Нечеткие системы и их роль в современных системах управления

Размещено на http://www.allbest.ru/

НЕЧЕТКИЕ СИСТЕМЫ И ИХ РОЛЬ В СОВРЕМЕННЫХ СИСТЕМАХ УПРАВЛЕНИЯ

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 ПОНЯТИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

2 НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ

3 ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМЫ УПРАВЛЕНИЯ НА БАЗЕ НЕЧЕТКОЙ ЛОГИКИ

ЛИТЕРАТУРА

ВВЕДЕНИЕ

Системы управления, разрабатываемые или дополняемые нечеткой логикой, развиваются с высокой скоростью. Ученые и инженеры весьма заинтересованы в развитии таких систем. Это связано с тем, что системы управления, содержащие элементы нечеткой логики, позволяют управлять там, где вычислительные алгоритмы бессильны.

Интеллектуальные системы по сравнению с типовыми автоматическими и автоматизированными системами имеют три наиболее важных признака [1]:

1. Взаимодействие систем с реальным внешним миром с использованием информационных каналов связи.

2. Способность к обучению, то есть настройка системы под изменяющиеся условия внешнего мира.

3. Постоянство функционирования.

Таким образом, система управления на базе нечеткой логики способна принимать решения, близкие к действиям инженера, то есть обучаться и подстраиваться под изменяющиеся условия окружающей среды.

Нечеткая логика носит творческий характер. Здесь имеется в виду то, что система может содержать не только конечный результат в виде ответов типа “да”, “нет”, но и промежуточные типа “близко к точному значению”. Поэтому мы можем не всегда получить точный ответ на определенное событие, а промежуточный результат, который показывает величину отклонения результатов функционирования системы от некоторых номинальных и дальнейшие действия по достижению максимально близких к ним.

Системы управления на базе нечеткой логики используются в различных типах систем и устройств, в экономике, теории автоматического управления, электронике и т.д.

1 ПОНЯТИЕ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

интеллектуальный нечеткий управление

Прогресс в развитии вычислительной техники неоднократно сводится к исследованиям по искусственному интеллекту. Наиболее важными являются период появления самих вычислительных машин и распространение персональных компьютеров. Несмотря на то, что искусственный интеллект до сих пор не появился, интеллектуальные системы по-прежнему исследуются и развиваются [2].

В основе интеллектуальной системы лежит математическая логика. Логические процессы играют исключительно важную роль в поведении любой интеллектуальной системы. Они необходимы для распознавания зрительных, либо звуковых образов, для управления динамикой системы, для понимания языка, планирования действий, анализа потока событий, решения технических и теоретических задач. Хотя основной объем обработки информации осуществляется за счет средств автоматики, которые оперируют данными, логика играет роль диспетчера, организующего и контролирующего работу этой автоматики, а в необходимых случаях обеспечивает ее развитие. Логика не требуется там, где решение задачи сводится к определенному плану действий. Здесь используется вычислительный алгоритм. Потребность в логических процессах возникает тогда, когда отсутствует известный заранее план действий. Однако в данном случае задача потребует знаний не только в данной области, но и других возможно с первого взгляда не совсем смежных областях [3].

Таким образом, интеллектуальная система представляет собой техническую или программную систему, способную решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы.

Структура интеллектуальной системы включает три основных блока: базу знаний, механизм вывода решений и интеллектуальный интерфейс.

Интеллектуальные системы подразделяются на следующие типы:

- Интеллектуальная информационная система.

- Экспертная система.

- Расчетно-логическая система.

- Гибридная интеллектуальная система.

- Рефлекторная интеллектуальная система.

К расчётно-логическим системам относят системы, способные решать управленческие и проектные задачи по декларативным описаниями условиям. При этом пользователь имеет возможность контролировать в режиме диалога все стадии вычислительного процесса. Данные системы способны автоматически строить математическую модель задачи и автоматически синтезировать вычислительные алгоритмы по формулировке задачи. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

Рефлекторная система -- это система, которая формирует вырабатываемые специальными алгоритмами ответные реакции на различные комбинации входных воздействий. Алгоритм обеспечивает выбор наиболее вероятной реакции интеллектуальной системы на множество входных воздействий, при известных вероятностях выбора реакции на каждое входное воздействие, а также на некоторые комбинации входных воздействий. Данная задача подобна той, которую реализуют нейросети.

