Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

2) Подсистема регулирования теплового режима, состоящая из нейросетевого регулятора температуры, регулятора соотношения «газ/воздух» и анализатора отклонений от программы. Регулятор температуры, построенный на базе интеграции ИНС и ЭС, рассматривается в трех вариантах: беспоисковом, поисковом и комбинированном.
В беспоисковом нейросетевом регуляторе температуры подкупольного пространства, работающем в режиме нагрева ВН, осуществляется (рисунок 58):
- оценивание температуры подкупольного пространства Y(t), расхода газа Uj(t), расхода воздуха U₂(t), калорийности газа W_K(t), а также эффекта неконтролируемых внешних воздействий 5Y(t) с помощью нейроэкспертной модели воздухонагревателя (экземпляра № 1, построенного путем объединения модифицированного многослойного персептрона и экспертной подсистемы):

= Y(t)-(®₁(U_ln(t),U₂n(t),W^(t)) + ®₂(5U₁(t-T_n⁰>'),5U₂(t-T»^1,),5W_K(t-T_n⁰¹'))), где U₁(t)=U_ln(t) + 8U,(t); U₂(t)=U_2n(t) + SU₂(t); U_ln(t), U_2n(t) - про- граммы на расход газа и расход воздуха, используемые в режиме «нагрев», взятые из базы знаний «Программы управления»; SU^t), §U₂(t) - оценка регулирующих воздействий (изменения расхода газа и расхода воздуха); Ф^ ), Ф₂( ) - продукционная и нейросетевая модели; Т°^у - интервал памяти ВН Калугина;

• 
  -получение безусловных прогнозных оценок калорийности газа W_K(t| t + T_n) на интервале прогнозирования (t;t + T_n) с помощью блока безусловного прогнозирования (ББП) № 1 (экстраполя- тора) и эффекта неконтролируемых внешних воздействий 8Y(t| t + Т_п) с помощью ББП № 2;
  
• 
  - определение условного прогноза температуры подкупольного пространства с помощью нейроэкспертной модели ВН (экземпляра № 2):
  

где U_m(t| t + T_n),U_2n(t| t + T_n) - программные управляющие воздействия на интервале (t;t + T_n), взятые из базы знаний «Программы управления»;
- определение условного прогноза температуры подкупольного пространства воздухонагревателя Калугина с учетом 5Y(t| t + T_n):

- считывание задания (программы) на температуру подкупольного пространства Y*(t| t + T_n) из базы знаний;

Рисунок 58 - Структура беспоискового нейросетевого регулятора температуры
- расчет регулирующего воздействия (изменения расхода газа): 
где fj() - нейросетевой оператор обратной модели «изменение расхода газа - изменение температуры подкупольного пространства»;
- расчет управляющего воздействия (расхода газа):

где U_in(t) - программа на расход газа;
-реализация полученного управления U,(t) на новый такт работы системы.
В поисковом нейросетевом регуляторе температуры подкупольного пространства (рисунок 59) оптимальные управляющие воздействия определяются с использованием нейроэкспертной модели объекта управления (НМОУ), с помощью которой осуществляется прогнозирование его выходного воздействия (температуры подкупольного пространства ВН) в ускоренном масштабе времени, при переборе возможных вариантов управлений (расхода газа и расхода воздуха).
На рисунке 59 приняты следующие дополнительные обозначения: H,(t), H₂(t), H₃(t) - векторы настроек ИНС НМОУ; 5Y(t| t + T_n), W_K(t| t + T_n) - прогнозируемые в реальном времени оценки 8Y(t) и W_K(t) на интервале (t;t + T_n); 5Y(0| 0 + Т_п/х), W_K(0| 0 + Т_п / х) - значения 5Y(t| t + T_n) и W_K(t| t + T_n) в ускоренном режиме времени; {Y(0| 0 + Т_п/х)} - прогнозные оценки выходного воздействия объекта управления, полученные в ускоренном времени при различных вариантах возможных управляющих воздействий {0,(01 0 + Т_п/х)} = и_1П(0| 0 + T_n/x) + {SU,(0| 0 + Vx)},
{О₂(0| 0 + Т_п/х)}; {Ум2(⁰| 0 + Т_п/х)} - реакции модели объекта управления (экземпляр № 2) на W_K(0| 0 + Т_п/х), {О,(0| 0 + Т_п/х)} и {О₂(0| 0 + Т_п/х)}; Т_п - интервал прогнозирования; 0 = t/x -ускоренное время; х »1 - коэффициент ускорения времени.
Ускоренный режим времени интерпретируется как режим периодического решения задачи управления, при котором в процессе имитационного моделирования модельное (виртуальное) время протекает в несколько раз быстрее, чем реальное.

