Содержание к диссертации
Введение
Глава первая. Анализ задач управления слабоформализуемыми химико-технологическими процессами и постановка проблемы исследования . 23
1.1. Анализ сложных слабоформализуемых химико-технологических процессов 23
1.2. Искусственный интеллект в задачах автоматизации сложных технологических процессов (обзор литературы) 26
1.3. Анализ интеллектуальных методов управления автоматизации химико-технологических процессов 40
1.4. Постановка задачи исследования 51
Глава вторая. Концепция интеллектуального управления слабоформализуемыми химико-технологическими процессами 53
2.1. Принципы интеллектуального управления слабоформализуемыми химико-технологическими процессами 53
2.2. Формализация качественной информации 58
2.2.1. Применение нечетких множеств для формализации качественной информации 59
2.2.2. Формирование элементов универсальных множеств 67
2.3. Построение баз знаний и оценка их качества 69
2.3.1. Синтез модели базы знаний. 69
2.3.2. Показатели качества баз знаний 72
2.3.3. Формирование баз знаний с заданными показателями качества. 85
2 2.4. Разработка вычислительной процедуры генерации решений. 88
2;4.1. Модификация вычислительной процедуры при обработке информации с использованием нечетких множеств 88
2.4.2. Исследование быстродействия вычислительных процедур 94
2.5. Адаптация баз знаний при интеллектуальном управлении химико-технологическими процессами. 98
2.5.1. Фазификация первичной информации с учетом ее случайной погрешности 98
2.5.2. Обучение баз знаний при интеллектуальном управлении 101
2.5.3. Исследование параметров адаптации баз знаний 102
2.5.4. Адаптация баз знаний. 111
2.6. Построение гибридных математических моделей. 114
Глава третья. Построение интеллектуальной системы генерации решений реального времени . 127
3.1. Структура интеллектуальной системы генерации решений. 127
3.2. Алгоритмы функционирования интеллектуальной системы генерации решений реального времени 129
3.3. Режимы функционирования интеллектуальной системы генерации решений 142
3.4. Использование интеллектуальной системы генерации решений для тренинга персонала. 144
3.5. Реализация гибридной модели с использованием интеллектуальной системы генерации решений 146
3.6. Реализация интеллектуальной системы генерации решений с использованием CASE-технологий 148
3.7. Основы применения интеллектуальной системы генерации решений для автоматизации химико-технологических процессов 152
Глава четвертая. Метод идентификации предав аварийных ситуаций на технологических объектах управления 158
4.1. Постановка задачи распознавания предаварийных ситуаций 158
4.2. Классификация предаварийных ситуаций 162
4.3 Разработка метода идентификации предаварийных ситуаций и их причин 163
4.3.1. Использование интеллектуальной ситуационной модели для распознавания предаварийных ситуаций 163
4.3.2. Идентификация причин предаварийных ситуаций 169
4.3.3. Модификация метода идентификации предаварийных ситуаций. 174
4.4. Диагностика достоверности первичной информации при идентификации предаварийных ситуаций 181
4.4.1. Избыточность и ее использование для проверки достоверности информации 182
4.4.2. Диагностика достоверности первичной информации и определение ее источника 183
4.4.3. Восстановление информации от недостоверного источника 187
4.5. Построение системы идентификации предаварийных ситуаций 190
4.5.1. Структура системы идентификации предаварийных ситуаций 191
4.5.2. Человеко-машинный интерфейс системы идентификации 196
4.5.3. Синтез машины управления системы идентификации 197
4.6. Формирование баз знаний системы идентификации предаварийных ситуаций 204
4.6.1. Описание технологического процесса получения серы на установке Клауса 204
4.6.2. Анализ химико-технологического процесса как источника предаварийных ситуаций 208
4.6.3. Математическая модель термического реактора установки Клаусса 212
4.6.4. Имитационное моделирование как инструмент синтеза баз знаний 220
Глава пятая. Оптимальное управление слабоформализуемыми химико-технологическими процессами 226
5.1. Постановка задачи оптимального управления слабоформализуемыми химико-технологическими процессами. 226
5.2. Построение гибридной математической модели каталитического риформинга и постановка задачи его оптимального управления. 232
5.2.1. Технологический процесс каталитического риформинга. 232
# 5.2.2. Построение диаграммы взаимного влияния факторов на основе анализа процесса каталитического риформинга 237
5.2.3; Задача оптимального управления процессом каталитического риформинга. 250
5.2.4. Построение сотовой модели каталитического риформинга 253
5.2.5. Проверка адекватности математической модели процесса каталитического риформинга 262
5.3. Поиск оптимальных управлений с использованием гибридных моделей 266
5.3.1. Анализ особенностей гибридных математических моделей при оптимальном управлении. 266
5.3.2. Разработка поискового алгоритма оптимизации с использованием гибридных моделей. 269
5.3.3. Исследование эффективности алгоритма оптимизации. 276
( 5.3.4. Определения момента времени решения задачи оптимизации 280
5.4. Реализация системы оптимального управления процессом каталитического риформинга 283
5.4.1. Структура системы оптимального управления 283
5.4.2. Исследование эффективности управления методом имитационного моделирования 287
Глава шестая. Построение систем автоматического регулирования слабоформализуемыми технологическими процессами 290
6.1. Постановка задачи построения систем регулирования слабоформализуемыми технологическими процессами 290
6.2. Система стабилизации качества продукции 292
6.2.1. Анализ технологического процесса как слабоформализуемого 292
6.2.2. Структура системы стабилизации с использованием качественной информации 300
6.3. Проектирование системы стабилизации качества продукции 302
6.3.1. Проектирование нечеткого регулятора и компенсатора 302
6.3.2. Обучение и адаптация нечеткого регулятора 309
6.3.3. Построение и адаптация модели объекта управления 314
6.3.4. Синтез машины управления 315
6.3.5. Эксплуатация системы регулирования качества продукции 318
6.4. Реализация систем стабилизации с использованием концепции интеллектуального управления 320
Основные результаты работы и выводы 323
Литература 326
- Искусственный интеллект в задачах автоматизации сложных технологических процессов (обзор литературы)
- Алгоритмы функционирования интеллектуальной системы генерации решений реального времени
- Построение сотовой модели каталитического риформинга
- Эксплуатация системы регулирования качества продукции
Введение к работе
Одним из основных способов интенсификации производства
является внедрение автоматизированных систем управления
технологическими процессами на базе последних достижений в области
вычислительной техники. Развитие компьютерных систем привело к
значительному увеличению скорости обработки, возрастанию объема
единовременно хранимой информации, появлению эффективных
(щ устройств ее сбора, передачи и преобразования. Именно это позволило в
настоящее время осуществлять обработку больших потоков информации в режиме реального времени.
