Студ

Library

Интеллектуальная система автоматизированного управления температурой ферментера

Литературный Обзор Диссертация Пример , Логика Реферат , Отчет По Практике Вывод , Курсовая По Теории Управления , Интегрированная Контрольная Работа 3 Класс , Реферат На Тему Человек Человек

Содержание


Введение

. Литературный обзор

.1 Основные понятия и термины в области метрологии

.1.1 Предпосылки создания интеллектуальных САУ

.1.2 Информационные аспекты организации интеллектуальных САУ

.1.3 Представление знаний в интеллектуальных системах

.1.4 Методы описания нечетких знаний в интеллектуальных системах

.1.5 Классификация интеллектуальных систем и структурная организация интеллектуальных САУ

. Нечеткие системы автоматического управления

.1 САУ с нечетким контроллером

. САУ температурой ферментатора

. Патентный Поиск


1. Литературный обзор


1.1 Основные понятия и термины в области метрологии


.1.1 Предпосылки создания интеллектуальных САУ

Традиционная теория автоматического управления при построении САУ базируется на следующей последовательности: формальное описание объекта управления и устройства управления ? формирование критериев управления объектом ? непосредственное проектирование САУ. Очевидно, что при поэтапной реализации описанной цепочки, характер возникающих подзадач и способов их решения всецело определялся выбранной структурой и видом формального описания объекта управления (ОУ) и устройства управления (УУ), образующих управляющую систему. Исторически сложилось так, что специалисты в области ТАУ основное внимание уделяли заключительному этапу, стремясь синтезировать закон управления, обеспечивающий приемлемый либо оптимальный режим работы ОУ. Оптимизация управления всегда была ключевой проблемой классической ТАУ, а при ее решении подразумевалось, что управляющая система описана в точных терминах формальной моделью, адекватно отражающей ее реальное состояние и процесс взаимодействия с внешней средой. Очевидно, что несложная модель управляющей системы вела к сравнительно простым методам решения задачи синтеза САУ данным объектом. Однако, повсеместное упрощение и линеаризация при представлении реальных технологических процессов зачастую приводило к созданию САУ, работоспособных только «на бумаге», т.е. в гипотетическом мире, который описывался выбранной формальной идеализированной моделью управляющей системы. Таким образом, модель управляющей системы является отправной точкой, от выбора которой зависит качество и работоспособность реальной САУ.

Модели управляющих систем создавались и модифицировались по мере ужесточения требований к САУ и усложнения технологических процессов. Зачастую, новый вид модели управляющей системы порождал новые критерии управления и новые методы синтеза САУ. Можно дать множество видов классификаций моделей управляющих систем: по функциональному назначению, по виду математического описания элементов системы, по характеру изменения физических величин и т.д.. Однако, поскольку нас интересует происхождение интеллектуальных САУ, отличительной чертой которых является реализация процедур взаимодействия с внешней средой, имитирующих в той или иной степени человеческие действия и мыслительные процессы, дадим упрощенную классификацию моделей управляющих систем именно с этой точки зрения. Исходя из характера информационного взаимодействия ОУ с внешней средой можно выделить три класса моделей управляющих систем, различаемых по объему используемой в процессе управления информации:

·автономные - системы, не использующие непосредственной информации о реальных внешних возмущающих воздействиях, т.е. системы «замкнутые» относительно внешнего мира;

·формализованные - системы, использующие информацию о реальных внешних возмущающих воздействиях в виде идеализированных формальных математических моделей, т.е. системы, существующие в техническом субъективном внешнем мире;

·информационные - системы, использующие непосредственную информацию о реальных внешних возмущающих воздействиях, т.е. системы, существующие в реальном внешнем мире.

Системы первого типа - это системы, которые послужили основой становления теории автоматического управления (первоначально называвшейся теорией автоматического регулирования). Основной задачей, решаемой в то время, была задача автоматической стабилизации определенных физических величин Y - вектора выходных переменных ОУ, характеризующих режим работы объекта управления. В процессе функционирования систем автоматической стабилизации на человека-оператора (лицо, принимающее решение - ЛПР) возлагались функции определения вектора входных переменных G, задающих режим функционирования объекта (в данном случае в автоматическом режиме - это желаемые значения выходных переменных ОУ, так называемые уставки регуляторов). Поддержание желаемых значений выходных переменных осуществлялось путем подачи на вход ОУ вектора управляющих воздействий U , формируемых устройством управления(рис.1.1,1.2).

С одной стороны, решения ЛПР по определению уставок далеко не всегда являлись оптимальными и оперативными для технологического процесса. С другой стороны, именно участие имеющего опыт ЛПР в технологическом процессе позволяло в определенной степени нивелировать недостаточную адекватность модели управляющей системы. На самом деле такая САУ имеет опосредованную через ЛПР связь с окружающим миром, поскольку человек может воспринимать, анализировать и делать выводы, оперируя любой, в том числе и неформализованной информацией о состоянии как самой управляющей системы, так и процессов ее взаимодействия с реальным внешним миром. Однако, при работе в автоматическом режиме, без участия ЛПР, эта неявная связь утрачивается и управляющая система становится полностью автономной. К данному классу относятся разомкнутые системы (рис.1.1) и замкнутые системы с управлением по отклонению (рис.1.2).


Рис.1.1. Разомкнутая автономная система управления

В основном, САУ данного типа решали проблемы устойчивости и локального оптимального управления, т.е. обеспечения соответствия уставки регулятора и выхода ОУ согласно какому-либо критерию оптимальности (минимизации времени переходного процесса, минимизации максимального перерегулирования в системе, минимизации суммарного квадратичного отклонения уставки и выхода ОУ и т.п.).


Рис.1.2. Замкнутая автономная САУ

система автоматический управление интеллектуальный

Расширение круга научно-технических задач, решаемых методами ТАУ, а также стремление к полной автоматизации управления технологическими процессами, породило следящие управляющие системы (системы, у которых вектор выходных переменных соответствует любым, заранее неизвестным изменениям вектора входных переменных) и системы программного управления (системы, у которых вектор входных переменных, представляет функцию времени, синтезируемую неким техническим устройством). Источником входных переменных управляющей системы в этом случае являлось не ЛПР, а техническая схема, технологический процесс, исследуемое физическое явление, принимаемый системой сигнал и т.п., т.е. непосредственно сам окружающий САУ реальный мир. Системы стабилизации также усложнялись, приобретали многоуровневую иерархическую структуру, вследствие чего источником вектора входных переменных в системах стабилизации все чаще становился не человек, а автоматическое устройство верхнего уровня. Таким образом, утрачивалась возможность опосредованного получения и преобразования информации о реальном мире за счет оперативного участия в процессе управления человека - единственного на тот момент «устройства», способного воспринимать и адекватно реагировать на непредсказуемые возмущающие воздействия со стороны внешнего мира. Данного недостатка автономных систем в некоторой мере были лишены разработанные далее формализованные системы.

Системы второго типа - формализованные системы, используют в ходе своей работы информацию о внешнем мире, представленную в виде некоторого формального описания: детерминированного, стохастического, логического и т.п. Таким образом, внешний мир для такой системы представляется в виде некой приближенной формализованной модели. К данному классу относятся разомкнутые и замкнутые системы стабилизации, слежения и программного управления с дополнительной явной и (или) скрытой коррекцией по возмущению (рис.1.3).

Явная коррекция подразумевает наличие датчиков возмущения и дополнительного корректирующего УУ. Под скрытой коррекцией по возмущению следует в данном случае понимать синтез УУ с учетом формального описания реальных возмущений и управляющих систем соответствующими моделями (стохастические САУ, системы оценивания, интервальные САУ, робастные САУ, САУ с нестабильными параметрами, инвариантные САУ).

Такая САУ уже учитывает влияние внешнего мира, но эффективность ее функционирования будет напрямую зависеть от близости формализованной модели взаимодействия управляющей системы и внешней среды к реальному его состоянию. Образно говоря, формализованные системы видят все окружающее в «кривом зеркале» количественного описания явлений, а далеко не все явления и процессы реального мира можно описать количественно с достаточной степенью точности. Поэтому для реальной оценки ситуации во внешнем мире и принятия адекватных решений по прежнему требуется участие ЛПР в процессе управления. Дальнейшее развитие идеи создания управляющих систем, способных приспосабливаться непосредственно к реальному внешнему миру без участия человека привело к построению информационных управляющих систем.


Рис.1.3. Замкнутая формализованная САУ (аналогичная разомкнутая САУ не имеет обратной связи между ОУ и УУ по вектору Y)


Системы третьего типа - информационные управляющие системы используют непосредственную информацию о внешнем мире и на основе получаемых данных автоматически приспосабливаются к изменению внешних условий и свойств ОУ. К данному классу систем относятся адаптивные САУ: самонастраивающиеся - с адаптацией путем изменения параметров УУ, самоорганизующиеся - с адаптацией путем изменения структуры УУ, самообучающиеся - с параметрической и (или) структурной адаптацией совмещенной с коррекцией алгоритмов подстройки. Как разновидность адаптивных САУ можно рассматривать устройства адаптивного оценивания и фильтрации (рис.1.4).

Областью применения информационных САУ является управление объектами, свойства или условия, работы которых недостаточно формализованы или непостоянны. Степень «самостоятельности» таких САУ является наибольшей из всех трех типов управляющих систем. На первый взгляд данные системы уже обладают определенными признаками интеллектуальных САУ - способностью самостоятельно приспосабливаться к изменениям свойств ОУ и внешней среды. Однако, не стоит забывать, что алгоритм адаптации не может скомпенсировать все возможные воздействия со стороны внешнего мира, поскольку реальных ситуаций, возникающих при управлении объектом, может быть бесконечное множество. Информационные САУ, принадлежащие к классу саморазвивающихся адаптивных систем, будут обладать самым широким спектром приспособляемости, но в определенных и не бесконечных пределах, поскольку способов коррекции алгоритмов адаптации существует конечное множество, которое не может охватить все возможные ситуации в процессе взаимодействия управляющей системы с реальным миром. Поэтому было бы излишне самонадеянно оставить такую САУ «наедине» с объектом управления. Всегда возможно возникновение ситуации, с которой информационная САУ не справится. Поэтому периодически ЛПР должно корректировать адаптивные алгоритмы информационной САУ самостоятельно, опираясь на свой опыт и свои наблюдения.


Рис.1.4. Информационная САУ


Таким образом, можно сказать, что развитие ТАУ шло по пути усложнения моделей управляющих систем с целью полного и адекватного описания процессов взаимодействия САУ и реального мира, что позволило бы наиболее эффективно построить процесс управления и максимально разгрузить участвующего в этом процессе человека, взяв на себя определенные функции по управлению объектом. Но даже наиболее совершенные информационные САУ не смогли в полной мере решить эти задачи. Особенно наглядно это проявилось в ходе построения систем управления сложными слабоструктурированными технологическими процессами. Это объясняется тем, что, в отличие от человека, все управляющие системы, созданные методами классической ТАУ, работают с данными (причем данными исключительно количественными, не позволяющими полно описать реальный мир), а не со знаниями. Напротив, человек не только оперирует данными (количественными, описываемыми традиционными математическими методами, и качественными, описываемыми средствами естественного языка), но и обладает базирующимися на их основе знаниями, т.е. может использовать данные для рассуждений и выводов. Это различие и делает человека бесконечно способным к интеллектуальной адаптации - «универсальным управляющим устройством» для любого объекта. Безусловно, в сравнении с любой современной САУ мозг человека имеет определенные преимущества, обусловленные его огромным функциональным диапазоном. Именно поэтому создание интеллектуальных САУ, реализующих элементы мыслительной деятельности человека, связанные с представлением и использованием знаний, позволяет получить системы управления качественно нового уровня - системы, которые, подобно человеку, существуют и работают в реальном мире, оперируя со знаниями об этом реальном мире.


