Интеллектуальная система автоматизированного управления температурой ферментера

3. Наличие механизмов прогноза изменения внешнего мира и собственного поведения системы в динамически меняющемся внешнем мире. Система, функционирующая в меняющемся внешнем мире и не обладающая возможностями прогноза изменения состояния внешнего мира и своего собственного состояния и поведения, может попасть в критическую ситуацию, из которой не сможет найти выхода из-за временных ограничений на работу механизмов, формирующих управляющие воздействия, определяющих рациональное тактическое и стратегическое поведение системы. Наглядным примером могут служить автономно функционирующие интеллектуальные робототехнические системы в экстремальных ситуациях.

4. Наличие у управляющей системы многоуровневой иерархической структуры, построенной в соответствии с правилом IPDI. Данный принцип позволяет планировать пути построения моделей сложных управляющих систем в тех случаях, когда неточность знаний о модели объекта управления или его поведении можно скомпенсировать за счет повышения интеллектуальности создаваемых систем или соответствующих алгоритмов управления.

5. Постоянство функционирования (возможно, с некоторой потерей качества или эффективности, т.е. с определенной степенью деградации) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры. Данный принцип устанавливает только потерю интеллектуальности, но не прекращения функционирования системы в целом при отказах в работе высших уровней иерархии системы. Сохранение автономного функционирования в рамках более простого (автоматного) поведения системы, характерного для низших уровней структуры управления обеспечивает максимальную живучесть систем управления.

Приведенные пять принципов организации структуры интеллектуальной управляющей системы позволяют уточнить такое понятие, как «интеллектуальность» управляющей системы, а также производить классификацию интеллектуальных систем по уровню их интеллектуальности. Очевидно, что степень интеллектуальности системы будет находиться в прямой зависимости от функциональной насыщенности уровней, т.е. от полноты реализации базовых принципов организации интеллектуальных управляющих систем в виде соответствующих функций.

Система интеллектуальная в большом - это система построенная и функционирующая в соответствии с описанными выше всеми пятью базовыми принципами IPDI.

Системы интеллектуальные в большом должны иметь многоуровневую иерархическую структуру со следующими уровнями (в порядке понижения ранга): уровень обучения, уровень самоорганизации, уровень прогноза событий, уровень работы с базами знаний, уровень формирования решений, уровень планирования операций, уровень адаптации, исполнительный уровень. Каждый из этих уровней имеет свою функциональную специфику и может состоять из нескольких подуровней. При этом на двух нижних уровнях иерархии используются традиционные модели и методы теории автоматического управления. Остальные уровни более высокого ранга, или так называемая интеллектуальная надстройка, существенно расширяют возможности этих традиционных моделей в соответствии с требованиями современной информационной технологии работы со знаниями. Минимальная интеллектуальная надстройка может содержать только элементарную базу знаний в виде простых продукционных правил (кстати именно такую структуру имели первые интеллектуальные регуляторы), однако уже одно это дополнение будет вводить систему автоматического регулирования в класс интеллектуальных систем, хотя, разумеется, эта интеллектуальная система интеллектуальной в большом не будет. Подобная интеллектуальная САУ будет «интеллектуальной в малом».

Система интеллектуальная в малом - это система структурно и функционально не организованная в соответствии с описанными выше всеми пятью базовыми принципами IPDI, но использующая при своей работе знания как средство преодоления неопределенности входной информации, модели управляемого объекта или его поведения.

Системы интеллектуальные в малом соответствуют общепринятому определению интеллектуальных систем, как систем, ориентированных на обработку знаний с целью поиска решения определенной задачи. Системы интеллектуальные в малом и в большом устанавливают нижнюю и верхнюю границы интеллектуальности управляющих систем. Степень интеллектуальности систем, находящихся внутри этого диапазона, можно определить по наличию или отсутствию тех или иных уровней IPDI. Например, наивысшей степенью интеллектуальности обладает управляющая система, способная к обучению, изменению структуры и прогнозу возможных ситуаций. Меньшей степенью интеллектуальности обладает система, не способная к обучению, но способная к самоорганизации в результате анализа прогнозируемых ситуаций, и т.д. вплоть до интеллектуальных в малом, «самых безмозглых» простейших интеллектуальных регуляторов (обычная САР плюс простая база продукционных правил).

Система, стоящая на более высокой ступени иерархии, включает функции систем с более низким интеллектуальным уровнем, а каким образом реализованы эти функции - это не принципиально важно. К примеру, интеллектуальная САУ с функцией адаптации, использующая эталонную верифицируемую модель объекта управления не изменит своей принадлежности к определенному классу интеллектуальных систем независимо от того, какой будет эта модель объекта управления - нечеткой лингвистической или нейросетевой. Или другой пример - простейшие интеллектуальные САУ (интеллектуальные регуляторы) состоящие из обычной САР и базы продукционных правил, в которой в первом случае согласно продукционным правилам корректируются параметры стандартного ПИД-регулятора, а во втором случае ПИД-регулятора вообще нет, а управляющее воздействие находится исходя только из базы продукционных правил. Обе интеллектуальных САУ интеллектуальны минимально, но степень их интеллектуальности одинакова и их следует относить к одному классу систем, хотя структура этих систем принципиально различна: в процессе работы в первом случае происходит изменение параметров системы, во втором случае - структуры системы. Добавьте к любой из описанных выше систем блок автоматического изменения базы продукционных правил, вырабатывающий решения автоматически на базе анализа текущего состояния системы и внешнего мира - и тогда система приобретает качественно новые свойства и переходит в другой класс интеллектуальных систем, к системам «поумнее».

