Нейросетевое моделирование настроенного ПИД-регулятора

Несмотря на недавнее распространение альтернативных теорий и методов управления, относительно больший процент промышленных процессов управления по-прежнему зависит от пропорционально-интегрально-дифференциальных (ПИД) регуляторов. Это следует из простоты конструкции, надежности в работе и простоты понимания принципа работы ПИД-регулятора. Как и любая другая система, ПИД-регулятор имеет свое собственное ограничение, которое в основном заключается в его неспособности давать надежные результаты в сильно нелинейных и изменяющихся во времени областях применения.
Для улучшения характеристик этого управления в прошлом было предложено несколько схем самонастраивающихся ПИД-регуляторов, однако искусственная нейронная сеть в настоящее время представляет очень большой исследовательский интерес.
За прошедшие годы были разработаны различные типы модифицированных ПИД-регуляторов, начиная от обычных ПИД-регуляторов, адаптивных/самонастраивающихся контроллеров и заканчивая самонастраивающимися прогнозирующими ПИД-контроллерами. Нейросетевое моделирование настроенного ПИД-регулятора широко используемый метод обучения многослойных нейронных сетей с прямой связью (MNN) — это алгоритм обратного распространения.
В этом проекте рассмотрена модель нейро-ПИД-регулятора для улучшения отклика и производительности обычного пропорционально - интегрально-дифференциального (ПИД) регулятора в нелинейной динамической среде путем разработки самонастраивающегося/адаптивного нейро-ПИД регулятора. Предлагаемый нейрорегулятор разработан с использованием алгоритма обратного распространения. Метод градиентного спуска использовался для увеличения скорости обучения, получения начального веса и использовался на каждой итерации для ускорения скорости сходимости. Алгоритм Рунге-Кутты использовался для прогнозирования поведения системы во времени для последующей адаптации весов. Моделирование было проведено на моделях для некоторых конкретных областей применения, а именно: система масса-пружина-демпфер и двигатель постоянного тока. Также предложен программный код построения ПИД-регулятора с помощью генетического алгоритма в среде MATLAB. Результаты, полученные на данный момент в ходе различных симуляций, показали, что модель способна адаптироваться к динамическим нелинейным областям применения. Способна хорошо справляться с изменяющимися параметрами и системными возмущениями.

Определение проблемы и постановка задачи

Традиционный алгоритм PID подвержен ошибкам, и с ним трудно работать в сильно нелинейных и меняющихся во времени средах. Проблема заключается в минимизации ошибки (е), которая является функцией разницы между фактическим и желаемым откликом системы. Чаще всего цель большинства систем управления состоит в том, чтобы установить нулевой уровень отклонения между измеренным выходом и желаемым. Как показано на рис. 1, это сравнение выполняется в точке суммирования, которое может быть выполнено датчиком в режиме реального времени. Сгенерированная ошибка подается в регулятор, единственной целью которого является корректировка измеренного выходного сигнала на основе сгенерированной ошибки. Выполненное управляющее воздействие отправляется в качестве управляющего сигнала на установку. Обобщенная схема управления на рис.1.