Разработка нечеткого нейроконтроллера с применением методов вейвлет-преобразований Колдаев, Александр Игоревич

Содержание к диссертации

Введение

Глава 1 Аналитический обзор методов и автоматических систем регулирования технологических параметров сложных объектов 14

1.1 Анализ моделей и методов автоматического управления нелинейными объектами 14

1.2 Обоснование применения аппарата нечеткой логики для построения модели автоматической системы управления сложного объекта

1.3 Основные свойства и структуры искусственных нейронных сетей 38

1.4 Аналитический обзор применения вейвлет-методов для подавления шумов 43

1.5 Постановка задачи на исследование 50

1.6 Выводы по первой главе 51

Глава 2 Разработка нечеткого нейроконтроллера управления сложным объектом 54

2.1 Разработка алгоритма нечетко-логической обработки исходных данных об объекте управления 54

2.2 Разработка нейронечеткой системы интеллектуальной поддержки принятия управленческих решений 71

2.3 Разработка структуры нечеткого ПИД-контроллера 76

2.4 Исследование отказоустойчивости нечеткого нейроконтроллера 85

2.5 Выводы по второй главе 88

Глава 3 Разработка прогнозирующего нейронного вейвлет-фильтра 90

3.1 Анализ методов вейвлет-преобразований в обработке сигналов 90

3.2 Разработка структуры и алгоритма функционирования вейвлет-нейронной сети

3.3 Разработка структуры прогнозирующего нейронного вейвлет-фильтра 107

3.4 Выводы по третьей главе 113

Глава 4 Моделирование нечеткой нейронной системы управления в процессе гидрирования бутанола 114

4.1 Синтез системы управления с нечетким нейроконтроллером реакторной установки гидрирования бутанола 114

4.2 Разработка методики исследования отказоустойчивости нечеткой нейросетевой системы управления установкой гидрирования бутанола

4.3 Выводы по четвертой главе 135

Заключение 137

Список используемых источников 140

• Обоснование применения аппарата нечеткой логики для построения модели автоматической системы управления сложного объекта
• Разработка нейронечеткой системы интеллектуальной поддержки принятия управленческих решений
• Разработка структуры и алгоритма функционирования вейвлет-нейронной сети
• Разработка методики исследования отказоустойчивости нечеткой нейросетевой системы управления установкой гидрирования бутанола

Введение к работе

Актуальность работы. На протяжении последних нескольких десятилетий остается актуальной проблема управления сложными техническими системами с нелинейными связями между их элементами. В реальных условиях всегда присутствуют флуктуации параметров внешней среды и внутренних параметров системы (возмущения в каналах связи и управления, задержки различной длительности, колебания значений параметров объекта управления (ОУ) и т.п.), значительно влияющих на процесс управления. Кроме того, динамика ОУ часто неизвестна, регулируемые процессы нельзя считать независимыми, измерения сильно зашумлены, нагрузка на объект непостоянна. При таких условиях функционирования возрастающие требования к САУ по быстродействию, надежности и точности обуславливают необходимость разработки новых нетривиальных и совершенствования существующих методов и средств обработки информации и управления.

Перспективные пути решения этой проблемы связаны с комплексным применением интеллектуальных технологий, включающих методы нечеткой логики и нейронных сетей для создания принципиально новых контроллеров управления сложными динамическими объектами. Подход к построению систем управления на основе комбинации нейросетевой технологии и нечеткой логики применим ко многим существующим системам, так как во многих случаях улучшение существующих алгоритмов можно произвести с минимальными затратами с использованием существующего программно-аппаратного обеспечения.

Методы нечеткой логики и нейросетевой технологии в настоящее время являются одной из перспективных технологий обработки информации и решения задач управления, позволяющей создавать высококачественные системы управления в условиях неопределенности математического описания объекта управления. Особенность «нечеткого» представления знаний, а также возможность использования необходимого количества входных и выходных переменных и заложенных правил поведения системы позволяют в сочетании с нейро- сетевой технологией формировать практически любой закон управления, т.е. дают возможность построить нечеткий нейроконтроллер для управления нелинейными и неустойчивыми динамическими объектами управления.