Такой подход к классификации интеллектуальных систем позволяет упорядочить многочисленные интеллектуальные системы, не ориентируясь на такие изменчивые характеристики, как структура системы, язык представления знаний, принципы реализации функций адаптации, круг решаемых задач и т.п.

Введенная трактовка понятия интеллектуальности и признаков систем интеллектуальных в большом и в малом позволяет установить связи с основными понятиями классической теории управления, используя разработанные в ней методы и сохраняя преемственность при построении интеллектуальных управляющих систем (рис.1.9).

Первыми интеллектуальными САУ, объединившими в себе методы традиционной ТАУ и инженерии знаний стали так называемые активные экспертные системы, или как их назвали позже - интеллектуальные контроллеры. Экспертная система - это система, ориентированная на хранение, обработку и использование знаний, целью которой является принятие решений по тем или иным вопросам конкретной предметной области, приближенным по качеству к решениям, принятым человеком-экспертом или коллективом экспертов. Первоначально экспертные системы использовались в качестве советчика в паре с оператором, управляющим технологическим объектом. Экспертная система могла предложить возможную стратегию управления объектом в определенной ситуации либо спрогнозировать поведение объекта в ответ на предполагаемое воздействие. Традиционно экспертная система включала в себя базу знаний конкретной предметной области, которая заполнялась при первоначальном «обучении» системы коллективом специалистов-экспертов, средства описания и заполнения базы знаний, средства ввода-вывода для работы с оператором. По мере совершенствования экспертных систем, как на методологическом уровне, так и на уровне технической реализации, решения экспертных систем перестали уступать решениям экспертов-людей, а скорость принятия этих решений существенно превзошло скорость реакции человека. Возникла закономерная идея автоматизации деятельности таких систем путем включения в их состав специальных дополнительных автоматических блоков ввода информации об объекте и блоков формирования управляющих воздействий на основе принятых решений.

Рис.1.9. Интеллектуальная иерархия моделей САУ

Полученная таким образом интеллектуальная система управления представляет собой качественно новую систему управления сложными объектами, поскольку базируется не только на данных, но и на знаниях (рис.1.10). Как и в традиционной САУ за ЛПР сохраняется возможность управления объектом в ручном режиме. Сама же САУ претерпевает коренные изменения. Ядром интеллектуальной САУ является база знаний, построенная на основе знаний экспертов - лиц, имеющих опыт по управлению сложным объектом, и содержащая правила управления объектом, представленные в определенной форме. Так как знания и опыт человека имеют вербальный характер, то для преобразования и представления этих знаний, а также информационного обмена с базой знаний вводятся блоки, осуществляющие ввод знаний, вывод знаний, описание и представление знаний, а также их коррекцию. Структура базы знаний, а также структура и алгоритмы работы этих блоков зависят от выбранной модели представления знаний: продукционной, фреймовой, семантической, логики предикатов. Как уже было отмечено ранее наиболее перспективными являются системы, использующие для представления знаний человека о свойствах и принципах управления объектом лингвистические переменные и аппарат нечетких множеств в рамках продукционной базы знаний. Построенная по данному принципу база знаний содержит множество лингвистических переменных, соответствующих лексическим категориям, с которыми оперирует мозг человека при управлении объектом, а также таблицу нечетких отношений между лингвистическими переменными, которая отражает приобретенный человеком опыт по управлению объектом в виде отношений между лексическими категориями. Средства ввода и вывода знаний осуществляют так называемые процессы фаззификации и дефаззификации - прямого и обратного преобразований количественных (числовых) и качественных (лингвистических) показателей свойств объекта и показателей качества его функционирования. Такие системы в настоящее время наиболее широко применяются для управления сложными объектами и функционируют в роли советчика ЛПР или в автономном режиме.

Поскольку множество ситуаций при управлении объектом постоянно в той или иной степени пополняется из-за нестабильности и непредсказуемости свойств объекта и его внешнего окружения, то в интеллектуальной САУ должна быть предусмотрена возможность расширения базы знаний. Основным сигналом о возникшей существенной неполноте знаний в системе служит либо участившееся неприятие советов системы со стороны ЛПР (неадекватность управления объектом, предлагаемого системой, с точки зрения ЛПР), либо отсутствие рекомендаций по управлению, либо неудовлетворительное функционирование САУ в автономном режиме. При этом лингвистические правила управления объектом, содержащиеся в таблице нечетких отношений, по необходимости могут подвергаться коррекции как со стороны ЛПР, так и со стороны группы экспертов. Однако, при таком подходе к обновлению базы знаний неизбежны определенные недостатки, связанные с методологией «интеллектуализации» САУ, т.е. с процессом передачи машине способностей человека по управлению сложными процессами.

1) База знаний, являющаяся основой такой интеллектуальной САУ, является максимально близкой копией знаний коллектива экспертов, но копией актуальной только на момент получения знаний и заполнения базы данных. Фактически со времени ввода системы в эксплуатацию начинается процесс ее непрерывного старения. Корректор базы знаний не способен коренным образом исправить эту ситуацию, поскольку функциональные группы естественного языка используются человеком субъективно, и знания ЛПР могут конфликтовать со знаниями экспертов. Периодическая верификация базы знаний экспертами - это процесс долгий и непродуктивный, поскольку знания экспертов всегда носят субъективный характер и могут меняться со временем, что также приводит к конфликту с уже установленными знаниями. Фактически со стороны экспертов понадобится не дополнительное обучение, а полное переобучение интеллектуальной системы.

