Содержание к диссертации
Введение
1 Анализ состояния инновационной деятельности и эффективности управления в металлургии 15
1.1 Становление АСУ в металлургии 15
1.2 Эволюция технических средств и сферы действия АСУ 18
1.3 Качество АСУ и методы его оценки 22
1.4 Использование прогноза при управлении инновационными процессами в АСУ 27
1.5 Принятие решений по выбору инновационного проекта АСУ... 32
1.5.1 Принятие решений в условиях многокритериальное 32
1.5.2 Выбор на основе методов теории нечетких множеств 35
1.5.3 Выбор на основе метода анализа иерархий 39
1.6 Проблемы управления технологическими агрегатами и пути их преодоления 41
1.7 Развитие математического аппарата и идеологии АСУ 45
1.8 Использование методов искусственного интеллекта в решении задач управления 55
1.8.1 Общая характеристика методов искусственного интеллекта 55
1.8.2 Использование аппарата нечеткой логики 56
1.8.3 Применение нейронных сетей для качественного совершенствования управления 60
1.8.4 Использование генетических алгоритмов для решения задач оптимизации 66
1.8.5 Сохранение уникального опыта профессионалов в экспертных системах 69
1.9 Перспективы интеллектуализации управления организационными системами 70
1.10 Основные направления и задачи исследований 74
2 Разработка теоретических основ оценки прогностических характеристик развития АСУ и обобщенной модели интеллектуального управления 76
2.1 Определение научно-технического уровня АСУ 76
2.2 Выбор вида и параметров прогностической функции динамики развития АСУ 85
2.3 Выбор инновационного проекта АСУ 97
2.3.1 Разработка алгоритма выбора на основе аппарата нечетких множеств 97
2.3.2 Выбор варианта модернизации АСУ на основе метода анализа иерархий .; 99
2.4 Анализ эффективности предложенных методов прогнозирования развития АСУ и обоснования инновационных мероприятий по их модернизации 103
2.5 Разработка обобщенной модели интеллектуального управления на основе теории информации 105
2.6 Организация решения инженерной задачи интеллектуального управления 115
2.7 Разработка интегрированной информационной системы принятия инновационных решений в условиях интеллектуализации управления 125
2.8 Выводы 130
3 Исследования методов и разработка систем управления на основе нечеткой логики 135
3.1 Нечеткое управление уровнем металла в кристаллизаторе МНЛЗ 136
3.1.1 Характеристика объекта управления 136
3.1.2 Детерминированная составляющая системы управления 137
3.1.3 Нечеткое регулирование процесса кристаллизации 142
3.2 Нечеткая система управления процессом обжига сырых окатышей 149
3.2.1 Краткая технологическая характеристика объекта 149
3.2.2 Детерминированная составляющая 152
3.2.3 Нечеткая составляющая 156
3.2.4 Результаты сравнения 161
3.3 Управление на основе нечеткой логики процессом мокрого помола руды 163
3.3.1 Описание объекта автоматизации 163
3.3.2 Математическая модель 163
3.3.3 Построение нечеткой системы 165
3.4 Интеллектуализация управления процессом окомкования 172
3.4.1 Особенности технологического процесса 172
3.4.2 Построение СУ на базе нечеткой логики 173
3.5 Выводы 178
4 Разработка технологии и практическая реализация нейросетевого управления металлургическими объектами 180
4.1 Формирование составляющих технологии нейросетевого управления І 80
4.1.1 Выбор архитектуры системы и параметров сети 181
4.1.2 Определение функций активации, множеств входов и выходов сети 184
4.1.3 Выбор количества слоев и нейронов 185
4.1.4 Определение метода обучения, обучающего и экзаменующего множеств 186
4.1.5 Построение и подключение нейроэмуляторов 189
4.1.6 Выбор алгоритма обучения 190
4.2 Временное уплотнение обучения нейронных сетей 192
4.2.1 Задача исследования 192
4.2.2 Характеристика исследований и оценка результатов 193
4.3 Разработка нейросетевых систем управления термическими процессами 198
4.3.1 Управление температурным режимом получения металлизованных окатышей 19S
4.3.2 Нейросетевое формирование уставок для регуляторов АСУ ТП обжиговой печью 203
4.3.3 Управление печью нагрева с обучением по эталонной модели , , 209
4.3.4 Адаптивное управление шахтной печью 213
4.4 Управление механическими агрегатами 221
4.4.1 Управление с самонастройкой обжимной клетью сортопрокатного стана 221
4.4.2 Автоматизация гидроциклона с использованием рекурентной сети 228
4.4.3 Управление работой штабелера на основе параллельного нейроуправления 233
4.4 Выводы 242
5 Интеллектуализация организационных задач на основе экспертного анализа 245
5.1 Экспертная система технического обслуживания и ремонтов оборудования на металлургических заводах 245
5.1.1 Обоснование возможности и необходимости построения экспертной системы ТО и Р металлургического оборудования 245
5.1.2 Построение базы знаний 248
5.1.3 Модель для формализации процесса поиска решений 252
5.1.4 Разработка критериев принятия решений 256
5.1.5 Автоматизация процедуры принятия решений в экспертной системе , 259
5.2 Экспертная система шахтной печи 263
5.2.1 Обобщенная задача управления 263
5.2.2 Разработка нечеткой экспертной системы 267
5.2.3 Описание функционирования системы 268
5.2.4 Просмотр вариантов целевой функции 271
5.2.5 База правил системы поддержки принятия решений и вывод решения 274
5.3 Интеллектуализация задачи оперативного планирования процесса выплавки стали в дуговых сталеплавильных печах 277
5.3.1 Анализ предметной области в условиях детерминированного решения 277
5.3.2 Анализ проблем живучести контактного графика 284
5.3.3 Разработка ситуационного управления 287
5.4 Выводы 297
Заключение 299
Список литературы 305
Приложения 341
- Развитие математического аппарата и идеологии АСУ
- Разработка обобщенной модели интеллектуального управления на основе теории информации
- Построение нечеткой системы
- Характеристика исследований и оценка результатов
Введение к работе
Актуальность работы. Особенностью современной металлургии является её интеграция с горно-обогатительными производствами, приводящая к образованию единых горно-металлургических технологических территориально-промышленных комплексов. В условиях такой интеграции важной составляющей организации комплексного производства является создание эффективных интегрированных информационных и автоматизированных систем управления.
