Перспективы методов регулирования в инженерных системах

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье рассматриваются предпосылки и закономерные последствия развития методов регулирования в инженерных системах: (1) простой регулятор по отклонению и возмущению, (2) регулятор с нечеткой логикой, фаззификатором и базой правил, (3) регулятор с нейронной сетью для динамической подстройки коэффициентов соответствующих звеньев, (4) дискретный нейронный сетевой регулятор с нейронным аппроксиматором и контроллером. Опыт, наработанный исследователями и инженерами с момента первого описания принципов регулирования в 1910 г., и уровень развития информационных технологий, в частности, нейронный сетевой метод машинного обучения и колоссальный вычислительный потенциал компьютерных устройств, сегодня могут быть интегрированы в принципиально новый метод дискретного нейронносетевого регулирования.

Обзор, проведенный в статье, нацелен на выявление и демонстрацию значимости экспериментальных и эксплуатационных данных, которые должны быть должным образом структурированы и размечены на этапе их сбора и архивации. Именно такой подход позволит прийти к скорейшему внедрению нейронносетевых контроллеров в инженерные системы, поскольку самым важным этапов для их создания является процесс обучения и оптимизация архитектуры нейронных сетей.

Приводится принцип работы, достоинства и недостатки на фоне существующих и активно используемых регуляторов, оптимальные этапы развития дискретной нейронносетевой концепции регулирования на базе двух нейронных сетей для формирования стратегии регулирования с учетом наиболее вероятного состояния системы в следующий момент времени.

Об авторах

Владислав Марсельевич Мамедов

Московский государственный технический университет им. Н.Э. Баумана

Автор, ответственный за переписку.
Email: mamedov-vm@bk.ru
ORCID iD: 0009-0004-8780-7401
SPIN-код: 4095-0195