2) Знания, получаемые от экспертов, носят характер, не согласованный во времени с процессом управления, т.е. в общем случае характер получения знаний от экспертов напоминает опрос вида: «что вы бы делали, если бы … ». В таком виде объект управления представляется эксперту чем то абстрактным, что не требует от него немедленных оперативных действий и дает возможность без спешки подумать, проанализировать ситуации и принять т.н. «отсроченное решение». В то же время доказано, что определенные категории знаний человека после неоднократного успешного использования закрепляются на подсознательном уровне в виде «мгновенного отклика»: цепочки вида «ситуация-реакция». Это дает возможность человеку успешно справляться с неопределенными ситуациями в условиях, когда решения необходимо принимать оперативно, и, как правило, такие оперативные решения дают наиболее продуктивные результаты.

3) Описанный выше характер отсроченного и опосредованного принятия решения при экспертной оценке ведет к тому, что эксперт подсознательно незаинтересован в следствиях принимаемого им решения, что сказывается на рациональности экспертных оценок.

4) Слабоструктурированные объекты имеют, как правило уникальный характер, что затрудняет использование традиционных методов получения экспертных оценок, ориентированных на достаточно большие группы экспертов. Использование методов, ориентированных на одного (или нескольких экспертов) в условиях отсроченного принятия решения существенно повышает влияние субъективности рассуждений отдельного человека (шкалированности и традуктивности выводов, некорректного построения причинно-следственных связей, сценарности выводов ) на принимаемые решения.

Вышеперечисленные недостатки обусловлены тем, что общепринятый принцип построения интеллектуальной САУ (см. рис.1.10) основан на одномоментном процессе обучения системы, оторванном от непосредственного управления с последующей коррекцией знаний человеком или группой лиц. Инициатором обучения и коррекции знаний в данном случае является человек, т.е. речь идет об обучающейся системе и опосредованном процессе обучения, разнесенным во времени с процессом управления. Если прибегнуть к аналогии с обучением ребенка, который приобретает знания путем самостоятельных действий над объектами окружающего мира и общения с другими людьми (это естественно, поскольку мы стремимся сообщить системе управления интеллектуальные свойства человека), то становится очевидным, что в интеллектуальной САУ приобретение знаний должно происходить по инициативе самой системы управления. Одна из возможных структур такой самообучающейся системы представлена на рис.1.11. Подобная система может не подвергаться предварительному обучению. При первоначальном подключении системы к объекту управления база знаний интеллектуальной системы пока остается незаполненной, а всю ответственность по управлению берет на себя ЛПР. При помощи блока-анализатора система постоянно отслеживает действия ЛПР и в ходе диалога с ним выясняет, какие переменные состояния и управления объекта побудили ЛПР принять данное решение об управлении объектом в текущий момент времени, каким образом оператор соотносит текущие переменные состояния и управления с соответствующими лингвистическими переменными и нечеткими множествами. Последовательно накапливая такую информацию, система формирует функции принадлежности нечетких множеств блоков ввода и вывода знаний, а также таблицу нечетких отношений между лингвистическими переменными, отражающую решения ЛПР по управлению объекта. Чем дольше работает система, тем меньше неизвестных ей ситуаций будет возникать при управлении объектом, тем чаще она будет выдавать в качестве совета свой вариант управления объектом, как реакцию на его текущее состояние. Однако, при любом несоответствии решений системы и ЛПР, система будет инициировать диалог с целью уточнения своей базы знаний и методов представления знаний. В такой системе функции принадлежности нечетких множеств блоков ввода-вывода знаний, а также правила управления в таблице нечетких отношений лингвистических переменных постоянно корректируются

Рис .1.11. Интеллектуальная САУ с функциями самообучения

В процессе управления база знаний может пополняться как количественно (по числу нечетких отношений), так и качественно, если при управлении объектом возникают ранее неизвестные факторы (лингвистические переменные), учитываемые ЛПР. При стабильной работе объекта и отсутствии действий со стороны ЛПР система может самостоятельно анализировать базу знаний и дополнять ее до полной группы событий (причин изменения управления), отбирать и уточнять противоречивые правила управления в таблице нечетких отношений путем диалога с ЛПР.

Этот продолжающийся и в настоящее время этап в развитии интеллектуальных САУ, их дальнейшая «интеллектуализация» по шкале IPDI путем введения в них функций самообучения имеет множество направлений решения задачи «обучения системы самообучению»: использование методов эволюционного моделирования и эволюционных алгоритмов, применение нейронных сетей, использование ассоциативных запоминающих устройств и т.п. Именно в этой области развития интеллектуальных САУ при разработке теории и практики построения так называемых открытых систем, т.е. систем, способных с течением времени совершенствовать свое поведение благодаря заложенным в них алгоритмам обучения, формируется сейчас новое научное направление - теория интеллектуальных машин. Однако, вне зависимости от выбранного направления развития адаптивных способностей интеллектуальных САУ большинство открытых интеллектуальных САУ при обработке знаний опираются на лингвистический подход на базе теории нечетких множеств и лингвистической переменной. Это дает возможность предположить, что открытые системы будущего будут в основном использовать при работе со знаниями методы теории нечетких множеств и нечеткой логики - логики, которая ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы; логики, которая предоставляет наиболее эффективные средства отображения неопределенностей и неточностей реального мира и позволяет построить модель, максимально приближенную к реальности.

