Содержание к диссертации
Введение
ГЛАВА 1. Теоретические основы построения интеллектуальных систем управления технологическими объектами 11
1.1 Интеллектуальные системы управления (ИнтСУ): понятия, концепция, базовые структуры и инструментальные средства 11
1.2 Задачи, методы и алгоритмы интеллектуальных систем управления (обзор) 41
1.3 Структуризация интеллектуальных систем управления с прогнозированием 59
1.4 Особенности настройки искусственных нейронных сетей в системах автоматического управления 68
1.5 Формирование и обновление базы знаний на основе концепции программно-возмущенного движения 87
ГЛАВА 2. Исследование нейроэкспертных систем автоматического распознавания образов на примере прокатного производства 90
2.1 Автоматическое распознавание маркировки проката 90
2.2 Постановка задачи распознавания поверхностных дефектов проката 97
2.3 Общая схема автоматического распознавания и параметризации поверхностных дефектов 99
2.4 Разработка и испытания нейроэкспертных систем распознавания дефектов рельсов 104
2.5 Особенности обучения производственного персонала взаимодействию с нейроэкспертной системой распознавания дефектов 113
ГЛАВА 3. Разработка нейроэкспертной системы автоматического управления тепловым режимом воздухонагревателей 119
3.1 Постановка задачи синтеза системы автоматического управления тепловым режимом воздухонагревателя Калугина 119
3.2 Предлагаемая нейроэкспертная система управления тепловым режимом воздухонагревателя 126
3.3 Моделирование и оценка эффективности алгоритма управления тепловым режимом воздухонагревателя 139
Заключение и выводы 152
Библиографический список 155
Приложение а 166
Приложение б 188
Приложение в 189
- Интеллектуальные системы управления (ИнтСУ): понятия, концепция, базовые структуры и инструментальные средства
- Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)
- Автоматическое распознавание маркировки проката
- Постановка задачи синтеза системы автоматического управления тепловым режимом воздухонагревателя Калугина
Введение к работе
Актуальность исследования. Интеллектуальные системы управления (ИнтСУ) сегодня общепризнаны как перспективное направление научных исследований. Теория этих систем и ее приложения отражены в трудах ведущих ученых, таких как Д.А. Поспелов, И.М. Макаров, В.М. Лохин, К.А. Пупков, В.Г. Коньков, А.А. Ерофеев, P.M. Юсупов, А.А. Жданов, Y.-Z. Lu, К.М. Hangos, S. Omatu. Однако теоретические и особенно прикладные основы ИнтСУ еще далеки от завершения, в том числе в части систем контроля и управления сложными техническими и человеко-техническими объектами, включающих искусственные нейронные сети и экспертные системы (далее нейроэкспертные системы), функционирующих в затрудненных условиях. Под затрудненными условиями понимаются большая размерность объекта управления, его нестационарность, долговременная динамическая память, распределенность параметров, нелинейность, существенные запаздывания, разнообразие ситуаций, неполнота контроля внешних воздействий, выходных воздействий и состояний объекта, наличие флуктуационных и грубых помех, изменчивость целей, критериев, ограничений. Современные промышленные машины, агрегаты, технологические линии, участки, цехи горнодобывающей, металлургической, химической, машиностроительной и других отраслей промышленности в большинстве своем относятся к классу сложных объектов. Существенного повышения эффективности управления ими можно достигнуть путем применения адекватно сложных управляющих систем, какими и являются интеллектуальные системы.
Важной задачей развития теоретических основ ИнтСУ является разработка методов и алгоритмов, базирующихся на совместном применении (интеграции) конкретных интеллектуальных инструментов, таких как динамические экспертные системы, искусственные нейронные сети, нечеткая логика, ассоциативная память. Данное исследование решает эту задачу применительно к нейроэкспертным распознавателям, программаторам, регуляторам.
Актуальность интеллектуализации систем контроля и управления обусловлена развитием высоких технологий (high tech) автоматизации и информатизации технологических процессов, базирующихся на фундаментальных научных открытиях (например, нейрокомпьютеров), что позволяет эффективно реализовывать сложные вычислительные процедуры и повышает эффективность управления, а также качество готовой продукции предприятия. Актуальность выбранного направления подтверждается соответствующими научными трудами международных конференций, в том числе проводимых под патронажем РАН, тем, что оно входит в программу приоритетных исследований ведущих международных научных организаций: IF AC, IEEE, ACM, а таюке тем, что идеи этого направления находят все большее распространение в различных областях науки и производства.
