Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

Регулятор соотношения «газ/воздух» работает в соответствии со следующим аналитическим выражением: где a*(t) - заданный коэффициент соотношения «газ/воздух».

Анализатор отклонений от программы оценивает возможность выполнения регулятором программы управления, поскольку при чрезмерно больших отклонениях от заданной траектории движения необходима корректировка самой программы. В результате в блоке «Программатор» осуществляется корректировка программы управления, соответствующая сложившейся ситуации.
3) Подсистема управления программным движением, состоящая из программатора, БЗ «Программы управления», редактора БЗ, блока реализации программного движения. БЗ содержит упорядоченное множество типовых программных траекторий на режим нагрева n(t), U_m(t), U_2n(t)> и условий, когда целесообразно их использовать. Типовое продукционное правило в БЗ выглядит следующим образом: «Если [«Ситуация в системе» = «№ 1»], то [«Программа управления n(t), U_in(t), U_2n(t)>» = «№ 1»]». Программатор просматривает существующие данные из рабочей памяти (динамической базы данных), распознает ситуацию на момент включения режима «нагрев» и выбирает соответствующее правило из базы знаний, а затем отправляет конкретную программу в блок реализации программного движения. Если программатор не смог однозначно распознать ситуацию, то он выбирает не одно правило, а несколько правил, которые составляют так называемое конфликтное множество. Для разрешения конфликта он имеет дополнительный критерий (например, интегральный расход газа), с помощью которого он выбирает единственное правило, после чего оно срабатывает. Если с помощью этого критерия программатор не смог разрешить конфликт, то он выбирает ту программу управления (то правило), которую наиболее часто использовал управленческим персоналом.
_{Инженер по знаниям наполняет БЗ чрез систему ввода информации (СВИ) и редактор БЗ путем извлечения, структурирования и формализации знаний опытного газовщика (эксперта), с привлечением дополнительных источников знаний (натурных данных, также отражающих действия управленческого персонала, технологических инструкций).
Формализация знаний осуществляется в явном виде с помощью продукционного способа путем решения задачи оптимизации траектории движения системы следующим образом:}

• 
  _{3.1) Распознается ситуация на объекте по информативным признакам (например, «вид топлива» = «природный газ» или «доменный газ», или «смешанный газ (в определенный момент времени часть доменного газа заменяют природным)» и его калорийность, «схема включения ВН» = «последовательная» или «попарнопараллельная» или «смешанная», а также параметры дымовых газов, холодного дутья, кожуха, насадок, горячего дутья ВН) в соответствие которой ставится множество ретроспективно фиксированных рациональных структурно близких траекторий, обеспечивающих соблюдение технологических, экономических и экологических требований, контролируемых переменных 2(t)>.}
  
• 
  _{3.2) Из полученного множества реализаций процесса нагрева 2 (t) > выбирается одна типопредставительная (Т) реализация ^{T(t), uj (t), U}2(t)>, соответствующая максимальной близости к многомерной расчетной медиане, что обеспечивает ослабление влияния неконтролируемых возмущений в натурной типопредставительной реализации.}
• 
  ^{3.3) В отобранной реализации ₂(t)> выделяется низкочастотная составляющая. Полученный результат рассматривается в качестве программного движения системы n(t), U_m(t), U_2n(t)>», рационального в условиях рассматриваемой ситуации, если он удовлетворяет эксперта.}
  

^{Газовщик, наблюдая через систему отображения информации (СОИ) за ходом процесса (в частности, за динамикой работы клапанов, за основными технологическими переменными, за наличием факела в камере горения), может в ручном режиме через пульт управления (ПУ) вмешиваться в работу агрегата (в частности, дистанционно управлять температурой подкупольного пространства изменяя расход газа и расход воздуха, переключать каждый клапан, выбирать режим работы и схему включения ВН), а также влиять на процесс формирования программы управления, корректируя выбранную типопредставительную реализацию. При нормальном состоянии четырех воздухонагревателей доменной печи предусматривается попарно-параллельная схема включения аппаратов с полным циклом в течение 6 часов. При необходимости цикл может быть сокращен до 4 часов.}

Моделирование и оценка эффективности алгоритма управления тепловым режимом воздухонагревателя

