Нейросетевая настройка генетического алгоритма управления векторной иерархической системой
Ключевые слова:
иерархическая система управления, векторное управление, многосвязный объект, генетический алгоритм, нейронная сеть, виртуальный регуляторАннотация
Представлены результаты исследования иерархической двухуровневой системы векторного управления многосвязным объектом, эволюция которого описывается вектором состояния, изменяющегося путем воздействия на исполнительные устройства, каждое из которых включает привод и рабочий механизм. Рассматриваемая система управления отличается наличием дополнительного контура настройки виртуального регулятора на верхнем и функционально-логическом уровнях. Синтезирована математическая модель импульсного отклика исполнительного механизма системы, учитывающая сухое трение, люфт и ограничения по скорости и положению рабочего органа управляемого объекта. Исходная модель исполнительного органа представлена в форме Коши, а его импульсный отклик аппроксимирован импульсным откликом линейного звена второго порядка, оптимальным по критерию минимума ошибки аппроксимации. Доказано, что параметры линеаризованного импульсного отклика зависят от эксплуатационных параметров привода. Построена модель замкнутой системы управления объектом в целом и показано, что ее параметры зависят от эксплуатационных параметров приводов, желаемого значения вектора состояния объекта управления и параметров виртуальных регуляторов, реализованных на функционально-логическом и верхнем иерархическом уровнях. Полученные результаты демонстрируют, что изменение эксплуатационных параметров объекта может быть скомпенсировано за счет структурных и параметрических изменений генетического алгоритма управления. Разработана методика синтеза генетического алгоритма управления сложными многоконтурными объектами, реализуемого контроллером верхнего уровня иерархии, базирующаяся на использовании нейронной сети. Показано, что предлагаемый подход обеспечивает достижение синергетического эффекта, когда управляющие воздействия, реализуемые разными модификациями алгоритма управления, оказываются менее эффективными, чем управляющие воздействия, реализуемые с помощью составного алгоритма, подвергающегося эволюционным изменениям в процессе функционирования системы. Корректность теоретических положений подтверждена результатами вычислительного моделирования управления виртуальным регулятором с помощью нейронной сети, продемонстрировавшего существенное улучшение характеристик управления за счет уменьшения времени выхода на установившийся режим и времени перерегулирования.
Литература
2. Landau I.D., Zito G. Digital Control Systems, Design, Identification and Implementation. Springer, 2006. 484 p.
3. Astrom J., Wittenmark B. Computer Controlled Systems: Theory and Design. H.J.: Prentice Hall, 2002. 557 p.
4. Kilian C.T. Modern control technology: Components and systems. Novato, CA: Delmar Thomson Learning, 2000. 608 p.
5. Babishin V., Taghipour S. Optimal maintenance policy for multicomponent systems with periodic and opportunistic inspections and preventive replacements // Applied mathematical modelling. 2016. vol. 40. no. 23. pp. 10480–10505. DOI: 10.1016/j.apm.2016.07.019.
6. Акименко Т.А., Ларкин Е.В., Богомолов А.В., Привалов А.Н. Модель формирования образа сцены в телевизионном модуле мобильного робота, движущегося по пересеченной местности // Информационно-управляющие системы. 2024. № 5(132). С. 16–24. DOI: 10.31799/8853-2024-5-16-24.
7. Larkin E., Privalov A., Bogomolov A., Akimenko T. Digital control of continuous production with dry friction at actuators // Smart Innovation, Systems and Technologies. 2022. vol. 232. pp. 427–436.
8. Bogomolov A.V., Larkin E.V., Privalov A.N. Mathematical models of software failures of digital control systems // Automatic Documentation and Mathematical Linguistics. 2025. vol. 59. no. 1. pp. 1–8. DOI: 10.3103/S000510552470041.
9. Ларкин Е.В., Богомолов А.В., Привалов А.Н., Акименко Т.А. Математическое обеспечение иерархического цифрового управления сложным технологическим объектом // Вестник ЮрГУ. Серия. Математика. Механика. Физика. 2024. Т. 16. № 4. С. 43–55.
10. Harada T, Alba E. Parallel genetic algorithms: a useful survey // ACM Computing Survey. 2020. vol. 53. no. (4). pp. 1–39. DOI: 10.1145/3400031.
11. Hedar A., Fukushima M. Simplex coding genetic algorithm for the global optimization of nonlinear functions, in Multi-Objective Programming and Goal Programming // Advances in Soft Computing. Springer-Verlag, 2003. pp. 135–140. DOI: 10.1007/978-3-540-36510-5_17.
12. Helal M.H.S., Fan C.C., Liu D., Yuan S. Peer-to-peer based parallel genetic algorithm // International Conference on Information, Communication and Engineering (ICICE). Xiamen, 2017. pp. 535–538. DOI: 10.1109/ICICE.2017.8478917.
13. Hu C., Wang X., Mandal M.K., Meng M., Li D. Efficient face and gesture recognition techniques for robot control // Canadian Conference on Electrical and Computer Engineering. IEEE, Montreal, 2003. pp. 1757–1762. DOI: 10.1109/CCECE.2003.1226250.
14. Jebari K. Selection methods for genetic algorithms // International Journal of Emerging Sciences. 2013. no. 3. pp. 333–344.
15. Hamann A., Racu R., Ernst R. Multi-dimensional robustness optimization in heterogeneous distributed embedded systems // Proceedings of the 13th IEEE Real Time and Embedded Technology and Applications Symposium, (RTAS’07). 2007. pp. 269–280. DOI: 10.1109/RTAS.2007.19.
16. Briat C. Stability and performance analysis of linear positive systems with delays using input-output methods // International Journal of Control. 2018. vol. 91. no. 7. pp. 1669–1692. DOI: 10.1080/00207179.2017.1326628.
17. Islam M., Chen G., Jin S. An overview of neural network // American Journal of Neural Network and Application. 2019. vol. 5. no. 1. pp. 7–11. DOI: 10.11648/j.ajnna.20190501.12.
18. Pavlov A.V. About the equality of the transform of Laplace to the transform of Fourier // Issues of Analysis. 2016. vol. 5. no. 4. pp. 21–30.
19. Li J., Farquharson C.G., Hu X. Three effective inverse Laplace transform algorithms for computing time -domain electromagnetic responses // Geophysics. 2015. vol. 81. no. 2. DOI: 10.1190/geo2015-0174.1.
20. Meyer-Baese U. Digital signal processing. Springer-Verlag Berlin, Heidelbrg, 2004. 527 p.
21. Yeh Y.-C., Chu Y., Chiou C.W. Improving the sampling resolution of periodic signals by using controlled sampling interval method // Computers & Electrical Engineering. 2014. vol. 40. no. 4. pp. 1064–1071. DOI: 10.1016/j.compeleceng.2013.12.002.
22. Ang K.N., Chong G., Li Y. PID control system analysis, design and technology // IEEE Transactions of control systems technology. 2005. vol. 13. no. 4. pp. 559–576. DOI: 10.1109/TCST.2005.847331.
23. O’Dwier A. PID compensation of time delay processes 1999-2002: a survey // Proceedings of the American control conference. 2003. pp. 1494–1499. DOI: 10.21427/dkx2-9503.
Опубликован
Как цитировать
Раздел
Copyright (c) Алексей Валерьевич Богомолов

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).