Совершенствование методов математического моделирования и теории автоматического управления стимулировало разработку более эффективных алгоритмов управления технологическими процессами,
расширение класса объектов автоматизации. Эти два фактора и
'л
предопределили интенсивное, развитие автоматизированных систем
управления технологическими процессами (АСУТП) и внедрение средств
автоматизации в различные производственные процессы в настоящее
время, что позволило добиться успехов в управлении технологическими
процессами, обладающими свойствами нестационарности,
распределенности, автоматизация которых ранее была затруднена.
Несмотря на несомненные успехи в этой области, существует
(Ь достаточно большой класс задач, где уровень автоматизации существенно
уступает современным требованиям к технологическим процессам практически во всех отраслях промышленности: химической и нефтеперерабатывающей, пищевой и рыбной, производства стали и стекла, текстильной и др.
Такое положение объясняется функционированием технологических процессов в условиях неопределенности, под которой понимают недостаток
информации, необходимой для формализации той или иной задачи.
Неопределенность приводит к невозможности аналитического описания технологического процесса, хотя достаточно часто может быть компенсирована путем набора соответствующих статистических данных и построения на их основе моделей (например, регрессионных) или применения методов синтеза формальных математических моделей* (например, в виде передаточных функций). Такие методы описания отнесем к традиционным.
Но возникают случаи, когда данные методы использования информации не дают ожидаемого результата в силу принципиальной невозможности получения таковой, что объясняется наличием двух основных факторов:
- отсутствием средств или методов измерения координат объекта
управления;
— невозможностью математического описания традиционными
методами технологических процессов, ввиду их сложности и мало
изученности.
Таким образом, рассматриваемая неопределенность не может быть компенсирована4 (в отличие от приведенного выше случая); статистическими или формальными методами. Поэтому целесообразно говорить о неформализуемой неопределенности.
Указанные факторы, обусловливающие неопределенность, значительно снижают эффективность управления технологическим процессом, а часто делают его в принципе невозможным. Это объясняется тем, что функционирующие системы; управления различного уровня, — локальные АСР, робастные, адаптивные, интегрированные АСУ-требуют формализованного описания задач априори и количественного представления текущей информации. В зависимости от типа системы необходимая степень формализации информации изначально может быть
различной; AGP требуют не только математического описания динамических свойств объекта по каналу возмущения и управления, но и знания вида возмущений. Адаптивные системы, располагая минимальной информацией, компенсируют ее недостаток в режиме реального времени за счет поступления от первичных преобразователей и обработки текущих значений - координат объекта. Наличие текущей информации в количественном* виде является необходимым условием работы этих
систем, что в рассматриваемых нами случаях не всегда возможно.
Остановимся подробнее на задачах автоматизации технологических процессов, решение которых в настоящее время затруднено ввиду указанных факторов, определив при этом их место в общей структуре АСУТП.. Отметим, что указанные факторы могут присутствовать при решении задач автоматизации как порознь, так и одновременно.
Первый приведенный нами фактор — невозможность, количественного контроля координат объекта - обычно присутствует при решении информационных задач АСУТП. Его наличие может объясняться рядом причин: принципиальным отсутствием методов или средств измерения, инерционностью существующих традиционных методов контроля или средств измерения, ненадежностью функционирования первичных преобразователей.
Общей чертой описанных выше ситуаций является возможность качественной оценки оператором значений координат объекта управления: визуально или органолептически, и описания его в вербальной форме. Отметим, что необходимость подобной качественной оценки: обычно не имеет самостоятельного характера, а является подзадачей при; решении других задач автоматизации ТП.
Второй приведенный фактор - невозможность математического описания традиционными методами технологических процессов, ввиду их сложности и малоизученности - обычно присутствует при решении задач
АСУТП высокого уровня, к которым могут быть отнесены:
регулирование технологических процессов в условиях высокой зашумленности и отсутствия традиционной модели динамики;
оптимальное управление при отсутствии достаточно полной и адекватной математической модели;
диагностика состояния технических средств и выявление отказов оборудования;
распознавание отклонений от номинальных режимов на технологическом объекте управления;
управление технологическими процессами в условиях пуска-останова;
- прогнозирование развития ситуации на технологическом объекте.
Можно привести достаточно большое количество примеров
перечисленных задач для технологических процессов в различных отраслях промышленности.
При функционировании технологического процесса в условиях неформализуемой неопределенности существенную роль играет оператор, ведущий процесс, - лицо, принимающее решение (Jll IP). Можно указать достаточно большое количество объектов, где задачи управления и контроля, решаемые в настоящий момент ЛПР, существенны и приобретают большую значимость в системе управления процессом: прогнозирование рисков, обнаружение отказов оборудования и технических средств, управление в переходных процессах (пуско-останов, смена режимов работы объекта), регулирование объектов при отсутствии количественного контроля.
Несмотря на то, что традиционные методы контроля, математического описания или управления не дают желаемых результатов, оператор справляется с этими задачами с определенной степенью эффективности, опираясь на собственные представления о
закономерностях явлений, опыт, интуицию. Поскольку эти понятия во многом определяют квалификацию» ЛПР, то и эффективность решения задач автоматизации во многом зависит от последней.
В связи с этим возникает потребность использования нетрадиционных методов для решения задач управления, основанных на качественном описании, имитации и воспроизведении процессов интеллектуальной деятельности J11 IP. Появление такого научного направления; как искусственный интеллект, позволяет решать подобный тип задач [1].
