Применение нечеткого управления, основанного на эвристическом подходе в формировании закона управления к системам невысокого порядка, обеспечивает простую и быструю реализацию и настройку системы управления. Желаемое качество переходного процесса регулирования может быть достигнуто как изменением внутренних параметров регулятора, так и за счет изменения входных и выходных коэффициентов усиления регулятора. В ряде случаев нечеткий регулятор обеспечивает более высокие показатели качества переходных процессов по сравнению с классическими законами. К большому преимуществу нечеткого управления следует отнести его ориентацию на цифровую реализацию.

Системы подобного рода обладают достаточно большой гибкостью и хорошими качествами переходного процесса — минимального времени выхода рабочего органа на заданную позицию с минимальным перерегулированием. Однако результаты работы регулятора заметно ухудшаются, если параметры системы активно изменяются во времени.

В настоящее время существует несколько методов настройки и адаптации нечетких регуляторов к системам, в которых они используются. Одним из наиболее прогрессивных является метод, основанный на применении нейросетевых моделей. Наиболее широко распространена генерация функций принадлежности переменных с помощью нейросетей [1], [2].

Однако, в системах, работающих в режиме реального времени существует необходимость обучения и адаптации управляющего блока в зависимости от режима работы. В этом случае генерация функций принадлежности в процессе работы может привести к ухудшению контроля над системой в силу сложности вычислительного алгоритма и замедления реакции на изменение входных параметров. Кроме того, аппаратная реализация такого метода потребует довольно мощных вычислительных ресурсов и, соответственно, увеличит себестоимость системы регулирования.

Более перспективным с точки зрения быстроты настройки является алгоритм, основанный на использовании многозначных нечетких логик, позволяющий настроить нечеткий регулятор на логику пользователя или близкую к ней без изменения функций принадлежности и блока правил. В основе многозначных логик лежат обобщенные операторы конъюнкции и дизъюнкции, получившие название Т-норм и Т-конорм [3]. Существует достаточно большое количество подобных операторов и их семейств, поэтому актуальна задача их подбора для конкретных реализаций нечетких регуляторов. Практика показала, что изменение логики работы контроллера ощутимо сказывается на результатах управления и значительно менее требовательно к аппаратным ресурсам, чем методы, описанные выше.

и t-конорм Франка :

1. Выделение из общего цикла работы электропривода отдельных режимов.
2. Определение таких режимов в процессе работы системы.
3. Подбор оптимальной логики работы регулятора в зависимости от текущего состояния системы (режима работы).
4. Обеспечение быстрого переключения в реальном времени с одной логики на другую в случай изменения режима работы.

Представляется, что можно выделить 5 скоростных режимов работы электропривода: а. Начальный разгон (запуск); б. Полный останов; в. Ускорение; г. Замедление; д. Стабильный режим (с постоянной скоростью).

Для определения режима работы системы можно воспользоваться данными о скорости вращения ротора, снимаемыми с датчиков через определенные интервалы времени. Имея некоторое количество таких значений, можно сделать вывод о состоянии системы. Для решения этой задачи можно воспользоваться нейросетью, входными значениями которой будет n последних показаний датчика, а выходными – рекомендуемая логика работы (Рис.1).

Рис. 1. Анализ текущего скоростного режима с помощью нейросети.

Разумеется, нейросеть должна быть заранее обучена на различных выборках показаний датчиков скорости ротора. Для обучения можно использовать алгоритм обратного распространения без привлечения экспертов. Критерием оптимальности использования той или иной логики работы регулятора в заданном скоростном режиме является наибольшее соответствие требуемой и реальной угловой скорости ротора.

Как видно из приведенных графиков, качество управления действительно зависит от используемой логики работы и скоростного режима. Это подтверждает то, что существующие алгоритмы управления еще далеки от совершенства и созданные на их основе контроллеры нуждаются в доработке.

Таким образом, можно сделать вывод о том, что применение нейросетевых моделей в автоматическом управлении электроприводом в сочетании с уже используемыми методами, основанными на нечетких алгоритмах даст положительный результат и позволит существенно улучшить точность и надежность функционирования управляемой системы.