Modularne sieci neuronowe w sterowaniu modelem laboratoryjnym suwnicy przemysłowej

W artykule przedstawiono zagadnienie sterowania neuronowego modelem suwnicy przemysłowej. Celem sterowania jest dokładne śledzenie trajektorii zadanej oraz minimalizacja szkodliwego kołysania przenoszonego ładunku. Testom poddano strukturę sterowania wykorzystującą modularne sieci neuronowe. Rozwiązanie oparte jest na wykorzystaniu kilku niezależnych modułów realizujących optymalne sterowanie w zależności od wysokości ładunku. W sterowaniu wykorzystano sieci perceptronowe wielowarstwowe MLP (ang. Multilayer Perceptron). Zaproponowana metoda sterowania została porównana z układem regulacji PID. Zastosowanie układu z modularną siecią neuronową wpływa korzystnie na uzyskane wyniki. Badania zostały przeprowadzone w środowisku obliczeniowym Matlab/Simulink.

In automated manufacturing processes demands are increasing for time and accuracy of transport tasks. In this paper a modular neural network for control a 3D crane model is presented (Fig. 3). The system was analyzed on five transport levels for x and y–axes. Therefore a modular neural network contains 5 independent neural networks. Each independent neural network serves as a module, which has to accomplish a certain subtask and operates on one of the five transport levels. In this case the multilayer perceptron (MLP) neural network was used. The Levenberg-Marquardt method has been used to find the best weights of an MLP. The main advantages of that approach are smaller overshoot, shorter settling time and better integral of absolute value error in most cases (Fig. 5, Table 2, 3). The research was carried out in the Matlab/Simulink environment.