аспирант, ассистент

Россия, Москва

Иван Алексеевич Архаров

Московский государственный технический университет им. Н.Э. Баумана

Email: arkharov@bmstu.ru
ORCID iD: 0000-0002-1624-171X
SPIN-код: 9674-4585

д.т.н., профессор

Россия, Москва

Список литературы

  1. Mamedov V., Arkharov I., Navasardyan E. Concept design of cryogenic system of the SPD-detector for NICA project in Dubna // IIR Conference: The 16th Cryogenics, October 5-7, 2021. P. 24–29. doi: 10.18462/iir.cryo.2021.0005
  2. Денисенко В.В. ПИД-регуляторы: принципы построения и модификации // Современные технологии автоматизации. 2006. № 4. С. 66–74.
  3. Dormido S. Advanced PID Control // IEEE Control Systems Magazine. 2006. Vol. 26, N 1. P. 98–101. doi: 10.1109/MCS.2006.1580160
  4. Ang K.H., Chong G., Li Y. PID control system analysis, design, and technology // IEEE Transactions on Control Systems Technology. 2005. Vol. 13, No. 4. P. 559–576.
  5. Ziegler J.G., Nichols N.B. Optimum settings for automatic controllers // Trans. ASME. 1942. Vol. 64. P. 759–768.
  6. Cai J. A Fully Mechanical Realization of PID Controller // Highlights in Science, Engineering and Technology. 2022. Vol. 9. P. 319–328. doi: 10.54097/hset.v9i.1861
  7. Пупков К.А. Егупов Н.Д. Методы робастного, нейро-нечёткого и адаптивного управления: учебник. М.: МГТУ им. Баумана, 2002.
  8. Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия-Телеком, 2004.
  9. Демидова Г.Л., Лукичев Д.В. Регуляторы на основе нечеткой логики в системах управления техническими объектами. СПб: Университет ИТМО, 2017.
  10. Pérez-Gomariz M., López-Gómez A., Cerdán-Cartagena F. Artificial Neural Networks as Artificial Intelligence Technique for Energy Saving in Refrigeration Systems - A Review // Clean. Technol. 2023. Vol. 5. P. 116–136. doi: 10.3390/cleantechnol5010007
  11. Wilson C.L., Wilkinson R.A., Garris M.D. Self-organizing neural network character recognition on a massively parallel computer // IJCNN International Joint Conference on Neural Networks, San Diego, CA, USA, 1990. Vol. 2. P. 325–329. doi: 10.1109/IJCNN.1990.137734
  12. Shalf J. The future of computing beyond Moore’s Law // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2020. Vol. 378 (2166). doi: 10.1098/rsta.2019.0061
  13. Зубкова В.В. Анализ актуальности закона Мура // Перспективы развития информационных технологий. 2014. № 21. C. 136–1140.
  14. Guzhva A., Dolenko S., Persiantsev I. Multifold Acceleration of Neural Network Computations Using GPU // Alippi C., Polycarpou M., Panayiotou C., Ellinas G. (eds) Artificial Neural Networks – ICANN 2009. ICANN 2009. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2009. Vol. 5768. doi: 10.1007/978-3-642-04274-4_39
  15. Бендерская Е.Н., Толстов А.А. Тенденции развития средств аппаратной поддержки нейровычислений // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. 2013. № 3(174). С. 9–18.
  16. Kyoung-Su Oh K.S., Jung K. GPU implementation of neural networks // Pattern Recognition. 2004. Vol. 37. P. 1311-1314.
  17. Bouzar-Benlabiod L., Rubin S.H., Benaida A. Optimizing Deep Neural Network Architectures: an overview // IEEE 22nd International Conference on Information Reuse and Integration for Data Science (IRI), Las Vegas, NV, USA. 2021. P. 25–32. doi: 10.1109/IRI51335.2021.00010
  18. Ünal H.T., Başçiftçi F. Evolutionary design of neural network architectures: a review of three decades of research // Artif. Intell. Rev. 2022. Vol. 55. P. 1723–1802. doi: 10.1007/s10462-021-10049-5
  19. Джулли А., Пал С. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow. М.: ДМК Пресс, 2018.
  20. Головко В.А. Нейросетевые технологии обработки данных: учеб. пособие. Минск: БГУ, 2017.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Структурные схемы регуляторов, построенных на принципах по отклонению (а) и по возмущению (b). Обозначения на схеме: R – регулятор, OR – объект регулирования, D – датчик, Xs – уставка целевого параметра, XOR – целевой параметр регулирования, XD – показания датчика, ex – ошибка регулирования, F – внешнее воздействие, G – управляющее воздействие.

Скачать (85KB)
Метаданные
3. Рис. 2. Структурная схема регулятора с нечеткой логикой. Обозначения на схеме: OR – объект регулирования, D – датчик, БП – база правил, >Ф – фаззификатор, Ф> – дефаззификатор, Л – логический вывод, Xs – уставка целевого параметра, XOR – целевой параметр регулирования, XD – показания датчика, ex – ошибка регулирования, Ф – фаза регулирования, F – внешнее воздействие, G – управляющее воздействие.

Скачать (53KB)
Метаданные
4. Рис. 3. Структурная схема ПИД–регулятора с нейронной сетью для подстройки коэффициентов. Обозначения на схеме: R – регулятор, OR – объект регулирования, D – датчик, NW – нейронная сеть, Xs – уставка целевого параметра, XOR – целевой параметр регулирования, XD – показания датчика, ex – ошибка регулирования, F – внешнее воздействие, G – управляющее воздействие, K, Ti, Td – соответствующие коэффициенты ПИД–регулятора.

Скачать (49KB)
Метаданные
5. Рис. 4. Структурная схема дискретного нейронного сетевого регулятора. Обозначения на схеме: OR – объект регулирования, D – датчик, NWA – нейронносетевой аппроксиматор, NWC – нейронносетевой контроллер, Xs – уставка целевого параметра, XOR – целевой параметр регулирования, ex – ошибка регулирования, S – стратегия регулирования управляющим воздействием, С – исполнительное устройство, F – внешнее воздействие, G – управляющее воздействие.

Скачать (126KB)
Метаданные

© Мамедов В.М., Архаров И.А., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).