.1.2 Информационные аспекты организации интеллектуальных САУ

Итак, преимущество интеллектуальной САУ при управлении сложными технологическими процессами обусловлено тем, что данный класс систем работает не с количественными данными, как традиционные САУ, а со знаниями, базирующимися не только на количественной, но и на качественной информации. Это дает возможность достаточно объективно и полно описать окружающий мир и организовать адекватное, в определенной степени «человеческое», поведение управляющей системы в условиях непрерывной изменчивости реальной ситуации, в которой находится интеллектуальная САУ. Чем же отличаются данные от знаний, если это отличие дает такие огромные преимущества интеллектуальным САУ, несмотря на то, что для многих понятия «данные» и «знания» являются едва ли не синонимичными?

Популярно и доступно сформулировать различия между этими двумя понятиями довольно сложно, поскольку в этом случае объяснение будет содержать большей частью философские понятия. На бытовом уровне различия между данными и знаниями хорошо отражает такой известный анекдот.

Двое пилотов-дилетантов впервые летят на самолете. Первый: «Какой у нас курс?» Второй: «Курс - 18!» Первый: «Что - 18?» Второй: «А что - курс?»

Обладают ли эти пилоты данными? Безусловно обладают, и не просто данными, а данными количественными, которые по традиционным понятиям гораздо более ценны, чем данные качественные. Но проку от этих данных никакого, поскольку соответствующих этим данным знаний у пилотов, увы, нет.

Если придерживаться буквального технического смысла терминов, то данные - это комплекс информации, совместимый в рамках некоторой формальной системы, а знания - это базирующиеся на данных способы изменения компонент формальной системы. В зависимости от конкретной предметной области эти формулировки можно конкретизировать и уточнить, т.е. дать более частное определение. Применительно к процессу управления: данные - это информация, характеризующая множество возможных ситуаций, складывающихся при взаимодействии управляющей системы с реальным миром; знания - это информация о причинно-следственных взаимосвязях в каждой конкретной ситуации, о возможном дальнейшем развитии событий в управляющей системе и переходе к другой ситуации в зависимости от предпринятых действий и т.п.

Например, рассмотрим классическую систему стабилизации температуры в помещении, оперирующую количественными данными: сигнал от датчика температуры и сигнал, соответствующий желаемому значению температуры, поступает к блоку сравнения; блок сравнения вычисляет сигнал рассогласования и выдает его на вход регулятора; регулятор по сигналу рассогласования формирует регулирующее воздействие согласно конкретному фиксированному закону управления (алгоритм работы регулятора будет зависеть от его структуры и метода синтеза); регулирующее воздействие поступает на исполнительный элемент, непосредственно влияющий на температуру в помещении (клапан подачи горячей воды в системе отопления, электронагреватель и т.п.); вызванное регулирующим воздействием изменение режима работы исполнительного устройства приводит к изменению температуры в помещении и ее приближению к желаемому значению. Работа такой системы безупречна, если ее взаимодействие с окружающим миром было формально количественно описано на этапе синтеза регулятора и реально никогда не выходит за рамки этого описания. Но реальный мир одними количественными данными описать нельзя - реальный мир описывается количественными, описываемыми математическими терминами, и качественными, описываемыми средствами естественного языка, знаниями. Поэтому работа такой системы на практике в определенных нештатных ситуациях (т.е. ситуациях, не предусмотренных при синтезе регулятора, а предусмотреть все, как известно, невозможно) будет протекать с точки зрения человека нерационально или даже абсурдно. Представим себе, что кто то забыл закрыть наружные двери, а на улице - зима, или на датчик температуры через окно падает солнечный свет, или датчик неисправен, или …(этот список можно продолжать бесконечно).

А теперь представим, что стабильную температуру в помещении пытается поддержать человек, а не вышеописанная САУ. Сидит человек перед термометром, посматривает на него и, в зависимости от его показаний, поворачивает клапан отопительной системы, реостат термонагревателя и т.п. Если термометр выйдет из строя, человек быстро это поймет по своим ощущениям (допустим термометр показывает 20 ° C , а по ощущениям оператора в комнате гораздо жарче). Если кто-то ненадолго открыл дверь и потянуло холодом по термометру, то человек может ничего и не предпринимать, если уверен, что дверь вот-вот закроют. Если дверь забыли закрыть, то вместо того, чтобы включать нагреватель, нужно эту дверь закрыть, иначе энергия будет растрачиваться впустую. Такой список нештатных для САУ ситуаций, в которых человеческое управление предпочтительнее можно продолжать до бесконечности. Почему человек, как «устройство управления», зачастую, оказывается более приемлемым - потому что он обладает не только данными, но и, самое главное, знаниями о данной системе: знает, что термометр может иногда давать ошибочные показания; знает, что, пока возникший интенсивный приток холодного воздуха перекрыть нельзя, то комнату отапливать бесполезно; знает, что кратковременное незначительное охлаждение термометра сквозняком еще не означает охлаждение всей комнаты; знает … знает много чего, а если чего и не знает, то сможет сделать выводы по наблюдаемым данным, и, таким образом, пополнить свои знания. К примеру, если вроде все в порядке, а температура в комнате падает, несмотря на предельные режимы работы отопительных приборов, то человек может предположить, что или прибор нагрева неисправен, или работы этого прибора нагрева недостаточно (снизилась температура в сети отопления, упало напряжение питания электронагревателя, слишком большие потери тепла из-за понизившейся температуры на улице), затем проверить эти гипотезы и предпринять адекватные меры. Следует обратить внимание на то, что в отличие от САУ, человек оперирует не только точной количественной информацией (показаниями термометра), но и качественной информацией: в комнате слишком жарко, а не точной количественной оценкой «температура в комнате 30 ° C »; имеют место ошибочные показания термометра, а не - «погрешность составляет 25%»; кратковременное незначительное охлаждение, а не - «охлаждение в течение трех секунд на 2 ° C »; интенсивный приток холодного воздуха, а не - «поток воздуха с температурой ? 20 ° C и со скоростью 4 м 3 / с » и т.д. Это объясняется тем, что знания об окружающем нас мире далеко не всегда могут быть четко описаны количественными характеристиками. Поэтому для успешного взаимодействия с реальным миром необходимо оперировать не только количественными, но и качественными знаниями, в том числе неопределенными (нечеткими). Например: температура воздуха в комнате 2 ° C (это количественное четкое знание); температура воздуха в комнате значительно выше 2 ° C (это количественное нечеткое знание); температура воздуха в комнате высокая (это качественное нечеткое знание); имеющиеся численные данные соответствуют температуре воздуха именно в комнате, а не на улице, не в коридоре и т.п. (это качественное четкое знание).

В условиях реального мира знания качественного характера обладают не меньшей, а, зачастую, гораздо большей полезностью, чем знания количественные. К примеру, известно, что при нагреве среды в реакторе до 90 ° C выход готового продукта составляет 2 кг / с , при нагреве среды в реакторе до 100 ° C выход готового продукта составляет 5 кг / с , при нагреве среды в реакторе до 110 ° C выход готового продукта составляет 3 кг / с . Безусловно, эти количественные знания ценные, поскольку позволяют выбрать один из трех вариантов режима работы реактора. Но еще ценнее, вытекающее (разумеется, с помощью рассуждений) из приведенных четких количественных знаний нечеткое качественное знание о том, что реактор имеет экстремальную статическую характеристику, следовательно (снова следует нечеткий вывод), можно попытаться достичь наибольшего выхода готового продукта, проведя ряд дополнительных экспериментов или реализовав экстремальную систему регулирования. Более того, большинство проблем человеку приходится решать изначально опираясь только на нечеткие знания. К примеру, известно, что тормозной путь машины зависит от ее скорости, массы, состояния покрышек, дорожного покрытия, погодных условий, состояния водителя. Переходя дорогу, пешеход оценивает ситуацию исключительно в качественных нечетких терминах: машина довольно далеко от пешеходного перехода, едет со средней скоростью, легковая (значит не тяжелая), покрышек не видно (неопределенность полная), дорога не скользкая (хотя зима, но дорога посыпана песком), погода ясная, значит водитель дорогу видит хорошо, если только не усталый и трезвый (это уже знания относительно состояния водителя, и тоже полностью неопределенные). И вот, опираясь на свои исключительно нечеткие знания, пешеход просто переходит дорогу, не зная точно расстояния до машины в метрах, скорость машины в м / с , вес машины в кг , износа покрышек в %, коэффициента трения, видимости в %, скорости реакции водителя и концентрации алкоголя в его крови мг / л . Можно сказать, он рискует своей жизнью, не просчитав все точно на калькуляторе, не подставив данные в формулу, по которой можно точно вычислить тормозной путь автомобиля (хотя такая методика точного расчета существует и бережно хранится в недрах ГИБДД). И, как правило, риск оправдывается - пешеход благополучно переходит дорогу. Такие «чудеса» управления происходят с читателем каждый день. С точки зрения ортодоксального специалиста ТАУ - это настоящее чудо или чистая случайность: система выполнила поставленную задачу, не располагая количественной оценкой ни одного из параметров, характеризующих сложившуюся ситуацию и динамику ее развития. Это легко объясняется тем, что человек в полной мере обладает способностью оперировать всеми видами знаний (количественными и качественными, четкими и нечеткими) благодаря своему естественному языку. Любые знания можно описать средствами естественного языка. Человек мыслит категориями естественного языка, и, как правило, эти категории являются неопределенными и нечеткими.

Таким образом, для того чтобы интеллектуальная САУ обладала близкой к человеческой возможностью работы со знаниями, необходима их формализация и представление в технической системе посредством некоего языка описания знаний, категориями которого система могла бы оперировать так же, как человек словами. Также очевидно, что для достижения большего эффекта интеллектуализации технической системы этот язык должен описывать все возможные виды знаний: количественные и качественные, четкие и нечеткие.


.1.3 Представление знаний в интеллектуальных системах

Человек одновременно использует самые различные методы представления знаний: языковое описание, графическая информация, математические формулы и т.д. В зависимости от специфики той или иной области деятельности один или несколько видов описания будут превалировать над остальными. Например, в математике формулы и графики будут преобладать над текстовой информацией, в юриспруденции доминирует текстовая информация, в искусствоведении преобладает текстовая и графическая информация. В случае выбора средств представления знаний в технических системах такой универсализм представления знаний невозможен, поскольку потребует аппаратной и программной реализации интеллектуальных функций, недостижимых в настоящее время. Поэтому, существует несколько базовых специализированных машинных языков представления знаний, каждый из которых наиболее предпочтителен для той или иной предметной области.

) Язык продукционных правил.

Продукционные правила - это правила, имеющие форму: ЕСЛИ «Условие» - ТО «Событие». Продукционные правила описывают знания в виде взаимосвязей типа: «причина» - «следствие», «явление» - «реакция», «признак» - «факт» и.т.п. Конкретизация продукционных правил меняется в зависимости от сущности представляемых знаний.

Например:

·ЕСЛИ «Температура в реакторе превышает 120 ° C » ТО «Снизить подачу топлива на 5%»;

·ЕСЛИ «Вышел из строя вентилятор кондиционера» ТО «Температура в помещении повышается»;

Продукционное представление знаний с человеческой точки зрения является прямым описанием логических выводов при решении конкретных задач. Совокупность знаний о конкретной предметной области в этом случае представляется соответствующим набором продукционных правил, который образует базу знаний. При построении продукционных правил допустимо использование логических операторов И, ИЛИ, например:

·ЕСЛИ «Температура в реакторе превышает 120 ° C » И «Температура хладагента превышает 90 ° C » ТО «Прекратить подачу топлива»;

·ЕСЛИ «Температура в реакторе превышает 90 ° C » ИЛИ «Температура хладагента превышает 60 ° C » ТО «Снизить подачу топлива на 40%».