Работа выполнена в соответствии с планами хоздоговорных и госбюджетных научно-исследовательских работ Сибирского государственного индустриального университета в рамках Задания Министерства образования и науки РФ на проведение фундаментальных научных исследований в области систем автоматизации и информатизации по тематике «Развитие теории и методов управления на основе натурно-модельного подхода» (2005-2006 г.г. № ГР 01200510529), Гранта Губернатора Кемеровской области «Ведущая научная школа Кемеровской области» на выполнение НИР «Создание систем автоматизации управления промышленными и социальными объектами Кузбасса на основе натурно-модельного подхода» (2004 г., № 77), хоздоговора с ОАО «Новокузнецкий металлургический комбинат» на выполнение НИР «Разработка и внедрение универсальных алгоритмов оценки качества рельсов в соответствии с Евронормами» (2007 г., № 15-07).
Цель и задачи диссертации.
Основная цель — развитие теоретических основ нейроэкспертных систем автоматического контроля и управления, включающих экспертную и нейросетевую подсистемы, применительно к сложным техническим и человеко-техническим объектам.
Частные цели: анализ, обобщение и развитие концептуальных основ интеллектуальных систем управления сложными динамическими объектами; разработка и исследование нейроэкспертных методов и алгоритмов распознавания, оптимизации, регулирования; создание и применение нейроэкспертных систем для решения актуальных задач автоматического контроля и управления агрегатами и производственными участками предприятий черной металлургии.
Сформулированная цель исследования имеет фундаментальный характер и обладает принципиальной новизной, так как охватывает новые задачи быстро развивающейся теории ИнтСУ и на сегодняшний день не может быть отнесена к числу достигнутых. Сказанное отражает точку зрения известных научных школ ИПУ, МГУ, МИСиС, МГТУ и многих других организаций.
Задачи диссертации: 1. Аналитический обзор и классификация известных интеллектуальных систем управления. 2. Разработка обобщенной функциональной структуры прогнозирующей интеллектуальной системы управления технологическим объектом. 3. Формирование научно-методических основ разработки нейроэкспертных распознавателей, программаторов, прогнозаторов, регуляторов. 4. Построение методики обучения нейросетевых моделей объектов в замкнутом контуре управления. 5. Разработка нейроэкспертной системы распознавания поверхностных дефектов проката. 6. Разработка нейроэкспертной системы управления тепловым режимом воздухонагревателей Калугина.
Методы выполнения работы. Использовались методы теории автоматического управления, теории искусственного интеллекта, теории искусственных нейронных сетей, экспертных систем, системного анализа, прогностики, теории идентификации и обучения, математического и натурно-математического (пересчетного) моделирования, натурного эксперимента. Научную новизну диссертации составляют: 1. Обобщенная
функциональная структура ИнтСУ сложным технологическим объектом, сформированная на основе типопредставительного подхода и учитывающая затрудненные условия функционирования. 2. Методика обучения нейросетевой модели сложного нестационарного объекта управления в режиме реального времени, учитывающая влияние прямых и обратных управляющих связей, обеспечивающая соблюдение предпосылок искусственных нейронных сетей за счет одновременного нанесения модельных, натурных и комбинированных тестовых воздействий по всем управляющим входам объекта в пределах безаварийного функционирования системы управления. 3. Нейроэкспертная система распознавания поверхностных дефектов сортового и листового проката в процессе его производства, позволяющая с помощью искусственных нейронных сетей автоматически обнаружить типовые поверхностные дефекты, оценить их параметры и пространственные координаты, а в нестандартных случаях (например, для редко встречающихся дефектов) оказывать помощь оператору-технологу посредством специализированной экспертной подсистемы, использующей морфологические и генетические признаки дефектов. 4. Нейроэкспертная система автоматического управления тепловым режимом воздухонагревателя Калугина, созданная в рамках концепции программно-возмущенного движения, включающая экспертную подсистему управления программным движением объекта, которая отличается динамической базой знаний продукционного типа «Программы управления», подсистему нейродвушкального регулирования с условным и безусловным прогнозированием, использующую имитационную нейросетевую модель объекта управления, работающую в ускоренном режиме времени.