2. Нечеткие системы автоматического управления

В соответствии с рассмотренными ранее принципами IPDI можно дать следующую классификацию применяющихся в настоящее время нечетких систем автоматического управления, расположив их в порядке возрастания степени интеллектуальности.

1. САУ с нечетким контроллером. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется нечеткий контроллер - устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее управляющее воздействие посредством реализации одной из рассмотренных ранее схем нечеткого вывода. Поскольку такое устройство только использует заранее введенные знания, полученные от экспертов на этапе проектирования и представленные в виде базы правил системы нечеткого вывода, но не обладает самостоятельной способностью к модификации базы правил, а все последующие изменения в базе правил осуществляются разработчиком извне, то такая система управления обладает минимальной степенью интеллектуальности.

2. Гибридные нечеткие САУ. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется гибридный нечеткий контроллер - двухуровневое иерархическое устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее на первом уровне управляющее воздействие посредством реализации линейного или нелинейного закона управления, полученного методами классической ТАУ (например, ПИД-регулирование, релейный регулятор и т.п.). На втором уровне гибридного нечеткого контроллера осуществляется адаптация параметров регулятора посредством реализации одной из рассмотренных ранее схем нечеткого вывода, для которой в данном случае входными переменными являются переменные состояния объекта управления, а выходными переменными - параметры закона управления, реализованного на подчиненном уровне (например, коэффициенты усиления ПИД-регулятора). Поскольку такое устройство обладает определенной способностью приспосабливаться к изменению свойств объекта управления и самостоятельно модифицировать закон управления в соответствии с правилами, основанными на знаниях, то такая система управления обладает большей степенью интеллектуальности. Еще большее увеличение интеллектуальности системы может быть достигнуто, если и алгоритм управления, и методы его модификации используют методы искусственного интеллекта. Этим требованиям отвечают адаптивные нечеткие САУ.

3. Адаптивные нечеткие САУ. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется адаптивный нечеткий контроллер - двухуровневое иерархическое устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее на первом уровне управляющее воздействие посредством реализации одной из рассмотренных ранее схем нечеткого вывода. На втором уровне осуществляется коррекция базы правил системы нечеткого вывода при помощи одного из методов нечеткого вывода. Таким образом, при изменении среды функционирования нечеткой адаптивной САУ верхний уровень осуществляет интеллектуальную адаптацию системы нечеткого вывода нижнего уровня, который в свою очередь представляет устройство автоматического принятия решений на основе знаний эксперта.

Данная классификация нечетких систем является далеко не окончательной, поскольку в настоящее время ведутся работы по дальнейшему увеличению интеллектуальности нечетких САУ в соответствии с реализацией всех принципов IPDI и стремлении прийти от систем, интеллектуальных в малом, к системам, интеллектуальным в большом. Эти цели могут быть достигнуты путем комбинации различных подходов к построению интеллектуальных систем в составе многоуровневых интеллектуальных контроллеров, органично сочетающих принципы и методы нечеткого вывода, ситуационного управления, инженерии знаний, нейронных сетей и эволюционного моделирования. Наиболее перспективным в этом плане, с точки зрения авторов, является разработка интеллектуальных САУ, строящихся на базе нечетких нейронных сетей, что позволяет сочетать как методы работы с нечеткой информацией и знаниями, так и способность систем к самостоятельной адаптации.

2.1 САУ с нечетким контроллером

При синтезе САУ с нечетким контроллером основная доля работы приходится на конструирование базы нечетких продукционных правил. Нечеткий контроллер реализует управление по состоянию, если продукции базы правил строятся с использованием лингвистических переменных, характеризующих состояние объекта. В этом случае цель управления в виде желаемого состояния объекта управления неявно вводится в базу правил экспертом на стадии формирования базы нечетких продукционных правил. Архитектура САУ с нечетким контроллером, реализующей управление по состоянию, выглядит следующим образом (рис.3.1).

Рис .3.1. САУ с нечетким контроллером и управлением по состоянию

Обобщенный объект управления включает в себя непосредственно управляемый технологический процесс, усилительно преобразующие механизмы, органы регулирования и датчики измерения переменных состояния объекта управления. Входные переменные, характеризующие реальное и желаемое состояния объекта управления, подвергаются фаззификации и используются в системе нечеткого вывода. Система нечеткого вывода содержит базу нечетких продукционных правил обобщенного вида ЕСЛИ «состояние объекта» ТО «воздействие на объект», в которой в нечеткой форме представлены знания экспертов по управлению данным технологическим процессом при движении к желаемому состоянию объекта на основе знаний о величинах, характеризующих действительное состояние объекта. В результате нечеткого вывода и последующей дефаззификации получаются четкие значения выходных переменных, которые используются для последующего управления технологическим процессом.

Пример. В смеситель подается холодная и горячая вода по двум трубопроводам с расходом и температурой t хол , G хол и t гор , G гор соответственно. Регулировка температуры воды t на выходе из смесителя достигается путем изменения расхода горячей воды G гор на входе смесителя. Рассмотрим нечеткое управление обобщенным динамическим объектом, включающим в себя регулируемый вентиль с коэффициентом передачи k вент , смеситель и датчик температуры с передаточной функцией W дат (s) (рис.3.2), при помощи нечеткого контроллера, синтезирующего воздействие u , эквивалентное углу поворота вентиля крана горячей воды, исходя из оценки комфортности температуры воды на выходе смесителя.

