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
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)
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)
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)
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)

© 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 с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».