Нейросеть и управление механизмами

Ученые Пермского Политеха научили нейросеть быстро и точно менять режимы работы электродвигателя для управления сложными механизмами.

Для работы лифтов, прессов, металлорежущих станков и других электроприводных систем используют двигатели постоянного тока. Они преобразуют поступающую электроэнергию в механическое вращение. При этом током, скоростью, положением и другими важными параметрами управляют специальные электронные регуляторы, которые поддерживают все переменные на нужном уровне, не допуская отклонений.

Но не всегда электронные регуляторы обеспечивают необходимую точность и скорость работы двигателей, что приводит к рывкам, толчкам, замедленному реагированию на изменение условий работы механизма. Поэтому широкое применение в подобных системах начинают находить нейросети.

Ученые Пермского Политеха разработали эффективный подход к обучению нейросетей, который позволяет тонко настраивать регуляторы электродвигателей и избегать возникновения ошибок.

Обучать нейросеть можно по-разному: с «учителем» и без.
В первом случае ее учат просто «подражать» уже настроенному регулятору, но недостаток данного метода в том, что так нейросеть не сможет работать лучше своего прототипа.
Во втором нейросеть самостоятельно анализирует загружаемые в нее входные данные и ищет в них закономерности. Здесь возникает другая сложность: непросто подобрать нужную выборку данных для обучения.

Ученые Пермского Политеха разработали оригинальный подход, когда нейросеть тренируется не на самом промышленном объекте, а на его «цифровом двойнике». Для этого специалисты предприятия совестно с учеными разрабатывают специальные имитационные модели, которые описывают процессы движения и взаимодействия разных частей механизма, в том числе двигателя и его элементов, с помощью математических уравнений. Это позволяет выполнить настройку регулятора, не нарушая условий работы реального производственного процесса.

Обучение всегда происходит по методу «проб» и «ошибок»: на начальных этапах ИИ не знает, какое воздействие будет правильным, поэтому просто перебирает случайные параметры и пробует применить их к системе. Если они окажутся ошибочными, скорректирует их и попробует снова. Но в условиях реального производства нельзя позволить ей подобным образом экспериментировать и нарушать ход рабочего процесса, ведь это может привести к аварийным ситуациям. Поэтому использование модели – это способ более тонко обучить регулятор на большом количестве различных данных.

– В нашем подходе мы применяем «функцию потерь», которая оценивает расхождение между предсказаниями модели и фактическими значениями, которые собраны с существующего объекта. Это возможность более тонко «объяснить» нейросети, чего мы хотим от нее добиться. При этом, в отличие от традиционной работы нейрорегулятора, в нашей схеме эта функция не встроена в ИИ, она действует как «внешний наблюдатель», сравнивает прогноз сети с истиной и сообщает, насколько хорошо сеть справилась, – комментирует Дмитрий Даденков, доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.

Политехники протестировали процесс обучения на примере системы регулирования скорости в двигателе. Они создали жесткие условия: нейросеть должна была регулировать скорость вращения, во-первых, когда она менялась резко и непредсказуемо, во-вторых, при изменяющейся нагрузке, т. е. того необходимого сопротивления, которое двигатель должен преодолевать, чтобы вращаться.

– Подобные условия могут возникнуть на станках, конвейерах или в аварийных ситуациях, когда нужно резко переключить скоростной режим или вовсе остановить работу. Это требует от устройства быстрой реакции и точности движений. Тесты показали, что регулятор, обученный по нашей 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 нейрорегулятора в реальных условиях на измеренное состояние объекта накладывался «шум» – случайные некорректные данные. Регулятор, который обучался на модели без него, успешно справлялся с управлением скоростью и на зашумленном объекте, – рассказывает Игорь Шмидт, доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.

Применение таких регуляторов не ограничивается двигателями постоянного тока, их имеет смысл применять везде, где классические регуляторы справляются плохо: если объект управления является сложной нелинейной, многосвязной системой, или имеются дополнительные критерии качества управления.

Подход ученых Пермского Политеха предоставляет практически неограниченные возможности по тонкой настройке нейрорегулятора. Также при получении информации о факторах, которые могут привести к ошибке, нейросеть заранее предотвращает ее появление. Это позволяет эффективно управлять процессами в электроприводных системах лифтов, конвейеров, металлорежущих станков, прокатных станов и подъемно-транспортных машин.

Статья опубликована в журнале «Электротехника», №11, 2024. Исследование выполнено в рамках программы стратегического академического лидерства «Приоритет 2030».

Источник информации — пресс-служба ПНИПУ.