Моделирование позволяет оценить эффективность созданных алгоритмов управления. Для этого надо иметь модели, натурные данные, данные о тех решениях, которые принимал оператор (газовщик), и их последствиях. Помимо этого, чтобы сравнивать на основе моделирования управляющие решения действующей системы с решениями, полученными при расчетах по исследуемым алгоритмам, необходимо также иметь реальные данные по общей обстановке в цехе. Это системное требование было учтено при выполнении расчетов.
Опыт моделирования процессов адаптивного управления с различными алгоритмами идентификации параметров объекта в реальном времени и алгоритмами формирования оптимальных воздействий с использованием прогнозирующих моделей показывает не очень сильную связь между точностью оценок и качеством управления [61]. Поэтому для достижения конечной цели управления построение имитационной нейроэкспертной модели объекта управления выполнено таким образом, чтобы в первую очередь достигался достаточно высокий уровень качества управления и в меньшей степени преследовалась точность оценивания параметров объекта как таковая.
Моделирование работы интеллектуальной системы управления воздухонагревателем Калугина осуществлялось с выделением возможных типопредставительных ситуаций (часть из которых схематично представлена на рисунках 61 и 62), возникающих в процессе промышленного производства. Разнообразие ситуаций обусловлено сложностью объекта и целей управления, а также значительной их изменчивостью во времени.
В качестве одного из основных источников знаний, при моделировании и построении интеллектуальной системы управления, использовался опыт операторов-технологов.

Рисунок 61 - Примеры типопредставительных ситуаций

Рисунок 62 - Примеры типопредставительных ситуаций
Знания особенностей поведения воздухонагревателя, полученные с помощью операторов-технологов (газовщика, мастеров доменной печи, старшего газовщика, начальника смены), позволяют распознавать периодически повторяющиеся ситуации и прогнозировать возможное развитие событий, оценивать, насколько в том или ином случае достигается поставленная цель управления.
Моделирование выполнялось посредством отбора реализаций натурных данных о внешних контролируемых воздействиях, оценках эффектов неконтролируемых возмущений, приведенных к выходу объекта.
Процесс математического моделирования работы интеллектуальной системы управления тепловым режимом работы ВН (в рамках ТПС № 3) при включенном нейродвушкальном регуляторе, при условии, что варианты {SU^t)} на новый такт управления формировались нейросетевыми обратными моделями, включенными параллельно и обученными по разным алгоритмам, представлен на рисунках 63 65. В качестве алгоритмов обучения оператора f,(»)
блока расчета регулирующих воздействий {SU^t)} использовались алгоритм Левенберга-Марквардта, алгоритм сопряженных градиентов, алгоритм обратного распространения ошибки, при разных начальных условиях их пуска и остановки. Перечисленные алгоритмы позволяют сформировать множество допустимых вариантов управляющих воздействий, из числа которых осуществляется выбор оптимального варианта.
Критерий выбора оптимального варианта регулирующего воздействия 8U°^pt(t) представлен аддитивной комбинацией интегральной оценки качества переходного процесса (а именно оценка будущей ошибки реализации программного движения) и интегрального расхода топлива, при соблюдении заданных ограничений.

Рисунок 63 - Диаграмма моделирования интеллектуальной системы управления
В качестве ИНС нейроэкспертной модели ВН Калугина F,(*) использовали многослойный персептрон, с параметрами N = 6, К = 6, L = 6, М = 1 (где N - число входов, К - число нейронов первого промежуточного слоя, L - число нейронов второго промежуточного слоя, М - число выходов). В промежуточном и в выходном слое персептрона применили нейроны сигмоидального типа с униполярной функцией активации. Нейросетевой оператор обратной модели f,(*) представлен многослойным персептроном, с параметрами N = 3, К = 5, L = 5, М = 1.

Рисунок 64 - Диаграммы моделирования интеллектуальной системы управления

Рисунок 65 - Диаграммы моделирования интеллектуальной системы управления
Наиболее перспективным инструментарием для осуществления сравнительного анализа алгоритмов автоматического регулирования является натурно-модельный подход, методические основы которого изложены в работах [76, 115]. Задача сравнительного анализа алгоритмов регулирования (на базе натурно-модельного подхода) представлена следующим образом. Исходные данные и условия задачи:
1. Пересчетная модель объекта управления:

где Y_H - натурное выходное воздействие (температура подкупольного пространства ВН Калугина); Y^_M — натурно-модельные возможные варианты выходного воздействия; и_ш - натурное управляющее воздействие; Uj^ - модельные варианты управляющего воздействия (расход газа); U_2H, U^_M - расход воздуха; к,, к₂ - коэффициенты передачи; Т_ь Т₂— постоянные времени; х_ь т₂ - время запаздывания; s - комплексная переменная; N = I, ..V.