Рис.3.2. Пример построения интеллектуальной САУ с нечетким контроллером, реализующим управление по состоянию

Эвристические правила, применяющиеся при регулировании температуры воды на выходе смесителя посредством поворота вентиля вправо/влево относительно среднего положения, соответствующего комфортной температуре воды на выходе смесителя:

· ЕСЛИ «вода горячая» ТО «повернуть вентиль на большой угол вправо»;

· ЕСЛИ «вода не очень горячая» ТО «повернуть вентиль на небольшой угол вправо»;

· ЕСЛИ «вода теплая» ТО «не менять положения вентиля»;

· ЕСЛИ «вода прохладная» ТО «повернуть вентиль на небольшой угол влево»;

· ЕСЛИ «вода холодная» ТО «повернуть вентиль на большой угол влево».

Формализация описания температуры воды на выходе из смесителя и угла поворота вентиля крана горячей воды проведена при помощи лингвистических переменных, в кортеже которых содержится по пять нечетких переменных, функции принадлежности которых представлены на рис.3.3.

Рис .3.3. Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани

Рис .3.4. Динамика объекта управления при разомкнутом управлении (1) и при управлении по состоянию с помощью нечеткого контроллера Мамдани (2)

Если произвести имитационное моделирование объекта управления при нормально распределенной t хол с математическим ожиданием 20 o С и дисперсией 4 o С 2 , нормально распределенным G хол с математическим ожиданием 0,05 м 3 /сек и дисперсией 0,0005( м 3 /сек ) 2 , нормально распределенной t гор с математическим ожиданием 70 o С и дисперсией 5 o С 2 , k вент 0,001м 3 / (сек?град) , W дат (s) = 1 0,1s+1 , то можно получить реализацию динамики процесса стабилизации комфортной температуры воды на выходе из смесителя при нечетком управлении в САУ с использованием нечеткого вывода на рассмотренной базе правил согласно алгоритма Мамдани (рис.3.4).

Нечеткий контроллер реализует управление по отклонению, если продукции базы правил строятся с использованием лингвистических переменных, характеризующих отклонение реального и желаемого состояний объекта. В этом случае цель управления в виде желаемого состояния объекта управления явно вводится в систему управления при помощи задающего устройства. Архитектура САУ с нечетким контроллером, реализующей управление по отклонению, выглядит следующим образом (рис.3.5).

Рис. 3.5. САУ с нечетким контроллером и управлением по отклонению

Входные переменные, характеризующие различия между реальным и желаемым состоянием объекта управления, подвергаются фаззификации и используются в системе нечеткого вывода. Система нечеткого вывода содержит базу нечетких продукционных правил обобщенного вида ЕСЛИ «отклонение от желаемого состояния объекта» ТО «воздействие на объект», в которой в нечеткой форме представлены знания экспертов по управлению данным технологическим процессом при движении к желаемому состоянию объекта на основе знаний о величинах, характеризующих отклонение объекта от желаемого состояния.

Рис. 3.6. Пример построения интеллектуальной САУ с нечетким контроллером, реализующим управление по отклонению

Пример. Рассмотрим нечеткое управление динамическим объектом (рис.3.6) при помощи нечеткого контроллера, синтезирующего воздействие на объект управления посредством системы нечеткого вывода с базой продукционных правил, представленных в таблице 3.1. Управление осуществляется по двум переменным: отклонению e и скорости изменения отклонения de dt желаемой выходной переменной y зад объекта управления от ее действительного значения y .

Таблица 3.1

Формализация описания отклонения и скорости изменения отклонения выхода объекта управления от требуемого значения, а также управляющего воздействия, проведена при помощи лингвистических переменных, в кортеже которых содержится по девять нечетких переменных, соответствующих понятиям отрицательного малого NS, отрицательного среднего NM, отрицательного большого NB, отрицательного близкого к нулю ZN, приблизительно нулевого Z, положительного близкого к нулю ZP, положительного малого PS, положительного среднего PM, положительного большого PB значений соответствующих физических величин, функции принадлежности которых представлены на рис.3.7(a,б).

Если обобщенный объект управления представить в виде последовательного соединения двух апериодических звеньев K ( T 1 s+1)( T 2 s+1) с коэффициентом усиления K и постоянными времени T 1 , T 2 , являющимися непрерывными случайными величинами, распределенными нормально с математическим ожиданием m k = 1 , m 1 = 1 , m 2 = 1 и дисперсией D k = 0,05 , D 1 = 1 , D 2 = 4 соответственно, то можно получить переходный процесс в САУ при нечетком управлении с использованием нечеткого вывода на рассмотренной базе правил согласно алгоритму Мамдани (рис.3.8).

Рис.3.7(а). Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани)

Рис.3.7(б). Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани

На рис.3.8 для сравнения представлен переходный процесс при альтернативном ПИД-регулировании с параметрами регулятора, рассчитанными по минимаксному критерию исходя из математических ожиданий постоянных времени объекта управления. Несмотря на то, что рассмотренное в данном примере представление сложного слабоструктурированного объекта посредством апериодических звеньев с нестационарными постоянными времени весьма отдаленно напоминает реальную сложную систему, анализ полученных переходных характеристик позволяет сделать вывод об устойчивости рассматриваемого нечеткого управления, а также как о его недостатках в виде больших инерционности и перерегулирования, так и о его преимуществах с точки зрения минимизации СКО при стабилизации стационарного режима объекта управления, по сравнению с традиционным ПИД-регулятором.

