Введение к работе
Актуальность темы. Термин «технический объект» применим для большого количества устройств, относящихся к технике: суда, самолеты, автомобили, электрогенераторы, станки, атомные реакторы, бытовая техника и т.д. Управляемые технические объекты в теории управления носят название -объекты управления (ОУ).
Каждый вид ОУ обладает своими особенностями, но все они объединяются наличием цели (критерия) управления, понятием пространства состояния параметров, свойствами управляемости, наблюдаемости, идентифицируемости и адаптируемости.
Для обеспечения требуемого качества функционирования ОУ применяют системы автоматического и автоматизированного управления (САУ). Синтез САУ осуществляется с применением методов теории автоматического управления (ТАУ). Построение САУ для технического ОУ требует априорной информации о функции цели управления, параметрических моделях ОУ и возмущений, причем достоверность данной информации непосредственно определяет выбор метода и качество синтезируемого регулятора. Синтез регуляторов для технических ОУ с применением методов классической ТАУ затруднен без предварительного анализа адекватной математической модели ОУ.
К настоящему времени разработаны альтернативные подходы к синтезу регуляторов для управления слабо формализованными объектами (априорная неопределенность): адаптивный, робастный, нечеткий и нейронный. Каждый из подходов имеет свои особенности, достоинства и недостатки, а также применим при определенной степени неопределенности, но, тем не менее, позволяет успешно решать задачи синтеза регуляторов в условиях неполноты исходных данных. В развитие классической ТАУ, в создание методов синтеза регуляторов внесли существенный вклад многие ученые: Берг А.И., БеллманР., Болтянский В.Г., Вознесенский И.Н., Воронов А.А., КалманР., КемпбеллД., Красовский А.А., Колесников А.А., КулебякинВ.С, Ляпунов A.M., Максвелл Д., Михайлов А.В., НайквистХ., Понтрягин Л.С., Солодовников В.В., Трапезников В.А., Фельдбаум А.А. и многие другие.
Наиболее перспективным подходом к синтезу САУ слабо формализованными объектами считается применение методов искусственного интеллекта, ориентированных на формализацию задач принятия управляющих решений в условиях неопределенности, таких, как нечеткая логика. Применение методов нечеткой логики позволяет синтезировать гибридные регуляторы, совмещающие в себе несколько методов управления. Гибридный подход к решению задач синтеза регуляторов в условиях неполноты данных приобрел большую популярность, особенно с применением аппаратов искусственных нейронных сетей и нечеткой логики. Данный подход получил название «нейро-нечеткий».
Одним из путей поиска алгоритмов коррекции параметров нейро-нечетких сетей в условиях неполноты информации является разработка алгоритмов
эволюционных вычислений. В их основу положены эволюционные способы обеспечения коррекции параметров не йро-нечетких сетей с соблюдением условий скорости и надежности.
Диссертация посвящена разработке методов синтеза адаптивных регуляторов на основе не йро-нечетких сетевых структур с эволюционными алгоритмами обучения, способными решать задачи управления сложными нелинейными стохастическими объектами, что позволит повысить эффективность применения САУ при неполных априорных сведениях относительно модели объекта управления. Это определяет и подтверждает актуальность исследований диссертационной работы.
Объектами исследования диссертации являются технические объекты, функционирующие в условиях неопределенности.
Целью диссертационной работы является разработка методов синтеза гибридных адаптивных систем управления техническими объектами, функционирующими в условиях неполноты данных.
Основные задачи исследования. Для достижения поставленной цели решены следующие основные задачи:
анализ методов решения задач управления техническими объектами в условиях неполноты данных;
разработка модели гибридной адаптивной системы управления и ее элементов;
разработка нечеткого адаптивного эволюционного алгоритма обучения элементов гибридной адаптивной системы управления;
-разработка специализированного программного комплекса для исследования гибридной адаптивной системы управления и ее элементов, нечеткого адаптивного эволюционного алгоритма обучения.
Основные научные результаты, выносимые на защиту:
метод построения гибридной адаптивной системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения не йро-нечетких сетей и алгоритмов обучения интеллектуальной составляющей системы управления;
модель гибридной адаптивной интеллектуальной системы управления, отличающаяся использованием не йро-нечетких и нейронных сетей, осуществляющих выработку управляющих воздействий, идентификацию технологических режимов объекта управления, эмуляцию поведения объекта управления;
нечеткий адаптивный эволюционный алгоритм обучения интеллектуальной составляющей гибридной адаптивной системы управления, отличающийся использованием комбинированных операторов случайных изменений и возможностью динамической коррекции их параметров на основе информации о популяции решений.
Практическая ценность результатов исследований определена их применением в системах автоматического управления техническими объектами, функционирующими в условиях неполноты данных.
Методы проведения исследования. В диссертационной работе используются методы системного, функционального анализа, синтеза дискретных логических устройств; теория нелинейных систем, адаптивного управления, моделирования, нечёткой логики, нейронных сетей, а так же эволюционных и синергетических методов принятия решений. В экспериментальных исследованиях применялось моделирование на ЭВМ.
Достоверность получаемых в диссертации результатов подтверждается данными экспериментальных исследований, публикациями на международных и региональных научно-технических конференциях, корректным использованием математических методов.
Реализация и внедрение результатов работы. Результаты работы внедрены на предприятии ЗАО «ЮГТЕПЛОКОМПЛЕКТ», при выполнении научно-исследовательской работы «Разработка и исследование методов моделирования и синтеза многокритериальных адаптивных систем управления в условиях неполноты данных с применением средств формализации экспертных знаний и современных информационных технологий», а также в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального университета.
Апробация результатов работы. Основные результаты докладывались и обсуждались на 14-й Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика -2007», Москва: МИЭТ, 2007; 54-й студенческой научной конференции, Таганрог: ТТИ ЮФУ, 2007; Всероссийской молодежной научной конференции «Мавлютовские чтения», Уфа: УГАТУ, 2008, 2010; 14-й международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика», Москва: МЭИ, 2008; международной научной конференции «Системы и модели в информационном мире (СМИ-2009)», Таганрог: ТТИ ЮФУ, 2009; VII-й, VIII-й, ГХ-й Всероссийской конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», Таганрог, Геленджик: ТТИ ЮФУ, 2009-2011; ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН, Ростов-на-Дону: ЮНЦ РАН, 2009-2011; Российской конференции аспирантов, студентов и молодых ученых «Информатика и вычислительная техника», Ульяновск: УлГТУ, 2010; Всероссийской научной конференции «Актуальные вопросы исследования общественных и технических систем», Таганрог: ТТИ ЮФУ, 2010; VIII-й Всероссийской конференции студентов, аспирантов и молодых ученых «Технологии Microsoft в теории и практике программирования», Таганрог: ТТИ ЮФУ, 2011; международном семинаре студентов, аспирантов и ученых «Системный анализ, управление и обработка информации», Ростов-на-Дону: ДГТУ, 2011.
Публикации. Основные результаты диссертации опубликованы в 9 статьях, среди которых 6 включены в перечень изданий, рекомендованных ВАК, 21 тезисе докладов, 1 монографии в открытой печати.
Структура и объем работы. Диссертационная работа содержит 164 страницы машинописного текста, включая введение, четыре раздела, заключение, список литературы из 199-ти наименований, 64 рисунка, 25 таблиц, а также 4 приложения на 47-х страницах.
