НЕЙРО-НЕЧЕТКОЕ РЕГУЛИРОВАНИЯ ПАРАМЕТРАМИ ЭНЕРГООБЪЕКТОВ

Сиддиков. И. Х., Алимова. Г. Р., Усмоналиева Н. Р. & Абдусатторова К. М.


Annotatsiya

Приведены результаты исследования свойств система автоматического регулирования с пропорционально-интегрально-дифференциальном-регулятором с адаптацией. Отличительная особенность адаптации заключается в том, что в процессе работы системы параметры регулятора не меняются и соответствуют настройке, предшествующей запуску системы. При этом в зависимости от изменения параметров объекта управления, меняется коэффициент передачи регулятора который происходят только в тех случаях, когда качества система автоматического регулирования становится неудовлетворительным вследствие изменения свойств объекта управления или из-за воздействия на объект управления возмущений. Для настройки параметров пропорционально-интегрально-дифференциального-регулятора предложен двухслой- ная искусственная нейронная сеть, отличающиеся простотой реализации на микроконтроллерах. Осуществлен сравнительный анализ полученных результатов путем проведения имитационного эксперимента на среде «MATLAB». Результаты исследования система автоматического регулирования с нейро-нечетким регулятором показали данный регулятор позволяет значительно улучшить качество технологическими параметрами объекта.


Adabiyotlar

  1. Zheng X, Liu S, Yu Z, Luo C. A New Method for Dynamical System Identification by Optimizing the Control Parameters of Legendre Multiwavelet Neural Network. Mathematics. 11(24):4913. 2023; https://doi.org/10.3390/math11244913
  2. Revay, M.; Wang, R.; Manchester, I.R. Recurrent equilibrium networks: Flexible dynamic models with guaranteed stability and robustness. IEEE Trans. Autom. Control. 2023.
  3. Otto, S.E.; Rowley, C.W. Linearly recurrent autoencoder networks for learning dynamics.SIAM J. Appl. Dyn. Syst. 18, 2019, pp.558–593.
  4. Isamidin Siddikov, Davronbek Khalmatov, Gulchekhra Alimova, Ulugbek Khujanazarov, Sadikova Feruzaxon, Mustafaqul Usanov. Investigation of auto-oscilational regimes of the system by dynamic nonlinearities. International Journal of Electrical and Computer Engineering (IJECE). Vol. 14, No. 1, February 2024, pp. 230-238. DOI: 10.11591/ijece.v14i1.pp230-238
  5. de Campos Souza, P.V. Fuzzy neural networks and neuro-fuzzy networks: A review the main techniques and applications used in the literature. Appl. Soft Comput. 92, 106275, 2020.
  6. Isamiddin Siddikov, Gulruxsor Nashvandova, Gulchekhra Alimova Neural network optimizer of proportional-integral-differential controller parameters. International Journal of Electrical and Computer Engineering (IJECE). Vol.14, No. 3, June 2024, pp. 2533~2540 ISSN: 2088-8708, DOI: 10.11591/ijece.v14i3.pp 2533-2540.
  7. O.Porubay, I.Siddikov, G.Nashvandova, G.Alimova. Synthesis of a Control System for a Two-Mass Electromechanical. // Problems in the textile and light industry in the context of integration of science and industry: Vol:2023, DOI: https://nammti.uz/uz/ptlicispws-2/.
  8. I. X. Siddikov; G. R. Alimova; M. M. Usanov. Self-Tuning system of regulation of technological parameters of cotton ginning process. AIP Conf. Proc. 3244, 030057. 2024. https://doi.org/10.1063/5.0242336
  9. Siddikov, I., Alimova, G., Rustamova, M., Usanov, M. Digital adaptive control with pulse width modulation of signals. International Journal of Electrical and Computer Engineering (IJECE). Vol. 15, No. 1, February 2025, pp. 252-259, doi: 10.11591/ijece.v15i1.pp.252-259.
  10. Xakimovich, S.I., Dilnoza Maxamadjonovna, U. The research mathematical model of the three-impulse system of automatic control of steam generator water supply on load relief. 2020 International Conference on Information Science and Communications Technologies, ICISCT 2020, 2020, 9351384
  11. Siddikov, I.X, Umurzakova, D.M. Synthesis of Adaptive Control Systems of a Multidimensional Discrete Dynamic Object with a Forecasting Models. International Conference on Information Science and Communications Technologies: Applications, Trends and Opportunities, ICISCT 2019, 2019, 9012033
  12. Siddikov, I., Porubay, O., Rakhimov, T. Synthesis of the neuro-fuzzy regulator with genetic algorithm. International Journal of Electrical and Computer Engineering, 2024, 14(1), страницы 184–191.
  13. И.М Макаров., В.М. Лохин, С.В. Манько, М.П. Романов Искусственный интеллект и интеллектуальные системы управления/ Отделение информ. Технологий и вычислит. систем РАН. – М.: Наука, 2016. – 333с.
  14. А.И Зайцев. Применение нечетких систем управления в электроприводах./А.И. Г.Л Зайцев,. В.Л Муравьев,. Сташнёв.–www.electro.nizniy.ru// papers/4/00407.html.
  15. Астахов В.А. Теория автоматического управления. — М.: Энергоатомиздат, 2018.
  16. Ogata K. Modern Control Engineering. — Prentice Hall, 2010.
  17. Haykin S. Neural Networks and Learning Machines. — Pearson, 2009.