По комбинации воздействий на рецепторы формируются числовые характеристики рефлекторов через промежуточный слой. Связи между слоями обеспечивают передачу некоторой величины (импульса), от элементов одного слоя, к элементам другого. Если суммарная величина (суммарный импульс) на входе некоторого элемента превосходит его пороговое значение, то он передает свое значение (свой импульс) на элементы следующего слоя. По сути, каждый из элементов является моделью нейрона.

В отличие от перцептронов рефлекторный алгоритм напрямую рассчитывает адекватную входным воздействиям реакцию интеллектуальной системы. Адекватность реакции базируется на предположении, что законы несилового взаимодействия одинаковы на любых уровнях представления взаимодействующих систем: будь то живые или неживые объекты.

Рефлекторные программные системы применяются к следующим задачам: естественно-языковой доступ к базам данных; оценки инвестиционных предложений; оценки и прогнозирования влияния вредных веществ на здоровье населения; прогнозирования результатов спортивных игр [3].

Интеллектуальная система управления в рамках теоретических и прикладных основ еще далека до завершения, в том числе по части систем контроля и управления сложными техническими и человеко-техническими объектами, включающих искусственные нейронные сети и экспертные системы, функционирующих в затрудненных условиях. Под затрудненными условиями понимаются большая размерность объекта управления, его нестационарность, долговременная динамическая память, распределенность параметров, нелинейность, существенные запаздывания, разнообразие ситуаций, неполнота контроля внешних воздействий, выходных воздействий и состояний объекта, наличие флуктуационных и грубых помех, изменчивость целей, критериев, ограничений. Современные промышленные машины, агрегаты, технологические линии, участки, цехи горнодобывающей, металлургической, химической, машиностроительной и других отраслей промышленности в большинстве своем относятся к классу сложных объектов. Существенного повышения эффективности управления ими можно достигнуть путем применения адекватно сложных информационно-управляющих систем, какими и являются интеллектуальные системы [4].

2 НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ

Нечеткая система представляет собой интеллектуальную систему, задачами которой являются те же, что и у типовой системы, включая возможности, описанные выше. Нечеткая система, как интеллектуальная, имеет широкие возможности и диапазон результатов измерений, по сравнению с типовой системой.

Значимый вклад в это направление внес Л. Заде. Его работа «Fuzzy Sets» явилась толчком к развитию новейшей математической теории. Заде расширил классическое понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения в интервале (0, 1), а не только лишь значения 0 или 1. Такие множества были названы им нечеткими (fuzzy). Заде определил также ряд операций над нечеткими множествами и предложил обобщение узнаваемых способов логического вывода. Введя понятие лингвистической переменной и допустив, что в качестве ее значений (термов) выступают нечеткие множества, Заде предложил аппарат для описания действий интеллектуальной деятельности, включая нечеткость и неопределенность выражений. Это позволило создать фундамент теории нечетких множеств и нечеткой логики, а также предпосылки для внедрения способов нечеткого управления в инженерную практику. Смещение центра исследований нечетких систем в сторону практических приложений привело к постановке целого ряда направлений таковых, как новейшие архитектуры вычислительных машин для нечетких вычислений, элементная база нечетких ЭВМ и контроллеров, инструментальные средства разработки, инженерные способы расчета и разработки нечетких систем управления и многое другое.

Математическая теория нечетких множеств дозволяет обрисовать нечеткие понятия и познания, оперировать этими познаниями и делать нечеткие выводы. Нечеткое управление оказывается в особенности полезным, когда исследуемые процессы являются очень сложными для анализа при помощи общепринятых способов, либо когда доступные источники инфы интерпретируются неточно, либо неопределенно.

