Основы мехатроники и робототехники
жүктеу/скачать 3,35 Mb. Pdf көрінісі
|
Sholanov 1
| k
i i i w u y 1 Выходной сигнал формируется на выходе нелинейного (в общем случае) блока. Для реализации нелинейного блока используются пороговые и экспоненциальные F функции. В нейросетевых моделях реализуемых на компьютерах, нейроны обьединяются в сети создавая конструкции со многими слоями, с последовательными, параллельными, обратными и другими соединениями нейронов между собой. Искусственные нейросети отличаются своей архитектурой: структурой связей между нейронами (рис. 3), числом слоев, функцией активации нейронов, алгоритмом обучения. С этой точки зрения среди известных ИНС можно выделить статические, динамические сети и fuzzy-структуры; одно- или многослойные сети. Различия вычислительных процессов в сетях частично обусловлены способом взаимосвязи нейронов, поэтому выделяют следующие виды сетей: • сети прямого распространения (feedforward) — сигнал по сети проходит только в одном направлении: от входа к выходу; • сети с обратными связями (feedforward/feedback); • сети с боковыми обратными связями (laterally connected); • гибридные сети. На рис. 3.14 показана однослойная сеть Е. Ойя с тремя базовыми нейронами и двадцатью четырьмя синапсами . 41 Рис.3.13 Однослойная нейросеть Е.Ойя разработал правило, по которому значения входов p восстанавливаются по всей выходной a информации. Вообще нейронные сети обучаются разработчиками на конкретных примерах. При обучении вводится информация о входных и соответствующих (желаемых) выходных сигналах. Специальная программа обучения подбирает весовые коэффициенты w, чтобы соответствие входных и выходных сигналов выполнялось. Настроенная таким образом сеть может в дальнейшем использоваться и для других комбинации входных сигналов. Особенность метода нейронных сетей состоит в том, что разработчик не программирует четкий алгоритм решения задачи, только лишь задает входные и выходные данные для обучения. Проблемы применения конкретных нейросетей связано с выбором типа нейрона, количества слое и других параметров определяющих его структуру. Способность нейронных сетей выбирать наиболее важные признаки, обучаться по простым локальным правилам позволяют намного уменьшить количество обрабатываемой информации. 3.3.3. Технология нечетких систем Многие системы нельзя представить набором ясных логических правил «если-то-иначе». Американский ученый Lotfi A. Zadeh для решения подобных задач разработал аппарат нечеткой логики. Нечеткая логика представляет ме- тодологию дискретного управления, имитирующяя человеческое мышление с учетом характерных для физических систем таких свойств как неточность. Обычная бинарная логика оперирует только такими противоположными со- стояниями, как, например, «горячо - холодно», «закрыто - открыто», «быстро- медленно». Так, если под температурой 40° С понимать «горячо», а под тем- пературой 15°С - «холодно». Куда отнести температуру 28 0 С? Бинарная логика на этот вопрос не может дать однозначного ответа. Наоборот нечеткая логика имеет дополнительные приемы, такие как степень принадлежности, которая позволяет перейти к мягким градациям «тепло-прохладно». Так 28°С может с 42 определенной степенью принадлежности относиться как к «тепло» так и к «прохладно». В нечеткой логике используются такие понятия как степень членства, которая определяется доверием или уверенностью. Нечеткие системы вырабатывают свои решения в форме лингвистических переменных. Эти переменные обрабатываются правилами логики, в результате формируется один или несколько выводов. Нечеткая логика оперирует нечеткими множест- вами с помощью нечетких отношений. Особенность управления методом не четкой логики заключается в том, что большое число переменных заменяется отношениями вход/выход. При этом соответственно уменьшается число правил и значительно ускоряется решение задачи. В качестве примера рассмотрим автоматический регулятор скорости поезда построенный на принципах нечеткой логики [14]. Критерием для регулятора является оптимизация времени в пути при заданных ограничениях. В качестве входных данных приняты текущие характеристики скорости, ускорения, расстояния до места назначения. Регулятор должен управлять мощностью. Функция принадлежности присваивает переменным лингвистические значения. Например, скорости присвоенны понятия «слишком медленно», «медленно», «оптимально», «быстро», «слишком быстро». Ускорению присвоены такие лингвистические понятия как «торможение», «постоянная скорость», «ускорение». Функцией принадлежности расстоянию от места назначения при- своены такие лингвистические понятия, как «очень близко», «близко», «далеко». И, наконец, по отношению к выходной переменной - мощности применены несколько понятий: «существенно снизить», «слегка снизить», «сохранять постоянной», «слегка увеличить», «существенно увеличить». В каждый момент входные переменные с определенным (доверием) весом от 0 до 1 характеризуются множеством входных параметров. В зависимости от этого получаются выходные параметры с определенной степенью доверия. Так, например, текущее состояние скорости определяется «быстро» с весом 0.8 и «слишком быстро» с весом 0.3. Текущее состояние ускорения определяется понятием «ускорение» с весом 1. Расстояние до пункта назначения соответствует «близко» с весом 0.8 и «очень близко» с весом 0.2. Для управления в логике регулятора используется свод правил, некоторые из них имеют следующий вид: - если скорость имеет значение «быстро», а ускорение значение «ускорение», то следует слегка «снизить мощность»; - если расстояние до места назначения характеризуется понятием «очень близко», то следует существенно снизить мощность; - если расстояние имеет значение «близко», то следует слегка снизить мощность и т.д. В рассматриваемом случае, очевидно, что надо снизить мощность. Так, как расстояние «близко» с большим доверием, чем «очень близко», то видимо и «слегка снизить» будет с большим доверием чем «существенно снизить». Применение нечеткой логики обеспечивает принципиально новый подход к проектированию систем управления, "прорыв" в новые информационные 43 технологии, гарантирует возможность решения широкого круга проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными и в силу этого не поддаются точному математическому описанию.Возможны различные ситуации, в которых могут использоваться нечеткие модели динамических систем: - когда имеется некоторое лингвистическое описание, которое отражает качественное понимание (представление) процесса и позволяет непосредственно построить множество нечетких логических правил; - имеются известные уравнения, которые (хотя бы грубо) описывают поведение управляемого процесса, но параметры этих уравнений не могут быть точно идентифицированы; - известные уравнения, описывающие процесс, являются слишком сложными, но они могут быть интерпретированы нечетким образом для построения лингвистической модели; - с помощью входных/выходных данных оцениваются нечеткие логические правила поведения системы. Нечеткий контролер, принцип действия которого при управлении основан на аппарате нечеткой логики, выполняет следующие основные операции: - преобразование данных о состоянии системы в лингвистические термины нечеткой логики (фазификация), а также хранение и обработка нечеткой информации; - выполнение нечетких выводов по лигвистическим правилам управления , заложенным в базу данных; - перевод нечетких переменных (дефазификация) в четкие представле- ния для управления МС. На рис. показана структурная схема нечеткого регулятора на исполнительном уровне управления. Обозначения переменных на рис. даны ранее. Рис.3.14.Схема применения нечеткого контролера 44 Наиболее распространенным для управления ММ на исполнительном уровне являются, как указывалось, ПИД - регуляторы . Эти регуляторы вырабатывает выходной сигнал, являющийся суммой трех составляющих, а именно: пропор- ционального регулирования, регулирования по интегралу и регулирования по производной. Известно, что алгоритм непрерывного ПИД-регулирования в наиболее общем виде описывается выражением , ) ( ) ( ) ( ) ( жүктеу/скачать 3,35 Mb. Достарыңызбен бөлісу:
|