Восьмидесятые годы характеризуются г интенсивным развитием систем, в основе функционирования которых лежат методы искусственного интеллекта. Развитие подобных систем в то время обусловлено возникшей необходимостью решения задач в различных отраслях человеческих знаний, где традиционные методы не давали желаемого результата вследствие слабой формализуемости предметной^ области. Резкий скачок в совершенствовании средств вычислительной техники (увеличение быстродействия и объемов памяти ЭВМ) создал предпосылки для реализации систем искусственного интеллекта, которые требуют значительных машинных ресурсов. Изучение основ процесса человеческого мышления, построения памяти, психологических аспектов принятия управленческих решений позволило формализовать эти стороны деятельности і человека. Именно эти три составляющие и предопределили появление и интенсивное развитие научного направления, получившего название «искусственный интеллект» (ИИ).
Под методами ИИ понимают достаточно широкий набор методов, решающих разные задачи. Они могут быть направлены на разработку методов взаимодействия человека и машины, общения с ЭВМ на; естественном языке (ЕЯ-системы), обработки визуальной информации, распознавания образов и решение других задач. Общая цель методов
искусственного интеллекта — замена человека вычислительным устройством при принятии решений и его общение с ЭВМ естественным путем.
Направлений развития искусственного интеллекта достаточно много, но мы упомянем только те, которые, по нашему мнению, могут внести вклад в решение задач управления технологическими процессами, особенности которых уже рассматривались выше.
В настоящее время наиболее популярным направлением является разработка экспертных систем (ЭС). Цель функционирования ЭС — выдача решений по конкретной проблеме, обычно в узкой предметной области, на базе имеющихся знаний на основании конкретного запроса оператора. Основу экспертных систем составляют базы знаний^ приобретение и накопление которых и является одной из основных задач их функционирования. ЭС, как правило, обладают механизмом объяснения выдаваемых ими решений и возможностью гибкого диалога с оператором.
Появление* в конце 60-х гг. математической теории нечетких множеств [2-4] породило новое направление в развитии методов ИИ и их применении при автоматизации технологических процессов: формализация интеллектуальной деятельности оператора и построение на этой основе алгоритмов управления. Именно это направление развития методов ИИ позволило существенно продвинуться при решении задач автоматизации доселе трудно описываемых технологических процессов. Нечеткие множества дали возможность для формализации качественного описания оператором значений параметров технологического процесса и особенностей его функционирования. Теория нечетких множеств явилась основой для построения нечетких регуляторов, их применения в тех сферах теории управления, где традиционные методы ранее не приносили желаемых результатов: регулирование технологических объектов с высокой динамикой, сильной зашумленностью, высоким уровнем нелинейных искажений. Математический аппарат нечетких множеств
способствовал развитию новых методов построения математических моделей технологических процессов на основе формализации качественной информации.
Еще одним направлением развития искусственного интеллекта является применение нейронных сетей. Это направление получает достаточно широкое распространение при решении задач управления многостадийными, дискретными и распределенными процессами.
Подводя итог выше сказанному, отметим, что методы ИИ являются в настоящее время аппаратом, потенциально позволяющим; решать достаточно широкий класс задач автоматизации технологических процессов. Несмотря на несомненные успехи, методы ИИ используются в АСУТП пока недостаточно эффективно. Применение их в этом направлении носит несистематический характер, не определены классы задач, где использование ИИ являлось бы эффективным, нет единого концептуального подхода к их использованию, недостаточно внимания уделено методам совместного использования традиционного и качественного описания.
Сложившееся положение объясняется разнообразием предметных областей решаемых задач и функционированием АСУ ТП в режиме реального времени, что существенно затрудняет реализацию интеллектуальных систем и ограничивает практическую сферу их применения. Вместе с тем методы искусственного интеллекта являются тем і инструментом, который позволит компенсировать слабую формализуемость технологических процессов. Это даст возможность расширить класс решаемых задач автоматизации технологических процессов и тем самым повысить эффективность их управления.
Таким образом, актуальной является цель настоящей работы -повышение эффективности управления слабоформализуемыми химико-
технологическими процессами за счет расширения класса задач их автоматизации.
Научная проблема соответствует поставленной цели: синтез концепции управления и автоматизации слабоформализуемыми химико-технологическими процессами с использованием методов искусственного интеллекта.
Для достижения указанной цели решим следующие задачи:
выделить класс задач автоматизации, где применение методов искусственного интеллекта приведет к повышению эффективности управления технологическими процессами;
сформулировать принципы использования искусственного интеллекта для автоматизации и управления технологическими процессами;
разработать методы интеллектуального управления в і реальном времени, воплощающие эти принципы;
реализовать концепцию в виде алгоритмического и программного обеспечения интеллектуальной системы управления реального времени;
разработать методику применения концепции и интеллектуальной системы управления для автоматизации технологических процессов;
реализовать приложение разработанных методов к решению сформулированных задач автоматизации конкретных объектов управления.
Работа выполнена - в соответствии с постановлением Правительства РФ от 28.05.96 «О приоритетных направлениях развития науки и техники и критических технологий» по направлению «Интеллектуальные системы управления», с тематикой госбюджетной НИР Астраханского государственного технического университета «Разработка и описание систем управления и технических средств автоматизации технологических процессов» № 05.03 с 02.1993г. по 12.1998г., «Разработка систем управления и технических средств автоматизации технологических
процессов» № 07.08 с 02.1999г. по 12.2002г., «Теоретический анализ и математическое моделирование интеллектуальных информационных систем» с 02.2003г. по настоящее время № 08.08.03.
Объем работы. Диссертационная работа состоит из введения, шести глав, выводов, списка используемой литературы и приложений.
Во введении обосновывается актуальность темы диссертации, ее научная новизна, определяется; цель и научная проблема, излагается практическая значимость результатов работы.
В первой главе определяется предмет исследования — слабоформализуемые химико-технологические процессы (ХТП), дается анализ источников и видов неопределенности. Показано, что аппаратом для решения задач автоматизации данных ХТП являются методы искусственного интеллекта. Проведен обзор литературы по применению искусственного интеллекта при автоматизации ХТП и определены направления: математический аппарат нечетких множеств, экспертные системы, распознавание образов. Проанализированы особенности конкретных методов ИИ и сделан вывод о целесообразности их применения при управлении TTL На основании проведенного анализа поставлена проблема исследования, соответствующие ей задачи и определены пути их решения. Проанализированы и сформулированы задачи автоматизации слабоформализованных химико-технологических процессов (СФХТП) с использованием методов ИИ;
Вторая < глава посвящена разработке методов интеллектуального управления и автоматизации слабоформализуемых технологических процессов. Разработана соответствующая концепция: определены ее принципы и методы, их воплощающие, форма реализации в виде интеллектуальной системы генерации решений реального времени (ИСГР РВ), сформулированы требования к ней.