Значительный научный вклад в теорию и практику создания систем управления, построенных на аппарате нечеткой логики и нейронных сетей, внесли отечественные и зарубежные ученые: Л. Заде, Д.А. Поспелов, Ю.А. Борцов, Ф. Вассерман, Н. Хассоун, А.П. Ротштейн, В.И. Гостев, А.И. Галушкин, В. В. Круглов, С. Омату, и др.

Однако, несмотря на обширные теоретические исследования в этой области, до сих пор окончательно не решены вопросы нечеткого нейроуправления нелинейными и неустойчивыми объектами, подверженными влиянию случайных помех. В частности, в практике разработки нечеткого нейроконтроллера открытыми остаются вопросы использования современной информационной технологии, включающей схемы обучения и прогнозирования с использованием вейвлет-нейронной сети. Для интеллектуальной системы управления нелинейными, неустойчивыми объектами не исследован вопрос о закономерностях функционирования нечеткого нейроконтроллера, использующего нечеткое описание управляемого объекта и алгоритма его управления в виде базы нечетких правил и функций принадлежности, реализуемых на базе нейронных сетей, а также преобразующего нечеткое описание в последовательность команд, для достижения цели управления. В практике управления слабоструктурированными системами остается открытым вопрос об алгоритме интеллектуальной поддержки принятия управленческих решений на базе нечеткой логики. Так, в известных системах управления установками гидрирования бутанола не решается задача прогнозирования технологической ситуации, меняющейся под воздействием случайных помех и возмущений, что снижает эффективность принятия решений по управлению установкой. Для нелинейных объектов не исследован вопрос живучести систем управления на базе нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований; не разработана структура и модель нечеткого нейроконтроллера, включающего нейронный вейвлет-фильтр.

В связи с изложенным, актуальным становится задача разработки нечеткого нейроконтроллера с вейвлет-фильтрами, позволяющего системе управления отслеживать текущую технологическую ситуацию, прогнозировать ее будущее состояние и формировать адекватные ей управляющие воздействия, эффективно компенсирующие неконтролируемые возмущения и случайные помехи.

Объектом исследований является нечеткий нейроконтроллер для управления слабоструктурированными нелинейными и неустойчивыми динамическими объектами, подверженными влиянию случайных факторов.

Предметом исследования являются методы нечеткой логики и нейросе- тевого управления, используемые в сочетании с методами вейвлет- преобразований для разработки алгоритмов управления на основе формализованного опыта экспертов.

Цель работы - повышение быстродействия и надежности регулирующего нечеткого нейроконтроллера на основе разработки нечетких продукционных моделей представления экспертных знаний с применением нейросетевой технологии и методов вейвлет-преобразований в условиях неполной информации и неопределенности математического описания объекта управления.

Научная задача исследований состоит в разработке алгоритмов структурно-параметрического синтеза нечетких нейроконтроллеров с применением методов вейвлет-преобразований для управления нелинейными объектами, подверженными влиянию случайных помех.

Для решения поставленной общей научной задачи была произведена ее декомпозиция на ряд частных задач:

1. Проведение аналитического обзора существующих методов мягких вычислений и обоснование применения методов вейвлет-преобразований для обработки информации при интеллектуальном управлении нелинейными динамическими объектами.

1. Разработка алгоритма интеллектуальной поддержки принятия решений при управлении сложной технической системой на базе аппарата нечеткой логики.

2. Разработка структуры нечеткого нейроконтроллера и нейронного вейв- лет-фильтра для управления нелинейными зашумленными объектами.

3. Сравнительная оценка эффективности решения задач управления с использованием нечеткого нейроконтроллера и ПИД-контроллера.

4. Исследование отказоустойчивости системы управления на основе оценки параметрической и структурной чувствительности нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований.

