Об использовании нейросетевого настройщика для адаптации П регулятора скорости электропривода прокатной клети

Рассмотрена проблема построения адаптивной системы управления электроприводом прокатной клети. В качестве механизма адаптации для оперативного изменения настройки регулятора скорости применен нейросетевой настройщик, состоящий из искусственной нейронной сети и базы правил. Проведено сравнительное моделирование системы с классическим пропорциональным регулятором и системы с настройщиком. Показана эффективность предлагаемого метода.

электропривод высокой мощности, подчиненное регулирование, прокатная клеть, П-регулятор, адаптация регулятора, нейронная сеть, база правил, нейросетевой настройщик, controller parameters' tuning, speed P-controller, rolling mill, DC drive, adaptive control, multiloop control, neural network, rule base, neural tuner, speed loop

1. Kun E., Veisz T. S. Energy efficiency enhancement in the Hot Rolling Mill // Materials Science and Engineering. 2014. N. 3.2. P. 43-50.

2. Stashinov Y. P. On the issue of control system adjustment of a direct current drive on the modular optimum. Part 1 // Russian Electrical Engineering. 2016. N. 87. 1. P. 1-5.

3. Ротач В. Я. Теория автоматического управления: учебник для вузов. М.: Издательский дом МЭИ, 2008. 396 с.

4. Новоселов Б. В. и др. Автоматы-настройщики следящих систем. М.: Энергия, 1975. 264 с.

5. Александров А. Г. Оптимальные и адаптивные системы. М.: Высшая школа, 1989. 263 с.

6. Graham A. E., Young A. J., Xie S. Q. Rapid tuning of controllers by IFT for profile cutting machines // Mechatronics. 2007. Vol. 17. N. 2. P. 121-128.

7. Abedini S., Zarabadipour H. Tuning of an optimal PID controller with iterative feedback tuning method for DC motor // 2nd International Conference on Control, Instrumentation and Automation. IEEE, 2011. P. 611-615.

8. Краснодубец Л. А., Олейников А. М. ПИД регулятор как платформа для реализации адаптивных законов управления электроприводом // Мехатроника, автоматизация, управление. 2016. № 12 (17). С. 809-816.

9. Shahgholian G. et al. Analysis of speed control in DC motor drive by using fuzzy control based on model reference adaptive control // 13th International Conference on ECTI-CON. IEEE, 2016. P. 1-6.

10. Li Z. Model reference adaptive controller design based on fuzzy inference system // Journal of Information & Computational Science. 2011. Vol. 8.9. P. 1683-1693.

11. Nath K. et al. Speed Control of Neural Network Based Energy Efficient DC Drive // Second International Conference on ICACCE. IEEE, 2015. P. 318-323.

12. Zhang S. M., Zhou X., Yang L. Adaptive PID regulator based on neural network for DC motor speed control. 2011 International Conference on ICECE. IEEE, 2011. P. 1950-1953.

13. Fan L., Liu Y. Fuzzy Self-Tuning PID Control of the Main Drive System for Four-High Hot Rolling Mill // Journal ofAdvanced Manufacturing Systems. 2015. Vol. 14. P. 01. P. 11-22.

14. Ланграф С. В. и др. Динамика электропривода с нечетким регулятором // Известия Томского политехнического университета. 2010. Т. 316. № 4. С. 168-173.

15. Черный С. П., Новак Д. А. Нечеткая многокаскадная система управления электроприводом постоянного тока // Электротехнические комплексы и системы управления. 2012. № 4. С. 56-60.

16. Sundareswaran K., Vasu M. Genetic tuning of PI controller for speed control of DC motor drive // Proceedings of IEEE International Conference on Industrial Technology. IEEE, 2000. Vol. 1. P. 521-525.

17. Bindu R., Namboothiripad M. K. Tuning of PID controller for DC servo motor using genetic algorithm // International Journal of Emerging Technology and Advanced Engineering. 2012. Vol. 2. N. 3. P. 310-314.

18. Allaoua B., Gasbaoui B., Mebarki B. Setting up PID DC motor speed control alteration parameters using particle swarm optimization strategy // Leonardo Electronic Journal of Practices and Technologies. 2009. Vol. 14. P. 19-32.

19. Alloua B., Laoufi A., Gasbaoui B., Abderrahmani A. Neuro-Fuzzy DC Motor speed Control Using Particle Swarm Optimization // Leonardo Electronic Journal of Practices and Technologies. 2009. Vol. 15. P. 1-18.

20. Mishra A. K. et al. Speed control of DC motor using artificial bee colony optimization technique // International Conference on CARE. IEEE, 2013. P. 1-6.

21. Das K. R., Das D., Das J. Optimal tuning of PID controller using GWO algorithm for speed control in DC motor // International Conference on ICSCTI. IEEE, 2015. P. 108-112.

22. Madadi A., Motlagh M. M. Optimal control of DC motor using grey wolf optimizer algorithm // TJEAS Journal-2014-4-04/373-379. 2014. Vol. 4. N. 4. P. 373-379.

23. Еременко Ю. И., Глущенко А. И., Петров В. А. О нейросетевой адаптации параметров ПИ-регулятора контура тока системы управления прокатной клетью в реальном времени // Системы управления и информационные технологии. 2016. № 3 (65). С. 62-68.

24. Еременко Ю. И., Глущенко А. И. О разработке метода выбора структуры нейронной сети для решения задачи адаптации параметров линейных регуляторов // Управление большими системами. 2016. Вып. 62. С. 75-123.

25. Еременко Ю. И., Полещенко Д. А., Глущенко А. И. О разработке метода определения значений задержек входных сигналов нейронной сети при реализации нейросетевого оптимизатора параметров ПИ-регулятора // Известия ЮФУ. Технические науки. 2015. № 10. С. 157-168.