Недостатком языка продукционных правил можно считать отсутствие явных связей между правилами и целями, к достижению которых необходимо стремится. Таким образом, для активизации одного из продукционных правил необходимо проверка всей продукционной базы знаний, что при больших объемах информации приводит к существенным затратам временных и технических ресурсов интеллектуальной системы. Возможность решения этой проблемы заключается в разработке перспективных продукционных баз знаний, в которых одни продукционные правила могут активировать и дезактивировать другие продукционные правила, влияя на количество перебираемых правил в текущем цикле и, следовательно, на выбор пути достижения цели управления.

Отличительной чертой и основным преимуществом продукционной базы знаний является простота анализа, дополнения, модификации и аннулирования определенных продукционных правил. Помимо этого, представление знаний в таком синтаксически однотипном виде существенно облегчает техническую реализацию системы использования знаний. Вследствие этого в настоящее время продукционные базы знаний получили наибольшее распространение в интеллектуальных технических системах.

) Язык семантических сетей.

Знаниями можно назвать описания отношений между абстрактными понятиями и сущностями, являющимися конкретными объектами реального мира. Изначально семантические сети разрабатывались как модели долговременной человеческой памяти в психологии, но впоследствии эта модель перекочевала в инженерию знаний. В семантической сети абстрактные понятия и отношения между ними описываются в виде узлов и дуг. Сущности и понятия в такой сети являются узлами, а отношения между ними - дугами. Атрибуты семантических сетей можно разделить на лингвистические (объект, условие, место, инструмент, цель и т.п.), атрибутивные (форма, размер, цвет и т.п.), характеристические (род, время, наклонение и т.п.), логические (да, нет, отрицание, объединение и т.п.).


Рис.1.5. Семантическое представление знаний биолога


Допустим, фрагмент знаний ихтиолога о биологии рыб можно описать следующей семантической сетью (рис.1.5). В качестве другого примера рассмотрим представление знаний, содержащихся в высказывании: «Робот сверлит отверстие в детали с помощью сверла 10» (рис.1.6).


Рис.1.6. Семантическое представление технического знания


Недостаток семантических сетей - дублирование информации при построении сетей и смешение групп знаний, относящихся к различным ситуациям. Например, семантическая сеть, представленная на рис.1.5, имеет дубляж понятия «море», а отношение «температура» может использоваться не только для описания среды обитания животных. Выходом из данной ситуации стала наметившаяся в последнее время тенденция к построению разделенных семантических сетей.

Основным преимуществом семантических сетей является то, что они имитируют понимание и использование человеком естественного языка, что позволяет применять их при техническом моделировании рассуждений, доказательстве теорем, построении незаданных явно причинно-следственных связей и лингвистических конструкций, т.е. семантические сети позволяют реализовать устройства, имитирующие мыслительные акты более высокого уровня по сравнению с продукционными правилами. Представление знаний в виде семантических сетей широко используется в интеллектуальных системах интерпретации естественного языка и автоматического машинного перевода, в диалоговых вопросно-ответных системах естественного человеко-машинного общения, в блоках логической интерпретации систем технического зрения.

) Язык логики предикатов.

Логика предикатов является разделом математики - математической логикой, имеющей большую историю. Данная область математики традиционно составляла математический фундамент, закладываемый в основу формального описания систем. В качестве примера построения и вывода знаний на языке логики предикатов достаточно привести известный силлогизм Сократа: Все люди - смертны, человек - один из людей, Сократ - человек, следовательно Сократ - смертен.

Основные положения логики предикатов заключаются в следующем. Допустим, имеется некоторое множество объектов, составляющих предметную область, знания о которой необходимо описать. Произвольные элементы этого множества называются предметными переменными x i , а конкретные элементы этого множества, называются предметными константами y i . Выражение P x 1 , x 2 , … , x n , зависящее от предметных переменных и принимающее значение «0»-(ложь) или «1»-(истина), называется логической функцией или предикатом. Выражение P y 1 , y 2 , … , y m , зависящее от предметных констант и принимающее значение «0»-(ложь) или «1»-(истина), называется элементарной формулой. Из элементарных формул с помощью логических связок « ? »-(И), « ? »-(ИЛИ), « ¬ »-(отрицание), « ? »-(импликация), « ? »-(эквивалентность) строятся предикатные формулы. Помимо логических связок в рассмотрение вводят квантор общности « ? » и квантор существования « ? ». Знания о конкретной предметной области будут описываться предикатами и предикатными формулами. Для организации логического вывода « ? »-(символ выводимости) на языке логики предикатов используются различные правила. Например, правило Moduspones ( A ? B , A ? B ) - если из A следует B и если A является логически непротиворечивой предикатной формулой, то B также является логически непротиворечивой предикатной формулой. В качестве примера рассмотрим основной набор базовых действий и производных правил поведения транспортного робота-тележки, записанные на языке исчисления предикатов:- «накопитель готовых деталей около станка пуст»;-«тележка транспортного робота пуста»;-«освободить накопитель готовых деталей около станка»;-«перейти к следующему станку»;-«отвезти детали на склад, освободить тележку робота»;-«вернуться к текущему станку»;

? D ;

¬ A ? B ? C ? D ;

¬ B ? E ? F .


Основной недостаток языка логики предикатов при представлении знаний состоит в ограниченной выразимости, поскольку существует множество фактов и взаимосвязей, которые тяжело или даже невозможно выразить средствами математической логики. Например, такое логичное с точки зрения человека умозаключение, как «Человек колет дрова топором, топор - острый, следовательно человеку колоть дрова легко», на языке логики предикатов непредставимо, поскольку содержит так называемый сценарный, а не логический вывод.

Преимущество логики предикатов при представлении знаний заключается в том, что данный способ обладает хорошо развитым и понятным математическим аппаратом. Логика предикатов всесторонне исследована как формальная система. Синтаксис и интерпретация логических функций, элементарных и предикатных формул, правил логического вывода образуют единую стройную теорию математической логики. Это позволяет легко программировать различные операции над знаниями, в том числе логический вывод новых знаний на основе имеющихся знаний. Язык логики предикатов почти так же популярен в технических системах, как и язык продукционных правил, который можно рассматривать как упрощенный язык логики предикатов. Действительно, базовая конструкция языка продукционных правил: ЕСЛИ «причина»/«условие» ТО «следствие»/«действие», по сути является всего лишь одной из логических связок языка логики предикатов - импликацией A ? B (из A следует B ). Однако, в отличие от языка логики предикатов, язык продукционных правил обладает одним существенным преимуществом - полной независимостью элементов базы знаний, поскольку отдельные продукционные правила логически не связаны между собой. Это, несмотря на некоторые осложнения при обработке знаний, обусловленные опасностью нарушения их целостности и непротиворечивости, позволяет языку продукционных правил охватить больший круг различных предметных областей за счет возможности описания знаний, опирающихся не на логические, а на традуктивные и сценарные выводы. Поэтому по частоте использования в интеллектуальных системах язык логики предикатов на данный момент все таки немного уступает языку продукционных правил.

) Язык фреймов.

Фреймовая система представления знаний является моделью описания человеческих знаний в виде связанной совокупности крупных структурных единиц, каждая из которых содержит данные, описывающие определенную ситуацию. Во фреймовой системе единицей представления является объект, называемый фреймом. Фрейм содержит совокупность некоторых понятий и сущностей, с помощью которой можно описать конкретную ситуацию. Фрейм имеет уникальное имя и внутреннюю структуру, состоящую из множества упорядоченных элементов - слотов. Каждый слот имеет уникальное в пределах своего фрейма имя и содержит определенную информацию. Таким образом, каждый фрейм это структура данных, описывающая определенную ситуацию, место, объект и т.п. Структура данных внутри фрейма может иметь различный вид: граф, таблица и т.п., а также может представлять комбинацию различных способов представлений данных. Фреймы могут быть связаны между собой посредством своих слотов и образовывать иерархические структуры. Например, в системе технического зрения, имеющей три пары независимо пространственно ориентированных датчиков, составная арка может быть представлена в виде следующего фрейма (рис.1.7):


Рис.1.7. Фрейм, описывающий различные ракурсы обзора арки.


Описание арки таким фреймом, позволяет распознавать арку и ее ориентацию в системах технического зрения. Допустим, система технического зрения оценивает панораму арки при виде сверху. Результат оценки - «А». Далее система начинает сличать оценку «А» со значениями различных слотов в различных фреймах и составлять список фреймов- кандидатов на идентификацию детали. Результатом отбора будут описывающие различные конструкции фреймы, содержащие слот со значением «А». Системе остается изменить угол зрения, оценить новую панорамную картину и сузить список фреймов, проверяя на соответствие новому значению слоты первоначально отобранных фреймов. К примеру, фрейм - балка выпадет из списка после первой же процедуры отсева, поскольку как балку не крути, результат оценки панорамы всегда будет - «А». Последовательно повторяя этот процесс, можно идентифицировать деталь абсолютно точно (по всем шести ракурсам) или с определенной степенью вероятности (если ракурсов анализа меньше). Машина может идти и по другому пути анализа: не составлять список фреймов-кандидатов, а остановиться на первом попавшемся подходящем фрейме и провести сравнительную оценку всех ракурсов детали с соответствующими слотами фрейма. Если хотя бы один из слотов текущего фрейма противоречит оценке панорамы, то анализу подвергается фрейм-аналог и т.д., пока при движении по цепочке фреймов не будет достигнуто совпадение всех ракурсов, или их наибольшего числа.

Недостатком фреймовой системы является то, что иерархическая сеть знаний с перекрестными ссылками пригодна для решения сравнительно простых проблем, поскольку при расширении проблемной области фреймовая сеть имеет свойство разрастаться до значительных размеров. Проблемы поиска решения в таких сетях становятся трудноразрешимыми, поскольку связи между фреймами в сетях, описывающих объемные знания, как правило, неоднозначны и устанавливаются по нескольким слотам. Кроме того, фреймовые сети менее приспособлены к адаптации, так как внесение новых фреймов и измерение слотов в имеющихся фреймах может повлечь противоречия и зацикливания в ссылках при движении по иерархической структуре фреймовой сети.

Достоинством фреймового языка представления знаний является то, что он предоставляет пользователю большую свободу при описании знаний, так как допускает различные способы описания данных в пределах одного фрейма. Благодаря этому, фреймовые системы можно отнести к самым универсальным системам описания знаний. Однако ограничение сложности решаемых на основе таких систем проблем пока не позволяет фреймовым системам доминировать при разработке интеллектуальных систем.


.1.4 Методы описания нечетких знаний в интеллектуальных системах

Читатели, вероятно обратили внимание на то, что понятие качественный и нечеткий отнюдь не являются синонимами. Знания могут характеризоваться количественными и качественными показателями, быть четкими, имеющими математическое описание, и нечеткими, представленными лингвистическим конструкциями естественного языка, и эти пары признаков являются независимыми. Знание, оцениваемое качественно, т.е. не описанное цифрами и формулами, отнюдь не всегда является нечетким. Например: «это моя ручка» - четкое качественное знание; «это, похоже, моя ручка» - нечеткое качественное знание. Поэтому все базовые языки представления знаний могут описывать как знания четкие (что и было проиллюстрировано приведенными выше примерами), так и знания нечеткие. Следует обратить внимание еще и на то, что теперь речь идет не о новых базовых языках описания знаний, в данном случае знаний нечетких, а о способах описания нечеткости знаний, которые можно ввести в любом из описанных выше базовых языков. Например, может иметь место язык четких и нечетких продукционных правил, четких и нечетких семантических сетей и т.д. Итак, каким же образом трактуется понятие нечеткость и какие способы описания нечеткости знаний могут быть? К наиболее употребительным методам описания нечётких знаний относятся: методы теории многозначной логики, теории вероятностей, теории ошибок (интервальные модели), теории интервальных средних, теории субъективных вероятностей, теории нечетких множеств, теории нечетких мер и интегралов.

