Детальная информация

Актуальность темы обусловлена необходимостью повышения точности управления электромеханическими объектами при переменных и ударных нагрузках. Интеграция методов машинного обучения для прогнозирования нагрузки позволяет сформировать упреждающий сигнал управления, благодаря чему уменьшаются динамические ошибки классических систем управления. Цель исследования – разработка и исследование гибридной системы управления электромеханическим объектом, в котором классический ПИДрегулятор дополнен модулем прогнозирования нагрузки на основе методов машинного обучения. Для достижения поставленной цели были решены следующие задачи: – разработана и смоделирована классическая система управления; – разработан интеллектуальный модуль прогнозирования; – синтезирована гибридная система и проведен анализ ее эффективности; – дана количественная оценка эффективности предложенного решения. Для имитационного моделирования использовалась среда Simulink, а разработка и обучение моделей проводилась на языке программирования Python. Работа имеет практическую ценность для автоматизации технологических процессов, включая робототехнику, промышленные манипуляторы и другие устройства, работающие в условиях нестационарных возмущений.

The relevance of this topic stems from the need to improve the control accuracy of electromechanical plants under variable and shock loads. Integrating machine learning methods for load forecasting allows generating a feedforward control signal, thereby reducing the dynamic errors of conventional control systems. The purpose of this study is to develop and evaluate a hybrid control system for an electromechanical plant in which a conventional PID controller is supplemented with a load forecasting module based on machine learning methods. To achieve this goal, the following tasks were completed: – a classical control system was developed and modeled; – an intelligent forecasting module was developed; – a hybrid system was synthesized and its effectiveness analyzed; – a quantitative assessment of the proposed solutions effectiveness was performed. The MATLAB/Simulink environment was used for simulation, and the model development and training were performed using Python programming language. This work has practical value for the automation of technological processes, including robotics, industrial manipulators, and other devices operating under nonstationary disturbances.

• ВВЕДЕНИЕ
• 1 Аналитический обзор методов управления электромеханическими объектами
  • 1.1 Классические системы управления на основе ПИД-регуляторов
  • 1.2 Применение методов машинного обучения в задачах управления технологическими процессами
  • 1.3 Гибридные системы управления: интеграция классических и интеллектуальных методов
  • 1.4 Анализ ограничений классических регуляторов при переменной нагрузке
  • 1.5 Постановка задачи исследования
• 2 Обоснование выбора объекта и постановка задачи синтеза системы
  • 2.1 Описание электромеханического объекта и режимов его работы
  • 2.2 Требование к качеству управления (техническое задание)
  • 2.3 Структурные схемы классической и гибридной систем управления
• 3 Разработка и моделирование классической системы управления
  • 3.1 Выбор двигателя
  • 3.2 Математическая модель системы
  • 3.3 Расчет ПИД-регулятора
  • 3.4 Ограничения ПИД-регулятора при отработке возмущений
• 4 Разработка интеллектуального модуля прогнозирования на основе машинного обучения
  • 4.1 Постановка задачи прогнозирования
  • 4.2 Генерация данных
  • 4.3 Параметрическая модель
  • 4.4 Нейронная сеть
  • 4.5 Случайных лес
  • 4.6 Оценка моделей и выбор лучшей
• 5 Гибридная система управления
  • 5.1 Интегрирование прогнозирующей ML-модели
  • 5.2 Формирование таблицы коэффициентов и сдвигов
  • 5.3 Комплексное имитационное моделирование
  • 5.4 Итоги комплексного моделирования
  • 5.5 Влияние задержек и ошибок прогноза на качество управления
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