Решение этих задач в условиях рыночной экономики требует создания новых и совершенствования действующих промышленных АСУ по всем характеристикам технического, программно-информационного и организационного обеспечения с целью согласования структуры, функций и показателей систем управления (СУ) с современными требованиями и условиями функционирования.
Затраты на проведение инновационных мероприятий в АСУ составляют значительную часть общих расходов на техническое перевооружение металлургических предприятий в целом. Стратегические решения по модернизации систем приходится принимать в условиях высокой нечеткости и неопределенности (энтропии) исходной информации.
Сложность задачи управления инновационными процессами в промышленных АСУ определяется трудностью оценивания их научно-технического уровня (НТУ), который характеризуется множеством качественных и количественных показателей. Необходимо учитывать комплексный характер и разнообразие конфигураций АСУ, составов технических средств, программного и информационного обеспечения, спектр решаемых задач. На данный момент отсутствует единая концепция построения обобщенного показателя качества АСУ и методика формирования его составляющих. В результате, на целом ряде металлургических предприятий наблюдается неадекватно низкая экономическая отдача от значительных затратна внедрение новых систем управления.
Для изменения ситуации представляется актуальным:
разработать научно-обоснованную методологию анализа и оценки качества сложных АСУ на разных стадиях эксплуатации, определения общих тенденций динамики АСУ, прогнозирования эволюции их качества, установления факта морального старения и выявления экономически перспективных научно-технических решений; на основе методологии синтезировать принципы планирования мероприятий по совершенствованию систем управления с применением современных методов принятия решений;
осуществить демонстрацию эффективности разработанных методик проведением в соответствии с ними мониторинга и анализа тенденций развития систем управления на предприятиях горно-металлургического комплекса и выяснить причины насыщения кривых роста технико-экономических показателей при внедрении новых аппаратно-программных средств АСУ;
разработать методологию повышения эффективности систем управления за счет систематического применения интеллектуальных процедур принятия решений и снижения информационной энтропии о закономерностях технологических процессов на основе последних достижений теории управления, использующих совре-
менные возможности обработки информации, включая методы искусственного интеллекта.
Исследования по совершенствованию систем автоматического управления на базе использования различных методов искусственного интеллекта активно ведутся в нашей стране и за рубежом. Так, результаты исследований отечественных школ Галушкина А.И., Круглова В.В., Терехова В.А., Кузнецова Л. А. и др. в области искусственных нейронных сетей; Салихова З.Г., Ротача В.Я., Кудинова Ю.И. и др. в области нечетких алгоритмов; Попова Э.В., Ларичева О.И., Поспелова Д.А. и др. в области динамических экспертных систем создали объективные предпосылки для решения актуальной задачи разработки единой методологии интеллектуального управления, обеспечивающего повышение эффективности АСУ.
Работа выполнена в соответствии с научными направлениями Научного центра нейрокомпьютеров РАН «Нейроуправление горно-металлургическими технологическими процессами» и «Современные сложные системы управления» Староос-кольского технологического института (филиала) МИСиС в докторантуре Липецкого государственного технического университета.
Цель работы. Разработка научно-обоснованной методологии анализа и повышения эффективности АСУ на основе использования современных интеллектуальных методов управления и демонстрация её эффективности на примерах горно-металлургических предприятий региона Курской магнитной аномалии (КМА).