Нечеткая логика, предоставляющая действенные средства отображения неопределенностей и некорректностей настоящего мира, и на которой основано нечеткое управление, ближе к людскому мышлению и естественным языкам, чем традиционные логические системы. Нечеткое управление (Fuzzy Control, Fuzzy-управление) в настоящее время является одной из перспективнейших интеллектуальных технологий, позволяющих создавать качественные системы управления. Среди обстоятельств распространение Fuzzy-управления традиционно выделяют следующие:

1. Особенные свойства систем управления с нечеткой логикой, а именно малая чувствительность к изменению характеристик объекта управления.

2. Синтез систем управления с нечеткой логикой а процессе применения современных средств аппаратной и программной поддержки часто проще, чем обычных.

Существуют и нетехнические предпосылки популярности нечетких систем:

1. Нечеткая логика - разработка, появившаяся относительно недавно, ее применение без усилий дозволяет добиться «патентной чистоты» проектируемых изделий.

2. Существует определенная «мода» на нечеткие системы. Как и у всех систем управления, у систем с нечеткой логикой существует область, в которой их применение является более желаемым.

В качестве таковых областей традиционно выделяют следующие:

1. Системы регулирования, для которых модель объекта управления определена только отменно.

2. Надстройка над традиционными системами регулирования (к примеру, над ПИД-регуляторами) для придания им адаптивных параметров.

3. Воспроизведение действий человека-оператора.

4. Системы организационного управления верхнего уровня.

Общей предпосылкой для внедрения нечетких систем управления является, с одной стороны, наличие неопределенности, связанной как с отсутствием информации, так и сложностью системы и невыполнимостью либо нецелесообразностью ее описания традиционными способами и, с иной стороны, наличие об объекте нужных управляющих действий, возмущений и т.п.

Традиционные способы управления отлично зарекомендовали себя при относительно низкой трудности объекта управления и наличии довольно полной информации о нем. Нейросетевые системы управления можно целенаправлено использовать при отсутствии информации, либо высочайшей трудности объекта управления.

Промежуточное положение между данными технологиями занимают нечеткие системы. Главным признаком классификации нечетких систем управления является место нахождения блоков нечеткого логического вывода в системе управления: или нечеткая система сама формирует управляющие сигналы, или сигналы с нечеткой системы управляют параметрами традиционной системы управления (к примеру, ПИД-контроллером). К крайним также относятся системы с нечеткими комплексными моделями (или плавный, или скачкообразный).

Систему управления с нечеткой логикой можно поделить на следующие группы: неадаптивные и адаптивные. В неадаптивных база знаний подстраивается в процессе работы в зависимости от складывающейся в процессе управления ситуации. При адаптивном подходе к построению нечетких систем управления настройка блоков нечеткого логического вывода осуществляется не только в процессе проектирования, но и во время обычной эксплуатации системы, параллельно с управлением объектом. Адаптивные системы позволяют осуществлять высококачественное управление сложными нестационарными объектами по сравнению с типовыми системами.

Три наиболее известных подхода к построению нечетких адаптивных систем управления - это инверсное управление, предикатное управление (управление с предсказанием), схема управления с обратной связью и идентификатором [5].

3 ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМЫ УПРАВЛЕНИЯ НА БАЗЕ НЕЧЕТКОЙ ЛОГИКИ

Как упоминалось ранее, нечеткие системы имеют широкий круг применения и постоянно совершенствуются. Рассмотрим основные этапы применения системы управления на базе нечеткой логики.

Структура системы управления на базе нечеткой логики приведена на рис. 3.1 [6].

Рис. 3.1. Структурная схема системы управления на базе нечеткой логики

Блок фаззификации преобразует численную переменную в лингвистическую переменную. В блоке логического решения реализуются процедуры нечеткого вывода на множестве продукционных правил, составляющих базу правил системы управления.