Практическая значимость работы. Разработанные функциональные структуры нейроэкспертных систем контроля и управления, нейроэкспертные модели технологических объектов, алгоритмы, методики и устройства открывают новые возможности для повышения эффективности производств, могут быть использованы на предприятиях черной металлургии и других отраслей промышленности для развития традиционных автоматизированных систем сложных технологических объектов, а также для извлечения и использования знаний опытных специалистов (экспертов). Конкретизированный метод нейроэкспертного управления, учитывающий затрудненные условия функционирования технологического объекта, позволяет существенно повысить эффективность его работы и, без значительных затрат, может быть применен на агрегатах различных отраслей промышленности. Данный метод рекомендован для автоматизированной системы контроля и управления воздухонагревателями Калугина доменного цеха ОАО «Западно-Сибирский металлургический комбинат (ЗСМК)». Методика нейроэкспертного распознавания дефектов проката конкретизирована применительно к комплексу неразрушающего контроля продукции рельсобалочного цеха ОАО «Новокузнецкий металлургический комбинат (НКМК)». Она, в силу своей гибкости, может быть использована для распознавания новых видов дефектов различного проката (рельсового, листового, трубного и т.п.). Реализация результатов работы. Основной сферой использования полученных результатов являются автоматические и человеко-компьютерные системы управления высокосложными промышленными агрегатами (в частности, воздухонагревателями доменных печей), а также производствами (в частности, прокатным цехом). Разработанные функциональные структуры нейроэкспертных систем контроля и управления, документация по методу нейродвушкального управления, алгоритмы распознавания, оптимизации, регулирования переданы на ОАО «НКМК» и ОАО «ЗСМК» для практического применения. Описание разработанных методов, алгоритмов и конкретных подсистем автоматизированных нейроэкспертных систем контроля и управления используются в учебном процессе ГОУ ВПО «СибГИУ» при освоении курсов «Интеллектуальные информационные системы», «Методы оптимизации», «Методы и алгоритмы прогнозирования в системах управления», а также для дипломного проектирования. Предмет защиты и личный вклад автора. На защиту выносятся функциональная структура обобщенной интеллектуальной системы управления и конкретизированных неироэкспертных систем контроля и управления сложными технологическими объектами; постановка и решение задач обучения нейросетевой модели объекта в замкнутой системе управления, построения неироэкспертнои системы управления с прогнозированием в ускоренном времени и оптимизацией программного движения с помощью динамической базы знаний «Программы управления» и распознавания типопредставительных ситуаций, построения неироэкспертнои системы распознавания дефектов проката; новая схема установки, обеспечивающей более полный контроль поверхностей проката; нейроэкспертные модели объектов контроля и управления (модель дефектов проката, модель воздухонагревателя в режиме «нагрев»); методики построения неироэкспертных моделей объектов, распознавателей, регуляторов и программаторов для систем контроля и управления технологическим объектом. Личный вклад автора заключается в постановке основных задач исследования и разработке процедур их решения; в формировании моделей объектов контроля и управления с соблюдением предпосылок выбранных методов; в разработке нейроэкспертного алгоритма управления технологическим объектом; в создании нейроэкспертного алгоритма распознавания поверхностных дефектов; в определении структуры поискового и беспоискового нейродвушкального регулятора с прогнозированием выходных и контролируемых внешних воздействий, а также эффектов неконтролируемых внешних воздействий, приведенных к выходу объекта управления; в создании алгоритма работы программатора и в построении базы знаний подсистемы управления программным движением; в компьютерном моделировании разработанных алгоритмов на базе современных программно-технических средств в рамках натурно-модельного подхода.
Апробация работы. Основные положения и результаты диссертации представлялись, обсуждались и получили одобрение на 14 конференциях разного уровня. В перечне основных конференций представлены «Международная
Интеллектуальные системы управления (ИнтСУ): понятия, концепция, базовые структуры и инструментальные средства
Перспективной областью приложения концепции интеллектуального управления в технике и технологиях являются сложные технические и человеко-технические системы управления, функционирующие в затрудненных условиях. Под затрудненными условиями понимается большая размерность объекта управления, его нестационарность, долговременная динамическая память, распределенность параметров, нелинейность, существенные запаздывания, многообразие ситуаций, неполнота контроля внешних воздействий, выходных воздействий и состояний объекта, наличие флуктуационных и грубых помех, изменчивость целей, критериев, ограничений и т.п.