Следует отметить, что тот или иной способ описания нечеткости в разной степени совместим с тем или иным базовым языком представления знаний с точки зрения сложности описания и полноты возможностей получаемой формальной модели. А поскольку представление знаний является средством описания знаний человека, желательно, чтобы описательные возможности выбранного языка в конкретной предметной области были как можно выше. С этой точки зрения решение о форме представления знаний, принимаемое на одном из первых этапов проектирования, в значительной степени влияет на эффективность разрабатываемой интеллектуальной технической системы. Зачастую, возможностей одного даже самого подходящего языка оказывается недостаточно. Поэтому некоторые интеллектуальные системы имеют комплексное представление знаний, основанное на нескольких базовых языках представления знаний. С другой стороны, если форма представления знаний чрезмерно усложняется, то затрудняется техническая реализация такой интеллектуальной системы и возникает опасность потери достоверности выполняемых ею действий. В конечном итоге, выбор метода представления знаний представляет собой некий компромисс между универсальностью системы и возможностью ее технической реализации, с учетом конкретных прикладных задач, составляющих специализацию будущей интеллектуальной технической системы.

Интеллектуальная САУ должна обладать, в определённой степени, такими возможностями человека, как способностью к обучению, адаптации, накоплению и систематизации знаний об объекте управления. Кроме того, изначально при создании интеллектуальной САУ система практически всегда содержит базовый набор знаний, полученных от специалистов в данной предметной области - экспертов и представленных в соответствии с выбранным языком представления знаний и методом описания их нечеткости. Так как знания и опыт человека имеют, в основном, вербальный характер, и едва ли не все рассуждения человека по своей природе являются приближенными, то наиболее перспективными являются интеллектуальные САУ, использующие для представления знаний человека о свойствах и принципах управления объектом лингвистические переменные и аппарат нечетких множеств. Целесообразность и перспективность именно этого подхода к описанию и представлению нечетких знаний в интеллектуальных САУ обоснованна тем, что вышеупомянутый математический аппарат оперирует с лексическими категориями оценок, восприятия и способов рассуждения человека, т.е. с нечеткими лингвистическими категориями, а согласно аксиоматике управления сложными слабоструктурированными объектами всю информацию об объекте управления и способах управления им можно выразить средствами обычного естественного языка. Кроме того, такой подход к представлению нечетких знаний существенно облегчает первоначальное «обучение» создаваемой интеллектуально системы группой экспертов, так как аппарат нечетких множеств, оперирующий лингвистическими переменными, позволяет наиболее точно реализовать машинную интерпретацию знаний экспертов. Это является немаловажным фактором при выборе методов представления нечетких знаний в интеллектуальных САУ, поскольку эксперты - это люди, которые обладают эмпирическими знаниями по управлению сложным объектом и, как и свойственно людям, оперируют лексическими категориями естественного языка при описании сложных объектов и правил управления этими объектами.

Поэтому, несмотря на то, что каждый из упомянутых выше четырёх наиболее общеупотребительных способов описания нечетких знаний заслуживает отдельного подробного описания (чего невозможно сделать в пределах данного учебного пособия), целесообразно рассматривать принципы и методы построения интеллектуальных САУ, основанных на представлении знаний методами теории нечетких множеств. Разумеется, не все проектируемые в настоящее время интеллектуальные САУ базируются на методах теории нечетких множеств при представлении знаний. Однако, как показывает анализ тенденций развития интеллектуальных оперирующих знаниями САУ, большинство интеллектуальных систем автоматизации, использующихся в промышленности при управлении слабоструктурированными объектами, базируются на нечетком представлении знаний методами теории нечетких множеств. Именно эту категорию интеллектуальных регуляторов принято в научно-популярной литературе относить к системам «FuzzyLogic».


.1.5 Классификация интеллектуальных систем и структурная организация интеллектуальных САУ

Основная функция интеллектуальных САУ, качественно отличающая их от других САУ - это реализация определенных «разумных», человекоподобных рассуждений и действий, направленных на достижение определенной цели в соответствующей предметной области. В большинстве случаев, выполняя какие-то действия, человек сам точно не осознает, как он это делает. Ему неизвестен алгоритм происходящих в его мозге процессов понимания текста, узнавания лица, доказательства теоремы, выработки плана действий, решения задачи и т.д. Таким образом, всякая задача, для которой неизвестен алгоритм решения, относится к области применения систем искусственного интеллекта. При решении этих задач человек действует, не имея точного метода решения проблемы. Данный тип задач обладает двумя характерными особенностями:

·использование информации в символьной форме (слова, знаки, рисунки), что отличает системы искусственного интеллекта от традиционных компьютерных систем, обрабатывающих только числовые данные;

·наличие возможности выбора - отсутствие алгоритма решения означает только то, что необходимо делать выбор между многими вариантами в условиях неопределенности.

По кругу решаемых задач системы искусственного интеллекта можно подразделить на следующие группы:

·системы распознавания образов;

·математические системы и системы автоматического доказательства теорем;

·игровые системы;

·системы решения технических задач, связанных с целенаправленным движением в пространстве и времени;

·системы понимания естественного языка;

Данная классификация была введена на заре становления систем искусственного интеллекта и быстро себя исчерпала, поскольку дальнейшее развитие интеллектуальных систем привело к своеобразному «сращиванию» отдельных задач в одно целое в рамках решаемой системой глобальной технической задачи. К примеру, мобильные робототехнические системы должны решать и задачи распознавания образов, и технические задачи по позиционированию, обходу препятствий и т.д. Экспертные системы должны обладать возможностью понимания естественного языка, обладать способностями математических систем, реализовывать прогностические возможности игровых систем. Таким образом, с развитием интеллектуальных систем росла их сложность и многофункциональность, да это и понятно - в идеале интеллектуальная система должна воспроизводить мыслительную деятельность человека, а человек, как известно, самое многофункциональное интеллектуальное устройство.

Возник закономерный вопрос, как классифицировать, структурно упорядочить и организовать все многообразие интеллектуальных систем, которые были созданы и продолжали конструироваться со все возрастающими темпами (что связано с бурным развитием микроэлектроники в течение последнего десятилетия)? Ни по кругу решаемых задач, ни по конструктивно-техническим признакам, ни по принципам построения (а собственно о каких принципах и методах может идти речь, если сама методология разработки интеллектуальных систем по сию пору находится на этапе становления) классифицировать принципиально новый класс технических систем - интеллектуальные системы, не представлялось возможным.

Принципиально новую структурную организацию интеллектуальных систем, опираясь на теорию искусственного интеллекта, исследования операций и автоматического управления, разработал в 1989 г. Дж. Саридис (один из создателей нового научного направления - теории интеллектуальных машин, представляющей общесистемный подход к решению задач проектирования интегрированных интеллектуальных систем).

Интеллектуальная САУ структурно подразделяется на три обобщенных уровня, упорядоченных в соответствии с фундаментальным принципом IPDI (IncreasingPrecisionwithDecreasingIntelligence) теории интеллектуальных машин: по мере продвижения к высшим уровням иерархической структуры повышается интеллектуальность системы, но снижается ее точность, и наоборот. Под «интеллектуальностью» системы подразумевается ее способность работать с базой событий с целью выявления неких специальных знаний, позволяющих уточнить предложенную задачу и наметить пути ее решения. Под «неточностью» подразумевается неопределенность в выполнении операции по решению задачи. Общий вид архитектуры интеллектуальной САУ, отвечающей этому базовому принципу, приведен на рис.1.8.


Рис.1.8. Иерархическая структура интеллектуальной САУ


Каждому из уровней (которые сами могут быть многоуровневыми) соответствует специальная подсистема, реализующая функции, отвечающие определенным ниже пяти принципам организации интеллектуальных управляющих систем.

. Наличие взаимодействия управляющих систем с реальным внешним миром с использованием информационных каналов связи. Первый принцип подчеркивает непосредственную связь интеллектуальных управляющих систем с внешним миром. Находясь в непрерывном взаимодействии с внешним миром, интеллектуальные системы получают из него всю необходимую информацию в виде извлеченных знаний. Более того, управляющая система может оказывать на внешний мир целенаправленное активное воздействие. Модель знаний о внешнем мире, используемая интеллектуальной системой, должна предполагать не только уточнение описания внешней среды, которое происходит за счет получения дополнительных знаний о внешнем мире, но и изменение состояния внешней среды вследствие реализации активного поведения интеллектуальной системы. Таким образом, интеллектуальная система может воздействовать на внешнюю среду не только в рамках инициализируемого системой процесса получения знаний, но и исключительно с целью изменения внешнего мира в соответствии с целью функционирования системы. Выполнение принципа взаимодействия системы с внешним миром позволяет организовать каналы связи для извлечения необходимых знаний с целью организации целесообразного поведения.

. Принципиальная открытость систем с целью повышения интеллектуальности и совершенствования собственного поведения. Открытость систем обеспечивается наличием таких уровней высшего ранга в иерархической структуре, как самонастройка, самоорганизация и самообучение. Система знаний интеллектуальной управляющей системы состоит из двух частей: постоянных (проверенных) знаний, которыми система обладает и постоянно пользуется, и временных (проверяемых) знаний, в которых система не уверена, с которыми она экспериментирует в процессе обучения. В зависимости от результатов анализа своего поведения во внешнем мире система может либо отбрасывать знания второго типа, либо переводить их в знания первого типа. В свою очередь проверенные знания могут быть переведены в разряд проверяемых, если условия функционирования и результаты работы системы во внешнем мире становятся неадекватными определенной области постоянных знаний. Выполнение второго принципа позволяет организовать в интеллектуальной системе процесс приобретения, пополнения и верификации знаний.

. Наличие механизмов прогноза изменения внешнего мира и собственного поведения системы в динамически меняющемся внешнем мире. Система, функционирующая в меняющемся внешнем мире и не обладающая возможностями прогноза изменения состояния внешнего мира и своего собственного состояния и поведения, может попасть в критическую ситуацию, из которой не сможет найти выхода из-за временных ограничений на работу механизмов, формирующих управляющие воздействия, определяющих рациональное тактическое и стратегическое поведение системы. Наглядным примером могут служить автономно функционирующие интеллектуальные робототехнические системы в экстремальных ситуациях.

. Наличие у управляющей системы многоуровневой иерархической структуры, построенной в соответствии с правилом IPDI. Данный принцип позволяет планировать пути построения моделей сложных управляющих систем в тех случаях, когда неточность знаний о модели объекта управления или его поведении можно скомпенсировать за счет повышения интеллектуальности создаваемых систем или соответствующих алгоритмов управления.

. Постоянство функционирования (возможно, с некоторой потерей качества или эффективности, т.е. с определенной степенью деградации) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры. Данный принцип устанавливает только потерю интеллектуальности, но не прекращения функционирования системы в целом при отказах в работе высших уровней иерархии системы. Сохранение автономного функционирования в рамках более простого (автоматного) поведения системы, характерного для низших уровней структуры управления обеспечивает максимальную живучесть систем управления.