Для достижения этой цели в диссертации решены следующие основные задачи:
1. На основе использования современных достижений теории принятия решений
и системного анализа создана методология управления инновационными процес
сами в АСУ предприятий горно-металлургического комплекса, для чего:
разработан математический аппарат для определения НТУ АСУ разных типов и уровней автоматизации, опирающийся на концепцию принципа максимума неопределенности;
разработана прогностическая модель, позволяющая строить логистическую кривую, траектория которой позволяет судить об имеющихся резервах повышения НТУ систем путем модернизаций и планировать направления их реализации;
разработана методика, позволяющая принимать решения по выбору наиболее эффективных инновационных проектов АСУ в условиях многокритериальности и неопределенности с привлечением аппарата нечетких множеств и метода анализа иерархий.
-
На основе мониторинга развития систем управления на горно-металлургических предприятиях региона Курской магнитной аномалии получено практическое подтверждение эффективности разработанной методологии прогнозирования их развития. Проведенные исследования прогностических моделей развития систем управления на основных видах металлургических производств, показали возможность выявления причин низкой экономической отдачи от внедрения новых средств АСУ. В частности, на предприятиях КМА - они могут быть преодолимы применением достаточно простых и дешевых адаптивных функций, способных существенно повлиять на качество и эффективность управления.
-
На основе всестороннего анализа мирового и отечественного опыта по применению методов искусственного интеллекта в решении задач автоматизации с ис-
пользованием последних достижений в области теории принятия решений разработана методология интеллектуализации алгоритмов и систем управления с учетом особенностей металлургических технологий, включающая:
разработку обобщенной модели интеллектуального контроллера, в виде обратного отображения информационного портрета объекта управления, полученного в условиях производственной вариабельности его входных и выходных переменных;
разработку метода определения интеллектуальной основы контроллера из числа возможных вариантов интеллектуализации с применением теории поиска решений в пространстве состояний и целей;
разработку интегрированной информационной системы поддержки процедур подготовки альтернативных вариантов, выбора рациональных проектов АСУ и принятия инновационных решений в условиях интеллектуализации управления.
4. Исследованы возможно сти практической реализации предлагаемой методоло
гии интеллектуализации управления и показана её эффективность на конкретных
производствах и технологиях предприятий горно-металлургического производства
региона, включая:
реализацию интеллектуальных контроллеров на основе алгоритмов нечеткой логики в качестве альтернативы существующим системам детерминированного управления, а также в виде интеллектуальной надстройки, обеспечивающей адаптивную подстройку ПИД-регуляторов;
демонстрацию эффективности интеллектуализации управления на основе искусственных нейронных сетей (ИНС) в различных вариантах использования последовательного, параллельного и нейроуправлейия с самонастройкой.
5. Предложена концепция адаптивного управления организационно^технически-
ми системами путем применения интеллектуальных интерфейсов на основе ис
пользования экспертных и экспертно-нечетких систем и показана их эффективность
на примере решения организационно-технических и планово- диспетчерских задач.
Методы исследования. В ходе исследования использованы теорій и методы системного анализа, теории идентификации, информационно-статистического анализа, комбинаторно-морфологического анализа систем, принятия решений, нечетких множеств, нейронных сетей; функционального анализа и математического моделирования с использованием современных средств алгоритмического и программного обеспечения.
Обоснованность и достоверность. Обоснованность разработанной методологии управления инновационными процессами определяется тем, что она опирается на всесторонний анализ существующих методов комплексной оценки качества сложных систем, учитывающих особенности и уровень развития функциональной и обеспечивающей частей АСУ, её экономические и надежностные характеристики. Представляемая методика базируется на результатах, полученных видными учеными в области прогнозирования развития сложных систем.
Обоснованность методов интеллектуализации управления горно-металлургичес
кими процессами основывается на последних научных достижениях в области ней
ронных сетей, экспертных систем и нечетких алгоритмов. .,...- <
Достоверность подтверждается результатами опытно-промышленной апробации на предприятиях, моделированием систем, вычислительными экспериментами и
сравнительным анализом результатов моделирования с реальными производственными данными, а также экспертными оценками специалистов.
Научная новизна результатов заключается в разработке методологии комплексной оценки качества АСУ позволяющей прогнозировать и планировать развитие систем, обеспечивать повышение их эффективности за счет систематического использования методов искусственного интеллекта. Методология включает: .
-
Методику, определения НТУ АСУ и построения логистической кривойихразвития, траектория которой позволяет оценить имеющиеся резервы модернизации и определить наиболее перспективные направления её реализации.
-
Методику определения обоснованных решений по выбору наиболее эффективных инновационных проектов АСУ, опирающуюся на аппарат нечетких, множеств и метод анализа иерархий.. !'.'".
-
Применение разработанной методологии для мониторинга развития сложных систем управления на предприятиях горно-металлургического комплекса, позволило выявить закономерности, выражающиеся в стремлении логистической кривой развития СУ к насыщению в рамках существующей организации структурного и алгоритмического обеспечения, базирующихся на классической теории управления.
-
Методологию построения адаптивных систем, обеспечивающих принципиальное повышение качества управления за счет использования методов искусственного интеллекта и обобщенной модели интеллектуального контроллера, реализующего идею инверсно-прямого управления.
