу «Микропроцессорные и программные средства автоматизации». – Одесса: ОНАПТ, 2002. – 18 с.
;