Методы исследования. Для решения поставленных в работе научных задач использованы методы системного анализа, теории чисел, дискретной математики, теории вероятностей, комбинаторики, теории автоматического регулирования, нейроматематики. При проведении исследований нечеткого нейрокон- троллера в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Достоверность и обоснованность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается строгостью производимых математических выкладок, базирующихся на методах системного анализа, теории чисел, дискретной математики и теории автоматического регулирования. Справедливость выводов относительно эффективности предложенных алгоритмов подтверждена результатами компьютерного моделирования.

Основные положения, выносимые на защиту:

4. 1. Алгоритм интеллектуальной поддержки принятия решений при управлении сложной технической системой на базе аппарата нечеткой логики.

   2. Структура нечеткого нейроконтроллера для управления сложным объектом.

   3. Структура нейронного прогнозирующего вейвлет-фильтра для обработки измерительной информации.

   4. Методика оценки отказоустойчивости системы управления и структурно-параметрической чувствительности нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований.

   Научная новизна полученных результатов состоит в следующем:

   4. 4. 1. Разработан алгоритм интеллектуальной поддержки принятия решений при управлении сложной системой на базе аппарата нечеткой логики, отличающийся от известных тем, что основу составляет нейронная сеть, построенная на методе нечеткого вывода, и позволяющая идентифицировать состояние объекта.

         2. Разработана структура нечеткого нейроконтроллера для управления нелинейным и неустойчивым объектом, отличающегося наличием прогнозирующего нейронного вейвлет-фильтра, реализованного с помощью преобразований Добеши второго порядка, позволяющего повысить быстродействие системы управления в 3,1 раза по сравнению с классическим ПИД-контроллером.

         3. Впервые разработан прогнозирующий нейронный вейвлет-фильтр для обработки текущей измерительной информации при управлении сложным объектом, включающий в себя в качестве блока прогнозирования вейвлет- нейронную сеть, использующую в качестве активационных функций вейвлет- функции, сформированные с помощью составных логистических функций, представляющих собой определённую комбинацию сигмоидных функций, что позволяет обрабатывать зашумленные данные, полученные напрямую с датчиков, и повысить скорость обучения в 1,4 раза по сравнению с традиционными нейронными сетями.

         4. Разработана методика исследования отказоустойчивости сложной системы с нечетким нейроконтроллером, позволяющая установить, что наибольшую чувствительность к сбоям имеет слой, формирующий функции принадлежности для значений входных лингвистических переменных по текущей измерительной информации о состоянии объекта, используемых в алгоритме управления нечеткого нейроконтроллера, а слой, формирующий продукционные правила, обеспечивает снижение чувствительности к сбоям при деградации до 50 % нейронов.

         Апробация работы. Основные результаты работы были представлены: на международных научных конференциях «ММТТ - 20 (г. Ярославль: ЯГТУ, 2007 г.), «ММТТ - 23 (г. Саратов, 2010 г.), «ММТТ - 24 (г. Пенза, 2011 г.); на III научно-технической конференции «Инфокомуникационные технологии в науке, производстве и образовании («ИНФОКОМ-3») (г. Кисловодск, СевКав- ГТУ, 2008); на первой и второй международной научно-технической конференции «Компьютерные науки и технологии» (г. Белгород, 2009 и 2011 гг.); на XXXVI научно-технической конференции по итогам работы профессорско- преподавательского состава СевКавГТУ «Естественные и точные науки, технические и прикладные науки» (Ставрополь, 2007).

         Публикации. Основные результаты диссертации опубликованы в 12 научных работах, в том числе 5 статей опубликовано в ведущих научных изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертаций.

         Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, включающего 100 наименований. Диссертация содержит 150 страниц текста, 58 рисунков, 22 таблицы.

         Обоснование применения аппарата нечеткой логики для построения модели автоматической системы управления сложного объекта

         Центральной проблемой системного анализа является проблема принятия решения. Применительно к задачам исследования, проектирования и управления сложными системами проблема принятия решения связана с выбором определенной альтернативы в условиях различного рода неопределенности [5, 34]. Неопределенность обусловлена большим количество критериев задач оптимизации, неопределенностью целей развития систем, неоднозначностью сценариев развития системы, недостаточностью априорной информации о системе, воздействием случайных факторов в ходе динамического развития системы и прочими условиями.

