Neural Network Tuning of the Genetic Algorithm for Controlling a Vector Hierarchical System

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The article presents the results of a study of a hierarchical two-level vector control system for a multi-connected object whose evolution is described by a state vector that changes in response to actions on actuators, each of which includes a drive and a working mechanism. The control system under consideration is distinguished by the presence of an additional tuning loop for the virtual regulator at the upper and functional-logical levels. A mathematical model of the impulse response of the actuator of the system is synthesized, taking into account dry friction, backlash, and limitations on the speed and position of the working element of the controlled object. The original model of the actuator is presented in the Cauchy form, and its impulse response is approximated by the impulse response of a second-order linear link, optimal according to the criterion of the minimum approximation error. It is proved that the parameters of the linearized impulse response depend on the operating parameters of the drive. A model of a closed control system for the object as a whole is constructed, and it is shown that its parameters depend on the operating parameters of the drives, the desired value of the state vector of the control object, and the parameters of the virtual controllers implemented at the functional-logical and upper hierarchical levels. The obtained results demonstrate that a change in the operating parameters of the object can be compensated for by structural and parametric changes in the genetic control algorithm. A technique for synthesizing a genetic control algorithm for complex multi-loop objects implemented by a controller at the upper level of the hierarchy based on the use of a neural network has been developed. It is shown that the proposed approach ensures the achievement of a synergetic effect, when the control actions implemented by different modifications of the control algorithm are less effective than the control actions implemented using a composite algorithm subject to evolutionary changes during the operation of the system. The correctness of the theoretical positions is confirmed by the results of computational modeling of the virtual controller control using a neural network, which demonstrated a significant improvement in the control characteristics due to a decrease in the time to reach a steady state and the overshoot time.

Авторлар туралы

E. Larkin

Tula State University

Email: elarkin@mail.ru
Lenin Ave. 92

A. Bogomolov

Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences

Email: a.v.bogomolov@gmail.com
Vavilova St. 44/2

A. Privalov

Tula State Lev Tolstoy Pedagogical University

Email: privaloov.61@mail.ru
Lenin Ave. 125a

Әдебиет тізімі

  1. Lofving M., Safsten K., Winroth M. Manufacturing strategy formulation, leadership style and organizational culture in small and medium-sized enterprises // International Journal of Manufacturing Technology and Management (IJMTM). 2016. vol. 30. no. 5. pp. 306–325. doi: 10.1504/IJMTM.2016.078918.
  2. Landau I.D., Zito G. Digital Control Systems, Design, Identification and Implementation. Springer, 2006. 484 p.
  3. Astrom J., Wittenmark B. Computer Controlled Systems: Theory and Design. H.J.: Prentice Hall, 2002. 557 p.
  4. Kilian C.T. Modern control technology: Components and systems. Novato, CA: Delmar Thomson Learning, 2000. 608 p.
  5. Babishin V., Taghipour S. Optimal maintenance policy for multicomponent systems with periodic and opportunistic inspections and preventive replacements // Applied mathematical modelling. 2016. vol. 40. no. 23. pp. 10480–10505. doi: 10.1016/j.apm.2016.07.019.
  6. Акименко Т.А., Ларкин Е.В., Богомолов А.В., Привалов А.Н. Модель формирования образа сцены в телевизионном модуле мобильного робота, движущегося по пересеченной местности // Информационно-управляющие системы. 2024. № 5(132). С. 16–24. doi: 10.31799/8853-2024-5-16-24.
  7. Larkin E., Privalov A., Bogomolov A., Akimenko T. Digital control of continuous production with dry friction at actuators // Smart Innovation, Systems and Technologies. 2022. vol. 232. pp. 427–436.
  8. Bogomolov A.V., Larkin E.V., Privalov A.N. Mathematical models of software failures of digital control systems // Automatic Documentation and Mathematical Linguistics. 2025. vol. 59. no. 1. pp. 1–8. doi: 10.3103/S000510552470041.
  9. Ларкин Е.В., Богомолов А.В., Привалов А.Н., Акименко Т.А. Математическое обеспечение иерархического цифрового управления сложным технологическим объектом // Вестник ЮрГУ. Серия. Математика. Механика. Физика. 2024. Т. 16. № 4. С. 43–55.
  10. Harada T, Alba E. Parallel genetic algorithms: a useful survey // ACM Computing Survey. 2020. vol. 53. no. (4). pp. 1–39. doi: 10.1145/3400031.
  11. Hedar A., Fukushima M. Simplex coding genetic algorithm for the global optimization of nonlinear functions, in Multi-Objective Programming and Goal Programming // Advances in Soft Computing. Springer-Verlag, 2003. pp. 135–140. doi: 10.1007/978-3-540-36510-5_17.
  12. Helal M.H.S., Fan C.C., Liu D., Yuan S. Peer-to-peer based parallel genetic algorithm // International Conference on Information, Communication and Engineering (ICICE). Xiamen, 2017. pp. 535–538. doi: 10.1109/ICICE.2017.8478917.
  13. Hu C., Wang X., Mandal M.K., Meng M., Li D. Efficient face and gesture recognition techniques for robot control // Canadian Conference on Electrical and Computer Engineering. IEEE, Montreal, 2003. pp. 1757–1762. doi: 10.1109/CCECE.2003.1226250.
  14. Jebari K. Selection methods for genetic algorithms // International Journal of Emerging Sciences. 2013. no. 3. pp. 333–344.
  15. Hamann A., Racu R., Ernst R. Multi-dimensional robustness optimization in heterogeneous distributed embedded systems // Proceedings of the 13th IEEE Real Time and Embedded Technology and Applications Symposium, (RTAS’07). 2007. pp. 269–280. doi: 10.1109/RTAS.2007.19.
  16. Briat C. Stability and performance analysis of linear positive systems with delays using input-output methods // International Journal of Control. 2018. vol. 91. no. 7. pp. 1669–1692. doi: 10.1080/00207179.2017.1326628.
  17. Islam M., Chen G., Jin S. An overview of neural network // American Journal of Neural Network and Application. 2019. vol. 5. no. 1. pp. 7–11. doi: 10.11648/j.ajnna.20190501.12.
  18. Pavlov A.V. About the equality of the transform of Laplace to the transform of Fourier // Issues of Analysis. 2016. vol. 5. no. 4. pp. 21–30.
  19. Li J., Farquharson C.G., Hu X. Three effective inverse Laplace transform algorithms for computing time -domain electromagnetic responses // Geophysics. 2015. vol. 81. no. 2. doi: 10.1190/geo2015-0174.1.
  20. Meyer-Baese U. Digital signal processing. Springer-Verlag Berlin, Heidelbrg, 2004. 527 p.
  21. Yeh Y.-C., Chu Y., Chiou C.W. Improving the sampling resolution of periodic signals by using controlled sampling interval method // Computers & Electrical Engineering. 2014. vol. 40. no. 4. pp. 1064–1071. doi: 10.1016/j.compeleceng.2013.12.002.
  22. Ang K.N., Chong G., Li Y. PID control system analysis, design and technology // IEEE Transactions of control systems technology. 2005. vol. 13. no. 4. pp. 559–576. doi: 10.1109/TCST.2005.847331.
  23. O’Dwier A. PID compensation of time delay processes 1999-2002: a survey // Proceedings of the American control conference. 2003. pp. 1494–1499. doi: 10.21427/dkx2-9503.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».