Изложены общие подходы к процессу формализации знаний- с
использованием теории нечетких множеств. Предложен способ формирования элементов универсальных множеств, позволяющий существенно расширить возможности ИИ, и на. этой основе синтезирован алгоритм формализации качественной информации.
Предложена двухуровневая модель базы знаний: верхний уровень представляет собой продукционную базу знаний для хранения правил, нижний - фреймовую, содержащую информацию об их математическом описании.
Для формирования баз знаний; и оценки их качества введены и обоснованы показатели качества: индексы избыточности, противоречивости, полноты.
Для повышения быстродействия; при обработке качественной информации предложен метод модификации традиционной вычислительной процедуры, заключающийся в совместном проведении операций объединения, пересечения и композиции нечетких множеств, исключения из обработки: правил, не имеющих отношение к текущей ситуации, и элементов нечетких множеств, не принадлежащих диапазонам текущих значений входных переменных. Проведено исследование эффективности полученной процедуры;
Разработан метод обучения и адаптации баз знаний на основе текущей информации, в основе которого лежит формирование текущего правила на основе поступающей текущей информации и анализ продукционной базы с использованием введенных показателей.
Предложен метод построения гибридных математических моделей с использованием количественных соотношений и формализованной качественной информации. В основе таких моделей лежит диаграмма взаимного влияния факторов физико-химической? системы (ФХС). Введен принцип разбиения подобной модели на типовые соты, с учетом характера связей и вида входной информации: количественной или качественной. Разработаны варианты расчета по шести типовым сотам.
Третья глава посвящена вопросам реализации предложенных
принципов и методов в форме интеллектуальной системы продукции решений. Разработана общая структура интеллектуальной системы генерации решений (ИСГР) и алгоритмическое обеспечение ее модулей.
Для обеспечения і работы в режиме реального времени і система синтезирована в качестве внешнего приложения SCADA-системы, для чего разработан блок согласования. Для* обеспечения гибкого взаимодействия между блоками при прикладном использовании ИСГР и решения новых задач; автоматизации, осуществлен выбор универсального' программного инструментария — CASE-средств.
Создана методика применения концепции интеллектуального управления и разработанной на ее основе системы, генерации решений реального времени для автоматизации СФХТП, которая реализуется путем анализа объекта управления как слабоформализуемого и конфигурирования интеллектуальной системы для решения конкретной задачи.
Четвертая глава посвящена разработке методов диагностики1 достоверности» первичной информации и идентификации предаварийных ситуаций на технологических объектах управления и их причин.
Введено понятие предаварийной ситуации и рассмотрена их классификация по причинам возникновения.
Предложен метод решения задач идентификации ПАС и рассмотрены два варианта его использования. В основе первого лежит принцип формирования элементов универсального множества как вектора состояний объекта управления. На основе обработки правил продукционной базы знаний делается вывод о ситуации >. на объекте, и с использованием индекса схожести оценивается близость полученного результата" эталонным-значениям, после чего принимается решение.
Второй вариант основан на предложенном способе формирования универсальных множеств в виде элементов, представляющих качественные
понятия. Механизм обработки правил идентичен, а решение о ситуации принимается по максимальному значению функции принадлежности.
Поставлена задача проверки достоверности первичной информации при идентификации ПАС. На основе предложенных показателей качества баз знаний разработан метод проверки достоверности, поиска некорректного источника и восстановления истинной информации.
С использованием предложенных методов на базе ИСГР синтезирована система идентификации предаварийных ситуаций (СИПАС), функционирующая в режиме реального времени как внешнее приложение SCADA-системы. Разработаны ее дополнительные модули, определено их взаимодействие, рассмотрены режимы работы СИПАС, а также, вопросы формирования ее баз знаний: разработана методика анализа ХТП как: источника предаварийных ситуаций и синтез правил с использованием имитационного моделирования. В качестве: конкретного примера выбран технологический процесс получения серы по методу Клаусса.
В пятой главе поставлена и решена задача оптимального управления статическими режимами технологических процессов с использованием^ гибридных моделей. Выявлены особенности применения гибридных математических моделей для целей оптимального управления, которыми являются сильно развитая овражность с преобладанием абсолютно горизонтальных участков, мультимодальность и резкие изменения целевой функции. Для учета этих особенностей предложен алгоритм поиска оптимальных управлений на основе алгоритмов нулевого порядка, соединяющий в себе особенности метода случайных забросов и просеивания.
В- качестве примера приведена система оптимального управления процессом каталитического риформинга с использованием гибридной модели, которая реализована на основе ИСГР РВ;
Шестая глава посвящена вопросам синтеза систем стабилизации с использованием нечетких логических регуляторов (НЛР). Разработан
метод построения системы регулирования нестационарных объектов управления, особенностью которых является невозможность количественного измерения выходных координат и возмущающих воздействий. При этом оператором производится качественная оценка их значений, которая и формулируется в вербальной форме. Подобная система реализует комбинированный принцип управления по отклонению и шо возмущению, имеет компенсатор, адаптивный регулятор и модель в цепи, параллельной объекту.
Предложен вариант расчета коэффициентов базовой функции, описывающей значения лингвистических переменных НЛР на заданное значение индекса избыточности. Разработан адаптивный НЛР, осуществляющий поиск оптимальных относительно некоторого критерия правил, которым является качество готовой продукции.
Для примера в виде объекта управления используется обжарочная печь, целью функционирования которой является выход готового продукта с заданным качеством. Предложенный синтез системы регулирования реализован на основе интеллектуальной системы генерации решений.
