Нечеткие технологии в системах управления подъемно-транспортными механизмами

ЦЕЛЬ. Исследование посвящено проблемам обеспечения плавности пуска и останова подъемно-транспортных механизмов. Стандартные регуляторы не позволяют добиться желаемых результатов при изменяющихся показателях, точные значения которых не всегда доступны для измерения. Управляющие сигналы, в таких системах, обычно соответствуют данным из некоторого диапазона. В работе предлагается замена стандартного регулятора на регулятор, работа которого базируется на нечетких алгоритмах. Процесс моделирования системы с разными типами регуляторов, позволяет исследовать системы и выявить наиболее оптимальные из них.

МЕТОДЫ. Для решения поставленной проблемы использовались методы математического моделирования в среде MatLab Simulink.

РЕЗУЛЬТАТЫ. В статье рассмотрена возможность использования регуляторов разного рода на подъемно-транспортных механизмах. Для функционирования регулятора нечеткого типа разработана база правил, формирующая процесс работы реального объекта, с оптимальным алгоритмом функционирования. Реализованы системы с регулятором ПИД типа, с регулятором нейросетевого типа с обеспечением обучения сети, с возможностью ее подстройки для дальнейшего применения, выполнен учет вероятности высокой загруженности процессора, на основании чего предложен супервизор. Рассмотрена возможность применения ANFIS-сетей для реализации регуляторов

ЗАКЛЮЧЕНИЕ. Использование разных типов регуляторов, работающих по принципу нейросетевых технологий, позволяет достичь оптимальных показателей при управлении подъемно-поворотными механизмами, как с позиций обеспечения устойчивости движения, так и с позиций надежности систем. По сравнению с регулятором ПИД типа, применение сети ANFIS снизило колебания в 2,9 раза, а использование регулятора нечеткого типа уменьшило колебания в 0,75 раза. Применение нейронного регулятора по сравнению с использованием сети ANFIS, дает снижение колебательности процесса формирования скорости примерно в 0,48 раза.

1. Ланграф С.В, Сапожников А.И., Глазырин А.С., Козлова Л.Е., Глазырина Т.А., Тимошкин В.В., Афанасьев К.С. Динамика электропривода с нечетким регулятором // Известия Томского политехнического университета. – 2010. Т. 316. №4. С. 168-173.

2. Синюкова Т.В., Синюков А.В., Грачева Е.И, Kolcun M.. Нейросетевые технологии в системах управления механизмами перемещения грузов Известия высших учебных заведений. Проблемы энергетики. – 2022 г. Т. 24. № 2. С. 107-118.

3. Sinyukova T.V., Sentsov E.V., Sinyukov A.V. Neural Network Speed Observers // 2019 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency, SUMMA 2019. – 2019. pp. 320-324.

4. Sinyukova T.V., Gladyshev V.E., Sinyukov A.V. Methods for Reducing Electromechanical Oscillations in Conveyor Control Systems // 1st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency, SUMMA 2019. – 2019. pp. 435-439.

5. Буянкин В.М. Элементы искусственного интеллекта в системах управления электроприводом с нечеткой логикой // Тенденции развития науки и образования. – 2020. № 60-2. С. 8-13.

6. Белов А.М., Белов М.П. Применение нейронных сетей в электроприводных системах насосных агрегатов // Международная конференция по мягким вычислениям и измерениям. – 2022. Т. 1. С. 91-94.

7. Ямковая М.А., Шадрин С.В. Нейроуправление электроприводом с переменным моментом инерции // Информационные технологии и математическое моделирование в управлении сложными системами. – 2020. № 3 (8). С. 45-55.

8. Danila A. Dementev, Ekaterina D. Maximova, Ivan A. Sysoletin, Alexandr V. Andrushin. Research of the effect of an additional signal on the control process of a single-circuit automatic control system with a neuroregulator // 2021 3rd International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). – 2021. 20608282.

9. Klepikov V.B., Bieliaiev O.S. Neuroregulator with a Simplified Structure for Electric Drive with Frictional Load // 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek). – 2022. 22186939.

10. Wan qiaoYuan, Ying yuan Xiao, Xu Jia, Ying Ming. Neural Network Detection of Shilling Attack Based on User Rating History and Latest Features // 2019 International Conference on Machine Learning, Big Data and Business Intelligence (MLBDBI). – 2019. 19246289.

11. Yuxiang NIU, Hui LI, Feiyang LIU. A Loss-aware Continuous Hopfield Neural Network (CDN)-based Mapping Algorithm in Optical Network-on-Chip (Noc) // 2022 20th International Conference on Optical Communications and Networks (ICON). – 2022. 22115387.

12. Hecht-Nielsen R. Neurocomputing: picking the human brain // IEEE Spectrum. – 1988. 3143635.

13. Jianyang Tian, Guangyu Zhang, Jin Wu, Wenting Li. The fuzzy human-simulated intelligent control for hot-rolling strip width // Proceedings of the 10th World Congress on Intelligent Control and Automation. – 2012. 13166720.

14. Кузьмин А.В., Усков А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика: монография. – М.: НТИ «Горячая линия-Телеком». – 2004. 143 с.

15. Макаров И.М., Лохин В.М., Масько С.В., Романов М.П., Ситников М.С. Устойчивость интеллектуальных систем автоматического управления // Информационные технологии. – 2013. №S2. С. 1-32.

16. Цыпкин Я.З. Адаптивные методы выбора решений в условиях неопределенности // Автоматика и телемеханика. – 1976. №4. С. 78-91.