-
С привлечением теории поиска решений в пространстве состояний и целей разработан метод выбора варианта интеллектуального содержания контроллера из числа рассмотренных способов представления знаний.
-
Концептуальную базу реализации интеллектуального контроллера на нечетких алгоритмах, нейронных сетях, генетических алгоритмах и динамических экспертных системах, в реализации последовательного, параллельного и управления с самонастройкой в виде интеллектуальной надстройки, которая содержит:
способы практической реализации управления рядом технологических агрегатов на базе нечетких алгоритмов в условиях недостаточной формализации, как эффективная альтернатива существующим системам детерминированного управления;
способы реализации интеллектуального нейроуправления основными горнометаллургическими процессами и оптимизации структуры нейросетей и их сходимости при автономном и оперативном обучении;,
концепцию повышения адаптивности и гибкости корпоративных ERP-систем, с использованием интеллектуальных модулей для решения трудноформализуемых организационных задач на примерах управления ремонтно-востановительной и планово-диспетчерской работой предприятия. .;.;
Праісгическая значимость и реализация результатов работы.
Применение разработанной методологии позволяет найти пути и способы решения проблемы повышения эффективности существующих АСУ и разработать новые системы, обладающие адаптивными свойствами и обеспечивающие существенное улучшение качества управления. Так:
;I. Методология рационального планирования инновационных мероприятий в действующих АСУ горно-металлургических предприятий, с применением разработанного алгоритмического и программного обеспечения, позволяет определять наиболее перспективные направления модернизации систем управления. В частности, она использована при планировании модернизаций систем управления цехового уровня на ОЗМК, ЛГОК и СГОК, включая разработку систем управления первой обогатительной фабрики ЛГОК и модернизацию интегрированной системы управления в цехе окомкования и металлизации ОЭМК, где обеспечила сокращение сроков модернизаций более чем на 20-25%.
2. На основе разработанной методологии интеллектуализации управления созданы алгоритмы и пакеты прикладных программ, позволяющие строить системы уп-: равления на базе нечетких функций, искусственных нейронных сетей и экспертных систем для решения задач адаптивного управления технологическими процессами. Эффективность предложенных способов интеллектуального управления иллюстрируется результатами их применения для управления мельницей мокрого помола, классификатором, окомкователем, обжиговой машиной, вращающейся печью обжига клинкера, шахтной печью, установкой металлизации, кристаллизатором МНЛЗ, нагревательной методической печью, прокатной клетью и другими технологическими объектами, где экономический эффект достигается за счет увеличения производительности агрегатов, снижения энерго- и сырьевых затрат и составляет 6-10 %, о чем имеются соответствующие справки и заключения.
Разработанная методология совершенствования управления носит обобщающий характер и может быть рекомендована к применению на предприятиях всего горнометаллургического комплекса и других отраслей.
Апробация результатов исследования. Результаты исследований докладывались и обсуждались на международных и российских конференциях: Седьмой Всесоюзной научно-технической конференции «Проблемы, задачи и опыт применения технологической разработки и внедрения средств АСУТП», (Киев, 1992); Международной научно-практической конференции, посвященной 20-летию Старооскольс-кого филиала МИСиС «Вопросы проектирования, эксплуатации технических систем в металлургии, машиностроении и строительстве» (Старый Оскол, 1999); Международной научно-практической конференции «Качество, безопасность, энергоресурсосбережение в промышленности на пороге XXI века» (Белгород, 2000); Третьей международной научно-технической конференции «Высокие технологии в экологии» (Воронеж, 2000); Международной научно-технической конференции «Современные системы управления предприятием CSBC2002» (Липецк, 2001); Sixteenth International Conference on Systems Engineering (ICSE-2003) Coventry University (Великобритания, Ковентри, 2003); Международной научно-практической конференции «Теория активных систем» (Москва, 2003); Международной конференции «Современные сложные системы управления» (Воронеж, 2003);VI Всероссийской научно-практической конференции «Системы автоматизации в образовании, науке и производстве» (Новокузнецк, 2003); XXIII Российской школе по проблемам науки и технологий (Екатеринбург, 2003); Международной конференции «Информационные технологии в XXI веке» (Днепропетровск, 2004); Ряде международных, российских и отраслевых научных конференциях, проводимых в Старом Осколе по
проблемам горно-металлургических предприятий региона Курской магнитной аномалии (Старый Оскол, 1999,2002,2003,2004,2005); Proceedings of the 2005 International Conference on Scientific Computing (CSS'05), Las Vegas, Nevada, USA (США, Лас-Вегас, 2005); Седьмой международной научной конференции, посвященной 75ле-тию ВГАСУ «Современные сложные системы управления» (Воронеж, 2005); Proceedings of the 2005 International Conference on Machine Learning, Models, Technologies and Applications (MLMTA'05) Las Vegas, Nevada, USA (США, Лас-Вегас,2005).
Диссертационное исследование поддержано грантом Министерством образования РФ-№012.0010881.