Приведенные пять принципов организации структуры интеллектуальной управляющей системы позволяют уточнить такое понятие, как «интеллектуальность» управляющей системы, а также производить классификацию интеллектуальных систем по уровню их интеллектуальности. Очевидно, что степень интеллектуальности системы будет находиться в прямой зависимости от функциональной насыщенности уровней, т.е. от полноты реализации базовых принципов организации интеллектуальных управляющих систем в виде соответствующих функций.

Система интеллектуальная в большом - это система построенная и функционирующая в соответствии с описанными выше всеми пятью базовыми принципами IPDI.

Системы интеллектуальные в большом должны иметь многоуровневую иерархическую структуру со следующими уровнями (в порядке понижения ранга): уровень обучения, уровень самоорганизации, уровень прогноза событий, уровень работы с базами знаний, уровень формирования решений, уровень планирования операций, уровень адаптации, исполнительный уровень. Каждый из этих уровней имеет свою функциональную специфику и может состоять из нескольких подуровней. При этом на двух нижних уровнях иерархии используются традиционные модели и методы теории автоматического управления. Остальные уровни более высокого ранга, или так называемая интеллектуальная надстройка, существенно расширяют возможности этих традиционных моделей в соответствии с требованиями современной информационной технологии работы со знаниями. Минимальная интеллектуальная надстройка может содержать только элементарную базу знаний в виде простых продукционных правил (кстати именно такую структуру имели первые интеллектуальные регуляторы), однако уже одно это дополнение будет вводить систему автоматического регулирования в класс интеллектуальных систем, хотя, разумеется, эта интеллектуальная система интеллектуальной в большом не будет. Подобная интеллектуальная САУ будет «интеллектуальной в малом».

Система интеллектуальная в малом - это система структурно и функционально не организованная в соответствии с описанными выше всеми пятью базовыми принципами IPDI, но использующая при своей работе знания как средство преодоления неопределенности входной информации, модели управляемого объекта или его поведения.

Системы интеллектуальные в малом соответствуют общепринятому определению интеллектуальных систем, как систем, ориентированных на обработку знаний с целью поиска решения определенной задачи. Системы интеллектуальные в малом и в большом устанавливают нижнюю и верхнюю границы интеллектуальности управляющих систем. Степень интеллектуальности систем, находящихся внутри этого диапазона, можно определить по наличию или отсутствию тех или иных уровней IPDI. Например, наивысшей степенью интеллектуальности обладает управляющая система, способная к обучению, изменению структуры и прогнозу возможных ситуаций. Меньшей степенью интеллектуальности обладает система, не способная к обучению, но способная к самоорганизации в результате анализа прогнозируемых ситуаций, и т.д. вплоть до интеллектуальных в малом, «самых безмозглых» простейших интеллектуальных регуляторов (обычная САР плюс простая база продукционных правил).

Система, стоящая на более высокой ступени иерархии, включает функции систем с более низким интеллектуальным уровнем, а каким образом реализованы эти функции - это не принципиально важно. К примеру, интеллектуальная САУ с функцией адаптации, использующая эталонную верифицируемую модель объекта управления не изменит своей принадлежности к определенному классу интеллектуальных систем независимо от того, какой будет эта модель объекта управления - нечеткой лингвистической или нейросетевой. Или другой пример - простейшие интеллектуальные САУ (интеллектуальные регуляторы) состоящие из обычной САР и базы продукционных правил, в которой в первом случае согласно продукционным правилам корректируются параметры стандартного ПИД-регулятора, а во втором случае ПИД-регулятора вообще нет, а управляющее воздействие находится исходя только из базы продукционных правил. Обе интеллектуальных САУ интеллектуальны минимально, но степень их интеллектуальности одинакова и их следует относить к одному классу систем, хотя структура этих систем принципиально различна: в процессе работы в первом случае происходит изменение параметров системы, во втором случае - структуры системы. Добавьте к любой из описанных выше систем блок автоматического изменения базы продукционных правил, вырабатывающий решения автоматически на базе анализа текущего состояния системы и внешнего мира - и тогда система приобретает качественно новые свойства и переходит в другой класс интеллектуальных систем, к системам «поумнее».

Такой подход к классификации интеллектуальных систем позволяет упорядочить многочисленные интеллектуальные системы, не ориентируясь на такие изменчивые характеристики, как структура системы, язык представления знаний, принципы реализации функций адаптации, круг решаемых задач и т.п.

Введенная трактовка понятия интеллектуальности и признаков систем интеллектуальных в большом и в малом позволяет установить связи с основными понятиями классической теории управления, используя разработанные в ней методы и сохраняя преемственность при построении интеллектуальных управляющих систем (рис.1.9).

Первыми интеллектуальными САУ, объединившими в себе методы традиционной ТАУ и инженерии знаний стали так называемые активные экспертные системы, или как их назвали позже - интеллектуальные контроллеры. Экспертная система - это система, ориентированная на хранение, обработку и использование знаний, целью которой является принятие решений по тем или иным вопросам конкретной предметной области, приближенным по качеству к решениям, принятым человеком-экспертом или коллективом экспертов. Первоначально экспертные системы использовались в качестве советчика в паре с оператором, управляющим технологическим объектом. Экспертная система могла предложить возможную стратегию управления объектом в определенной ситуации либо спрогнозировать поведение объекта в ответ на предполагаемое воздействие. Традиционно экспертная система включала в себя базу знаний конкретной предметной области, которая заполнялась при первоначальном «обучении» системы коллективом специалистов-экспертов, средства описания и заполнения базы знаний, средства ввода-вывода для работы с оператором. По мере совершенствования экспертных систем, как на методологическом уровне, так и на уровне технической реализации, решения экспертных систем перестали уступать решениям экспертов-людей, а скорость принятия этих решений существенно превзошло скорость реакции человека. Возникла закономерная идея автоматизации деятельности таких систем путем включения в их состав специальных дополнительных автоматических блоков ввода информации об объекте и блоков формирования управляющих воздействий на основе принятых решений.


Рис.1.9. Интеллектуальная иерархия моделей САУ


Полученная таким образом интеллектуальная система управления представляет собой качественно новую систему управления сложными объектами, поскольку базируется не только на данных, но и на знаниях (рис.1.10). Как и в традиционной САУ за ЛПР сохраняется возможность управления объектом в ручном режиме. Сама же САУ претерпевает коренные изменения. Ядром интеллектуальной САУ является база знаний, построенная на основе знаний экспертов - лиц, имеющих опыт по управлению сложным объектом, и содержащая правила управления объектом, представленные в определенной форме. Так как знания и опыт человека имеют вербальный характер, то для преобразования и представления этих знаний, а также информационного обмена с базой знаний вводятся блоки, осуществляющие ввод знаний, вывод знаний, описание и представление знаний, а также их коррекцию. Структура базы знаний, а также структура и алгоритмы работы этих блоков зависят от выбранной модели представления знаний: продукционной, фреймовой, семантической, логики предикатов. Как уже было отмечено ранее наиболее перспективными являются системы, использующие для представления знаний человека о свойствах и принципах управления объектом лингвистические переменные и аппарат нечетких множеств в рамках продукционной базы знаний. Построенная по данному принципу база знаний содержит множество лингвистических переменных, соответствующих лексическим категориям, с которыми оперирует мозг человека при управлении объектом, а также таблицу нечетких отношений между лингвистическими переменными, которая отражает приобретенный человеком опыт по управлению объектом в виде отношений между лексическими категориями. Средства ввода и вывода знаний осуществляют так называемые процессы фаззификации и дефаззификации - прямого и обратного преобразований количественных (числовых) и качественных (лингвистических) показателей свойств объекта и показателей качества его функционирования. Такие системы в настоящее время наиболее широко применяются для управления сложными объектами и функционируют в роли советчика ЛПР или в автономном режиме.

Поскольку множество ситуаций при управлении объектом постоянно в той или иной степени пополняется из-за нестабильности и непредсказуемости свойств объекта и его внешнего окружения, то в интеллектуальной САУ должна быть предусмотрена возможность расширения базы знаний. Основным сигналом о возникшей существенной неполноте знаний в системе служит либо участившееся неприятие советов системы со стороны ЛПР (неадекватность управления объектом, предлагаемого системой, с точки зрения ЛПР), либо отсутствие рекомендаций по управлению, либо неудовлетворительное функционирование САУ в автономном режиме. При этом лингвистические правила управления объектом, содержащиеся в таблице нечетких отношений, по необходимости могут подвергаться коррекции как со стороны ЛПР, так и со стороны группы экспертов. Однако, при таком подходе к обновлению базы знаний неизбежны определенные недостатки, связанные с методологией «интеллектуализации» САУ, т.е. с процессом передачи машине способностей человека по управлению сложными процессами.

) База знаний, являющаяся основой такой интеллектуальной САУ, является максимально близкой копией знаний коллектива экспертов, но копией актуальной только на момент получения знаний и заполнения базы данных. Фактически со времени ввода системы в эксплуатацию начинается процесс ее непрерывного старения. Корректор базы знаний не способен коренным образом исправить эту ситуацию, поскольку функциональные группы естественного языка используются человеком субъективно, и знания ЛПР могут конфликтовать со знаниями экспертов. Периодическая верификация базы знаний экспертами - это процесс долгий и непродуктивный, поскольку знания экспертов всегда носят субъективный характер и могут меняться со временем, что также приводит к конфликту с уже установленными знаниями. Фактически со стороны экспертов понадобится не дополнительное обучение, а полное переобучение интеллектуальной системы.

) Знания, получаемые от экспертов, носят характер, не согласованный во времени с процессом управления, т.е. в общем случае характер получения знаний от экспертов напоминает опрос вида: «что вы бы делали, если бы … ». В таком виде объект управления представляется эксперту чем то абстрактным, что не требует от него немедленных оперативных действий и дает возможность без спешки подумать, проанализировать ситуации и принять т.н. «отсроченное решение». В то же время доказано, что определенные категории знаний человека после неоднократного успешного использования закрепляются на подсознательном уровне в виде «мгновенного отклика»: цепочки вида «ситуация-реакция». Это дает возможность человеку успешно справляться с неопределенными ситуациями в условиях, когда решения необходимо принимать оперативно, и, как правило, такие оперативные решения дают наиболее продуктивные результаты.

) Описанный выше характер отсроченного и опосредованного принятия решения при экспертной оценке ведет к тому, что эксперт подсознательно незаинтересован в следствиях принимаемого им решения, что сказывается на рациональности экспертных оценок.

) Слабоструктурированные объекты имеют, как правило уникальный характер, что затрудняет использование традиционных методов получения экспертных оценок, ориентированных на достаточно большие группы экспертов. Использование методов, ориентированных на одного (или нескольких экспертов) в условиях отсроченного принятия решения существенно повышает влияние субъективности рассуждений отдельного человека (шкалированности и традуктивности выводов, некорректного построения причинно-следственных связей, сценарности выводов ) на принимаемые решения.