Методы исследования: методы искусственного интеллекта, теория
автоматического управления, математическое моделирование
технологических процессов, методы оптимизации. Научная новизна работы:
Сформулирована концепция интеллектуального управления слабоформализуемыми химико-технологическими процессами, включающая:
полную систему принципов интеллектуального управления слабоформализуемыми химико-технологическими процессами, достаточную для автоматизации широкого круга объектов;
метод формирования элементов универсального множества при формализации качественной информации;
метод синтеза продукционных баз знаний с заданными
кщ показателями качества для интеллектуальных систем управления
реального времени;
быстродействующую процедуру генерации управленческих решений с использованием нечетких множеств в АСУ реального времени, отличающуюся исключением из обработки неактуальных правил и невариативных координат объекта;
метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами, основанный на формировании текущих правил и определении показателей их качества;
метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов.
На основе разработанной методологии:
- поставлена и решена задача оптимального управления химико-
технологическими процессами со связями в форме гибридных
'Д>- математических моделей;
- разработаны методы диагностики достоверности первичной
информации и идентификации предаварийных ситуаций;
- поставлена и решена задача синтеза автоматических систем
стабилизации слабоформализуемых нестационарных процессов на базе
адаптивного нечеткого регулятора.
Практическая значимость работы:
- разработаны алгоритмы и программы, реализующие
интеллектуальную систему генерации решении в реальном времени на
основе CASE-технологий; система имеет универсальное назначение и
позволяет в зависимости от загружаемого контента и организации
взаимодействия программных модулей решать широкий спектр задач
автоматизации слабоформализуемых технологических процессов;
- создана методика применения концепции и интеллектуальной
,, системы генерации решений для автоматизации технологических
[Щ процессов, реализуемая путем анализа объекта управления как
слабоформализуемого и конфигурирования разработанной системы под решения конкретной задачи;
- разработано алгоритмическое и программное обеспечение:
- системы идентификации предаварийных ситуаций, которое может
быть использовано для широкого класса потенциально опасных
технологических объектов;
— системы оптимального управления с использованием гибридных математических моделей для технологического процесса каталитического риформинга;
- автоматической системы стабилизации нестационарных
процессов с использованием адаптивного нечеткого регулятора для
термической обработки рыбной продукции.
Апробация работы. Основные теоретические и прикладные результаты диссертационной работы изложены в 50 публикациях автора в журналах и сборниках научных трудов: «Промышленные АСУ и контроллеры», «Приборы и системы управления», «Известия высших учебных заведений. Северо-Кавказский регион. Технические науки», «Вестник ТГТУ», «Вестник АГТУ» и др., в том числе в публикациях без соавторов.
Результаты работы докладывались на- Всесоюзной научной конференции «Автоматизация в химической промышленности» (Тамбов,
,, 1986); на Всесоюзной научно-технической конференции молодых ученых и
специалистов «Вопросы совершенствования в пищевой промышленности» (Калининград, 1986); 12-й Международной конференции «Математические методы в технике и технологиях» (Новгород Великий, 1999); 13-й Международной конференции «Математические методы в технике и технологиях» (Санкт-Петербург, 2000), 14-й Международной конференции «Математические методы в технике и технологиях» (Смоленск, 2001),
($ 15-й Международной конференции «Математические методы в технике и
технологиях» (Тамбов, 2002), 16-й Международной конференции «Математические методы в технике и технологиях» (Ростов-на-Дону, 2003), 17-й Международной научной конференции «Математические методы в технике и технологиях» (Кострома, 2004), а также на конференциях профессорско-преподавательского состава АГТУ.
Таким образом, в диссертационной работе решается важная научная и прикладная проблема управления елабоформализуемыми технологическими процессами с использованием методов искусственного интеллекта, и на защиту диссертации выносятся следующий круг вопросов:
концепция интеллектуального управления слабоформализуемыми химико-технологическими процессами;
метод формирования элементов универсального множества при формализации качественной информации;
метод синтеза продукционных баз знаний с заданными показателями качества для интеллектуальных систем управления реального времени;
быстродействующая процедура генерации управленческих решений с использованием нечетких множеств в АСУ реального времени;
метод адаптации баз знаний интеллектуальных систем управления нестационарными объектами;;
метод построения гибридных сотовых математических моделей слабоформализуемых химико-технологических процессов;
оптимальное управление слабоформализуемыми химико-технологическими процессами со связями в форме гибридных математических моделей;
методы диагностики достоверности первичной информации и идентификации предаварийных ситуаций;
- синтез автоматических систем стабилизации слабоформализуемых
нестационарных процессов.
Искусственный интеллект в задачах автоматизации сложных технологических процессов (обзор литературы)
Прежде чем переходить к описанию примеров конкретного применения методов ИИ для решения. задач автоматизации отметим, что искусственный интеллект — одно из самых молодых научных направлений, начавшее развиваться немногим более полувека назад.
Под искусственным интеллектом понимается набор методов, имитирующих интеллектуальную деятельность в условиях принятия решений. Конечная цель ИИ - замена человека вычислительным устройством при принятии решений и его общение с ЭВМ естественным путем.
Методология ИИ не представляет собой единую стройную теорию, предназначенную для решения определенных задач. Это набор научных методов (очень часто их относят к сфере фундаментальных исследований), достаточно разрозненных между собой, не связанных общей теоретической базой и имеющих каждый свое направление решения научных задач. Обычно каждый из них базируется на определенной системе научных знаний, хотя элементы этих знаний могут проникать в смежные направления ИИ. В целом, задачи ИИ составляют научную область, которая имеет весьма размытые границы. Сегодня среди многих точек зрения, характеризирующих эту научную область, доминируют три [1].
Согласно первой - ИИ разрабатывает модели и методы решения задач, не поддававшиеся ранее формализации и автоматизации. Вторая точка зрения связывает научную область ИИ с новыми идеями решения задач на ЭВМ и разработкой новых технологий программирования. Третья точка зрения является следствием первой: в результате работ в области ИИ рождаются системы, реализующие ранее принципиально не решаемые задачи. Отметим, что нам близки первая и третья точки зрения, и именно на них и основываются многие положения данной работы.
В настоящее время, можно говорить о том, что внутри общей теории управления сложился раздел — интеллектуальные системы управления [9-10]: имеется достаточно большое количество примеров практического использования научных результатов. Поэтому ниже мы сузим круг обзора и остановимся на публикациях, связанных с применением методов ИИ при решении задач автоматизации XTTL Внутри этой научной области можно выделить ряд направлений, которые могут иметь практической значение:
- математический аппарат нечетких множеств;
- экспертные системы;
- нейронные сети;
- методы распознавания образов.
