Перспективные методы синтеза и оптимизации нейросетевых систем управления для нелинейных объектов с ограничителями в условиях неполной информации.

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-29-00609

НазваниеПерспективные методы синтеза и оптимизации нейросетевых систем управления для нелинейных объектов с ограничителями в условиях неполной информации.

Руководитель Феофилов Сергей Владимирович, Доктор технических наук

Организация финансирования, регион федеральное государственное бюджетное образовательное учреждение высшего образования "Тульский государственный университет" , Тульская обл

Конкурс №78 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»

Область знания, основной код классификатора 09 - Инженерные науки; 09-604 - Проблемы теории управления техническими системами

Ключевые слова нейросетевой регулятор, оптимизация управления, обучение нейросети, методы построения обучающей выборки, выбор функций активации, нелинейный объект управления, градиентный поиск

Код ГРНТИ50.43.15, 50.43.17

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
В проекте разрабатывается новая методика синтеза цифровых систем управления для нелинейных объектов c ограничителями в условиях неполной информации. Предлагается решение задачи поиска близкого к оптимальному управления в двух вариантах: для замкнутых следящих систем с отрицательной обратной связью и программного управления для разомкнутых систем. Эти два случая, как правило, встречаются на практике, при этом методы оптимизации отличаются кардинально. В обоих вариантах для построения регулятора предлагается использовать искусственные нейронные сети, но в разном качестве. В замкнутых системах предварительно обученное нейросетевое управляющее устройство планируется включать в контур последовательно объекту управления. Такой подход эффективен, когда известные классические методы не позволяют напрямую синтезировать управление. Это происходит в случае, если математическая модель является существенно нелинейной, имеет высокий порядок или не полностью определена. Разрабатываемые методы позволят существенно расширить класс технических систем, для которых возможен прямой (без использования различного рода упрощений) синтез близких к оптимальным законов управления. Кроме того, такие регуляторы обладают свойствами робастности, адаптивности, являются исходно цифровыми, то есть теми качествами, которые очень востребованы на практике. При синтезе таких регуляторов также имеются проблемы, например, выбор структуры нейросети, построение обучающей выборки, обеспечение сходимости процесса обучения и гарантирование устойчивости синтезированной системы и т.д. Методы решения данных задач и планируется разработать в результате выполнения проекта. В разомкнутых системах поиск оптимального программного управления также наталкивается на серьезные теоретические трудности в случае нелинейных объектов. Классические методы, например, принцип максимума Понтрягина имеют жесткое ограничение на порядок математической модели. Эта нерешенная проблема известна как "проклятие размерности". Присутствие нелинейностей и параметрический разброс параметров приводят к дополнительным затруднениям. Большинство современных методов решения этой проблемы основаны на ее дискретизации и сведении к задаче конечномерной оптимизации, решением которой является искомый вектор дискретного программного управления. Однако, здесь возникает другая проблема, связанная с большой размерностью пространства оптимизируемых параметров, а значит огромным количеством вычислений в итерационном процессе решения. Этот вычислительный объем недоступен даже современным компьютерам, причем основной трудностью является вычисление градиентов целевой функции с учетом динамики объекта управления. Именно для этой цели в данном разделе проекта и планируется использование нейросетей. Если искусственная нейронная сеть работает в режиме эмулятора, то есть обучена повторять динамику объекта управления, то с ее помощью достаточно легко вычисляются искомые градиенты. При этом методы обучения, выбор структуры сети, формирование обучающей выборки и т.д. аналогичны случаю замкнутых систем. Таким образом, на основе единого подхода предлагается новое решение задачи синтеза и оптимизации замкнутых и разомкнутых систем автоматического управления с использованием современных нейросетевых технологий и методов искусственного интеллекта. Следует отметить, что сегодня нейросетевые технологии достаточно широко распространены в различных сферах деятельности. Впечатляют успехи, продемонстрированные в области обработки звука, изображения, автоматического перевода, в системах навигации, при обработке больших данных. Однако, их применение в системах автоматического управления не столь широко. Авторы проекта планируют использовать потенциал искусственных нейронных сетей в данном направлении. При этом следует понимать, что применение нейросетей эффективно лишь при определенных условиях и свойствах объекта управления. На уточнение этих условий и границ класса объектов, в том числе, направлен проект.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Феофилов С.В., Козырь А.В., Хапкин Д.Л. Структурно-параметрический синтез нейросетевых регуляторов для объектов управления с ограничителями Журнал "Мехатроника, автоматизация, управление", Журнал "Мехатроника, автоматизация, управление",Том 24, № 11, 2023г., С:563-572. (год публикации - 2023)
10.17587/mau.24.563-572