         Наиболее распространенным типом неопределенностей, доставляющим трудности в проектировании систем управления сложными объектами, является неопределенность исходных параметров. Параметры различных моделей точно не известны. Причиной этого является недостаточность данных, используемых при статистическом оценивании входных параметров, невозможность точного описания поведения персонала, работающего в составе анализируемой системы, наличие допущений, принятых при составлении модели. Из этих причин складываются ограничения в проектировании систем.

         Шагом к преодолению естественных ограничений в разработке традиционных СУ стало появление гибридных интеллектуальных систем управления (ИСУ). ПИД-регулирование, используемое в более чем 90% контурах управления промышленных и непромышленных структур САУ, включает также объекты с повышенной социально-экономической ответственностью. Поэтому одной из важных проблем в создании интеллектуальных СУ является разработка методов и алгоритмов повышения надежности и качества управления исполнительского (нижнего) уровня САУ. Качество традиционной системы в ИСУ повышается за счет использования интеллектуальных технологий, включающих технологии нечетких вычислений, генетические алгоритмы и искусственные нейронные сети в процессе проектировании СУ и/или в контуре управления.

         В подавляющем большинстве случаев основным элементом интеллектуальной СУ является нечеткий контроллер, управляющий коэффициентами ПИД-регулятора. Нечеткий контроллер осуществляет управление за счет интегрированной в него базы знаний, включающей данные о виде и параметрах функций принадлежности входных и выходных нечетких переменных, а также набор нечетких продукционных правил. В традиционных интеллектуальных СУ [53, 57] база знаний создается предметным экспертом, но такой подход к управлению нелинейными неустойчивыми объектами в условиях стохастических шумов не может гарантировать качество управления. Подход к генерации базы знаний на основе аппарата нечеткой логики позволяет повысить объективность содержащейся в базе знаний информации о динамическом поведении объекта управления. В то время как введение физических и информационных ограничений в формализованное описание модели ОУ существенно влияет на качество управления.

         Построение на основе этого подхода интеллектуальных СУ выглядит весьма перспективным. Такие системы обладают рядом достоинств: сохраняют главные преимущества традиционных систем управления (устойчивость, управляемость, наблюдаемость), имеют оптимальную (с точки зрения заданного критерия качества управления) базу знаний, а также возможность ее коррекции и адаптации к изменяющейся ситуации управления; гарантируют достижимость требуемого качества управления на основе спроектированной базы знаний для допустимых классов неопределенностей.

         Получение оптимальной базы знаний нечеткого регулятора для управления сложным ОУ с помощью гибридизации аппарата нечеткой логики и методов нейронных сетей является одной из задач данного исследования. Посредством моделирования в работе исследуются базы знаний, полученные с помощью программного инструментария - ANFIS (Adaptive-Neuro-Fuzzy Inference Systems).

         Теоретические работы по нечеткой логике и нейросетевой технологии, развиваемой в работах Л. Заде, Д.А. Поспелова, Ф. Вассермана, Н. Хассоуна и других ученных, а так же результаты практического использования этих направлений науки в области управления позволяют на основе применения методов и технологий обработки знаний в сочетанием с теорией автоматического управления ставить задачу разработки методов проектирования адаптивных автоматических систем управления на базе нечетких регуляторов и нейросетевой технологии, обладающих более простой структурой и не сложных в реализации.

         Применение аппарата нечеткой логики для построения адаптивных систем связано с формализацией неточных, размытых в смысловом отношении суждений и обобщенных категорий, задающих классификацию исходных понятий на уровне нечетких множеств, что весьма важно при управлении объектами, описание которых известно не точно. Более того, нечеткие системы при определенных условиях обладают замечательным свойством аппроксимировать любую нелинейную функцию с любой точностью. Это дает возможность создавать адаптивные системы с оптимальным управлением, которое может быть аппроксимировано выходной переменной нечеткого регулятора. На основании функционального сходства нечетких систем и нейронных сетей при конкретных условиях можно создавать системы управления, обладающие свойствами обучения и адаптации.

