К вопросу моделирования динамики пневмомеханического устройства

Рассмотрены этапы разработки искусственной нейронной сети (нейроэмулятора), предсказывающей изменение параметров состояния пневматической пружины, работающей в условиях изменяющейся внешней нагрузки. Приведенная математическая модель прогнозирования рабочих процессов служит для разработки нейросетевых алгоритмов управления пневматическими приводами. Для исследования эффективности данного подхода разработана программа обучения искусственной нейронной сети на основании обучающих выборок, полученных в вычислительных экспериментах с использованием математической модели рабочих процессов, построенной на базе дифференциальных уравнений первого порядка. Описаны структура примеров обучения и принципы формирования обучающих выборок. Обучение сети выполнено с помощью алгоритма Левенберга --- Марквардта. Обученный нейроэмулятор проверен по результатам серий экспериментов со случайными начальными параметрами из заданной ограниченной области. Эффективность предсказания оценена по интегральному критерию --- среднему коэффициенту детерминации, рассчитанному отдельно для каждой дальности прогноза и каждого выходного параметра модели --- положения поршня, его скорости и перепада давлений между полостями пневматической пружины. По результатам сравнительных тестовых экспериментов выявлено совпадение данных, полученных с помощью двух математических моделей

Литература

[1] Зеленов М.С., Чернышев А.В., Крылов В.И. О принципах разработки нейросетевых регуляторов для позиционных пневматических приводов // Компрессорная техника и пневматика. 2017. № 4. С. 28–33.

[2] Елисеев В.Л. Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами. Дисс. … канд. техн. наук. М.: МЭИ, 2012. 208 с.

[3] Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения. М.: ИПРЖР, 2000. 272 с.

[4] Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сиб. журн. вычисл. матем. 1998. Т. 1. № 1. С. 11–24.

[5] Mohajerin N. Identification and predictive control using recurrent neural networks: International Masters Thesis. Sweden, Orebro, 2012. 103 p.

[6] Mandziuk J., Mikolajczak R. Chaotic time series prediction with feed-forward and recurrent neural nets // Control and Сybernetics. 2002. Vol. 31. No. 2. P. 383–406.

[7] Друки А.А. Алгоритмы нейросетевого детектирования и распознавания символов на сложном фоне. Дисс. … канд. техн. наук. Томск: ТПУ, 2015. 216 с.

[8] Hao Yu. Marquardt training // Industrial electronics handbook. Intelligent systems. Vol. 5. CRC Press, 2011. P. 12-1–12-15.

[9] Зеленов М.С., Чернышев А.В. Разработка математической модели позиционного электропневматического привода // Сб. докл. Восьмой Всеросс. конф. молодых ученых и специалистов. 2015. С. 609–610.

[10] Бураков М.В. Нейронные сети и нейроконтроллеры. СПб.: ГУАП, 2013. 284 с.