«Автоматизация и информатизация ТЭК»

Проектирование нейросетевого ПИД-регулятора для системы управления электродвигателем постоянного тока

УДК: 681.51
DOI: -

Авторы:

¹ Тюменский индустриальный университет, Тюмень, Россия

Ключевые слова: ПИД-регулятор, моделирование, нейронная сеть, метод обратного распространения ошибки, адаптивное управление, электродвигатель постоянного тока, ПЛИС

Аннотация:

Повсеместно используемые в промышленности программируемые логические контроллеры (ПЛК) не могут выполнять адаптивную настройку пропорционально-интегрально-дифференцирующих (ПИД) регуляторов в реальном масштабе времени с помощью нейронной сети. В представленной статье выполнено проектирование системы управления частотой вращения электродвигателя постоянного тока на основе ПИД-регулятора, настраиваемого с помощью нейронной сети методом обратного распространения ошибки с использованием программируемых логических интегральных схем (ПЛИС). Нейросетевой ПИД-регулятор построен по модульному принципу. Модуль прямого распространения используется для выполнения операции прямого распространения от входного слоя к выходному слою. ПИД-модуль реализует передачу рассчитанного управляющего воздействия на уровень регистров и отвечает за завершение вывода управляющей суммы. Модуль основного конечного автомата генерирует сигнал разрешения, который управляет последовательным выполнением каждого модуля. Модуль обратного распространения ошибки и обновления весов выполняет обновление весов каждого уровня сети. Для моделирования и проверки системы используются ModelSim и Simulink. Результаты показывают, что разрабатываемая система может осуществлять самонастройку параметров ПИД-регулятора, а также обладает высокой надежностью функционирования и производительностью в реальном масштабе времени.

Список литературы:

1. Спасибов В.М., Кабеева Н.В. Цифровизация нефтегазового месторождения и кадровый потенциал // Нефть. Газ. Новации. – 2018. – № 12. – С. 24–28.
2. Разработка учебного программно-технического комплекса для исследования алгоритмов автоматической настройки регуляторов / В.Е. Попадько, Р.Л. Барашкин, П.К. Калашников, Д.К. Данилов // Автоматизация, телемеханизация и связь в нефтяной пром-сти. – 2021. – № 8(577). – С. 63–68. – DOI: 10.33285/0132-2222-2021-8(577)-63-68
3. Ha Quang Thinh Ngo, Huynh Duc Nguven, Quang Vinh Truong. A Design of Pid Controller Using FPGA-Realization for Motion Control Systems // 2020 Int. Conf. on Advanced Computing and Applications (ACOMP), Quy Nhon, Vietnam, Nov. 25–27, 2020. – IEEE, 2020. – P. 150–154. – DOI: 10.1109/ACOMP50827.2020.00030
4. Huaiqin Liu, Qinghe Yu, Qu Wu. PID Control Model Based on Back Propagation Neural Network Optimized by Adversarial Learning-Based Grey Wolf Optimization // Applied Sciences. – 2023. – Vol. 13, Issue 08. – P. 4767. – DOI: 10.3390/app13084767
5. Bouzaiene R., Hafsi S., Bouani F. Adaptive neural network PID controller for nonlinear systems // 2021 IEEE 2nd Int. Conf. on Signal, Control and Communication (SCC), Tunis, Tunisia, Dec. 20–22, 2021. – P. 264–269. – DOI: 10.1109/SCC53769.2021.9768352
6. A backpropagation neural network controller trained using PID for digitally-controlled DC-DC switching converters / Jianfu Liu, Tingcun Wei, Nan Chen [et al.] // 2021 IEEE 16th Conf. on Industrial Electronics and Applications (ICIEA), Chengdu, China, Aug. 01–04, 2021. – P. 946–951. – DOI: 10.1109/ICIEA51954.2021.9516423
7. Haoyu Xi, Qingsong Wang. Design of Back Propagation Neural Network PID Control for Boost Converter // 2021 IEEE Sustainable Power and Energy Conf. (iSPEC), Nanjing, China, Dec. 23–25, 2021. – P. 3889–3893. – DOI: 10.1109/iSPEC53008.2021.9735583
8. Hardware implementation and improvement of BP neural network based on FPGA / Yang J., Du W., Wu S. [et al.] // Computer Engineering and Design. – 2018. – Vol. 39. – P. 1733–1737.
9. Zhang Y., Dai W. Design and verification of neural network sliding mode controller based on FPGA // 2021 IEEE Int. Conf. on Consumer Electronics and Computer Engineering (ICCECE), Guangzhou, China, Jan. 15–17, 2021. – P. 255–258.
10. Zhu R., Wu H. DC motor speed control system based on incremental PID algorithm // Instrum. Tech. Sens. – 2017. – Vol. 7. – P. 121–126.
11. Liu H., Yang Z., Ai Y. Research on DC motor control system based on particle swarm optimization algorithm // Modern Electronic Tech. – 2018. – Vol. 41. – P. 121–124.