         Разработка нейронечеткой системы интеллектуальной поддержки принятия управленческих решений

         Теоретически, системы с нечёткой логикой и искусственные нейронные сети эквивалентны друг другу, однако на практике у них имеются собственные достоинства и недостатки. Данное соображение легло в основу аппарата гибридных сетей, где выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания и для пользователя являются логически прозрачными [32].

         Лингвистическую переменную, характеризующуюся набором параметров «входы» - «выход» можно представить в виде специальной нечёткой нейронной сети [41]. Нечёткой нейронной сетью обычно называют нейронную сеть, которая построена на основе многослойной архитектуры с использованием нечёткого нейрона «И», и нечёткого нейрона «ИЛИ» [94].

         Нечётким нейроном «И» называется нейрон, в котором умножение веса w на вход х моделируется конормой, представляющую собой двуместную функцию S(w, х), а сложение нормой, представляющую собой двуместную функцию T(w, х).

         При создании гибридной технологии кроме объединения систем по данным можно использовать неирокомпьютинг для решения частной подзадачи настройки параметров функций принадлежности. В качестве функций принадлежности выбирается параметризованная функция формы, параметры которой настраиваются с помощью нейросетей. Таким образом, нечеткая нейронная сеть наряду с классическими нейронами, должна включать в себя нечеткие нейроны «И» и «ИЛИ». Слои нейронечёткой сети (рис. 2.11) выполняют следующие функции. Слой 1 - входы объекта идентификации. На входы сети подаются нормализованные сигналы от датчиков в виде безразмерных величин, характеризующих значения измеряемых параметров. Слой 2 представлен базисными нейронами, каждый из которых моделирует функции принадлежности нечеткого множества.

         Дугам графа присваиваются следующие веса: единица (дуги между первым и вторым слоями); функции принадлежности входа к нечёткому терму (дуги между вторым и третьим слоями); веса правил (дуги между третьим и четвёртым слоями); единица (дуги между четвёртым и пятым слоями).

         Принадлежность каждого точного значения к одному из термов лингвистической переменной определяется посредством функций принадлежности. Её вид может быть абсолютно произвольным. Наиболее предпочтительными формами ФП являются треугольная и трапецеидальная, поскольку нечёткий вывод значительно упрощается при использовании кусочно-линейных функций принадлежности.

         Представленная на рис. 2.11 структура представляет собой многослойную сеть, основанную на методе нечеткого вывода. В отличие от классических нейронных сетей, каждый слой в целом и отдельные составляющие элементы, все параметры и веса имеют физическую интерпретацию. Это свойство оказывается необычайно важным, поскольку знания не распределяются по сети и могут быть легко локализованы и при необходимости откорректированы экспертом-наблюдателем.

         Алгоритм обучения нейронечёткой сети включает два этапа. На первом этапе вычисляется модельное значение выхода объекта у, соответствующее заданной архитектуре сети. На втором этапе вычисляется значение невязки Е, и пересчитываются веса межнейронных связей.

         Процесс синтеза нейронечетких систем можно разделить на два направления: 1) построение нейронечеткого классификатора, определяющего состояние системы, который позволяет создавать системы управления для объектов с переменной структурой; 2) синтез нейронечеткого контроллера.

         Данная структура нечеткой нейросети позволяет строить интеллектуальные системы поддержки принятия решений для практически любого нелинейного объекта. Выход подобной нейросети может быть оформлен либо как конкретное состояние объекта (тогда нечеткая нейросеть используется как классификатор), либо в качестве инструкции лицу, принимающему решения, либо другим способом.