К ИнтСУ относятся системы, описанные в публикациях Д.А. Поспелова, И.М. Макарова, В.М. Лохина, В.Н. Захарова, К.А. Пупкова, В.Г. Конькова, А.Е. Городецкого, А.А. Ерофеева, А.О. Полякова, А.В. Тимофеева, P.M. Юсупова, Б.Я. Советова, В.В. Цехановского, В.Д. Чертовского, А.А. Жданова, Y.-Z. Lu, К.М. Hangos, R. Lakner, М. Gerzson, Z.-X. Cai, С J. Harris, C.G. Moore, M. Brown, D. Schroder, D.A. White, D.A. Sofge, M.M. Gupta, N.K. Sinha [1-19]. Понятие «интеллектуальная система» интерпретируется разными исследователями по-разному. Рассмотрим основные из них, с включением сопутствующих пояснений. — Интеллектуальная система [20] — это информационно вычислительная система с интеллектуальной поддержкой при решении задач без участия оператора (лица, принимающего решение - ЛПР). Интеллектуалнзированная система — это информационно-вычислительная система с интеллектуальной поддержкой при решении задач с участием оператора - ЛПР. Основные интеллектуальные технологии, включая нейронные сети, генетические алгоритмы, нечеткую логику, могут эффективно использоваться при создании систем управления. При этом целесообразность их использования определяется способностью реализовывать распределенные схемы выполнения вычислений, что позволяет расширить пространство поиска без значительного увеличения сложности необходимых вычислений; возможностью описания процессов управления средствами «простого», близкого к естественному языка; возможностью неаналитического представления нелинейных объектов управления и описания процессов, характеризующихся неоднозначностью и большим количеством особых ситуаций; 4) способностью осуществлять интеллектуальный поиск в пространстве решений плохо формализованных задач. — Интеллектуальные системы это системы, основанные на знаниях (knowledge-based system). При обработке на ЭВМ знания трансформируются аналогично данным [21]: 1) Знания в памяти человека как результат мышления. 2) Материальные носители знаний (учебники, методические пособия). 3) Поле знаний — условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих. 4) Представление знаний на базе какой-либо модели (продукционной, семантической, фреймовой или другой). Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если условие , то действие ». Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними. Фреймом называется структура данных для представления некоторого концептуального объекта. 5) База знаний на машинных носителях информации. При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода (механизм рассуждений, машина логического вывода, дедуктивная машина, интерпретатор, интерпретатор правил, решатель). Машина вывода работает циклически. В каждом цикле она просматривает существующие факты из рабочей памяти (базы данных) и правила из базы знаний, а затем их сопоставляет. Совокупность отобранных правил составляет так называемое конфликтное множество (то есть, в конкретной ситуации может быть применено сразу несколько правил). Для разрешения конфликта машина вывода имеет критерий, с помощью которого она выбирает единственное правило, после чего оно срабатывает. Это выражается в занесении фактов, образующих заключение правила, в рабочую память или в изменении критерия выбора конфликтующих правил. Если же в заключение правила входит название какого-нибудь действия, то оно срабатывает. Машина вывода основана на принципе modus ponens, который трактуется следующим образом: «Если известно, что истинно утверждение А и существует правило вида «если А, то В», тогда утверждение В истинно».
— Под интеллектуальными системами [22] понимают любые биологические, искусственные или формальные системы, проявляющие способность к целенаправленному поведению. Последнее включает свойства (проявления) общения, накопления знаний, принятия решений, обучения, адаптации. В основе исследований в области искусственного интеллекта лежит подход, связанный со знаниями. Опора на знания — базовая парадигма искусственного интеллекта. В работе [22] трактовки знаний объединены в четыре группы (или уровня): психологическую, интеллектуальную, формальнологическую и информационно-технологическую. Психологическая трактовка знаний - психические образы, мысленные модели. Интеллектуальная трактовка знаний - совокупность сведений о некоторой предметной области, включающих факты об объектах данной предметной области, свойства этих объектов и связывающих их отношениях, описания процессов, протекающих в данной предметной области, а таюке информацию о способах решения типовых задач. Формально-логическая трактовка — формализованная информация о некоторой предметной области, используемая для получения (вывода) новых знаний об этой предметной области с помощью специализированных процедур. Информационно-технологическая трактовка - структурная информация, хранящаяся в памяти ЭВМ и используемая при работе интеллектуальных программ.
— В работах Д.А. Поспелова и его коллег описаны следующие концептуальные свойства знаний: внутренняя интерпретируемость, понимаемая как наличие уникальных имен, идентифицирующих каждую информационную единицу; структурированность, которая обуславливает возможность рекурсивной вложимости отдельных информационных единиц друг в друга; внешняя связность, задающая возможность установления функциональных, казуальных и других типов отношений между информационными единицами; шкалируемость, характеризующая возможность введения различных метрик для фиксации количественных, порядковых и иных соотношений информационных единиц; активность, отражающая способность инициировать выполнение некоторых целесообразных действий при появлении новой информации.
— Интеллектуальная информационная система [23] (или система, основанная на знаниях) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях, используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабоструктурированных проблем. В прикладной теории интеллектуальных систем (ИнтС) [9] система управления рассматривается только в тесном взаимодействии с окружающем ее внешним миром, а интеллектуальная система интерпретируется как совокупность активных субъектов и противостоящих им объектов (субъектов), порождаемая либо ситуационной возможностью активного существования субъекта, либо целевой задачей некоторого системного или внесистемного субъекта, причем все элементы любой природы, составляющие интеллектуальную систему, находятся под воздействием общего для них внешнего мира.
Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)
К основным современным интеллектуальным инструментам, применяемым как совместно, так и по отдельности, позволяющим решить выделенные задачи исследования (распознавания, оптимизации, регулирования), следует отнести:
1) экспертные системы. Представление знаний осуществляется в явном виде с помощью продукционных правил, семантических сетей и фреймообразных структур. Формирование начальных знаний реализуется с помощью эксперта в интерактивном режиме. Организация логического вывода обеспечивается путем явного сопоставления начальной посылки с категориями многоуровневой классификации, заданной иерархией продукционных правил или других представлений. Возможность пополнения знаний обеспечивается путем изменения продукционных правил, семантических сетей и других представлений. Объяснение принимаемых решений может быть обеспечено за счет анализа активизированной цепи логического вывода;
2) искусственные нейронные сети. Представление знаний осуществляется в неявном виде в архитектуре сети, параметрах нейронов и связей. Формирование начальных знаний реализуется на примере обучающей выборки с помощью алгоритмических процедур настройки в автоматическом режиме. Организация логического вывода обеспечивается логикой работы сети. Возможность пополнения знаний обеспечивается путем изменения топологии, структуры и параметров сети. Объяснение принимаемых решений отсутствует, но может быть обеспечено за счет введения дополнительной объясняющей нейросети;
3) ассоциативную память. Представление знаний осуществляется в неявном виде в форме гиперповерхности в многомерном пространстве признаков и архитектуре ассоциативной памяти. Формирование начальных знаний реализуется путем автоматического создания ассоциативных связей по заданному алгоритму. Организация логического вывода обеспечивается проецированием рабочей точки гиперповерхности на оси выбранной системы координат. Возможность пополнения знаний обеспечивается путем изменения пространства параметров и формы соответствующей гиперповерхности. Объяснение принимаемых решений отсутствует, но может быть обеспечено за счет введения дополнительной координаты с объяснениями;
4) нечеткую логику. Представление знаний осуществляется в полускрытом виде с помощью продукционных правил и функций принадлежности, отражающих взаимосвязь входных и выходных лингвистических переменных и их физическую значимость. Формирование начальных знаний реализуется с помощью эксперта в интерактивном режиме или в автоматическом режиме на основе анализа статистических данных о функционировании системы. Организация логического вывода обеспечивается выполнением продукционных правил и выбранным методом обработки функций принадлежности. Возможность пополнения знаний обеспечивается за счет изменения системы правил, формы и относительного размещения функций принадлежности на базовых осях. Объяснение принимаемых решений отсутствует, но может быть обеспечено за счет анализа срабатывающих правил.
Использование интеллектуальных информационных технологий способно вывести дефектоскопию рельсов на новый уровень эффективности и надежности. Наличие интеллектуальной системы распознавания дефектов в потоке производства проката позволяет оперативно реагировать на их появление и тем самым повысить выход годного, что является целью любого предприятия.
Для эффективного решения вопроса автоматизации процесса снижения брака, авторы статьи [24] использовали экспертную систему продукционного типа, интегрирующую два подхода: визуально-логический способ определения дефекта по морфологическим признакам его поверхности (цвету, блеску, шероховатости), форме, расположению, структуре; интеллектуально-математический способ обработки технологических параметров процесса изготовления с целью определения причин возникновения дефектов и способов их ликвидации. Суть работы экспертной системы состоит в том, что оператору-контролеру предлагается группа цветных фотографий типовых дефектов поверхности с описанием характерных признаков для определения схожести с рассматриваемым дефектом. После выбора изображения наиболее похожего дефекта, оператору предлагается следующая группа фотографий этого дефекта, но с некоторыми его особенностями (например, если оператор выбрал тип дефекта «раковина», то на следующем этапе экспертная система предложит на выбор фотографии гладкой и шероховатой раковины и т.д.). Получив правильную классификацию дефекта (раковина гладкая,, светлая, рассредоточенная), оператор выполняет отбор предложенных типовых причин возникновения дефектов, на основе данных об основных технологических переменных. Сочетание нескольких причин либо подтверждает, либо опровергает установленный ранее тип дефекта, что возможно за счет знаний, извлеченных из опыта контролеров, технологов (экспертов). Существенным недостатком рассмотренной системы является отсутствие автоматического распознавания поверхностных дефектов проката.