Рисунок 59 - Структура поискового нейродвушкального регулятора температуры
В поисковом регуляторе температуры (рисунке 59) осуществляется:

• 
  - оптимизация управления на скользящем промежутке (t_n;t_n +Т₀), где Т₀ - интервал оптимизации; п - номер такта работы системы, при этом Т_п > Т₀;
  
• 
  - экстраполяция оценок калорийности газа и косвенных оценок эффекта неконтролируемых возмущений 5Y(t), выделяемого с помощью нейроэкспертной модели ВН Калугина (экземпляра № 1), работающей в реальном времени;
  
• 
  -прогнозирование температуры подкупольного пространства с помощью НМОУ (экземпляра № 2), функционирующей в ускоренном времени, применяемой для поиска оптимального расхода газа Uj(t).
  

Данные, поступающие на входы прогнозирующей НМОУ (экземпляр № 2), представляют собой прогноз, то есть некоторый возможный вариант будущих значений калорийности газа, расхода газа и расхода воздуха. Выходной сигнал этой модели в ускоренном времени складывается с соответствующим прогнозом оценки эффектов неконтролируемых возмущений, в результате формируется условный прогноз температуры ВН Калугина. Подчеркнем, что наряду с названным условным прогнозом в этом регуляторе осуществляется и используется безусловный прогноз калорийности газа. Алгоритм поисковой оптимизации осуществляет многократное «проигрывание» различных возможных вариантов расхода газа и расхода воздуха в ускоренном режиме времени.
Вычисление расхода газа U^t) в течение n-го такта работы системы осуществляется путем реализации различных вариантов будущего управляющего воздействия на модели объекта (экземпляр № 2). Полученный сигнал U^t) через интерфейс «объект - управляющая система» реализуется на объекте и остается неизменным в течение (п+1)-го такта работы системы. После этого начинается новый такт работы, обновляется информация, вычисляются новые условные и безусловные прогнозы и т.д.
Для адаптации ИНС НМОУ, вырабатывающих сигналы Y_MI(t) и {Ym2(Q| 9 + ^тп/х)}> SY(t| t + T_n), W_K(t| t + T„), в предложенном поисковом регуляторе, были внедрены их копии (НМОУ⁰⁶(экземпляр №
3), ИНС⁰⁶- экстраполятор, ИНС^^бк- экстраполятор), участвующие только в процессе обучения (Об) с нанесением тестовых воздействий. Если значения весовых коэффициентов сетей-оригиналов (НМОУ, прогнозирующая НМОУ (по структуре и параметрам аналогичная НМОУ, но работающая в ускоренном времени), ИНС_5У- экс- траполятор, HHC_Wr - экстраполятор) и их копий отличаются больше
чем на 5 %, то БКН осуществляет замену вектора весов сетей-копий на вектор весов сетей-оригиналов. Это обеспечивает приспособление системы к ранее неизвестным ситуациям, за счет обновления обучающей выборки. В качестве ИНС, при практической разработке, рекомендуется использовать модифицированный многослойный пер- септрон.
Комбинированный вариант регулятора температуры (рисунок 60) состоит из поискового и беспоискового блоков. В поисковой части регулятора оптимальные управляющие воздействия определяются с использованием имитационной НМОУ, с помощью которой осуществляется прогнозирование выходных воздействий и состояний ВН в ускоренном режиме времени, при переборе возможных вариантов регулирующих воздействий с учетом ограничений. В качестве ИНС НМОУ предлагается использовать модифицированный многослойный персептрон с униполярной функцией активации сигмоидального типа. Формирование множества возможных вариантов регулирующих воздействий осуществляется с помощью различных алгоритмов обучения обратной нейросетевой модели объекта в беспоисковой части регулятора температуры.
В предлагаемых регуляторах реализуется принцип управления с прогнозированием [77], который состоит в том, что управляющие воздействия вырабатываются с использованием поисковых и беспоисковых процедур на основе как текущих, так и ожидаемых в будущем значений задающих, возмущающих и программных управляющих воздействий, выходных воздействий, состояний объекта управления, а также ограничений. Главное отличие предлагаемой подсистемы регулирования от других заключается в присутствии в контуре обратной связи блоков условного и безусловного нейроэкспертного прогнозирования, представленных моделью ТОУ и экстраполяторами. Прогнозирование необходимо в связи с тем, что последствия реализованных управляющих воздействий сказываются на состояниях и выходных воздействиях объекта определенное время, которое (при заданных начальных условиях) принято называть динамической памятью системы или временем памяти системы.

Рисунок 60 - Структура комбинированного нейродвушкального
регулятора