         Разработка структуры и алгоритма функционирования вейвлет-нейронной сети

         Традиционно архитектура искусственных нейронных, методы обучения и теоретические обоснования их свойств строились на основе модели нейрона Мак-Каллока-Питтса. Однако в начале 2000-х годов была предложена новая схема трехслойной искусственной нейронной сети, использующая другую модель нейрона скрытого слоя.

         Как и многослойный перцептрон вейвлет-нейронная сеть (ВНС) является универсальным аппроксиматором [92], поэтому любому многослойному перцептрону можно сопоставить вейвлет-нейронную сеть, осуществляющую аналогичное преобразование, и наоборот.

         Главная отличительная особенность вейвлет-нейронных сетей от традиционных искусственных нейронных сетей заключается в использовании активационных функций построенных на базе вейвлетов.

         Впервые вейвлет-функции были применены к задаче обработки сложных сигналов - нестационарных, стохастичных, с хаотической динамикой, порождаемых системами с нелинейной динамикой, - и сейчас являются одной из главных областей теоретических исследований в численном анализе.

         Формирование активационных вейвлет-функции осуществимо с помощью составных логистических функций [38, 43], которые предствляют собой определённую комбинацию сигмоидных функций.

         По сути, обучение вейвлет-нейронной сети является аппроксимационной задачей нахождения многомерной поверхности, обеспечивающей наилучшее совпадение с набором тренировочных данных. В отличие от многослойных нейросетей, которые глобально аппроксимируют нелинейное преобразование вход-выход, вейвлет-нейронные сети строят локальную аппроксимацию. Из-за экспоненциального убывания активационных функций нейронов скрытого слоя выход вейвлет-нейронной сети для входных данных, лежащих вдали от тренировочных шаблонов, стремится к нулю. Такая локальность обеспечивает быстрое обучение сети и снижает типичную для многослойных перцептронов зависимость качества обучения от последовательности подачи тренировочных данных.

         Первый слой служит для ретрансляции входных сигналов. Нейроны скрытого слоя осуществляют нелинейное преобразование входных сигналов. Линейные выходные нейроны суммируют сигналы со скрытого слоя и формируют выход сети, при этом сдвиг полагается равным нулю.

         Данный алгоритм обучения ВНС никак не определяет ширины окон активационных вейвлет-функций, оставляя выбор за исследователем. Значение этих параметров влияет на гладкость преобразования, осуществляемого сетью, и должно быть достаточно большим. В случае слишком узких окон аппроксимационная поверхность превращается в набор холмов, вершины которых совпадают с выходными шаблонами. Для гарантированного получения требуемого уровня обобщения в вейвлет-нейронной сети описанный алгоритм обучения необходимо дополнить поисковой процедурой выбора параметров. Хотя для задач небольшой размерности этот выбор может осуществляться и вручную.

         Вейвлет-нейронная сеть нелинейно отображает сигналы из входного пространства в пространство выходов нейронов скрытого слоя (скрытое пространство). Выходные нейроны являются линейными, а все входные данные могут быть линейно разделены лишь при достаточно высокой размерности скрытого пространства. Это условие определяет главный недостаток вейвлет-нейронных сетей, так как с увеличением размерности входного пространства число необходимых нейронов скрытого слоя возрастает экспоненциально.

         Рассмотрим процесс обучения вейвлет-нейронной сети на примере задачи аппроксимации функции w(/) = cos(/)-e" . Данная функция не представляется довольно сложной поэтому примем размер скрытого слоя, состоящий из четырёх вейвлет-нейронов, активационные функции которых представляют собой составные логистические функции (3.3). Начальные значения параметров сети представлены в табл. 3.1. Зададим ошибку обучения е = 0,003.

         На данном примере проведём сравнение качества обучения вейвлет-нейронной сети с многослойной сетью. Рассмотрим аппроксимацию представленной выше функции u(t) = cos(t)-e с помощью многослойной нейронной сети. Для этого используем многослойную нейросеть, состоящую из четырёх скрытых нейронов с сигмоидными функциями активации и одним выходным нейроном. Заданная ошибка обучения е = 0,003.