2. Феофилов Д.С. Evaluation of Convergence of Neural Network Regulators Training Methods Proceedings - Information, Control, and Communication Technologies. International Conference. 2023 (ICCT 2023), Proceedings - 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy, c. 283-287 (год публикации - 2023)
10.1109/ICCT58878.2023.10347103

3. Хапкин Д.Л., Феофилов С.В., Козырь А.В. Methodology of Synthesis of Tracking Neural Network Control Systems for Objects with Limiters Proceedings - 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, Proceedings of 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2023, с. 258–262 (год публикации - 2023)
10.1109/SUMMA60232.2023.10349576

4. Хапкин Д.Л., Феофилов С.В., Козырь А.В. Method for the Synthesis of Stable Autonomous Neural Network Control Systems for Objects with Limiters Proceedings - Information, Control, and Communication Technologies. International Conference. 2023 (ICCT 2023), Proceeding of 7th International Conference on Information, Control, and Communication Technologies (год публикации - 2023)
10.1109/ICCT58878.2023.10347036

5. Козырь А.В., Феофилов С.В., Хапкин Д.Л. Synthesis of Neural Network Compensation of an Autonomous Electro-Hydraulic Actuator Based on a Sliding Mode Control Proceedings - Information, Control, and Communication Technologies. International Conference. 2023 (ICCT 2023), Proceedings of the 2023 7th International Conference on Information, Control, and Communication Technologies, ICCT (год публикации - 2023)
10.1109/ICCT58878.2023.10347110

6. Козырь А.В., Феофилов С.В. Synthesis of Neural Network Stabilizing Control for Objects with Mechanical Limiter Proceedings - 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, Proceedings of 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2023, с.100–104 (год публикации - 2023)
10.1109/SUMMA60232.2023.10349496

7. Феофилов Д.С., Хапкин Д.Л. Features of Synthesis of Neural Network Simulators with Limiters Proceedings - 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, Proceedings - 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2023, с. 283–287 (год публикации - 2023)
10.1109/SUMMA60232.2023.10349566

8. Хапкин Д.Л., Феофилов С.В. Transient Performance Control in Neural Network Tracking Systems 8th International Conference on Information, Control, and Communication Technologies (ICCT), Vladikavkas, Russian Federation (год публикации - 2024)

9. Феофилов Д.С., Козырь А.В., Феофилов С.В. Using a Neurosimulator in the Problem of Maximizing the Output Value of a Dynamic Object 8th International Conference on Information, Control, and Communication Technologies (ICCT), Vladikavkas, Russian Federation (год публикации - 2024)

10. Козырь А.В., Феофилов С.В., Хапкин Д.Л. Synthesis of Neural Network Program Control Based on Pontryagin's Maximum Principle 8th International Conference on Information, Control, and Communication Technologies (ICCT), Vladikavkas, Russian Federation (год публикации - 2024)

11. Феофилов Д.С., Феофилов С.В. Gradient Calculation Using Artificial Neural Networks in the Problem of Determining Nonlinear Control for Nonlinear Objects 8th International Conference on Information, Control, and Communication Technologies (ICCT), Vladikavkas, Russian Federation (год публикации - 2024)