В работе [25] описана экспертная система оценки качества и диагностирования причин возникновения поверхностных дефектов отливок на основе имитационного моделирования уплотнения формы. Ее разработка обусловлена многообразием причин и видов дефектов, сложностью их диагностирования и прогнозирования и требованиями от оператора-технолога высокой квалификации и умения по памяти или с помощью литературных данных моделировать подобные ситуации. Предложенная экспертная система, работающая в диалоговом режиме, выполняет следующие основные функции: организацию, накопление и ведение собственной базы знаний; оценивание качества отливок по результатам имитационного моделирования; распознавание и диагностику причин возникновения дефектов; формирование рекомендаций по корректированию технологического процесса. При работе ЭС совместно с системой имитационного моделирования уплотнения формы, ЭС целесообразно использовать для оценки вероятности появления дефектов отливок как информации об оптимальности анализируемого режима формообразования. Недостатком рассмотренной ЭС является отсутствие автоматического распознавания поверхностных дефектов, а также то, что при распознавании не используются изображения дефектов, а только лишь их качественные признаки.
Задачу классификации дефектов, согласно технической инструкции, решает человек (специалист) и решает ее эмпирически, действуя на основании своего опыта и интуиции, поэтому если создавать интеллектуальное устройство распознавания, то оно должно отражать его знания. Поскольку искусственные нейронные сети содержат в себе опыт и знания специалистов, обладают свойством надежности и хорошо делают то, чему их научили, автор статьи [26] использовал их для распознавания внутренних дефектов. Последнее осуществлялось путем подачи на вход ИНС сигналов от ультразвукового дефектоскопа. Однако задача распознавания поверхностных дефектов в работе [26] не рассмотрена.
Рассмотрим системы (промышленные комплексы) неразрушающего контроля качества поверхности проката, позволяющие своевременно распознать дефекты. Они основаны на составлении компьютерного каталога эталонов дефектов, поэтому классификация может быть лишь настолько эффективной, насколько хорош сам каталог.
Автоматическое распознавание маркировки проката
Рассмотрим особенности трактовки понятия «распознавание» по работам [95 +- 101]. В книге [95] задача распознавания образов заключается в классификации изображений (« ... образом является изображение») на основе определенных требований, причем изображения, относящиеся к одному классу образов, обладают относительно высокой степенью близости. Распознавание представляет собой классификацию на множестве признаков, оцениваемых по наблюдаемому изображению. Процесс отбора информативных признаков до сих пор остался процедурой эвристической, зависящей как от предметной области, так и от предпочтений разработчика. Можно также сказать, что классификация образов заключается в отображении пространства признаков в пространства решений. При таком подходе распознавание образов включает две задачи: 1) отбор и упорядочивание информативных признаков (геометрических, топологических, вероятностных, спектральных); 2) собственно классификация (принятие решения о принадлежности изображения к тому или иному классу на основе анализа значений признаков). Академик ЯЗ. Цыпкин [96] утверждает, что основная задача опознавания (узнавания, распознавания) состоит в отнесении предъявляемого объекта к одному из классов. Классы характеризуются тем, что принадлежащие им объекты обладают некой общностью, сходством. То общее, что объединяет объекты в класс, и называют образом. Для решения задачи опознавания необходимо первоначально заняться обучением посредством показа образов, принадлежность которых к тому или иному классу известна. В учебном пособии А.Л. Горелика и В.А. Скрипкина [97] распознавание представляет собой задачу преобразования входной информации, в качестве которой уместно рассматривать некоторые параметры, информативные признаки распознаваемых образов (объектов, сигналов, ситуаций, явлений или процессов), в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ.
В работе Дж.Ф. Люгера [98] классификация - это определение категории или группы, к которой принадлежат входные значения, а распознавание образов - идентификация структуры или шаблона данных.
К. Фу в книге [99] утверждает, что для распознавания образов более совершенным подходом, чем подход, основанный на сравнении входного образа с эталонами, является классификация, базирующаяся на некотором множестве «отобранных замеров», производимых на входных образах. Эти «отобранные замеры», называемые признаками, предполагаются инвариантными по отношению к обычно встречающимся искажениям и обладающими малой избыточностью. Классификация при этом рассматривается как принятие решения о принадлежности входного образа тому или иному классу.
Р. Дуда и П. Харт в труде, связанном с исследованиями по искусственному интеллекту [100], структуру распознавателя образов рассматривают как модель интеллекта, состоящую из трех частей: датчика, выделителя признаков и классификатора. Датчик воспринимает воздействие объекта и преобразует его в сигналы (первичные данные), удобные для машинной обработки. Выделитель признаков (называемый также рецептором, фильтром свойств, детектором признаков или препроцессором), ориентированный на уменьшение объема обрабатываемых данных, выделяет из первичных данных полезные сведения. Классификатор на основе этих сведений относит объект к одной из нескольких категорий. Задача идентификации проката (на примере рельсов) рассматривается как задача распознавания рельса, а именно его клейма (маркировки) — специального набора символов содержащих данные об имени и параметрах. Задача распознавания маркировки рельсов представлена следующим образом. Дано: 1) фрагменты изображения маркировки рельсов, получаемые с видеокамеры; 2) описание технологии производства рельсов и их клеймения; 3) маркировочный алфавит; 4) методы выделения признаков и классификации [95 - 101]; 5) типовые факторы, искажающие изображение символов на рельсе (масляные пятна, сдвиг, поворот, трещины); 6) эффективность классификации фрагментов маркировки и распознавания клейма рельса оценивается как отношение количества правильно опознанных объектов к общему их числу.