         Обучение для многослойной нейронной сети и вейвлет-нейронной сети, как было показано выше, обусловлено градиентными методами. При этом изменение весовых коэффициентов как для многослойной нейронной сети, так и для вейвлет-нейронной сети зависит от градиента dE/dw. Энергия ошибки Е для вейвлет-нейронной сети в свою очередь зависит от функции активации, которая представляет собой вейвлет-функцию. Энергия ошибка Е для многослойной нейронной сети определяется сигмоиднои активационнои функцией.

         Разработка методики исследования отказоустойчивости нечеткой нейросетевой системы управления установкой гидрирования бутанола

         Одним из важных качеств неиросетевои системы управления является безопасность работы в условиях различных аварий. Проведем исследование отказоустойчивости нечеткой неиросетевои системы на основе анализа структурно-параметрической чувствительности нечеткого нейроконтроллера.

         Цель данного анализа дать оценку влияния возможных отказов структурных элементов системы на выходные характеристики исследуемого объекта. Основным методом повышения отказоустойчивости является избыточность. Нейросетевая структура нечеткого контроллера, представленная на рис. 4.1, изначально обладает избыточность за счет введения дополнительных нейронов в слой (inputmf), формирующий функции принадлежностей для значений входных переменных, и слой (rule), формирующий продукционные правила [45].

         На первом этапе исследования проводится анализ чувствительности слоя, формирующего функции принадлежностей, на втором этапе исследуется чувствительности слоя, формирующего продукционные правила, на третьем этапе проводится сравнительная оценка чувствительности рассматриваемых нейронных слоев с целью определения важности вклада, вносимого каждым из слоев в систему управления.

         Первый этап. Рассмотрим поведение нейроконтроллера при выходе из строя нейронов из слоя, формирующего функции принадлежностей. Этот слой является наиболее чувствительным, так как повреждение какого-либо нейрона этого слоя влечет за собой обрыв следующих за ним межнейронных связей. Будем последовательно отключать нейроны Повреждение одного из нейронов второго входа также не оказывает существенных изменений на работу всей системы. Исследуем состояние системы управления при повреждении двух нейронов одного по первому входу и одного по второму входу (рис. 4). Рисунок 4.12 - Изменение структуры нейронечеткой сети при повреждении нейронов: а) при повреждении 1-го нейрона первого входа и 2-го нейрона второго входа; б) при повреждении 4-го нейрона первого входа и 3-го нейрона второго входа. Повреждение двух нейронов в слое inputmf приводит систему к состоянию незначительного отклонения. Из табл. 4.7 и 4.8 видно, что подобные отклонения могут быть преобразованы путем округления [45].

         Таким образом, результаты, представленные в табл. 4.3 - 4.9 демонстрируют, что повреждение двух из восьми (25%) нейронов слоя функции принадлежности позволяет поддерживать качество управления на приемлемом уровне. Тогда как выход из строя трех из восьми и более (более 37%) нейронов слоя функций принадлежности приводит к появлению в системе серьезных ошибок, существенно влияющих на качество управления. При этом повреждение двух из восьми (25%) нейронов слоя функции принадлежности позволяет поддерживать качество управления на приемлемом уровне.

         Лишь при отключении 8-9 нейронов (более 50%) слоя правил и дальнейшем увеличении количества повреждений в неироконтроллере резко возрастает количество ошибок, качество управления становится неприемлемым, тем самым неиросетевая система управления прекращает свою работу и «выключает» объект.

         Результаты данного раздела показывают, что влияние нейронов скрытых слоев в нечетком неироконтроллере разнонаправлено. Наибольшую чувствительность к сбоям имеет слой, формирующий функции принадлежности для значений входных переменных, используемых в алгоритме управления нечеткого нейроконтроллера. Тогда как слой, формирующий правила менее чувствителен и позволяет поддерживать качество управления при деградации до 50% нейронов.