12. Хапкин Д.Л., Феофилов С.В. Синтез устойчивых нейросетевых регуляторов для объектов с ограничителями в условиях неполной информации Мехатроника, автоматизация, управление, Москва, Россия, Том 25, номер 7, с 345-353 (год публикации - 2024)
10.17587/mau.25.345-353

13. Феофилов Д.С., Хапкин Д.Л. Application of Non-simulators in the Problem of Finding Quasi-Optimal Control of a Nonlinear Object 6th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), Lipetsk, Russian Federation (год публикации - 2024)

Аннотация результатов, полученных в 2024 году
Современная теория автоматического управления сталкивается с проблемой сложности синтеза регуляторов для нелинейных объектов управления (ОУ) в условиях неполной информации. Существующие методы и подходы, уже не могут удовлетворить запросы разработчиков автоматических систем управления сложными динамическими объектами. Во многих случаях объекты управления являются существенно нелинейными, нестационарными и требуют использования цифрового управления с заданными показателями качества. При этом получение точной математической модели не всегда возможно. Предлагается подход к решению этой проблемы с использованием регуляторов, основанных на искусственных нейронных сетях. Они могут быть эффективно применены в случае, когда отсутствует адекватная верифицированная и достаточно точная математическая модель объекта управления, но могут быть получены экспериментальные данные. Достоинством таких регуляторов является их способность к обучению и адаптации под объект на основе полученных данных. Кроме того, для замкнутых нейросетевых систем управления отсутствуют теоретические гарантии устойчивости, что существенно снижает возможности их применения в критически важных или опасных объектах. Для решения этой проблемы в работе предлагается метод синтеза нейрорегулятора, гарантирующего устойчивость замкнутого контура. В качестве объектов управления рассматриваются системы с наиболее часто встречающимися на практике нелинейностями (ограничители типа насыщение, ограничители типа жесткий механический упор, и т. д.). Предлагаются теоретические подходы к решению обозначенных проблем, а также проводится сравнительный анализ с экспериментальными исследованиями, для оценки эффективности предложенных методов. Кроме того, решается задача синтеза оптимального управления сложными нелинейными динамическими объектами с использованием искусственных нейронных сетей. В большинстве реальных приложений объектом управления является нелинейная динамическая система высокого порядка, параметры которой могут быть неопределенными или изменяться с течением времени. Аналитические и итерационные методы синтеза оптимального управления известны, однако они неприменимы в случае высокой размерности объекта и имеют плохую сходимость. В проекте предложен новый подход к решению задачи синтеза программного управления, основанный на использовании нейросетевого регулятора . Функция потерь формулируется на основе адаптированного набора необходимых условий оптимальности, полученных из принципа максимума Понтрягина и аппроксимации функции Гамильтона с использованием нейронных сетей. По сравнению с прямыми итерационными методами, метод, представленный в проекте, может эффективно получать управление из области пространства состояний. Демонстрация предлагаемого метода проведена на модельном примере построения оптимального управления выходом в неустойчивое положение обратного маятника, и приведены результаты численного моделирования. При поиске оптимального управления с помощью численных алгоритмов непременно возникает задача многократного вычисления градиента функционала. Эта задача становится сложной при работе с нелинейными системами. В проекте предлагается использовать искусственные нейронные сети, обученные точно повторять динамику объекта управления, для нахождения градиента оптимизируемого функционала. Такой подход упрощает процесс, позволяет построить формальный алгоритм. Эффективность данного подхода подтверждена на примере нелинейного объекта управления с динамическим ограничителем.

Публикации

Возможность практического использования результатов
Теоретические результаты, полученные в ходе выполнения проекта могут быть использованы при проектировании технических систем различного назначения. Предлагаемые методики синтеза интеллектуальных систем управления с использованием методов машинного обучения востребованы на ведущих предприятиях страны.