• 
  2. Множество алгоритмов регулирования: алгоритм нейро- двушкального регулятора (рисунок 60) (N = I), алгоритм восстано- вительно-прогнозирующего регулятора (N = II), алгоритм регулятора Ресвика (N = III), алгоритм регулятора Смита (N = IV), алгоритм ПИ-регулятора (N = V).
  
• 
  3. Натурные данные (рисунки 66 + 68) эксплуатации действующей системы управления ВН Калугина, включающие температуру подкупольного пространства, расход газа, расход воздуха.
  

Рисунок 66 - Натурные данные

Рисунок 67 - Натурные данные

Рисунок 68 - Натурные данные 4. Критерий эффективности алгоритмов регулирования:

где a₀(t) - среднеквадратическая ошибка при отсутствии регулирования; o_N(t) - среднеквадратическая ошибка при использовании N варианта алгоритма регулирования;
Т_ср - скользящий интервал усреднения; 5E^N(t) - ошибка регулирования. 5. Ограничение первого рода: математическая модель каналов регулирования - инерционное звено первого порядка с запаздыванием. Ограничение второго рода: 05M³/4, О < U₂(t) < 8 • 10⁴м³ /ч, 900 < Y(t) < 1450 °С.<sup>Требуется выполнить сравнительный анализ эффективности алгоритмов автоматического регулирования температуры подкупольного пространства ВН Калугина.
Для решения поставленной задачи предлагается схема сравнительного анализа алгоритмов регулирования (рисунок 69), состоящая из действующей производственной автоматизированной системы управления с параллельно подключенными к ней математическими моделями специального класса, называемыми пересчет- ными моделями [76, 115]. Эти модели «работают» в приращениях к натурным данным и позволяют ответить на вопрос, что было бы на выходе объекта управления, если бы вместо натурных входных воздействий действовали бы другие модельные значения входных воздействий.

Рисунок 69 - Схема сравнительного анализа алгоритмов регулирования
На рисунках 10 + 12 представлены диаграммы пересчетного моделирования.
 
На рисунках 10 + 12 представлены характерные ситуации, возникающие в режиме «нагрев» ВН, в каждой из которых выполнена оценка эффективности алгоритмов регулирования по критерию R</sup>_N(t). Ситуация № 1 и № 2 характеризуется наиболее «тяжелой» реализацией приведенного возмущения, а именно возмущения в виде ступенчатой функции времени.
Пересчетное моделирование показало, что предлагаемый нейродвушкальный регулятор эффективнее типовых (ВП- регулятора, регулятора Смита, регулятора Ресвика, ПИ-регулятора) в среднем на 10 20% по критерию R_N(t) за счет использования в
нем имитационной нелинейной ситуационно поднастраиваемой нейроэкспертной модели объекта, ускоренного поиска оптимального варианта управления, учитывающего прогноз контролируемых внешних воздействий и приведенного возмущения.
Обобщенная структура нейроэкспертной модели воздухонагревателя Калугина включает продукционную (экспертную) ситуационную модель соответствия программных управляющих воздействий и базовых уровней контролируемых внешний воздействий программной составляющей выходного воздействия объекта и нейросетевую модель, описывающую возмущенное движение, а также оценку приведенного возмущения. Для оценки адекватности построенной модели объекта (29) использовали системный подход В.Я. Ротача, согласно которому, если после замены действующего объекта его математической моделью свойства системы, ее поведение, характеристики существенным образом не изменяются, то модель может быть признана как адекватная. При этом в качестве критерия можно рассматривать среднемодульную или среднеквадратичную ошибку. Это обеспечивает высокую степень отражения реального поведения объекта.
Чтобы заменять объект моделью (для проверки адекватности) был разработан натурно-модельный комплекс, который представляет собой системное объединение натурных данных о рабочих режимах функционирования реального объекта и пересчетных моделей, которые позволяют осуществить пересчет возможных вариаций входных воздействий в возможные вариации выходных воздействий. Этим натурно-модельным комплексом мы и заменяем объект управления.