Наиболее широкое распространение при автоматизации ТП получил математический аппарат нечетких множеств (НМ). Появившийся в конце 60-х гг. XX в., благодаря Л.Заде [2—4], этот аппарат открыл новые возможности решения задач автоматизации. Использование НМ в целях автоматизации можно разбить на ряд этапов.
Впервые нечеткие множества в интересующей нас области были применены для решения задач регулирования отдельных технологических параметров, в частности, скорости вращения вала и давления пара паровой турбины [9]. Синтезируемые регуляторы получили название «нечеткие логические регуляторы» (НЛР). Позже были синтезированы нечеткие алгоритмы управления объектами различной природы: химическим реактором, теплообменником, конверторной установкой и другими [10-16]. Этот этап развития нечетких алгоритмов управления достаточно подробно отражен в работах [17-21]. В связи с исчерпанностью проблематики в настоящее время количество работ, посвященных применению НМ в этой области, стало значительно меньше [22-23].
Достаточно часто авторы проводили сравнительный анализ традиционными способами регулирования на известных объектах и доказывали эффективность предлагаемых алгоритмов; На этом этапе использовался простейший объект управления: «вход-выход». При этом не рассматривались теоретические аспекты построения НЛР: алгоритм строился только на основе формализации действий оператора. Эффективность алгоритма оценивалось эмпирическим путем.
Следующий этап развития НЛР характеризуется появлением большого количества работ, связанных с разработкой теоретических основ построения? автоматизированных систем регулирования (AGP): рассматривались вопросы устойчивости, инвариантности, многосвязанности, вводились понятия нечетких весовых и передаточных функций [24-30]. В целом, развитие этого направления на данном этапе характеризовалось введением параллельных традиционной теории автоматического управления понятий. Зачастую основное внимание авторов занимали исключительно теоретические разработки в ущерб практической значимости.
Еще одним шагом в направлении развития нечетких регуляторов было создание адаптивных нечетких систем [31-36]. Подобные системы представляли собой обычно двухуровневые структуры, где на нижнем уровне находился обычный нечеткий регулятор, а на верхнем - контур его адаптации;
В последнее время возникла новая область развития НЛР — синтез гибридных систем регулирования [37-41], где совместно используются как традиционные, так и нечеткие логические регуляторы. При этом регуляторы могут включаться параллельно и функционировать одновременно. В другом варианте система регулирования представляет двухуровневую структуру. На нижнем уровне решаются вопросы регулирования с использованием традиционных методов; на верхнем - за счет применением нечеткой логики осуществляется выбор структуры этого регулятора.
Использование различных типов регуляторов для автоматизации однотипных объектов вызвал появление ряда работ [44-48], основной целью которых была оценка эффективности функционирования традиционных и нечетких регуляторов и выяснения областей их целесообразного использования. Довольно часто авторы при проведении подобных исследований и;их. анализа получают различные научные результаты: от абсолютной эффективности НЛР до полной их бесполезности [49-50].
На основе проведенного обзора публикаций по применению НЛР можно сделать следующие выводы:
- область эффективного- применения нечетких логических регуляторов, в отличие от традиционных, не определена. На начальном этапе развития предполагалось, что для объектов, характеризующихся сильной зашумленностью, высокой инерционностью и уровнем нелинейности, применение подобных регуляторов целесообразно. Но дальнейшее развитие АСР, ориентированных на подобные объекты, поставили под сомнение применение НЛР;
- предлагаемые способы адаптации нечетких регуляторов являются достаточно трудоемкими, требуют значительных затрат машинного времени и количественного контроля значений координат объекта.
Другой областью применения нечетких множеств при решении задач автоматизации является моделирование технологических процессов, которое зародилось в нашей стране в начале 80-х гг. прошлого века и развивалось силами научной школы академика В.В. Кафарова. Методологические основы этого направления заложены в работах В.В. Кафарова, И.Н. Дорохова, Е.П. Маркова [51-53], а основная концепция заключалась в следующем: факторы, физико-химической системы (ФХС) [54] рассматривались как лингвистические переменные, принимающие словесные значения, взаимодействие их между собой описывается качественно в лингвистической форме. Основным недостатком данного подхода является то, что математическая модель строилась только на основе лингвистического описания процесса, а имеющиеся в распоряжении исследователя количественные соотношения не использовались. В связи с этим делались попытки совместного применения количественных и качественных соотношений; для построения, комбинированной математической модели [55-57]. Но предложенная методика не имела универсального характера и использовалась только для построения конкретной модели одностадийного производства стекловолокна.
К рассматриваемому направлению относятся» и проблемы проверки адекватности моделей, построенных на основе качественной информации. Отметим, что этим вопросам в литературе уделяется недостаточно внимания: предлагаются методы проверки адекватности, принципиально не отличающиеся от традиционных [17-18]. Конечная цель данных методов - поиск величины расстояния Хемминга между экспериментальными и расчетными данными.
Алгоритмы функционирования интеллектуальной системы генерации решений реального времени
Для реализации первого принципа концепции в; состав системы входят три блока: человеко-машинный интерфейс. (ЧМИ), блоки: первоначальной загрузки и текущей формализации.
ЧМИ строится на принципах ЕЯ-систем (использование словаря; организация взаимодействия человек-машина и др.) [145] и зависит от конкретной предметной области. Поэтому его организация рассматривается при решении конкретных задач автоматизации с использованием разработанной системы. Непосредственно для формализации качественной информации используются два указанных выше основных блока. При этом, согласно положениям, рассмотренным во второй главе, будем описывать с помощью нечетких множеств, только первичные значения лингвистических переменных. Математическое описание порожденных значений ЛП осуществим путем преобразования нечетких множеств, формализующих первичные значения, с использованием приведенных операций. Математическое описание всех лингвистических переменных будем вести в едином диапазоне универсального множества: переход в реальную область осуществлять с использованием принципа обобщения.
Рассмотрим алгоритм функционирования модуля первоначальной загрузки (рис. 3.1). Входной исходной информацией являются: названия лингвистических переменных, базовые значения ЛП, количество состояний, количество компонент вектора состояний, вид каждой компоненты. Далее вводится значение каждой компоненты каждого состояния.
