Для работы лифтов, прессов, металлорежущих станков и других электроприводных систем используют двигатели постоянного тока. Преобразуют поступающую электроэнергию в механическое вращение. Током, скоростью, положением и другими важными параметрами управляют специальные электронные регуляторы, поддерживающие все переменные на нужном уровне. Но случается так, что регуляторы не всегда обеспечивают необходимую точность и быстроту, что приводит к замедленному реагированию на изменение условий, рывкам, толчкам и нестабильной работе механизма. Поэтому в подобных системах начинают находить применение нейросети. Ученые Пермского Политеха разработали эффективный подход к обучению нейросетей, который позволяет тонко настраивать регулятор и избегать возникновения ошибок.
Статья опубликованаСтатья опубликована в журнале «Электротехника», номер 11, 2024 года. Работа проведена в рамках программы «Приоритет 2030».
Лифты, прессы, металлорежущие станки и другие производственные механизмы приводятся в движение с помощью двигателя постоянного тока, управление которыми осуществляет электронный регулятор. При неправильной настройке он может реагировать на изменение условий функционирования недостаточно быстро и точно, из-за чего появляются задержки в работе, могут возникать рывки и толчки, что вызывает повышенный износ механических частей и подшипников. Всё это чревато недостаточно точной обработкой деталей на металлообрабатывающем станке, неравномерной подачей материалов на конвейере, некомфортным перемещением и даже опасностью для пассажиров в лифте. Для точного управления такими объектами возможно применение регуляторов, построенных на базе нейронной сети.
Обучение нейросети может осуществляться различными методами: с помощью наставника и без него. При первом варианте сеть обучается имитировать уже обученный регулятор, но не способна превзойти его возможности. Во втором случае она самостоятельно исследует загружаемые данные, выявляя в них закономерности. Однако сложность кроется в подборе подходящего набора данных для обучения.
В Пермском Политехе ученые предложили способ обучения нейросетей на «цифровых двойниках» промышленных объектов. Специалисты совместно с исследователями разрабатывают имитационные модели для описания процессов движения и взаимодействия частей механизмов, например двигателя и его элементов, с помощью математических уравнений. Такой подход позволяет настроить регуляторы без влияния на работу реального производственного процесса.
Обучение всегда проходит по методу «проб» и (что важно) «ошибок»: на начальных этапах ИИ не знает, какое воздействие будет верным, поэтому перебирает случайные параметры и пробует их применить к системе. При ошибках корректирует параметры и пытается снова. В условиях реального производства нельзя допускать экспериментирования модели подобным образом и нарушения рабочего процесса, так как это может привести к аварийным ситуациям. Поэтому использование модели – способ более тонко обучить регулятор на большом количестве различных данных.
Мы используем функцию потерь для оценки разницы между предсказаниями модели и фактическими значениями из существующего объекта. Это позволяет более точно объяснить нейросети, чего от нее ожидается. В отличие от традиционной работы нейрорегулятора, эта функция не встроена в ИИ, а действует как внешний наблюдатель, сравнивающий прогноз сети с истиной и сообщая о качестве ее работы. Дмитрий Даденков — доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.
В ходе экспериментов в Политехническом институте изучили возможность обучения нейросети по задаче регулирования скорости двигателя. Для этого установили высокие требования: сеть должна была эффективно управлять оборотами при резких и непредсказуемых изменениях нагрузки, а также при меняющемся сопротивлении, которое двигатель должен преодолевать во время работы.
Такие условия могут возникнуть на станках, конвейерах или в аварийных ситуациях, когда нужно резко изменить режим работы. Требуется быстрая реакция и точность движений. Тесты показали: регулятор, обученный по предложенной схеме, работает корректно – при изменении нагрузки скорость двигателя практически не проседает, а при необходимости задать другую скорость наблюдается незначительное перерегулирование – около 1%. Для проверки работы в реальных условиях на измеренное состояние объекта накладывался «шум» – случайные некорректные данные. Регулятор, обученный на модели без шума, успешно справлялся с управлением скоростью и на зашумленном объекте. Игорь Шмидт — доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.
Применение подобных регуляторов может быть использовано не только в системах с двигателями постоянного тока.
В случаях, когда классические регуляторы работают недостаточно эффективно, речь идет о сложных нелинейных и многосвязных системах или наличии дополнительных критериев качества управления.
Ученые Пермского Политеха разработали подход, позволяющий с высокой точностью настраивать нейрорегулятор. При получении информации о факторах, которые могут вызвать ошибку, нейросеть предотвращает ее появление. Эффективное управление процессами в электроприводных системах лифтов, конвейеров, металлорежущих станков, прокатных станов и подъемно-транспортных машин – результат этого подхода.
Информация предоставлена пресс-службой ПНИПУ
Источник фото: ru.123rf.com