Вышеперечисленные недостатки обусловлены тем, что общепринятый принцип построения интеллектуальной САУ (см. рис.1.10) основан на одномоментном процессе обучения системы, оторванном от непосредственного управления с последующей коррекцией знаний человеком или группой лиц. Инициатором обучения и коррекции знаний в данном случае является человек, т.е. речь идет об обучающейся системе и опосредованном процессе обучения, разнесенным во времени с процессом управления. Если прибегнуть к аналогии с обучением ребенка, который приобретает знания путем самостоятельных действий над объектами окружающего мира и общения с другими людьми (это естественно, поскольку мы стремимся сообщить системе управления интеллектуальные свойства человека), то становится очевидным, что в интеллектуальной САУ приобретение знаний должно происходить по инициативе самой системы управления. Одна из возможных структур такой самообучающейся системы представлена на рис.1.11. Подобная система может не подвергаться предварительному обучению. При первоначальном подключении системы к объекту управления база знаний интеллектуальной системы пока остается незаполненной, а всю ответственность по управлению берет на себя ЛПР. При помощи блока-анализатора система постоянно отслеживает действия ЛПР и в ходе диалога с ним выясняет, какие переменные состояния и управления объекта побудили ЛПР принять данное решение об управлении объектом в текущий момент времени, каким образом оператор соотносит текущие переменные состояния и управления с соответствующими лингвистическими переменными и нечеткими множествами. Последовательно накапливая такую информацию, система формирует функции принадлежности нечетких множеств блоков ввода и вывода знаний, а также таблицу нечетких отношений между лингвистическими переменными, отражающую решения ЛПР по управлению объекта. Чем дольше работает система, тем меньше неизвестных ей ситуаций будет возникать при управлении объектом, тем чаще она будет выдавать в качестве совета свой вариант управления объектом, как реакцию на его текущее состояние. Однако, при любом несоответствии решений системы и ЛПР, система будет инициировать диалог с целью уточнения своей базы знаний и методов представления знаний. В такой системе функции принадлежности нечетких множеств блоков ввода-вывода знаний, а также правила управления в таблице нечетких отношений лингвистических переменных постоянно корректируются


Рис .1.11. Интеллектуальная САУ с функциями самообучения


В процессе управления база знаний может пополняться как количественно (по числу нечетких отношений), так и качественно, если при управлении объектом возникают ранее неизвестные факторы (лингвистические переменные), учитываемые ЛПР. При стабильной работе объекта и отсутствии действий со стороны ЛПР система может самостоятельно анализировать базу знаний и дополнять ее до полной группы событий (причин изменения управления), отбирать и уточнять противоречивые правила управления в таблице нечетких отношений путем диалога с ЛПР.

Этот продолжающийся и в настоящее время этап в развитии интеллектуальных САУ, их дальнейшая «интеллектуализация» по шкале IPDI путем введения в них функций самообучения имеет множество направлений решения задачи «обучения системы самообучению»: использование методов эволюционного моделирования и эволюционных алгоритмов, применение нейронных сетей, использование ассоциативных запоминающих устройств и т.п. Именно в этой области развития интеллектуальных САУ при разработке теории и практики построения так называемых открытых систем, т.е. систем, способных с течением времени совершенствовать свое поведение благодаря заложенным в них алгоритмам обучения, формируется сейчас новое научное направление - теория интеллектуальных машин. Однако, вне зависимости от выбранного направления развития адаптивных способностей интеллектуальных САУ большинство открытых интеллектуальных САУ при обработке знаний опираются на лингвистический подход на базе теории нечетких множеств и лингвистической переменной. Это дает возможность предположить, что открытые системы будущего будут в основном использовать при работе со знаниями методы теории нечетких множеств и нечеткой логики - логики, которая ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы; логики, которая предоставляет наиболее эффективные средства отображения неопределенностей и неточностей реального мира и позволяет построить модель, максимально приближенную к реальности.

2. Нечеткие системы автоматического управления


В соответствии с рассмотренными ранее принципами IPDI можно дать следующую классификацию применяющихся в настоящее время нечетких систем автоматического управления, расположив их в порядке возрастания степени интеллектуальности.

1.САУ с нечетким контроллером. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется нечеткий контроллер - устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее управляющее воздействие посредством реализации одной из рассмотренных ранее схем нечеткого вывода. Поскольку такое устройство только использует заранее введенные знания, полученные от экспертов на этапе проектирования и представленные в виде базы правил системы нечеткого вывода, но не обладает самостоятельной способностью к модификации базы правил, а все последующие изменения в базе правил осуществляются разработчиком извне, то такая система управления обладает минимальной степенью интеллектуальности.

2.Гибридные нечеткие САУ. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется гибридный нечеткий контроллер - двухуровневое иерархическое устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее на первом уровне управляющее воздействие посредством реализации линейного или нелинейного закона управления, полученного методами классической ТАУ (например, ПИД-регулирование, релейный регулятор и т.п.). На втором уровне гибридного нечеткого контроллера осуществляется адаптация параметров регулятора посредством реализации одной из рассмотренных ранее схем нечеткого вывода, для которой в данном случае входными переменными являются переменные состояния объекта управления, а выходными переменными - параметры закона управления, реализованного на подчиненном уровне (например, коэффициенты усиления ПИД-регулятора). Поскольку такое устройство обладает определенной способностью приспосабливаться к изменению свойств объекта управления и самостоятельно модифицировать закон управления в соответствии с правилами, основанными на знаниях, то такая система управления обладает большей степенью интеллектуальности. Еще большее увеличение интеллектуальности системы может быть достигнуто, если и алгоритм управления, и методы его модификации используют методы искусственного интеллекта. Этим требованиям отвечают адаптивные нечеткие САУ.

.Адаптивные нечеткие САУ. Замкнутая система управления с обратной связью, в прямом контуре которой в качестве регулятора используется адаптивный нечеткий контроллер - двухуровневое иерархическое устройство, опрашивающее при помощи датчиков состояние объекта управления и вырабатывающее на первом уровне управляющее воздействие посредством реализации одной из рассмотренных ранее схем нечеткого вывода. На втором уровне осуществляется коррекция базы правил системы нечеткого вывода при помощи одного из методов нечеткого вывода. Таким образом, при изменении среды функционирования нечеткой адаптивной САУ верхний уровень осуществляет интеллектуальную адаптацию системы нечеткого вывода нижнего уровня, который в свою очередь представляет устройство автоматического принятия решений на основе знаний эксперта.

Данная классификация нечетких систем является далеко не окончательной, поскольку в настоящее время ведутся работы по дальнейшему увеличению интеллектуальности нечетких САУ в соответствии с реализацией всех принципов IPDI и стремлении прийти от систем, интеллектуальных в малом, к системам, интеллектуальным в большом. Эти цели могут быть достигнуты путем комбинации различных подходов к построению интеллектуальных систем в составе многоуровневых интеллектуальных контроллеров, органично сочетающих принципы и методы нечеткого вывода, ситуационного управления, инженерии знаний, нейронных сетей и эволюционного моделирования. Наиболее перспективным в этом плане, с точки зрения авторов, является разработка интеллектуальных САУ, строящихся на базе нечетких нейронных сетей, что позволяет сочетать как методы работы с нечеткой информацией и знаниями, так и способность систем к самостоятельной адаптации.


.1 САУ с нечетким контроллером


При синтезе САУ с нечетким контроллером основная доля работы приходится на конструирование базы нечетких продукционных правил. Нечеткий контроллер реализует управление по состоянию, если продукции базы правил строятся с использованием лингвистических переменных, характеризующих состояние объекта. В этом случае цель управления в виде желаемого состояния объекта управления неявно вводится в базу правил экспертом на стадии формирования базы нечетких продукционных правил. Архитектура САУ с нечетким контроллером, реализующей управление по состоянию, выглядит следующим образом (рис.3.1).


Рис .3.1. САУ с нечетким контроллером и управлением по состоянию


Обобщенный объект управления включает в себя непосредственно управляемый технологический процесс, усилительно преобразующие механизмы, органы регулирования и датчики измерения переменных состояния объекта управления. Входные переменные, характеризующие реальное и желаемое состояния объекта управления, подвергаются фаззификации и используются в системе нечеткого вывода. Система нечеткого вывода содержит базу нечетких продукционных правил обобщенного вида ЕСЛИ «состояние объекта» ТО «воздействие на объект», в которой в нечеткой форме представлены знания экспертов по управлению данным технологическим процессом при движении к желаемому состоянию объекта на основе знаний о величинах, характеризующих действительное состояние объекта. В результате нечеткого вывода и последующей дефаззификации получаются четкие значения выходных переменных, которые используются для последующего управления технологическим процессом.

Пример. В смеситель подается холодная и горячая вода по двум трубопроводам с расходом и температурой t хол , G хол и t гор , G гор соответственно. Регулировка температуры воды t на выходе из смесителя достигается путем изменения расхода горячей воды G гор на входе смесителя. Рассмотрим нечеткое управление обобщенным динамическим объектом, включающим в себя регулируемый вентиль с коэффициентом передачи k вент , смеситель и датчик температуры с передаточной функцией W дат (s) (рис.3.2), при помощи нечеткого контроллера, синтезирующего воздействие u , эквивалентное углу поворота вентиля крана горячей воды, исходя из оценки комфортности температуры воды на выходе смесителя.


Рис.3.2. Пример построения интеллектуальной САУ с нечетким контроллером, реализующим управление по состоянию


Эвристические правила, применяющиеся при регулировании температуры воды на выходе смесителя посредством поворота вентиля вправо/влево относительно среднего положения, соответствующего комфортной температуре воды на выходе смесителя:

·ЕСЛИ «вода горячая» ТО «повернуть вентиль на большой угол вправо»;

·ЕСЛИ «вода не очень горячая» ТО «повернуть вентиль на небольшой угол вправо»;

·ЕСЛИ «вода теплая» ТО «не менять положения вентиля»;

·ЕСЛИ «вода прохладная» ТО «повернуть вентиль на небольшой угол влево»;

·ЕСЛИ «вода холодная» ТО «повернуть вентиль на большой угол влево».

Формализация описания температуры воды на выходе из смесителя и угла поворота вентиля крана горячей воды проведена при помощи лингвистических переменных, в кортеже которых содержится по пять нечетких переменных, функции принадлежности которых представлены на рис.3.3.

Рис .3.3. Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани


Рис .3.4. Динамика объекта управления при разомкнутом управлении (1) и при управлении по состоянию с помощью нечеткого контроллера Мамдани (2)


Если произвести имитационное моделирование объекта управления при нормально распределенной t хол с математическим ожиданием 20 o С и дисперсией 4 o С 2 , нормально распределенным G хол с математическим ожиданием 0,05 м 3 /сек и дисперсией 0,0005( м 3 /сек ) 2 , нормально распределенной t гор с математическим ожиданием 70 o С и дисперсией 5 o С 2 , k вент 0,001м 3 / (сек?град) , W дат (s) = 1 0,1s+1 , то можно получить реализацию динамики процесса стабилизации комфортной температуры воды на выходе из смесителя при нечетком управлении в САУ с использованием нечеткого вывода на рассмотренной базе правил согласно алгоритма Мамдани (рис.3.4).

Нечеткий контроллер реализует управление по отклонению, если продукции базы правил строятся с использованием лингвистических переменных, характеризующих отклонение реального и желаемого состояний объекта. В этом случае цель управления в виде желаемого состояния объекта управления явно вводится в систему управления при помощи задающего устройства. Архитектура САУ с нечетким контроллером, реализующей управление по отклонению, выглядит следующим образом (рис.3.5).


Рис. 3.5. САУ с нечетким контроллером и управлением по отклонению


Входные переменные, характеризующие различия между реальным и желаемым состоянием объекта управления, подвергаются фаззификации и используются в системе нечеткого вывода. Система нечеткого вывода содержит базу нечетких продукционных правил обобщенного вида ЕСЛИ «отклонение от желаемого состояния объекта» ТО «воздействие на объект», в которой в нечеткой форме представлены знания экспертов по управлению данным технологическим процессом при движении к желаемому состоянию объекта на основе знаний о величинах, характеризующих отклонение объекта от желаемого состояния.


Рис. 3.6. Пример построения интеллектуальной САУ с нечетким контроллером, реализующим управление по отклонению


Пример. Рассмотрим нечеткое управление динамическим объектом (рис.3.6) при помощи нечеткого контроллера, синтезирующего воздействие на объект управления посредством системы нечеткого вывода с базой продукционных правил, представленных в таблице 3.1. Управление осуществляется по двум переменным: отклонению e и скорости изменения отклонения de dt желаемой выходной переменной y зад объекта управления от ее действительного значения y .