Рис.3.8. Переходные процессы в сложной САУ с контроллером Мамдани (1) и с ПИД-регулятором (2)

Таким образом, динамика САУ с нечетким контроллером всецело определяется архитектурой системы нечеткого вывода: методом построения и содержанием базы продукционных правил, а также способом реализации алгоритма нечеткого вывода. Поэтому при проектировании рассмотренного типа САУ с особой тщательностью необходимо подходить к выбору экспертов, методикам экспертного опроса и формированию базы правил. Что касается выбора способов реализации отдельных этапов алгоритма нечеткого вывода, то, как уже было отмечено ранее, этот вопрос в настоящее время решается в большей степени интуитивно, поскольку пока не существует законченной и целостной методики синтеза алгоритма нечеткого вывода на базе продукционных правил, позволяющего реализовать нечеткое управление в соответствии с заданной заранее какой либо оценкой требуемого качества данного управления. Как правило выбор конкретного алгоритма нечеткого вывода осуществляется из ограниченного числа их возможных реализаций эмпирическим путем. Вопрос аналитического конструирования нечеткого контроллера, реализующего нечеткое управление объектом «наилучшим» (в смысле какого либо критерия) образом на данный момент остается открытым.

3. САУ температурой ферментатора

Объектом управления является биохимический процесс ферментации, связанный с жизнедеятельностью специализированной культуры микроорганизмов и протекающий в специальном устройстве - ферментаторе, в котором поддерживается определенный температурный режим. Цель управления заключается в стабилизации температуры среды ферментатора, наиболее благоприятной для роста и развития микроорганизмов. Наиболее ответственным с точки зрения кинетики процесса является момент запуска процесса ферментации и вывод объекта управления в установившийся режим с фиксированной температурой среды ферментатора, поскольку на данном этапе происходит массовый рост колонии микроорганизмов, сопровождающийся дополнительным тепловыделением, связанным с их жизнедеятельностью. Таким образом, при выводе ферментатора на установившийся температурный режим необходимо учитывать собственное тепловыделение питательной среды ферментатора.

Процесс размножения микроорганизмов в питательном растворе с ограниченными ресурсами описывается уравнением Ферхюльста:

dN dt = KN N max - N N max ,

где N - концентрация микроорганизмов в единице питательного раствора, N max - максимальная возможная концентрация микроорганизмов в единице питательного раствора при заданной концентрации питательных веществ и температурном режиме, K - коэффициент, отражающий скорость роста колонии и зависящий от совокупности факторов, определяющих скорость размножения микроорганизмов. Как правило, K в большей степени зависит от температуры и является функцией колоколообразного вида с максимумом в точке со значением температуры, наиболее благоприятной для размножения микроорганизмов. т.е. и при низких, и при высоких температурах развитие колонии существенно замедляется. Собственное тепловыделение колонии T 1 = k 1 N , где T 1 - избыточная температура, обусловленная жизнедеятельностью микроорганизмов, k 1 - коэффициент пропорциональности.

Отопление ферментатора осуществляется при помощи калорифера с теплоносителем, расход которого регулируется клапаном расхода с электроприводом. Постоянная времени развития колонии существенно больше постоянной времени тепловых переходных процессов. Однако, для того чтобы при регулировании температуры среды ферментатора не происходило резких температурных скачков, нежелательных для процесса биохимического синтеза, при помощи специфических технических решений (теплоизоляция, равномерное распределение тепла за счет введения множества тепловыделяющих элементов и т.п.) искусственно увеличивают время переходных процессов, протекающих между нагревательными элементами ферментатора и питательной средой и определяемых теплофизическими свойствами агрегата. В результате такого технического решения, объяснимого с точки зрения ограничений температурного градиента раствора ферментатора и продиктованного спецификой объекта управления, инерционностью тепловых процессов при нагреве ферментатора за счет подаваемого теплоносителя становится сравнимой со скоростью развития колонии микроорганизмов и измеряется часами. Таким образом, избыточная температура, вносимая калорифером, T 2 = k 2 p T кал p+1 u , где T 2 - избыточная температура, обусловленная жизнедеятельностью микроорганизмов, где k 2 - коэффициент усиления, u - управление электроприводом, меняющим угол поворота клапана расхода теплоносителя, T кал - искусственно увеличенная постоянная времени переходных тепловых процессов (не путать с обозначением температур T 1 T 2 T 3 T )

При постоянно поддерживаемой концентрации питательных веществ в ферментаторе N max = k 3 · K , где k 3 - коэффициент пропорциональности, т.е. максимальная концентрация определяется температурным режимом, поскольку K имеет максимальное значение при температуре T питательного раствора ферментатора, наиболее благоприятной для роста микроорганизмов. На температурный режим ферментатора возмущающее воздействие оказывает температура внешней среды T 3 .

Структурная схема традиционной системы управления температурой ферментатора представлена на рис.4.15.

Рис. 4.15. Структурная схема САУ температурой ферментатора с ПИД-регулятором

Моделирование традиционной САУ при следующих параметрах объекта управления: ие оказывает температура внешней среды k i = 0,25 , k p = 0,2 , k d = 0,25 , k 1 = 10 -12 , k 2 = 1 , k 3 = 5? 10 12 , T кал = 10 4 с -1 , a = 50 , b = 20 ; в случае пуска ферментатора с начальной температуры T = T 3 = 20 C о , до T = T зад = 50 C о ,соответствующей установившемуся режиму работы с максимальным показателем роста колонии микроорганизмов показывает, что при ПИД-регулировании в системе неизбежно присутствует перерегулирование (рис.4.16).