Требуется разработать процедуру автоматического распознавания рельсов, учитывающую их особенности.
Предлагаемая процедура распознавания рельсов, представленная на рисунке 37, состоит из четырех основных блоков: формирования цифрового изображения маркировки рельса, выделения информативных признаков, классификации и опознавания маркировки.
Блок выделения информативных признаков предназначен для получения полезной информации путем подавления помех (например, фоновых и контурных искажений символов, пятен на изображении маркировки), а также для уменьшения объема обрабатываемых данных. Назначение блока классификации заключается в отнесении объекта опознавания (отдельного символа маркировки) к одному из классов (набору вариантов изображения конкретного символа).
Блок опознавания маркировки вначале из фрагментов формирует несколько вариантов изображения клейма, а затем, используя дополнительные данные (например, наименование производителя, месяц и год маркировки, номер плавки и ряд других), - результирующее значение маркировки рельса.
Постановка задачи синтеза системы автоматического управления тепловым режимом воздухонагревателя Калугина
Воздухонагреватели - мощные металлургические агрегаты, во многом определяющие экономику доменного производства. Повышение температуры нагреваемого в них дутья приводит к сокращению расхода кокса и росту производительности доменных печей, что существенно снижает эксплуатационные расходы.
В качестве объекта управления рассмотрим новый бесшахтный воздухонагреватель конструкции Калугина [106], характерной особенностью которого является организация струйно-вихревого перемешивания газа и воздуха, что позволяет более эффективно использовать топливо (коксодоменный газ), по сравнению с традиционными воздухонагревателями с внутренней камерой горения, и обеспечивает равномерность его сжигания. Полное отсутствие пульсирующего горения дает возможность форсировать режимы работы воздухонагревателей («нагрев», «дутье», «отделение») без появления сильных колебаний давления и вибраций и избежать повреждения кладки и конструкций.
В действующей системе автоматического управления (рисунок 55) [107] режим «нагрев», характеризующийся поддержанием рационального соотношения «газ/воздух» при максимально возможном расходе газа, осуществляется по следующей процедуре: Поскольку бесшахтные воздухонагреватели имеют малогабаритную систему сжигания газа без протяженной камеры горения, то весьма важным является вопрос качества сжигания газа при больших его расходах, в частности снижения содержания СО в дымовых газах. Замеры содержания СО в дымовых газах (Mco(t)) для воздухонагревателя Калугина и шахтного воздухонагревателя в условиях ОАО «ЗСМК» (рисунок 56) свидетельствуют об отсутствии заявленного Калугиным [106] преимущества его воздухонагревателя перед традиционными воздухонагревателями. Причиной такого положения является, по нашему мнению, неэффективное автоматическое регулирование процесса горения топлива в режиме «нагрев».