Публикации. По теме диссертационного исследования опубликовано более 100 работ в отечественных и зарубежных изданиях, из них в автореферате приведены 4 монографии, 3 учебных пособия, 27 статей в периодических журналах из перечня, рекомендованного ВАК для публикации основных результатов диссертации на соискание ученой степени доктора наук, 14 работ в зарубежных журналах, сборниках научных трудов и трудов международных конференций.
Вклад автора диссертациив работы, выполненные в соавторстве и отраженные в результатах, состоит в постановке задач, разработке теоретических положений, а также в непосредственном участии во всех этапах исследований.
Структура и объем диссертации. Диссертация состоит из введения, пятиглав, заключения, списка литературы из 420 наименований и 8 приложений. Основная часть работы изложена на 305 страницах машинописного текста, содержит 107 рисунков и 28 таблиц.
Развитие математического аппарата и идеологии АСУ
На подавляющем большинстве предприятий черной металлургии в настоящее время более 90% контуров автоматического управления используюі пропорциональные интегрально-дифференциальные (ПИД) регуляторы [49]. По последним данным [256] даже на 84% японских предприятий все еще исполь зуются обычные ПИД-контроллеры. Столь широкое распространение ПИД-контроллеры получили потому, что их разработка не требует знания точной модели процесса, они эффективны в управлении процессами, математические модели которых сложно определить. ПИД-контроллеры строятся на основе классической теории управления и просты для понимания. За последние десятилетия разработано несколько вариантов методов настройки ПИД-контроллеров,
ПИД-контроллеры имеют и недостатки. Для процессов с переменными параметрами, временными задержками, существенными нелинейностями и значительными помехами, ПИД-контроллеры могут не обеспечивать оптимальных характеристик. ПИД-контроллеры чувствительны к возмущениям и требуют подстройки каждый раз, когда изменяется динамика процесса. Изменить эту ситуацию должны адаптивные и самонастраивающиеся системы, Однако, несмотря на огромное количество исследований и разработок в области методов и алгоритмов адаптивного управления, до сих пор не имеется примеров внедрения, которые выжили бы в конкуренции с традиционными контроллерами линейного регулирования. Первые идеи и способы адаптации проявились в 30-е годы прошлого столетия в задаче автоматической оптимизации производительности промышленных установок. Её содержание состояло в поиске и удержании системы на экстремуме ее статической характеристики («экстремальные системы»). Автоматический поиск экстремума статической характеристики объекта определялся как способ автоматического регулирования по максимуму или минимуму показателя качества технологического процесса [416, 418].
Несмотря на интенсивные исследования методов синтеза экстремальных систем автоматической оптимизации режимов работы на действующем объекте, экстремальные регуляторы не получили широкого распространения. Во-первых, на действующем промышленном объекте недопустимы пробные движения, нарушающие нормальный режим работы и требующие дополнительных затрат энергии на реализацию пробных поисковых воздействий. Во-вторых, поиск экстремума с помощью пробных сигналов требует значительного време ни, за которое статическая характеристика объекта изменяется настолько, что оптимизация становится неэффективной. В-третьих, реальная инерционность объекта, запаздывания и возмущения, действующие на объект, приводят к до полнительным ошибкам регулирования при воздействии пробных сигналов на входе объекта. Альтернативой идее поиска экстремального значения функционала ка чества СУ с использованием метода «проб и ошибок» стала «беспоисковая» оп тимизация. Этот подход реализации механизма адаптации основывался на ана литических вычислениях условий экстремума функционала качества без ис пользования пробных воздействий на объект [ 17,418]. В фундаментальной работе Дж. Траксел, ссылаясь на [407], делает вывод о принадлежности приспосабливающихся систем к классу существенно нелинейных замкнутых систем управления, реализация которых невозможна при ис пользовании обычных методов теории управления.
В работе [323] выделяются следующие компоненты типовой задачи управления с оптимизацией характеристик управляемой системы: !) постановка целей управления (технической, математической); 2) оценивание текущего состояния управляемого объекта по отношению к цели; 3) оценивание факторов окружающей среды функционирования системы, существенно влияющих на поведение системы в прошлом, на щ стоящем и будущем; 4) выработка на основе информации по пп. I—3 наилучшей стратегии (законов, алгоритмов) управления. В соответствии с перечисленными компонентами типовая задача адаптивного управления ставится следующим образом (рис.1.4). На основе заданий цели управления требуется определить функцию и(t) в зависимости от измеряемой функции выхода z(t) при неполной информации об объекте. Исходные данные для решения включают: 1) физические и математические соотношения между измеряемыми сигналами z(t), x(t), u(t), отражающие физическую сущность объекта; 2) статистические характеристики возмущений внешней среды f(t), v(t). Допускается полуопределенное задание характеристик с точностью до параметров, например, функций распределения этих возмущений.