Рис. 4.16. Результаты моделирования динамики САУ с ПИД-регулятором; слева - температура ферментатора T , C o ; справа - концентрация N , 10 12 / см 3 ; t изм. в часах

система автоматический управление интеллектуальный

Причем, в случае достаточно большого показателя k 1 собственного тепловыделения биохимического синтеза, невозможно найти такие коэффициенты ПИД-регулятора, при которых перерегулирование отсутствует. Это обусловлено тем, что САУ построена по принципу обратной связи по температуре ферментатора, и совершенно не учитывает внутреннее тепловыделение, происходящее в ферментаторе в результате жизнедеятельности микроорганизмов. С точки зрения регулятора, внутренне тепловыделение T 1 формально является внешней возмущающей помехой. Поэтому, при стабилизации температуры ферментатора T возникает парадоксальная ситуация: компенсируя влияние на тепловой баланс внутреннего тепловыделения, этой «якобы помехи», ПИД-регулятор провоцирует ее проявление, поскольку меняя температурный режим ферментатора, он опосредованно изменяет собственное тепловыделение процесса биохимического синтеза. Ситуация неразрешима традиционными методами теории управления, поскольку невозможно ввести обратную связь, учитывающую только внутренний приток тепла за счет собственного тепловыделения. Косвенно можно оценить это избыточное теплопоступление, зная концентрацию микроорганизмов в ферментаторе. Однако, более менее точную оценку N возможно получить только в результате лабораторных исследований, т.е. такая скорость получения информации приемлема только для оценки статического установившегося режима работы ферментатора, а для управления динамикой процесса нужен датчик, осуществляющий мгновенную оценку концентрации N . В качестве такого датчика может быть использовано устройство, оценивающее концентрацию микроорганизмов по ряду косвенных моментально измеряемых величин: как-то прозрачность раствора (оптические датчики), концентрация продуктов жизнедеятельности (датчики химического состава) и т.п. Однако, ввиду специфики микробиологических процессов, такой датчик будет иметь существенную погрешность, поэтому полученную оценку N нельзя использовать в качестве корректирующего сигнала при синтезе управления. Использование же традиционной системы с ПИД-регулятором и неизбежным перерегулированием не всегда приемлемо, поскольку превышение оптимальной температуры ферментации негативно сказывается на качестве конечного продукта процесса ферментации; в противном случае с перерегулированием вполне можно было бы мириться: на динамике роста колонии микроорганизмов оно сказывается несущественно.

Тем не менее, возможно построить систему управления, оперирующую при стабилизации температурного режима ферментатора такой весьма приблизительной оценкой концентрации N . Для нечеткой системы управления достаточно будет интерпретировать концентрацию микроорганизмов в понятиях «мало», «средне», «много», что вполне возможно даже при достаточно низкой точности измерения N . Структурная схема такой нечеткой САУ представлена на рис.4.17.

Рис 4.17. Структурная схема САУ температурой ферментатора с fuzzy-регулятором

Отсутствие ограничений по входам нечеткого контроллера объясняется тем, что функции принадлежности лингвистических переменных изначально задаются в пределах физически возможных значений входных величин: температура ферментатора на интервале ( 20 о C; 80 о C ) , концентрация микроорганизмов на интервале ( 0; 1 ) с учетом коэффициента передачи датчика концентрации k дат = 0,2?10 -12 и пределом роста концентрации N max = 5?10 12 при оптимальной температуре ферментации T = 50 o C для заданных ранее параметров модели объекта управления. Сигнал задания требуемого значения температуры ферментации отсутствует, поскольку ее значение задается неявно при формулировке базы продукционных правил системы нечеткого вывода и определении термов лингвистической переменной «температура ферментатора».

Лингвистическая переменная «температура ферментатора», соответствующая входу нечеткого контроллера T , задается термами BLnorm-«намного ниже нормы», Lnorm-«ниже нормы», norm-«норма», Hnorm-«выше нормы», BHnorm-«намного выше нормы», причем мода нечеткого множества, определяющего понятие «норма» соответствует оптимальной температуре ферментации - в рассматриваемом примере 50 o C (см.рис.4.18(а)).

Лингвистическая переменная «концентрация микроорганизмов», соответствующая входу нечеткого контроллера N и измеряемая косвенно при помощи датчика концентрации k дат , задается термами low-«низкая», middle-«средняя», high-«высокая», причем соответствующие нечеткие множества имеют очень большой индекс нечеткости (см.рис.4.18(б)), поскольку, как уже было отмечено ранее, датчик концентрации микроорганизмов имеет существенную погрешность, связанную со спецификой методов измерения и контроля данной величины, и дает весьма приблизительную оценку концентрации микроорганизмов в среде ферментатора.

Рис.4.18 (а). Функции принадлежностей лингвистических переменных, определяющих нечеткое представление температуры ферментации в качестве входного сигнала нечеткого контроллера

Рис.4.18 (б). Функции принадлежностей лингвистических переменных, определяющих нечеткое представление концентрации микроорганизмов в качестве входного сигнала нечеткого контроллера

Лингвистическая переменная «приращение угла поворота клапана», соответствующая выходу нечеткого контроллера , задается термами NB-«отрицательное большое», NS-«отрицательное малое», Z-«нулевое», PS-«положительное малое», PB-«положительное большое» на конечном интервале, соответствующем физическим ограничениям на входной сигнал управления клапаном подачи теплоносителя в отопительную систему ферментатора (рис.4.19).

Рис.4.19. Функции принадлежностей лингвистических переменных, определяющих нечеткое представление приращения угла поворота клапана в качестве выходного сигнала нечеткого контроллера.