Таблица 3.1

Формализация описания отклонения и скорости изменения отклонения выхода объекта управления от требуемого значения, а также управляющего воздействия, проведена при помощи лингвистических переменных, в кортеже которых содержится по девять нечетких переменных, соответствующих понятиям отрицательного малого NS, отрицательного среднего NM, отрицательного большого NB, отрицательного близкого к нулю ZN, приблизительно нулевого Z, положительного близкого к нулю ZP, положительного малого PS, положительного среднего PM, положительного большого PB значений соответствующих физических величин, функции принадлежности которых представлены на рис.3.7(a,б).

Если обобщенный объект управления представить в виде последовательного соединения двух апериодических звеньев K ( T 1 s+1)( T 2 s+1) с коэффициентом усиления K и постоянными времени T 1 , T 2 , являющимися непрерывными случайными величинами, распределенными нормально с математическим ожиданием m k = 1 , m 1 = 1 , m 2 = 1 и дисперсией D k = 0,05 , D 1 = 1 , D 2 = 4 соответственно, то можно получить переходный процесс в САУ при нечетком управлении с использованием нечеткого вывода на рассмотренной базе правил согласно алгоритму Мамдани (рис.3.8).


Рис.3.7(а). Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани)

Рис.3.7(б). Функции принадлежностей кортежей лингвистических переменных, определяющих нечеткое представление входных и выходных величин, использующихся при реализации алгоритма нечеткого вывода Мамдани


На рис.3.8 для сравнения представлен переходный процесс при альтернативном ПИД-регулировании с параметрами регулятора, рассчитанными по минимаксному критерию исходя из математических ожиданий постоянных времени объекта управления. Несмотря на то, что рассмотренное в данном примере представление сложного слабоструктурированного объекта посредством апериодических звеньев с нестационарными постоянными времени весьма отдаленно напоминает реальную сложную систему, анализ полученных переходных характеристик позволяет сделать вывод об устойчивости рассматриваемого нечеткого управления, а также как о его недостатках в виде больших инерционности и перерегулирования, так и о его преимуществах с точки зрения минимизации СКО при стабилизации стационарного режима объекта управления, по сравнению с традиционным ПИД-регулятором.


Рис.3.8. Переходные процессы в сложной САУ с контроллером Мамдани (1) и с ПИД-регулятором (2)


Таким образом, динамика САУ с нечетким контроллером всецело определяется архитектурой системы нечеткого вывода: методом построения и содержанием базы продукционных правил, а также способом реализации алгоритма нечеткого вывода. Поэтому при проектировании рассмотренного типа САУ с особой тщательностью необходимо подходить к выбору экспертов, методикам экспертного опроса и формированию базы правил. Что касается выбора способов реализации отдельных этапов алгоритма нечеткого вывода, то, как уже было отмечено ранее, этот вопрос в настоящее время решается в большей степени интуитивно, поскольку пока не существует законченной и целостной методики синтеза алгоритма нечеткого вывода на базе продукционных правил, позволяющего реализовать нечеткое управление в соответствии с заданной заранее какой либо оценкой требуемого качества данного управления. Как правило выбор конкретного алгоритма нечеткого вывода осуществляется из ограниченного числа их возможных реализаций эмпирическим путем. Вопрос аналитического конструирования нечеткого контроллера, реализующего нечеткое управление объектом «наилучшим» (в смысле какого либо критерия) образом на данный момент остается открытым.

3. САУ температурой ферментатора


Объектом управления является биохимический процесс ферментации, связанный с жизнедеятельностью специализированной культуры микроорганизмов и протекающий в специальном устройстве - ферментаторе, в котором поддерживается определенный температурный режим. Цель управления заключается в стабилизации температуры среды ферментатора, наиболее благоприятной для роста и развития микроорганизмов. Наиболее ответственным с точки зрения кинетики процесса является момент запуска процесса ферментации и вывод объекта управления в установившийся режим с фиксированной температурой среды ферментатора, поскольку на данном этапе происходит массовый рост колонии микроорганизмов, сопровождающийся дополнительным тепловыделением, связанным с их жизнедеятельностью. Таким образом, при выводе ферментатора на установившийся температурный режим необходимо учитывать собственное тепловыделение питательной среды ферментатора.

Процесс размножения микроорганизмов в питательном растворе с ограниченными ресурсами описывается уравнением Ферхюльста:


dN dt = KN N max - N N max ,


где N - концентрация микроорганизмов в единице питательного раствора, N max - максимальная возможная концентрация микроорганизмов в единице питательного раствора при заданной концентрации питательных веществ и температурном режиме, K - коэффициент, отражающий скорость роста колонии и зависящий от совокупности факторов, определяющих скорость размножения микроорганизмов. Как правило, K в большей степени зависит от температуры и является функцией колоколообразного вида с максимумом в точке со значением температуры, наиболее благоприятной для размножения микроорганизмов. т.е. и при низких, и при высоких температурах развитие колонии существенно замедляется. Собственное тепловыделение колонии T 1 = k 1 N , где T 1 - избыточная температура, обусловленная жизнедеятельностью микроорганизмов, k 1 - коэффициент пропорциональности.

Отопление ферментатора осуществляется при помощи калорифера с теплоносителем, расход которого регулируется клапаном расхода с электроприводом. Постоянная времени развития колонии существенно больше постоянной времени тепловых переходных процессов. Однако, для того чтобы при регулировании температуры среды ферментатора не происходило резких температурных скачков, нежелательных для процесса биохимического синтеза, при помощи специфических технических решений (теплоизоляция, равномерное распределение тепла за счет введения множества тепловыделяющих элементов и т.п.) искусственно увеличивают время переходных процессов, протекающих между нагревательными элементами ферментатора и питательной средой и определяемых теплофизическими свойствами агрегата. В результате такого технического решения, объяснимого с точки зрения ограничений температурного градиента раствора ферментатора и продиктованного спецификой объекта управления, инерционностью тепловых процессов при нагреве ферментатора за счет подаваемого теплоносителя становится сравнимой со скоростью развития колонии микроорганизмов и измеряется часами. Таким образом, избыточная температура, вносимая калорифером, T 2 = k 2 p T кал p+1 u , где T 2 - избыточная температура, обусловленная жизнедеятельностью микроорганизмов, где k 2 - коэффициент усиления, u - управление электроприводом, меняющим угол поворота клапана расхода теплоносителя, T кал - искусственно увеличенная постоянная времени переходных тепловых процессов (не путать с обозначением температур T 1 T 2 T 3 T )

При постоянно поддерживаемой концентрации питательных веществ в ферментаторе N max = k 3 · K , где k 3 - коэффициент пропорциональности, т.е. максимальная концентрация определяется температурным режимом, поскольку K имеет максимальное значение при температуре T питательного раствора ферментатора, наиболее благоприятной для роста микроорганизмов. На температурный режим ферментатора возмущающее воздействие оказывает температура внешней среды T 3 .

Структурная схема традиционной системы управления температурой ферментатора представлена на рис.4.15.


Рис. 4.15. Структурная схема САУ температурой ферментатора с ПИД-регулятором


Моделирование традиционной САУ при следующих параметрах объекта управления: ие оказывает температура внешней среды k i = 0,25 , k p = 0,2 , k d = 0,25 , k 1 = 10 -12 , k 2 = 1 , k 3 = 5? 10 12 , T кал = 10 4 с -1 , a = 50 , b = 20 ; в случае пуска ферментатора с начальной температуры T = T 3 = 20 C о , до T = T зад = 50 C о ,соответствующей установившемуся режиму работы с максимальным показателем роста колонии микроорганизмов показывает, что при ПИД-регулировании в системе неизбежно присутствует перерегулирование (рис.4.16).

Рис. 4.16. Результаты моделирования динамики САУ с ПИД-регулятором; слева - температура ферментатора T , C o ; справа - концентрация N , 10 12 / см 3 ; t изм. в часах

система автоматический управление интеллектуальный

Причем, в случае достаточно большого показателя k 1 собственного тепловыделения биохимического синтеза, невозможно найти такие коэффициенты ПИД-регулятора, при которых перерегулирование отсутствует. Это обусловлено тем, что САУ построена по принципу обратной связи по температуре ферментатора, и совершенно не учитывает внутреннее тепловыделение, происходящее в ферментаторе в результате жизнедеятельности микроорганизмов. С точки зрения регулятора, внутренне тепловыделение T 1 формально является внешней возмущающей помехой. Поэтому, при стабилизации температуры ферментатора T возникает парадоксальная ситуация: компенсируя влияние на тепловой баланс внутреннего тепловыделения, этой «якобы помехи», ПИД-регулятор провоцирует ее проявление, поскольку меняя температурный режим ферментатора, он опосредованно изменяет собственное тепловыделение процесса биохимического синтеза. Ситуация неразрешима традиционными методами теории управления, поскольку невозможно ввести обратную связь, учитывающую только внутренний приток тепла за счет собственного тепловыделения. Косвенно можно оценить это избыточное теплопоступление, зная концентрацию микроорганизмов в ферментаторе. Однако, более менее точную оценку N возможно получить только в результате лабораторных исследований, т.е. такая скорость получения информации приемлема только для оценки статического установившегося режима работы ферментатора, а для управления динамикой процесса нужен датчик, осуществляющий мгновенную оценку концентрации N . В качестве такого датчика может быть использовано устройство, оценивающее концентрацию микроорганизмов по ряду косвенных моментально измеряемых величин: как-то прозрачность раствора (оптические датчики), концентрация продуктов жизнедеятельности (датчики химического состава) и т.п. Однако, ввиду специфики микробиологических процессов, такой датчик будет иметь существенную погрешность, поэтому полученную оценку N нельзя использовать в качестве корректирующего сигнала при синтезе управления. Использование же традиционной системы с ПИД-регулятором и неизбежным перерегулированием не всегда приемлемо, поскольку превышение оптимальной температуры ферментации негативно сказывается на качестве конечного продукта процесса ферментации; в противном случае с перерегулированием вполне можно было бы мириться: на динамике роста колонии микроорганизмов оно сказывается несущественно.

Тем не менее, возможно построить систему управления, оперирующую при стабилизации температурного режима ферментатора такой весьма приблизительной оценкой концентрации N . Для нечеткой системы управления достаточно будет интерпретировать концентрацию микроорганизмов в понятиях «мало», «средне», «много», что вполне возможно даже при достаточно низкой точности измерения N . Структурная схема такой нечеткой САУ представлена на рис.4.17.

Рис 4.17. Структурная схема САУ температурой ферментатора с fuzzy-регулятором


Отсутствие ограничений по входам нечеткого контроллера объясняется тем, что функции принадлежности лингвистических переменных изначально задаются в пределах физически возможных значений входных величин: температура ферментатора на интервале ( 20 о C; 80 о C ) , концентрация микроорганизмов на интервале ( 0; 1 ) с учетом коэффициента передачи датчика концентрации k дат = 0,2?10 -12 и пределом роста концентрации N max = 5?10 12 при оптимальной температуре ферментации T = 50 o C для заданных ранее параметров модели объекта управления. Сигнал задания требуемого значения температуры ферментации отсутствует, поскольку ее значение задается неявно при формулировке базы продукционных правил системы нечеткого вывода и определении термов лингвистической переменной «температура ферментатора».