         Это необходимо учитывать при синтезе структуры нечеткой нейросети, идентифицирующей объект управления и для повышения отказоустойчивости при минимальном усложнении системы управления следует увеличивать число нейронов в слое, формирующем функции принадлежности для значений входных переменных. 1. Синтезирована система управления реакторной установкой гидрирования бутанола с нечетким нейроконтроллером, основанным на нечетких продукционных моделях представления знаний и опыта персонала по управлению установкой и нейронной сети, отличительной особенностью которого является наличие нейронных слоев, формирующих функции принадлежности для значений лингвистических переменных и продукционные правила, что облегчает настройку алгоритма управления. Результаты моделирования показали, что разработанная система управления позволяет осуществлять приемлемое качество управления данного объекта, который характеризуется наличием большого числа нелинейных связей. 2. Разработана методика исследования отказоустойчивости системы управления реакторной установкой, построенной на основе нечеткого нейроконтроллера. Рассмотренный конкретный пример работы нечеткого нейроконтроллера, использующего дополнительное число нейронов показал, что нечеткий нейроконтроллер будет работоспособен на разных уровнях деградации при заданных требованиях по точности. В ходе исследования установлено, что нейроны различных скрытых слоев играют в нейроконтроллере разные роли. Наибольшую чувствительность к сбоям имеет слой inputmf, формирующий функции принадлежности. Тогда как слой rule, формирующий правила менее чувствителен и позволяет поддерживать качество управления при деградации до 50% нейронов. При выходе из строя более трети всех связей в нейроконтроллере, качество работы нечеткой нейросистемы все еще остается приемлемым. Резкое ухудшение наступает тогда, когда поврежденными оказываются наиболее критические связи. Однако, даже в этом случае, нейросетевая система позволяет поддерживать требуемое качество регулирования. Это важное свойство позволяет использовать нечеткие нейросетевые системы управления для автоматизации ответственных и опасных процессов, увеличивая их безопасность и живучесть. 3. Исследования нечеткой нейросетевой системы управления и полученные в этом подразделе результаты анализа параметрической и структурной чувствительности можно считать общими для всего класса нечетких нейросистем. Следовательно, нейросетевые нечеткие системы могут использоваться в промышленных условиях в виде универсальных микропроцессорных комплексов, математически моделирующих работу нейронечетких сетей. Также учитывая современную тенденцию к интеллектуализации систем управления, можно ожидать, что дальнейшее развитие теории автоматического управления будет связано с созданием на базе искусственного интеллекта, решающих задачи управления сложными технологическими комплексами.

         Похожие диссертации на Разработка нечеткого нейроконтроллера с применением методов вейвлет-преобразований

         

         Метод сжатия геофизических данных с применением вейвлет-преобразования и нейронных сетейБулаев Владимир Иванович

         Разработка и исследование метода преобразования видеоданных для определения их подлинности и подтверждения целостностиГригорьян, Амаяк Карэнович

         

         Разработка спектральных методов компрессии триангуляционных моделей на основе дискретного вейвлет-преобразованияЗемцов Андрей Николаевич

         

         Разработка и исследование метода и алгоритмов классификации сигналов на основе приспосабливаемых ортогональных преобразований Абенау Абденби

         

         Разработка моделей и алгоритмов диагностики подводных неоднородностей по поверхностным эффектам с применением вейвлет-преобразованияВолков Андрей Станиславович

         

         Разработка и применение методов повышения технологичности программного обеспечения систем управленияКяэрамеэс, Калев Ильмарович

         

         Разработка и применение методов обнаружения изменения свойств и прогнозирования временных рядов в задачах диагностирования АЭСБелоусов Павел Анатольевич

         

         Разработка и применение асимптотических методов к исследованию моделей резервирования и массового обслуживанияМаркова Наталья Владимировна

         Разработка и применение эвристических методов и критериев выбора информативных признаков в распознаванииАберкулов, Шавкат Эпимович

         

         Разработка и промышленное применение методов, алгоритмов и инструментальных средств идентификации для системы компьютерной диагностики доменного процесса (Для условий завода ЕКО Stahl, ФРГ) Мернитц Йорг