Исходные данные и условия задачи: 1) Концепция управления техническим объектом на основе разделения его движения на две составляющие: программную и возмущенную. Она была подробно изложена и теоретически исследована A.M. Летовым [108] применительно к управлению летательным аппаратом. Приложения этой концепции к промышленным объектам осуществлены в работах В.П. Авдеева и его учеников [63 + 66, 109 + 111]. 2) Потенциально применимые для ВН структуры системы автоматического управления: 2.1) Системы адаптивного управления с прогнозированием: беспоисковые системы автоматического управления, разработанные B.C. Шендриком, А.А. Красовским, А.С. Федосеевым, В.Н. Буковым, О.Дж. Смитом (O.J. Smith), Дж.Б. Ресвиком (J.B. Reswick), В.П. Авдеевым, Л.П. Мышляевым, Д.В. Кларком (D.W. Clarke), К. Ватанейбом (К. Watanabe), Као Тиень Гуинь [58 - - 69] ; поисковые системы автоматического управления, исследованные в работах Г. Зиболза (Н. Ziebolz), Г.М. Паунтера (Н.М. Paynter), Н.М. Александровского, СВ. Егорова, В.П. Мешалкина, P.E. Кузин, И.И. Перельмана, И.М. Борзенко [70 -+ 74]. 2.2) Типовые системы интеллектуального управления Д.А. Поспелова, И.М. Макарова, В.М. Лохина, В.Н. Захарова, К.А. Пупкова, В.Г. Конькова, А.Е. Городецкого, А.А. Ерофеева, А.О. Полякова, А.В. Тимофеева, P.M. Юсупова, А.А. Жданова, Б.Я. Советова, В.В. Цехановского, В.Д. Чертовского, Y.-Z. Lu, К.М. Hangos, R. Lakner, М. Gerzson [1 -v- 19, 112] (глава 1). 3) Известные алгоритмы, применимые для управления ВН в режиме «нагрев»: оптимизации режима «нагрев» воздухонагревателей доменных печей путем изменения расхода воздуха на базе статической характеристики «расход воздуха - установившаяся температура купола», полученной при максимально возможном расходе топлива (Б.Н. Парсункин и др. [ИЗ]); управления воздухонагревателем с помощью дифференциальных уравнений, составленных с использованием закономерности протекающих в нем физических процессов (K.R. Muske [114]); управления агрегатом с применением экспертной автоматической диагностики неустойчивого хода технологического процесса, когда «отсутствует нормальный режим работы агрегата, и даже не выявлено расстройство объекта управления» (например, «Интеллект доменщика» ОАО «ЗСМК» и ОАО «ММК»), см. публикацию В.И. Соловьева и др. [47]; логико-количественной экспертной диагностики, представленной в работе В.Г. Лисиенко и др. [46]; адаптивного управления с прототипами В.П. Авдеева, А.В. Пинтова, В.И. Веревкина и др. [109 + 111]; прогнозирования выходных воздействий управляемых объектов черной металлургии на базе типопредставительных ситуаций Л.П. Мышляева, В.Ф. Евтушенко [75, 76]; прогнозирования на основе оценивания и экстраполяции приведенных к выходу объекта выходных воздействий [75]; 4) Структура модели воздухонагревателя в режиме «нагрев» YM (t) = 0,(1 (t), U2n (t), W (t)) + + Ф2 (5U, (t - ТПП 5U2 (t - ТПУ), 5WK (t - ТПУ )) + 5Y(t); Ui (t) = Uin (t) + 8U, (t); U2 (t) = U2n (t) + 5U2 (t); WK (t) = W (t) + 5WK (t), где Фі(-) — продукционная модель соответствия программных управляющих воздействий Um(t), U2n(t) и базовых уровней контролируемых внешний воздействий WK(t) программной составляющей выходного воздействия, накапливаемые и модифицируемые в БЗ; Ф2(0 - нейросетевая модель влияния отклонений от программных и базовых уровней входных воздействий на изменение выходного воздействия; YM(t) - выходное воздействие модели объекта управления; U t), U2(t) - управляющие воздействия; 51 (t), 8U2(t)— регулирующие воздействия; 5Y(t) - эффект неконтролируемых внешних воздействий; WK (t) - контролируемое внешнее воздействие (калорийность газа); SWK(t) — отклонение от WK(t); Ту - интервал памяти объекта. 5) Натурные данные эксплуатации действующей системы управления воздухонагревателем Калугина, включающие: температуру подкупольного пространства -Y(t) = TKn(t), расход газа - U,(t) = Qr(t), расход воздуха - U2(t) = QB(t), калорийность газа - WK(t), химический состав газа [СОг, непредельные углеводороды, СО, СЕЦ, Н2, N2], концентрацию СО в отходящем дыме — Mco(t), температуру дыма - Тд(і), температуру насадки переходной зоны динас-шамот - TH(t). Динамические характеристики воздухонагревателя по каналам регулирования в зоне горения для различных рабочих уровней расхода газа. 6) Структура действующей АСУ тепловым режимом воздухонагревателя Калугина в ОАО «ЗСМК», в частности, подсистема регулирования соотношения «газ/воздух» oc(t) с поддержанием заданной температуры купола; подсистема перевода воздухонагревателя с «дутья» на «нагрев» и обратно, через режим «отделение» и соответствующие им признаки перекидки клапанов; технологическая инструкция по эксплуатации АСУ воздухонагревателем для газовщика доменной печи. 7) Аппарат известных ИНС: многослойный персептрон, алгоритм обратного распространения ошибки, алгоритм Левенберга-Марквардта, алгоритм сопряженных градиентов, алгоритм быстрого распространения, радиальная нейронная сеть, алгоритм Линде-Бузо-Грея, самоорганизующаяся сеть Кохонена. 8) Практический опыт специалистов-экспертов (опытных газовщиков), квалифицированно решающих задачу управления нагревом дутья. 9) Методика построения продукционной модели представления знаний типа: IF (условие), TEEN (действие) [21].