Разработка обобщенной модели интеллектуального управления на основе теории информации
В основу построения обобщенной модели интеллектуального управления предлагается взять идею «инверсно-прямого» управления, о которой говорилось в разделе 1.7 и достаточно широко используемую в нейроуправлении [256, 91, J10]. Для этого введем понятие «интеллектуальный контроллер» (ИК), который должен реализовать обратную динамику ОУ Тогда, если подать на ИК опорный сигнал г, то выходной сигнал объекта управления у принимает значение г, т.к. где и - входной сигнал объекта управления, соответствующий опорному сигналу г, а у - выходной сигнал, соответствующий и. Таким образом, задача реализации управления с применением данного метода сводится к реализации интеллектуального контроллера, наиболее точно отображающего динамическую модель объекта. В условиях, когда математическая модель объекта отсутствует, предлагается использовать информационно-статистический метод, исходя из предположения того, что принятие решений в АСУ- это выбор некоторого наиболее предпочтительного управляющего воздействия из исходного множества всех возможных управляющих воздействий, обеспечивающего наиболее эффективное достижение целей управления[17І]. В результате такого выбора, с точки зрения теории информации, энтропия исходного состояния системы уменьшается на величину информации, обусловленную принятием решения по этому выбору. Это значит, что теория информации применима как для описания процессов принятия решений, так и для построения модели АСУ [13].
Систему управления в этом случае можно рассматривать как три взаимосвязанные информационные модели: модель ИК, модель объекта, модель возмущающих факторов, являющейся источником шумов и возмущений в канале передачи информации. Сам же объект управления может быть представлен как информационный канал [392], на вход которого подается входной сигнал - входное воздействие О, а на выходе фиксируется выходной сигнал - выходная переменная Г, связанная как с входным воздействием, так и с состоянием объекта управления. В терминах теории информации задача принятия решений по определению характеристик интеллектуального контроллера может быть сформулировано следующим образом: зная значение выходной переменной 7 на основе информационной модели объекта, определить такие выходные характеристики ИК, которые с учетом актуализированного состояния объекта и влияния внешней среды с наибольшей эффективностью приведут объект в целевое состояние. Или другими словами: что надо передать по каналу, чтобы получить заранее заданный сигнал? В традиционной постановке эта задача может быть решена на основе математического моделирования канала связи, а в нашем случае, когда каналом связи является объект управления, его модель - передаточная функция. Но в случае интеллектуального управления мы исходим из того, что аналитическая модель объекта управления отсутствует или имеется весьма неточная информация с высоким уровнем энтропии. Поэтому предлагается вначале построить обобщенную информационную модель более абстрактного характера. Затем на основе информации о реальном поведении объекта понизить её энтропию за счет анализа поведения объекта в условиях экспериментальной эксплуатации системы.
В этих условиях обобщенная информационная модель конкретизируется и адаптируется, т.е. выстраивается взаимосвязь между выходными и входными переменными объекта. После этого разрабатываются алгоритмы формирования управляющего воздействия на основе прогнозирования состояния объекта в результате этого воздействия. На основе разработанного алгоритма синтезируется информационная модель ИК, эффективность которого сравнивается с требованиями информативных показателей объекта. После-успешного результата оценки степени адекватности разработанной модели интеллектуального контроллера принимается решение по формированию его функциональной структуры на основе одного из существующих методов искусственного интеллекта. Модель управления должна содержать взаимосвязь между входными и выходными переменными объекта с одной стороны, и возмущающих факто ров(воздействий) и состояний объекта, с другой стороны. Исходную информа цию, описывающую состояние объекта как результат статистического анализа его поведения, представляем в таблично-матричной форме табл.2.5, в которой столбцы отражают состояние объекта, а строки - кортеж воздействий на объ ект. Ц Табл.2.5 Статистический анализ состояния объекта Воздействия Состояния объекта Суммарная мощность воздействия Степень определенности состояния объекта crJ а Элементами матрицы являются частные критерии J/, отражающие влияние /-го воздействия на переход объекта ву-е состояние.
Для определения конкретных значений частных критериев ,// предлагается использовать семантическую меру целесообразности информации, определенную А.А. Харкевичем [320] на основании апостериорного подхода, сущность которого заключается в том, что количество информации оценивается по изменению степени целесообразности поведения системы в результате сообщения ей данной информации. Именно эту задачу решает интеллектуальный контроллер: оказывает на объект управляющее воздействие с целью перевести его в целевое состояние.
Таким образом, управляющее воздействие является информационным воздействием, то есть некоторым сообщением. Тогда в соответствии с мерой Харкевича Jf=\o&2(P//PJ), (2.66) где Р/ - вероятность перехода объекта ву -е состояние под влиянием /-го 108 воздействия, PJ - вероятность случайного перехода объекта в]-е состояние, По оценке величины JJ можно судить о степени влияния /-го воздействия на достижение/-го состояния. При этом, когда количество информации Jf 0, і-й фактор содействует цели управления, когда J/ 0 - препятствует этому переходу, когда же Jf=Q воздействие индеферентно. Ф После заполнения всех элементов матричной таблицы табл.2.5 мы полу чим информационную идентификацию объекта, которая будет положена в основу определения информационной модели ИК. Для практического определения значений Р? и }, используемых для вычисления информационных оценок, предлагается воспользоваться корреляционной матрицей табл.2.6, которая заполняется методом прямого счета на основе обучающей выборки, содержащей информацию о том, какие воздействия имели место, когда объект переходил в те или иные состояния.
