Автоматизированная система управления расходом массы напорного ящика. Разработка АСР с FuzzyLogic регулятором

Проводится обучение сети на основе обучающей последовательности для каждого входа и выхода сети;

4.  Рассчитываются переходные характеристики при изменении задания и возмущения, проводится анализ качества АСР.

3.2. Математическое обеспечение АСР

При синтезе АСР была использована сеть типа MLP, состоящая из трех слоев.

Первый слой входной, состоящий из одного входного нейрона, второй скрытый слой, состоящий из 5 нейронов, и выходной слой с одним выходом нейроном (структура сети 1-5-1). Проводим обучение сети на основе обучающей последовательности. Текстовый файл, содержащий обучающую программу, состоит из числа строк не менее числа нейронов в скрытых слоях, т.е. 5. В текстовый файл записаны точки статической обратной характеристики объекта, представленной на Рис. 4.

Рис.4 Статическая обратная модель объектаdx=f(F)

Рис.   Процесс обучения сети. (ActualError 5%)

Алгоритм обучения выбранной архитектуры сети - метод обратного распространения ошибки (Error Back Propagation), подходящий для обучения персептрона.

Тест обученной сети производится по файлу, структура которого аналогична файлу обучения. Результаты тестирования можно наблюдать в сигнальном и векторном представлении.

3.3 Имитационное моделирование АСР

Модели объекта представлены на рис. B и C

Расчет управляющего воздействия осуществляется в пакете NeuroSystems1.0 фирмы «Siemens», а расчет ошибки регулирования табличным методом в Microsoft Excel. Результаты расчета сведены в таблицу 3, а переходный процесс по управлению представлен на Рис.6.

Таблица 3  Расчет управляющего воздействия по каналу передачи управляющего воздействия

Рис.6  Переходный процесс по каналу передачи управляющего воздействия с Neuro-регулятором

Переходный процесс вышел на заданное значение практически  с малым перерегулированием,  в результате чего можно говорить о высоком качестве переходного процесса при данном периоде дискретности по управлению.

Расчет переходного процесса по каналу передачи возмущающего воздействия на выходе объекта производится аналогично, при этом величина задания равна нулю, а в столбец Y_в подставляются значения возмущающего воздействия на данном такте регулирования, рассчитанные в предыдущей курсовой работе. Результаты расчета сведены в таблицу 4., а график переходного процесса по каналу возмущения с neuro -регулятором представлен на Рис. 7.

Таблица 4  Расчет переходного процесса по каналу передачи возмущающего воздействия на выходе объекта

Рис.7  Переходный процесс по каналу передачи возмущающего воздействия с Neuro-регулятором.

По графику видно что, как и Fuzzy Logic-регулятор,  Neuro-регулятор так же не может подавить возмущение на выходе объекта, это связано с тем, что гармонические колебания имеют достаточно большую амплитуду, несмотря на большой период колебаний.

Глава 4 Сравнительная характеристика качества АСР FuzzyLogic, Neuro и ПИ-регулятора

Структурная схема АСР с ПИ – регулятором и графики переходных процессов представлены в Приложении.

Оценки качества регулирования АСР при изменении управляющего воздействия, использующих разные регуляторы сведены в таблицу:

Перерегулирование:

Затухание за период:

В курсовой работе было осуществлено имитационное моделирование АСР с тремя типами регуляторов: ПИ-регулятор, FuzzyLogic и Neuro - регулятор. По результатам полученных переходных процессов по каналам управления и возмущения для всех типов регуляторов, можно сделать вывод, что в типовых процессах, которые достаточно изучены, для которых могут быть получены математические модели объектов, применение FuzzyLogic и Neuro - регуляторов нецелесообразно. Они не могут обеспечить требуемое качество АСР по сравнению с ПИ-регулятором. Если сравнивать только FuzzyLogic и Neuro-регулятор то в результате работы  лучший результат по каналу передачи управляющего воздействия был получен с Neuro - регулятором, возможно, это обусловлено выбранными выходными лингвистическими переменными.   Ни один из представленных регуляторов не справляется с гармоническим возмущением, однако здесь лучше всего показал себя ПИ – регулятор. Применение FuzzyLogic и Neuro-регулятора обосновано в процессах