Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

Предлагаемый алгоритм; стратегической и оперативной оптимизации уставок

Для решения поставленной задачи авторы предлагают оптимизатор, состоящий из двух взаимодействующих блоков (рисунок 75). Первый блок решает задачу стратегической оптимизации на базе физической модели агломерационной машины, в качестве которой предлагается использовать лабораторную агломерационную установку (рисунок 74). Достоинство физической модели состоит в том, что она, в случае сложных объектов управления, превосходит соответствующую математическую модель по точности воспроизведения реальных процессов, более наглядна и доступна человеку (исследователю, выполняющему эксперимент; оператору- агломератчику). В математических же моделях учет многих ограничений и закономерностей, как правило, отсутствует.
На рисунке 75 приняты следующие обозначения: W°_K(t), WmhO), uS(t), YB(t) - действительные (индекс «D») значения векторов - функций контролируемых (индекс «К») и неконтролируемых (индекс «Н») внешних воздействий, управляющих и выходных воздействий физической модели (индекс «М») объекта управления (ФМОУ), зависящих от непрерывного времени t; WmkO)? ujj(t), Yjg(t), Sfi(t) - измеренные (индекс «И») значения векторов внешних, управляющих и выходных воздействий, а также состояний ФМОУ в момент времени t; U_M(t) - управляющее воздействие; Ki, К2, К3 - логические ключи; СУ - система управления.

Рисунок 75 - Структура оптимизатора задающих воздействий РАМ
На ФМОУ выполняется оптимизационный эксперимент, который основан на методе покоординатного поиска и заключается в поочередном изменении основных параметров процесса в допустимых диапазонах (например, влажности за счет увеличения или уменьшения количества воды, подаваемой на увлажнение шихты). В результате эксперимента определяются оценки Q,, Q₂, Q₃ и диапазоны изменения уставок регуляторов, которым соответствуют максимумы этих критериев.
Второй блок предназначен для оперативной оптимизации и создан на базе аппарата искусственных нейронных сетей (рисунок 76), в частности многослойного персептрона, с параметрами 16:10:10:5 (функция активации нейронов - сигмоидальная).

Рисунок 76 - Функциональная структура ИНС
Модель формирования уставок представлена в виде многослойного персептрона:


где {Xi(i), Xi₆(i)} = {Fe, S, CaO, Si0₂, основность, FeO, MgO, Mn,
P, АЬ0₃, Na?0, K₂0, ZnO, Ti0₂, механическая прочность готового
* *
агломерата, количество возврата}; {Yi(i), ...,Ys(i)} = {заданная влажность шихты нижнего слоя и верхнего слоя, скорость аглоленты, температура горна секции № 1 и № 2} - задающие воздействия;
Х-¹^) и Y p(i) - нормированные значения Xj(i) и Y_p(i); Х™^ах, Х™¹" * *
и Y р^МХ, Y р^Ш - максимальное и минимальное значения величин
*
Xj(i) и Y_p(i), взятые из обучающей выборки; w^, w^, - весовые коэффициенты; р = 1,..., 5.
Оптимальность результата работы нейросетевой модели 0|
*
обуславливается ее обучающей выборкой [{X,(i), ..., X,₆(i)}, {Yi(i),
*
..., Ys(i)}]- Наблюдения заносились в обучающую выборку, если качество агломерата, полученного при определенных значениях задаваемых переменных, являлось оптимальным.
Блок итогового формирования оптимальных уставок 0₃ работает по следующему правилу: если полученные значения уставок от О] не выходят за пределы их оптимального диапазона изменения, сформированного блоком С₂, то они в дальнейшем реализуются в виде задающих воздействий регуляторам, в противном случае принимается граничное значение оптимального диапазона изменения уставок (ОДНУ) и накапливаются данные для формирования запроса на коррекцию этого диапазона.