Построение нечеткой системы
Отсутствие достаточно полной математической модели не позволяет разработать эффективную систему детерминированного управления и в то же время создает благоприятные условия для использования интеллектуальной системы, в частности, нечеткой экспертной системы, опирающейся на квалификацию операторов. Предлагается использовать двухуровневую систему (рис. 3.20), на нижнем уровне которой работают детерминированные ПИД-контроллеры, а на верхнем - нечеткая экспертная система, выдающая уставки локальным регуляторам через систему визуализации (WIN СС). Задачей нечеткой системы является повышение эффективности управления за счет текущей идентификации коэффициентов передачи, которые варьируются с изменением свойств перерабатываемой руды. Задача усложняется тем, что ее приходится решать в системе, замкнутой через человека - оператора в условиях значительных помех, связанных с субъективными факторами и погрешностями наблюдений, Измельчаемость и крупность руды были приняты в качестве входных переменных, а в качестве выходных - расход воды в мельницу и активная мощность её привода. С использованием опыта экспертов (операторов и технологов обогатительной фабрики) была составлена таблица правил (табл. 3.3). Переменная «измельчаемость руды» лежит в диапазоне [0, 10]. В экспертную систему значения поступают из базы знаний, составленной по данным геологоразведки о составе и прочностных характеристиках руды, а также уточненным данным, получаемым каждые четыре часа лабораторией ОТК. Лингвистические значения переменной «Измельчаемость руды» следующие: ЛИ - легко измельчаемая; НИ - нормально измельчаемая; ТИ - трудно измельчаемая. Лингвистические значения заданы нечеткими подмножествами на основе Гауссовых функций принадлежности (рис. 3.21). Membership ІлйюлрШ pWpoinli I Jjjj" ffl ни п, Рис. 3.2! Функции принадлежности переменной «Измельчаемость руды» Переменная «Крупность» поступает на вход экспертной системы от датчика крупности - гранулометра и лежит в диапазоне [0, 10]. Лингвистические значения переменной «Исходная крупность руды» следующие: М - мелкая; Н - нормальная (фракция 350 мм - 40-50%); К - средняя. Лингвистические значения заданы нечеткими подмножествами на основе Гауссовых функций принадлежности (рис. 3.22). 16" N MefntjerirtfpfuncJtorrplot рЫ point J 1S iiout variable футос-гь Рис. 3.22 Функции принадлежности переменной «Крупность руды» Выходная переменная, формируемая экспертной системой «Мощность привода мельницы», является уставкой для САР поддержания постоянства загрузки рудой мельницы по активной мощности привода и лежит в диапазоне [І.І, 1.4] Мвт.
Лингвистические значения переменной «Мощность привода мельницы» следующие; СМ - самая малая; М - малая; ОМ - ближе к малой; Н - средняя; ОБ - ближе к большой; Б - большая; СБ - самая большая. Лингвистические значения заданы нечеткими подмножествами на основе треугольных функций принадлежности (рис, 3.23). til M CM H ОБ "b ЬС Рис. 3.23 Функции принадлежности переменной «Мощность привода мельниц» Выходная переменная «Расход воды в мельницу», формируемая экспертной системой, является уставкой для САР поддержания постоянства оптимальной внутримельничной нагрузки и лежит в диапазоне [20, 50]м3/ч, Лингвистические значения переменной «Расход воды» следующие; Б - большой; С - средний; М - малый. Лингвистические значения заданы нечеткими подмножествами на Экспертная система осуществляет корректировку выходных величин «Мощность» и «Расход воды» на основе данных о протекании технологического процесса, а также расчет поправочного коэффициента Л -для моделирования САР поддержания постоянства загрузки рудой мельницы по активной мощности привода. Входными переменными, характеризующими технологический процесс, являются «Плотность пульпы», «Изменение циркуляционной нагрузки», «Изменение расхода руды». В табл. 3.4 приведена таблица правил на базе мнений экспертов. Табл. 3.4 База правил корректирующей подсистемы Переменная «Плотность пульпы» поступает на вход экспертной системы от датчика плотности - плотномера и лежит в диапазоне [0,10]. Лингвистические значения переменной «Плотность пульпы» следующие: Ж - малая плотность; Н - нормальная; Г - слишком густая. Лингвистические значения заданы нечеткими подмножествами на основе Гауссовых функций принадлежности (рис. 3.25). 1 Membership tixxMlcn plot I port»: Ш Рис. 3.25 Функции принадлежности переменной «Плотность пульпы» Переменная «Изменение расхода руды» поступает на вход экспертной системы от конвейерных весов и лежит в диапазоне [-1, I]. Лингвистические значения переменной «Изменение расхода руды»: Р - положительное; Z - близкое к нулю; N - отрицательное. Лингвистические значения заданы нечеткими подмножествами на основе Гауссовых функций принадлежности (рис. 3.26),