При этом каждый эксперт принимает решение о принадлежности каждого состояния базовым значениям каждой лингвистической переменной в виде однозначного ответа: «да» или «нет». Полученные данные обрабатываются, в результате чего находится средняя величина ФП каждого элемента универсального множества определенному значению ЛП. Если есть необходимость, то осуществляется выбор базовой функции (одной или нескольких), описывающей первичные значения ЛП и поиск значений их коэффициентов. На этом этап формализации первичных значений лингвистических переменных априори заканчивается: найденные базовые описывающие функции, рассчитанные их коэффициенты или таблицы соответствия для случая дискретного описания загружаются в нижний уровень базы знаний.
Алгоритм функционирования модуля текущей формализации выглядит следующим образом (рис. 3.2). Осуществляется синтаксический анализ введенного терма с использованием словаря ЧМИ. В результате выделяется первичный терм и термы порождения. Для первого осуществляется вызов соответствующего ему НМ из фрейма базы знаний нижнего уровня. Для термов І порождения из второго фрейма вызываются соответствующие операции, в результате выполнения которых и формируется нечеткое множество, описывающее введенный терм.
Для синтеза баз знаний с расчетом показателей качества используем два модуля, относящихся к основным: модуль, реализующий двухуровневую структуру базы знаний, и модуль ее синтеза . априори, алгоритм функционирования которого приведен на рис. 3.3; При этом блок Г осуществляет формирование индивидуального набора правил каждым экспертом с использованием ЧМИ. В блоке 2 каждому правилу присваивается приоритет., Блок 3 производит расчет величины критерия схожести, а блок 4 — предварительный анализ правил подозрительных на противоречивость и избыточность. По результатам анализа блок 5 загружает отобранные рабочие правила в блок базы знаний. Блок 6 производит попарно анализ правил, подозрительных на противоречивость, с использованием ИПР, и после чего в блоке 7 принимается решение о включении правил в рабочий набор. Блок 8 осуществляет попарно анализ правил, подозрительных на избыточность с использованием ИИЗ и индекса полноты, после чего в блоке 9 принимается решение о возможном включении одного или двух правил в рабочий набор. По результатам полного анализа правил на противоречивость и избыточность формируется дополнительный набор, который и загружается в рабочий (блок 10).
Для текущей обработки информации и выработки решения предназначен основной модуль, который назовем модулем вывода, реализующий модифицированную вычислительную процедуру. Его структурная схема приведена на рис. 3.4.
Исходной информацией являются нечеткие множества, описывающие текущие значения входных координат объекта и формализованные с использованием НМ правила базы знаний. Для каждого нечеткого множества производится усечение всех элементов, имеющих нулевые ФП, и формируется уровневое подмножество DXN, в котором функции принадлежности всех элементов не равны нулю (блок 5). Последующие расчеты, производятся только с уровневыми подмножествами. Далее (блоки 7-10) определяется набор правил участвующих в расчетах. Первоначально для всех правил содержащихся в базе для каждой входной координаты рассчитываются значения выражений (2.28). Расчет производится только для элементов уровневых подмножеств DXN- Если для некоторого значения /выражение (2.28) равно нулю, то І-Q правило исключается из набора правил и при обработке последующих входных координат не используется. Для правил, прошедших отбор на основании вычисленных значений выражения (2.28), рассчитывается значение выражения (2.26), после чего определяется значение выражения (2.21) (блок 16).
Модуль формирования текущего правила на основе поступившей информации реализует алгоритм, структурная схема которого приведена на рис. 3.5. Алгоритм функционирует следующим образом. На основе введенного текущего значения ХК, определяется интервал дискретизации, куда попадает полученное значение (блок 1), а так же соседние интервалы (блок 2). В блоке 3 рассчитывается вероятность попадания полученного значения ХК в определенные интервалы с учетом влияния погрешности, в результате чего формируется нечеткое множество (блок 4). Для каждого эталонного значения данной ЛП рассчитывается индекс схожести (блок 5) и выбирается эталонное значение, имеющее минимальное значение этого индекса (блок 6). Далее осуществляется переход к новой переменной (блок 7). После описания все переменных осуществляется формирование текущего правила (блок 9). Сформированное таким образом правило может быть использовано для процедуры коррекции базы знаний, которую реализуют два следующих модуля.
Алгоритм функционирования модуля обучения выглядит следующим образом (рис. 3.6). В результате перебора осуществляется предварительный анализ пар правил (одно из которых - текущее) подозрительных на противоречивость (блок 2) и избыточность (блок 3). Правила, подозрительные на противоречивость, анализируются попарно (блок 4), для чего рассчитывается ИПР, и для установленного уровня противоречивости принимается решение о возможном включении поступившего правила в рабочий набор. При выходе ИПР за установленные пределы новое правило в рабочий набор не попадает, поскольку обладает самым низким приоритетом. Правила, подозрительные на избыточность, анализируются попарно (блок 5), для чего рассчитывается ИИЗ и коэффициент полноты модели, а затем принимается решение о возможном включении нового правила в рабочий набор (блок 6). По результатам полного анализа правил на противоречивость и избыточность принимается окончательное решение о включении правил в рабочий набор.
Построение сотовой модели каталитического риформинга
В соответствии с предложенным во второй главе методом построения ГММ разобьем диаграмму процесса каталитического риформинга на элементарные фрагменты, математическая модель каждого из которых представляет собой определенную соту. В результате получим следующие типы соты:
1. Сота кратности циркуляции водородосодержащего газа.
2. Сота концентрации водорода в водородосодержащем газе.
3. Сота плотности сырья.
4. Сота мольного соотношения водород/сырье.
5. Сота удельной теплоты сгорания топливного газа.
6. Сота потерь тепла в печи подогрева продуктовой смеси первой ступени.
7. Сота энтальпии сырья на входе в печь подогрева продуктовой смеси первой ступени.
8. Сота температуры продуктовой смеси на выходе печи подогрева продуктовой смеси первой ступени.
9. Сота жесткости процесса в реакторе первой ступени.
10. Сота перепада температуры продуктовой смеси в реакторе первой ступени.
11. Сота температуры продуктовой смеси на входе в печь подогрева продуктовой смеси второй ступени.
