Перспективы методов регулирования в инженерных системах
- Авторы: Мамедов В.М.1, Архаров И.А.1
-
Учреждения:
- Московский государственный технический университет им. Н.Э. Баумана
- Выпуск: Том 111, № 4 (2022)
- Страницы: 213-220
- Раздел: Научные обзоры
- URL: https://ogarev-online.ru/0023-124X/article/view/132745
- DOI: https://doi.org/10.17816/RF321953
- ID: 132745
Цитировать
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.
Полный текст
Открыть статью на сайте журналаОб 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, МоскваИван 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, МоскваСписок литературы
- 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
- Денисенко В.В. ПИД-регуляторы: принципы построения и модификации // Современные технологии автоматизации. 2006. № 4. С. 66–74.
- Dormido S. Advanced PID Control // IEEE Control Systems Magazine. 2006. Vol. 26, N 1. P. 98–101. doi: 10.1109/MCS.2006.1580160
- 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.
- Ziegler J.G., Nichols N.B. Optimum settings for automatic controllers // Trans. ASME. 1942. Vol. 64. P. 759–768.
- 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
- Пупков К.А. Егупов Н.Д. Методы робастного, нейро-нечёткого и адаптивного управления: учебник. М.: МГТУ им. Баумана, 2002.
- Усков А.А., Кузьмин А.В. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая линия-Телеком, 2004.
- Демидова Г.Л., Лукичев Д.В. Регуляторы на основе нечеткой логики в системах управления техническими объектами. СПб: Университет ИТМО, 2017.
- 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
- 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
- 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
- Зубкова В.В. Анализ актуальности закона Мура // Перспективы развития информационных технологий. 2014. № 21. C. 136–1140.
- 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
- 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.
- Kyoung-Su Oh K.S., Jung K. GPU implementation of neural networks // Pattern Recognition. 2004. Vol. 37. P. 1311-1314.
- 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
- 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
- Джулли А., Пал С. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow. М.: ДМК Пресс, 2018.
- Головко В.А. Нейросетевые технологии обработки данных: учеб. пособие. Минск: БГУ, 2017.
Дополнительные файлы