Характеристика исследований и оценка результатов
Исследования проводились на инверсно-динамической схеме нейронного управления с нейроконтроллером и эмулятором. Характеристики системы управления и методов обучения оценивались на результатах моделирования нагревательной печи. Использовалась система управления температурой нагреват тельной печи как типового объекта в металлургии [49], описываемая дифференциальным уравнением. dy(t) _ f(t) cj; - y(t) dt с RC (4.5) vjxty(t) - выходная температура; f(() - количество тепла от нагревательных элементов; 1 о с - температура окружающей среды; С - теплоемкость печи; R - тепловое сопротивление кладки и футеровки печи. При постоянных С и R была получена импульсная переходная функция 193 системы, заданной уравнением (4.5). Она имеет вид: y(t + l) = a(T)y(t) + B(r)U(t), (4.6) где: / - дискретное целочисленное время; г- интервал квантования; U(t) - входное воздействие на объект; y(t) - выход объекта; (T) = e-" ,B(r) (l-e-"), (4.7) где а и/?- константы, характеризующие R и С. При моделировании в системе было задано насыщение характеристики, чтобы исключить превышение выходной температурой значения 1600С. Моделируемый объект описывался следующим уравнением: y(t +1) = а(т)у(0 + o.S)-r (0 + [1" Ф)]Т (4 8 1. I С с параметрами а = 1,21 -\0-\/3 = 7,64 -1(Г\ у = 60 ,ТС=20 С. Параметры были получены на масштабно-натурной модели печи, которая использовалась при инверсном моделировании сети [143]. Входной сигнал на объект U(t) был стандартизированным выходом контроллера 0-г5В. Период дискретизации был ограничен десятью секундами.
Использовались трехслойные полносвязные НС с одним выходным нейроном, с числом входных нейронов, соответствующим количеству итераций за период. Число нейронов скрытого слоя варьировалось от 8 до 20. Для нейро-контроллера и скрытого слоя нейроэмулятора использовалась сигмоидная функция активации, а во входном и выходном слое нейромулятора - пропор 194 циональная функция f(x)=x. Обучение сетей проводилось по известному правилу с обратным распространением ошибки ДЩі) = W(t + 1)- W(t) : АЩі) = -к + аШ(ї-\) (4,9) где: t - номер итерации обучения; W- вес связи; Е - подлежащая минимизации функция ошибки; h 0 - скорость обучения (в нашем случае h=0,01); а 0 - мгновенная составляющая, определяющая осцилляцию процесса (установлена экспериментально, а=0,8). До начала моделирования сеть нейроэмулятора подвергалась приближенному оперативному обучению по десяти дискретным выборкам зависимости У=/(и) а первоначальное значение весов неЙроконтроллера устанавливалось случайным образом. В качестве начального состояния значение у(0) устанавливалось равным Тс. Целью регулирования было поддержание температуры 80С для временного интервала 0 г 80мин , 120С для интервала 80мин t 160 мин ч 160С для интервала г 160мин. Каждый цикл имитации считался пробой. После каждой пробы веса запоминались и предпринималась новая проба. На рис. 4.2 (а) показан опорный сигнал и выход объекта после достижения достаточно хорошей сходимости при Т=30сек., на рис. 4.2(6) - управляющее воздействие. 195 a) б) 20 40 60 80 100 120 140 160 180 200 Рис. 4.2 Результаты моделирования системы управления температурой , нагревательной печи после обучения AV-номер отсчета времени. На рис, 4.3 представлены зависимости скорости обучения контроллера от частоты дискретизации т 25 20 Ю U Ч " \ it s - V f ,1 \ \ Л I У N 1 I ч v 4--. v.. so SO -+" SO flpoto Рис, 4.3 Нейроконтроллер со случайной инициализацией, выполняющий обучающую итерацию за период дискретизации: 1-Т=30сек, 2-Т=20сек, 3-Т=10сек, 4-Т=5сек Из рис.4.3 видно, что наблюдается ожидаемое. ускорение обучения при увеличении частоты дискретизации. Выяснилось, что при достижении скорости Т=10с и Т=5с скорость обучения практически не изменяется при существенном уменьшении среднеквадра 196 тической ошибки. На рис.4.4 представлена зависимость скорости сходимости и величины среднеквадратичной ошибки в зависимости от количества итераций. Из графиков рис.4.4 видно, что включение всего нескольких итераций за период снижает ошибку и существенно улучшает сходимость сети. Время обучения нейроморфной структуры в первом приближении оказалось пропорционально количеству обучающих итераций. Естественно, оно существенно зависит от количества нейронов в скрытом слое и количества весов в них. В приведенных испытаниях использовалось до 20 скрытых нейронов (увеличение не улучшало характеристики) и до 80 весов. При десяти обучающих итерациях время сходимости не превысило 400мс. Такая частота дискретизации и длительность обучения приемлемы для управления металлургическими тепловыми агрегатами