Цель дефаззификациии получить количественное значение для каждой из выходных лингвистических переменных. Формально, это происходит следующим образом. Рассматривается i-ая выходная переменная и относящееся к ней множество Ei (i = 1..s). Затем при помощи метода дефаззификации находится итоговое количественное значение выходной переменной.

Нечеткая логика использует лингвистические переменные вместо числовых переменных. В системе управления в закрытом контуре, ошибку между опорным и выходным сигналом и скорость изменения ошибки можно обозначить как близкая к нулю (ZE), положительная небольшая (PS), отрицательная небольшая и т.д. (табл. 3.1) [7].

Таблица 3.1. Основные термы лингвистических переменных

Символическое обозначение	Англоязычная нотация	Русскоязычная нотация
NL	Negative Large	Отрицательное большое
NM	Negative Middle	Отрицательное среднее
NS	Negative Small	Отрицательное малое
ZE	Zero	Нуль, близкое к нулю
PS	Positive Small	Положительное малое
PM	Positive Middle	Положительное среднее
PL	Positive Large	Положительное большое

Далее по плану строятся лингвистические переменные и база правил.

База правил -- это множество правил, где каждому подзаключению сопоставлен определенный весовой коэффициент.

База правил может иметь следующий вид (для примера используются правила различных конструкций) [8]:

RULE_1: IF «Condition_1» THEN «Conclusion_1» (F1) AND «Conclusion_2» (F2);

RULE_2: IF «Condition_2» AND «Condition_3» THEN «Conclusion_3» (F3);

…

RULE_n: IF «Condition_k» THEN «Conclusion_(q-1)» (Fq-1) AND «Conclusion_q» (Fq);

Здесь Fi -- весовые коэффициенты, означающие степень уверенности в истинности получаемого подзаключения (i = 1..q). По умолчанию весовой коэффициент принимается равным 1. Лингвистические переменные, присутствующие в условиях называются входными, а в заключениях выходными.

Обозначения:

n -- число правил нечетких продукций (numberOfRules).

m -- кол-во входных переменных (numberOfInputVariables).

s -- кол-во выходных переменных (numberOfOutputVariables).

k -- общее число подусловий в базе правил (numberOfConditions).

q -- общее число подзаключений в базе правил (numberOfConclusions).

Пример базы правил приведен в табл. 3.2 [6].

Таблица 3.2. Пример базы правил для нечеткого регулятора напряжения синхронного генератора

Напряжение
Скорость изменения напряжения		NL	NM	NS	ZE	PS	PM	PL
	NL	PL	PL	PL	PL	PM	PS	ZE
	NM	PL	PL	PM	PM	PS	ZE	NS
	NS	PL	PM	PS	PS	NS	NM	NL
	ZE	PL	PM	PS	ZE	NS	NM	NL
	PS	PL	PM	PS	NS	NS	NM	NL
	PM	PM	ZE	NS	NM	NM	NL	NL
	PL	ZE	NS	NM	NL	NL	NL	NL

Таким образом, можно сформировать набор правил поведения системы управления для оптимального управления объектом управления при изменении условий окружающей среды.

ЛИТЕРАТУРА

1. http://nrsu.bstu.ru/chap15.html

2. Подсколзин А.С. Компьютерное моделирование логических процессов. Архитектура и языки решателя задач. - М ФИЗМАТЛИТ, 2008 - 1024 с. - ISBN 978-9221-1045-7

3.https://ru.wikipedia.org/wiki/%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0

4. Кулаков С.М., Трофимов В.Б. Интеллектуальные системы управления технологическими объектами: теория и практика (монография) // Успехи современного естествознания. - 2010. - № 2 - С. 101-102

5. Кияшко А.В., Македонов Е.А., Мола Богдан Г. Система управления напряжением генератора на базе нечеткой логики // Научно-практический журнал “Современные научные исследования и инновации”. №5(49) - Май 2015.

6. Соловьев В.В., Шадрина В.В. Моделирование нечетких систем управления: Лабораторный практикум. - Таганрог: Изд-во ТТИ ЮФУ, 2010.-125 с.

Размещено на Allbest.ru