Лингвистическая переменная «температура ферментатора», соответствующая входу нечеткого контроллера T , задается термами BLnorm-«намного ниже нормы», Lnorm-«ниже нормы», norm-«норма», Hnorm-«выше нормы», BHnorm-«намного выше нормы», причем мода нечеткого множества, определяющего понятие «норма» соответствует оптимальной температуре ферментации - в рассматриваемом примере 50 o C (см.рис.4.18(а)).

Лингвистическая переменная «концентрация микроорганизмов», соответствующая входу нечеткого контроллера N и измеряемая косвенно при помощи датчика концентрации k дат , задается термами low-«низкая», middle-«средняя», high-«высокая», причем соответствующие нечеткие множества имеют очень большой индекс нечеткости (см.рис.4.18(б)), поскольку, как уже было отмечено ранее, датчик концентрации микроорганизмов имеет существенную погрешность, связанную со спецификой методов измерения и контроля данной величины, и дает весьма приблизительную оценку концентрации микроорганизмов в среде ферментатора.


Рис.4.18 (а). Функции принадлежностей лингвистических переменных, определяющих нечеткое представление температуры ферментации в качестве входного сигнала нечеткого контроллера

Рис.4.18 (б). Функции принадлежностей лингвистических переменных, определяющих нечеткое представление концентрации микроорганизмов в качестве входного сигнала нечеткого контроллера


Лингвистическая переменная «приращение угла поворота клапана», соответствующая выходу нечеткого контроллера , задается термами NB-«отрицательное большое», NS-«отрицательное малое», Z-«нулевое», PS-«положительное малое», PB-«положительное большое» на конечном интервале, соответствующем физическим ограничениям на входной сигнал управления клапаном подачи теплоносителя в отопительную систему ферментатора (рис.4.19).


Рис.4.19. Функции принадлежностей лингвистических переменных, определяющих нечеткое представление приращения угла поворота клапана в качестве выходного сигнала нечеткого контроллера.


Лингвистические правила, которыми следует руководствоваться при выборе нечеткого значения управления клапаном подачи теплоносителя в систему отопления ферментатора и которыми, основываясь на опыте эксплуатации объекта управления, руководствуется персонал при запуске ферментатора и его выводе на установившийся режим работы выглядят следующим образом:

·ЕСЛИ «температура ферментатора» «намного выше нормы» ТО «приращение угла поворота клапана» «отрицательное большое»;

·ЕСЛИ «температура ферментатора» «выше нормы» ТО «приращение угла поворота клапана» «отрицательное малое»;

·ЕСЛИ «температура ферментатора» «ниже нормы» ТО «приращение угла поворота клапана» «положительное малое»;

·ЕСЛИ «температура ферментатора» «намного ниже нормы» ТО «приращение угла поворота клапана» «положительное большое»;

·ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «низкая»ТО «приращение угла поворота клапана» «нулевое»;

·ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «средняя» ТО «приращение угла поворота клапана» «отрицательное большое»;

·ЕСЛИ «температура ферментатора» «норма» И «концентрация микроорганизмов» «низкая»ТО «приращение угла поворота клапана» «нулевое».

Очевидно, что база нечетких правил определена не полностью на всем пространстве значений нечетких переменных, поэтому при программировании нечеткого контроллера соответствующая часть правил не вводится (рис.4.20).


Рис. 4.20. База правил нечеткого контроллера


Результаты моделирования работы нечеткой САУ температурой ферментатора с контроллером Мамдани представлены на рис.4.21.

Сравнительный анализ динамики САУ температурой ферментатора с ПИД-регулятором и с нечетким регулятором показывает, что при реализации fuzzy-управления удается на 15% уменьшить время набора ферментатором максимальной концентрации микроорганизмов и на 5% снизить перерегулирование температуры ферментатора. Эффективность управления повышается за счет того, что нечеткий регулятор прекращает увеличивать подачу теплоносителя раньше, чем это делает ПИД-регулятор, поскольку кроме сигнала ошибки между заданной и фактической температурой ферментатора оперирует еще и оценкой количества микроорганизмов в ферментаторе. Фактически нечеткая САУ ведет себя подобно человеку: оценивая текущую микробиологическую ситуацию в растворе, прекращает нагревание ферментатора заблаговременно, рассчитывая на то, что недобранное объектом управления тепло будет получено за счет собственного тепловыделения биохимической реакции и, таким образом, требуемой температуры среды удастся достичь без перерегулирования и перегрева рабочего пространства ферментатора.


Результаты моделирования работы нечеткой САУ; слева -T , C o ; справа -N , 10 12 / см 3 ; t изм. в часах


Приведенный пример наиболее точно отражает идеологию применения нечетких САУ: использование автоматического fuzzy-управления в случае, когда в принципе невозможен синтез управления методами ТАУ, но существует опыт эксплуатации объекта, позволяющий сформулировать в лингвистической форме правила управления, приводящие к приемлемому результату.

4.Патентный Поиск


Название патентаАвтор(ы)ПравообладательНомер регистрации (свидетельства)ПриоритетыАннотация123456Система автоматического управления процессом аэрации при ферментации органического сырьяТумано И.П., Лысов В.Л., Буробин В.А., Ковалев Н.Г., Малинин Б.М.Всероссийский научно-исследовательский институт сельскохозяйственного использования мелиорированных земель2136760Подача заявки: 31.03.1998 Публикация: 10.09.1999Изобретение относится к микробиологической промышленности и может быть использовано в сельском хозяйстве для управления процессом ферментации органического сырья. Технический результат заключается в расширении функциональных возможностей системы управления аэрацией при ферментации органического сырья. Система автоматического управления процессом аэрации при ферментации органического сырья содержит ферментер с исходным сырьем, воздуходувку и контур регулирования подачи воздуха на аэрацию.Способ производства этанола из целлюлозосодержащих отходов (варианты) и способ получения глюкозы из целлюлозосодержащих отходовЧиффэло Роджер Лайтсей Джордж Р.Кэнтроулд Инвайерэнментл Систэмс Копэрейшн2159816Подача заявки: 11.04.1998 Публикация: 10.09.1998Изобретение относится к переработке отходов. Способ производства этанола предусматривает ферментацию, сортировку отходов, измельчение целлюлозного компонента, проваривание, коррекцию рН сбраживаемой массы перед ферментацией с последующим выделением этанола.

Список литературы


1.Поспелов Д.А. Ситуационное управление: теория и практика.-М.:Наука, 1986.-288 с.

2.Нечеткие множества в моделях управления и искусственного интеллекта / под. ред. Д.А.Поспелова.-М.:Наука, 1986.-312с.

.Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом.-М.:Радио и связь, 1990.-264с.

.Алиев Р.А., Церковный А.Э., Мамедов Г.А. Управление производством при нечеткой исходной информации.-М.:Энергоатомиздат, 1991.-240 с.

.Кафаров В.В., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. -М.:Наука, 1986.-360с.

.Искусственный интеллект. Применение в интегрированных производственных системах. / под.ред. Э. Кьюсака: Пер. с англ. -М.: Машиностроение, 1991.-544с.

.Пивкин В.Я., Бакулин В.П., Кореньков Д.И. Нечеткие множества в системах управления. -Новосибирск: изд-во НГУ, 1998.-75 с.

.Подлесный Н.И., Рубанов В.Г. Элементы систем автоматического управления и контроля. -Киев: Выща школа, 1991.-461с.

.Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Эволюция и принципы построения // Известия РАН: Техническая кибернетика. -1993. -№4. -С.189-205.

.Представление и использование знаний. / под.ред. Х.Уэно: Пер. с япон. -М.: Мир, 1989. -220 с.

.Осуга С. Обработка знаний: Пер. с япон. -М.: Мир, 1989. -293 с.

.Бочарников В.П. Fuzzy-технология: математические основы, практика моделирования в экономике. - С.Пб: Наука РАН, 2001. - 328 с.

.Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.:Радио и связь, 1989.-184с.

.Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах. -М.:Наука, 1989.-328 с.

.Захаров В.И., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Научно- организационные, технико-экономические и прикладные аспекты // Изв. РАН.Техническая кибернетика. - 1992. - N 5. - C. 171-196.

.Константинов И.С., Филатов А.Г., Касьянов Ю.В. Принципы построения интеллектуальных автоматизированных систем управления с нечетким регулированием на базе логико-лингвистических моделей представления знаний // Сборник трудов Седьмых Академических чтений РААСН Современные проблемы строительного материаловедения.-Белгород.-2001.С.154-158

.Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р.Р.Ягера.-М.: Радио и связь, 1986.- 408 с.

.Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений.-М: Радио и связь, 1989.-304 с.

.Литвак Б.Г. Экспертная информация. Методы получения и анализа.- М.: Радио и связь, 1982.-84 с.

.Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР.-М.: Энергоатомиздат, 1991.-136 с.

21.Larsen P.M. Industrial applications of fuzzy logic control // Int. J. Man-Machine Stud., 1980, V.12, №1.

22.Automatisierungtechnik: Immer mehr Hersteller setzen auf Fuzzy-Logik // Konstruktionspraxis, 1992. №12.

23.Saridis G.N. Analytical formulation of the principle of increasing precision with decreasing intelligence for intelligent machines // Automatics, 1989, V.25, №3.

24.Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей.-Рига: Зинатне, 1990.-184 с.

.Заде Л. Понятие лингвистической переменной и его примене-ние к принятию приближенных решений: Пер. с англ.-М.: Мир, 1976, 166 с.

.Кофман А. Введение в теорию нечетких множеств: Пер. с франц.-М.: Радио и связь, 1982, 432 с.

.Гвоздик А.А. Решение нечетких уравнений // Изв. РАН.Техническая кибернетика. - 1984. - N 5. - C. 176-183.

.Шошин П.Б. Размытые числа как средство описания субъективных величин Решение нечетких уравнений //Статистические методы экспертных оценок. - М.: Наука, 1977, 250 с.

29.Dubois D., Prade H. Fuzzy real algebra: Some results // Fuzzy Sets a. Systems, 1989, V.2, №4.

30.Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н.Д.Егупова.-М.: Издательство МГТУ им.Баумана, 2002.- 744 с.

.Методы современной теории автоматического управления. Анализ и статистическая динамика систем автоматического управления / Под ред. Н.Д.Егупова.-М.: Издательство МГТУ им.Баумана, 2000.- 748 с.

.Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. - М.: Издательство Тюменского государственного университета, 2000. - 352 с.

.Леоненков А.В. Нечеткое моделирование в среде Matlab и fuzzyTECH. - С.Пб.: BHV-Санкт-Петербург, 2003. - 736 с.

.Сигеру Омату. Нейроуправление и его приложения. - М: ИПРЖР, 2000. - 272 с.

.Терехов В.А. Нейросетевые системы управления. - М: Высшая школа, 2002. - 183 с.

.Жукова С.В., Золотухин Ю.Н. Оптимизация параметров регуля-тора с использованием нечетких оценок и генетического подхода // Автометрия, 1998, № 3,с 12-17.

.Пупков К.А., Коньков В.Г. Интеллектуальные системы. - М.: МГТУ им.Баумана, 2003. - 348 с.

.Круглов В.И., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Изд. Физ.мат.лит., 2002. - 312 с.

.Лукас В.А. Основы fuzzy-управления. - Екатеринбург: УГГГА, 2000. - 62 с.

.Захаров В.И., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. Методология проектирования // Изв. РАН.Техническая кибернетика. - 1993. - N 5. - C. 197-220.

.Искандеров Г.М. Нечеткие логические регуляторы в системе управления ферментатором // Сборник трудов научно технической конференции Вузовская наука - Северо-Кавказскому региону.-Ставрополь: СевКавГТУ.-2001.С.154-158

.Рубин А.Б. Кинетика биологических процессов // Соросовский образовательный журнал. - 1998. - №10. - С.84-91.