НЕЙРОННЫЙ РЕГУЛЯТОР ТЕХНИЧЕСКИХ СИСТЕМ

НЕЙРОННЫЙ РЕГУЛЯТОР ТЕХНИЧЕСКИХ СИСТЕМ

Галиуллин Ленар Айратович

канд. техн. наук, доц., независимый исследователь

РФ, г. Набережные Челны

NEURAL REGULATOR OF TECHNICAL SYSTEMS

Lenar Galiullin

Candidate of technical sciences, independent researcher,

Russia, Naberezhnye Chelny

АННОТАЦИЯ

В статье описан принцип работы нейронных регуляторов, выделены основные преимущества их применения в технических системах.

ABSTRACT

The article describes the principle of operation of neural regulators, highlights the main advantages of their use in technical systems.

Ключевые слова: нейронные сети, нейронный регулятор.

Keywords: neural networks, neural regulator.

В последние десятилетия нейронные сети стали ключевым инструментом в различных областях, включая обработку изображений, естественный язык, образование [1] и многие другие.

Основной принцип работы нейронных сетей основывается на имитации биологических нейронных сетей, которые функционируют в человеческом мозге. Нейроны — это основные строительные блоки нейронных сетей, и они образуют слои в структуре сети. Каждый нейрон принимает входные сигналы, выполняет некоторые математические операции и передает выходной сигнал следующему слою нейронов.

Нейроны организованы в слои: входной слой, скрытые слои (при необходимости) и выходной слой. Входной слой принимает входные данные и передает их в скрытые слои, где происходит обработка информации. Каждый нейрон в скрытых слоях применяет взвешенные суммы входных сигналов с помощью весовых коэффициентов, а затем применяет функцию активации для преобразования этой суммы в выходной сигнал. Этот процесс повторяется на протяжении всех скрытых слоев сети.

Основная цель обучения нейронной сети - определить оптимальные значения весовых коэффициентов, которые обеспечивают правильное преобразование входных данных в выходные значения. Обучение нейронной сети происходит путем предъявления ей обучающей выборки, состоящей из пар входных и соответствующих выходных данных. Сравнивая предсказанные выходные значения с желаемыми, сеть корректирует свои весовые коэффициенты с помощью выбранного алгоритма обучения.

Одним из распространенных алгоритмов обучения является обратное распространение ошибки. Этот алгоритм вычисляет ошибку между предсказанным и желаемым выходами и затем обновляет весовые коэффициенты в направлении, которое минимизирует эту ошибку. Процесс обновления весовых коэффициентов повторяется на протяжении множества обучающих итераций, чтобы сеть достигла оптимальных значений весовых коэффициентов и обеспечила высокую точность регулирования.

Одной из ключевых особенностей нейронных сетей является их способность выявлять сложные нелинейные зависимости в данных, что делает их мощным инструментом для моделирования и регулирования сложных технических систем. Глубокие нейронные сети, состоящие из множества слоев, способны обрабатывать большие объемы данных и выделять высокоуровневые признаки, что приводит к более точным и обобщающим результатам.

Одним из важных и перспективных направлений применения нейронных сетей является их использование в автоматическом регулировании технических систем. Нейронный регулятор представляет собой форму нейронной сети, которая обучается самостоятельно, чтобы управлять технической системой и обеспечивать требуемые выходные значения.

Основной идеей нейронного регулятора является преобразование входного вектора входных сигналов x в выходной вектор y с помощью коэффициента преобразования σ [2]. При этом σ представляет собой вектор коэффициентов функции преобразования нейронов сети.

y = σx                                                                                                               (1)

где: y – выходной сигнал нейронной сети;

σ – коэффициент преобразования нейронной сети;

x – входной сигнал нейронной сети.

Таким образом, нейронный регулятор выступает в роли адаптивного управляющего блока, который автоматически регулирует техническую систему на основе полученных входных данных.

Топология и структура нейронной сети определяют, как нейронный регулятор будет выполнять задачу. Вариант представления топологии нейронной сети показан на рисунке 1.

Рисунок 1. Топология нейронной сети

 Выбор типа нейронной сети зависит от конкретной задачи регулирования, а также может быть автоматически сгенерирован специальным алгоритмом, способным изменять структуру сети в процессе работы системы регулирования. Такой подход обеспечивает более гибкое и адаптивное поведение нейронного регулятора, позволяя ему эффективно справляться с разнообразными сценариями и условиями работы технических систем.

Одной из ключевых особенностей нейронного регулятора является его способность к автономному обучению. Для обучения нейронного регулятора используются различные алгоритмы, такие как обратное распространение ошибки или генетические алгоритмы. Обучающая выборка состоит из пар входных и выходных векторов x и y, которые представляют требуемое поведение системы в различных условиях и вариантах работы.

Процесс обучения заключается в оптимизации коэффициентов σ нейронного регулятора с помощью минимизации ошибки между выходными значениями, полученными от регулятора, и требуемыми выходными значениями. Этот процесс может потребовать нескольких итераций обучения с различными обучающими выборками для достижения высокой точности регулирования.

Использование нейронного регулятора в автономных системах управления предоставляет несколько значительных преимуществ:

Автономное обучение: нейронные регуляторы способны обучаться без необходимости экспертных знаний или человеческого вмешательства. Это позволяет создавать полностью автономные системы управления, которые могут адаптироваться к изменяющимся условиям и обеспечивать стабильную работу даже при наличии неопределенностей.

Высокая адаптивность: нейронные регуляторы обладают высокой адаптивностью к различным условиям и задачам. Сеть может быстро перестраиваться и приспосабливаться к новым условиям работы, что делает ее эффективным инструментом в ситуациях, где требуется быстрая реакция на изменения.

Общий подход: нейронные регуляторы могут применяться в различных технических системах с разным количеством задающих управляющих входных параметров и выходных параметров. Это делает их универсальным средством регулирования для различных областей применения.

Превосходство точности: нейронные регуляторы, как правило, обладают высокой точностью регулирования, превосходя точность выработки управляющего воздействия на базе классических алгоритмов управления. Это особенно важно для критически важных систем, где допустимость ошибки регулирования строго ограничена.

Успешные результаты применения нейронного регулятора были продемонстрированы в экспериментах с двигателями внутреннего сгорания в ПАО "КамАЗ" [3]. Используя библиотеку нейронных функций от компании Google^[1], удалось достичь точности управления менее 1%. Это свидетельствует об эффективности применения нейронных сетей в реальных технических системах и открывает перспективы для дальнейших исследований и разработок в этой области.

Нейронные регуляторы представляют собой мощный инструмент для автономного регулирования технических систем. Их способность к автономному обучению, высокая адаптивность, общий подход и превосходство точности делают их предпочтительным выбором для многих применений. Применение нейронных регуляторов открывает новые перспективы для создания более эффективных, автономных и гибких систем управления, способных справляться с разнообразными задачами в различных областях применения.

Список литературы:

1. Шамсутдинова Т.М. Проблемы и перспективы применения нейронных сетей в сфере образования. Открытое образование. 2022;26(6):4-10.
2. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. — Воронеж: ВГУ, 1994. — 224 с.
3. Нечеткая нейро-сетевая модель управления дизелем при испытаниях /Галиуллин Л.А., Зубков Е.В. //Тракторы и сельхозмашины. - 2011 - №12. – С. 21-23.