12. Сота потерь тепла в печи подогрева продуктовой смеси второй ступени.
13. Сота энтальпии сырья на входе в печь подогрева продуктовой смеси второй ступени.
14. Сота температуры продуктовой смеси на выходе печи подогрева продуктовой смеси второй ступени.
15. Сота жесткости процесса в реакторе второй ступени.
16. Сота перепада температуры продуктовой смеси в реакторе второй ступени.
17. Сота температуры продуктовой смеси на входе в печь подогрева продуктовой смеси третьей ступени.
18. Сота потерь тепла в печи подогрева продуктовой смеси третьей ступени.
19. Сота энтальпии сырья на входе в печь подогрева продуктовой смеси третьей ступени.
20. Сота температуры продуктовой смеси на выходе печи подогрева продуктовой смеси третьей ступени.
21. Сота жесткости процесса в реакторе третьей ступени.
22. Сота перепада температуры продуктовой смеси в реакторе третьей ступени.
23. Сота объемной скорости подачи сырья.
24. Сота обобщенной жесткости процесса.
25. Сота давления газо-сырьевой смеси в реакторах.
26. Сота октанового числа катализата.
27. Сота производительности установки.
28. Сота потери активности катализатора.
29. Сота срока службы катализатора.
Для каждой соты следует произвести определение ее типа и построение зависимости выходной координаты от входных координат. Способ описания связей в каждой соте определяется объемом и типом имеющейся информации о процессе.
Поскольку количество сот в гибридной математической модели каталитического риформинга достаточно велико, а описание и расчет по каждой соте достаточно объемен, то ниже мы в качестве примера приведем математическое описание и расчет по одной соте. Подробное описание и варианты расчета по остальным сотам приведены в приложении. Результаты расчета по ГММ каталитического риформинга приведены ниже при ее использовании для целей управления [184].
Во второй главе мы определили, что наиболее общий характер имеет универсальная сота: все остальные могут рассматриваться как ее частный случай. При построении диаграммы взаимного влияния факторов процесса каталитического риформинга сота октанового числа катализата относится к этому типу, на построении ГММ этой соты мы и остановимся.
Структура участка диаграммы взаимного влияния представлена на рис. 5.8. и включает в себя три входные координаты, одна из которых представлена в виде ЛП, две другие принимают численные значения.
Связь в соте гибридная.
Эксплуатация системы регулирования качества продукции
Критерием достоверности полученных научных результатов является их практической использование, поэтому в целях проверки работоспособности синтезированной нами системы стабилизации была проведена ее опытная эксплуатация на ОАО «Астраханской рыбокомбинат».
В качестве управляющей использовалась IBM PC-совместимая вычислительная машины следующей конфигурации: тактовая частота-2МГц, ОЗУ - 256 Мб, HDD - 60 Гб со SCASI-controler. В качестве операционной системы использовалась Windows 2000. Эксплуатация разработанной системы осуществлялась автономно ввиду двух особенностей: на существующем объекте управления использование SCADA-системы для целей управления не предусмотрено, отсутствует устройство сопряжения с объектом, позволяющее оперативно изменять скорость движения транспортера непосредственно за счет команд с УВМ.
В связи с этим для реализации режима опытной эксплуатации был разработан ЧМИ, позволяющий осуществлять гибкий диалог оператор-УВМ, как при вводе информации в вербальной форме, так и при получении значений управляющих воздействий, выработанных ИСГР РВ.
При проведении опытной эксплуатации возмущения (качество сырья) и выходная координата (качество готовой продукции) постоянно оценивались оператором визуально, и. в случае их изменения информация посредством ЧМИ вводилась в УВМ. Для ввода информации в вербальной форме был сформирован словарь ЧМИ, включающий первичные значения лингвистических переменных и термы порождения. ИСГР РВ генерировала решение о величине управляющего воздействия и представляла его оператору посредством ЧМИ. Реализация управлений, генерируемых системой, осуществлялась путем воздействия оператора на привод транспортера.
При вводе качественной информации о координатах объекта проводился процесс адаптации модели объекта и нечеткого логического регулятора. Подобная частота проведения этой процедуры была обусловлена тем, что затраты времени УВМ в этом случае незначительны по сравнению со скоростью изменения свойств объекта (устаревание масла). В случае, если найденный вариант правил НЛР не удовлетворял заданным значения критерия качества, принималось решение о замене масла.
Были получены следующие результаты результатам опытной эксплуатации:
- доказана работоспособность системы регулирования качества готовой продукции технологического процесса термической обработки в обжарочной печи;
- сокращено количество брака выпускаемой продукции;
- увеличен период замены масла, что приводит к снижению материальных производственных затрат и снижению простоев оборудования;
- принято решение о включении разработанной системы в общую структуру АСУ предприятия.
Проведение опытной эксплуатации оформлено соответствующим актом, который приведен в приложении.
На примере технологического процесса термической обработки пищевой продукции нами рассмотрен наиболее общий случай реализации метода построения систем регулирования слабоформализуемым химико-технологическим процессом, обладающим свойством нестационарности и отсутствием средств измерения выходных координат и возмущений объекта. Рассмотрим последовательность реализации метода с использованием интеллектуальной системы генерации решений реального времени и оценим возможность его применения в более простых случаях.
1. Анализ слабоформализуемого ХТП как объекта управления и выяснение форм и степени неопределенности информации о его координатах. Исследование свойств объекта.
2. В зависимости; от способа оценки значений координат объекта (количественно или качественно) и свойств объекта управления (стационарность, нестационарность) принимается решение о структуре системы регулирования. Если отсутствует возможность качественной оценки возмущающих воздействий, то отпадает необходимость использования нечеткого компенсатора. В случае стационарного объекта управления, контур адаптации модели может отсутствовать.
3. Расчет функций принадлежности нечеткого логического регулятора и, в случае необходимости, компенсатора на величину индекса избыточности правил.
4. Построение модели объекта управления в форме продукционной базы знаний.
5. Реализация алгоритма обучения и, в случае необходимости, адаптации нечеткого логического регулятора или компенсатора.
6. Реализация алгоритма адаптации модели объекта (в случае нестационарного объекта управления).
7. Разработка человеко-машинного интерфейса системы регулирования и сопряжение со SCADA-системой.