Лингвистические правила, которыми следует руководствоваться при выборе нечеткого значения управления клапаном подачи теплоносителя в систему отопления ферментатора и которыми, основываясь на опыте эксплуатации объекта управления, руководствуется персонал при запуске ферментатора и его выводе на установившийся режим работы выглядят следующим образом:

· ЕСЛИ «температура ферментатора» «намного выше нормы» ТО «приращение угла поворота клапана» «отрицательное большое»;

· ЕСЛИ «температура ферментатора» «выше нормы» ТО «приращение угла поворота клапана» «отрицательное малое»;

· ЕСЛИ «температура ферментатора» «ниже нормы» ТО «приращение угла поворота клапана» «положительное малое»;

· ЕСЛИ «температура ферментатора» «намного ниже нормы» ТО «приращение угла поворота клапана» «положительное большое»;

· ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «низкая»ТО «приращение угла поворота клапана» «нулевое»;

· ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «средняя» ТО «приращение угла поворота клапана» «отрицательное большое»;

· ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «низкая»ТО «приращение угла поворота клапана» «нулевое».

Очевидно, что база нечетких правил определена не полностью на всем пространстве значений нечетких переменных, поэтому при программировании нечеткого контроллера соответствующая часть правил не вводится (рис.4.20).

Рис. 4.20. База правил нечеткого контроллера

Результаты моделирования работы нечеткой САУ температурой ферментатора с контроллером Мамдани представлены на рис.4.21.

Сравнительный анализ динамики САУ температурой ферментатора с ПИД-регулятором и с нечетким регулятором показывает, что при реализации fuzzy-управления удается на 15% уменьшить время набора ферментатором максимальной концентрации микроорганизмов и на 5% снизить перерегулирование температуры ферментатора. Эффективность управления повышается за счет того, что нечеткий регулятор прекращает увеличивать подачу теплоносителя раньше, чем это делает ПИД-регулятор, поскольку кроме сигнала ошибки между заданной и фактической температурой ферментатора оперирует еще и оценкой количества микроорганизмов в ферментаторе. Фактически нечеткая САУ ведет себя подобно человеку: оценивая текущую микробиологическую ситуацию в растворе, прекращает нагревание ферментатора заблаговременно, рассчитывая на то, что недобранное объектом управления тепло будет получено за счет собственного тепловыделения биохимической реакции и, таким образом, требуемой температуры среды удастся достичь без перерегулирования и перегрева рабочего пространства ферментатора.

Результаты моделирования работы нечеткой САУ; слева -T , C o ; справа -N , 10 12 / см 3 ; t изм. в часах

Приведенный пример наиболее точно отражает идеологию применения нечетких САУ: использование автоматического fuzzy-управления в случае, когда в принципе невозможен синтез управления методами ТАУ, но существует опыт эксплуатации объекта, позволяющий сформулировать в лингвистической форме правила управления, приводящие к приемлемому результату.

4. Патентный Поиск

Список литературы

1. Поспелов Д.А. Ситуационное управление: теория и практика.-М.:Наука, 1986.-288 с.

2. Нечеткие множества в моделях управления и искусственного интеллекта / под. ред. Д.А.Поспелова.-М.:Наука, 1986.-312с.

3. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом.-М.:Радио и связь, 1990.-264с.

4. Алиев Р.А., Церковный А.Э., Мамедов Г.А. Управление производством при нечеткой исходной информации.-М.:Энергоатомиздат, 1991.-240 с.

5. Кафаров В.В., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. -М.:Наука, 1986.-360с.

6. Искусственный интеллект. Применение в интегрированных производственных системах. / под.ред. Э. Кьюсака: Пер. с англ. -М.: Машиностроение, 1991.-544с.

7. Пивкин В.Я., Бакулин В.П., Кореньков Д.И. Нечеткие множества в системах управления. -Новосибирск: изд-во НГУ, 1998.-75 с.

8. Подлесный Н.И., Рубанов В.Г. Элементы систем автоматического управления и контроля. -Киев: Выща школа, 1991.-461с.

9. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Эволюция и принципы построения // Известия РАН: Техническая кибернетика. -1993. -№4. -С.189-205.

10. Представление и использование знаний. / под.ред. Х.Уэно: Пер. с япон. -М.: Мир, 1989. -220 с.

11. Осуга С. Обработка знаний: Пер. с япон. -М.: Мир, 1989. -293 с.

12. Бочарников В.П. Fuzzy-технология: математические основы, практика моделирования в экономике. - С.Пб: Наука РАН, 2001. - 328 с.

13. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.:Радио и связь, 1989.-184с.

14. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. -М.:Наука, 1989.-328 с.

15. Захаров В.И., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Научно- организационные, технико-экономические и прикладные аспекты // Изв. РАН.Техническая кибернетика. - 1992. - N 5. - C. 171-196.

16. Константинов И.С., Филатов А.Г., Касьянов Ю.В. Принципы построения интеллектуальных автоматизированных систем управления с нечетким регулированием на базе логико-лингвистических моделей представления знаний // Сборник трудов Седьмых Академических чтений РААСН “Современные проблемы строительного материаловедения”.-Белгород.-2001.С.154-158

17. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р.Р.Ягера.-М.: Радио и связь, 1986.- 408 с.

18. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений.-М: Радио и связь, 1989.-304 с.

19. Литвак Б.Г. Экспертная информация. Методы получения и анализа.- М.: Радио и связь, 1982.-84 с.