Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

оптимизации программного движения технологических объектов

В общем случае интеллектуальная система должна обладать знаниями, полученными из технологических инструкций, накопленного практического опыта технологического персонала (операторов-технологов), конструктивных особенностей объекта управления, а также трудов по практике управления технологическим процессом. В качестве типовых технологических объектов и процессов рассмотрим печи прокаливания кокса, агломерационные машины, процесс измельчения и классификации, процесс флотации руд.
В работе [28] предложена экспертная система диагностики и управления процессом спекания агломерационной шихты, функционирующая в режиме реального времени. В основу системы положена концепция, заключающаяся в своевременном распознавании расстройств процесса спекания агломерата, выявлении причин этих расстройств и выдаче рекомендаций на изменение заданий (программы, уставок) в локальных системах регулирования (например, на изменение задания на скорость агломашины при развитии расстройства процесса спекания агломерата по следующим градациям: ± 0,05, ± 0,1 м/мин в зависимости от степени расстройства). Задание режимов работы агломашины осуществляется с учетом задаваемой высоты слоя шихты и диапазонов рабочих скоростей, обеспечивающих требуемое качество спекания и производительность агломашины. В предложенной ЭС выполняется распознавание по данным, полученным с автоматических датчиков и имеющихся локальных АСУТП, но не используется визуальная информация (например, внешний вид излома «пирога» агломерата). Знания об управлении процессом спекания агломерата целесообразно извлекать из действий оператора-технолога (агломератчика), сопоставляя их с поведением определенных информативных косвенных параметров, характеризующих состояние процесса в режиме нормального функционирования объекта. Под нормальным функционированием объекта понимаются все возможные режимы работы агломашины [28], связанные, например, с изменениями высоты слоя, диапазона рабочих скоростей, состава шихты и др. Для решения задачи оптимизации программы использовался натурный подход, то есть был выполнен анализ влияния выбранных значений задающих воздействий на ход процесса спекания. Исследование проводилось на реальных агломашинах, по всем бригадам и сменам в течение трех месяцев, по его результатам был предложен пассивный советчик «обобщенный эксперт- агломератчик». Для уточнения программы в зависимости от текущего режима работы агломашины и таким образом более достоверного распознавания состояния процесса спекания был использован принцип динамической оценки средних значений параметров состояния. Суть предложенного принципа заключается в том, что используется не постоянное среднее значение параметра, а его непрерывно рассчитываемое, медленно меняющееся («движущееся») среднее значение. Особенностью предложенной ЭС является то, что база знаний управляющих воздействий построена с использованием нечеткой логики и предназначена для формирования рекомендаций на изменение заданий в локальных системах регулирования. Знания в базах выражены в виде продукционных правил в соответствии с данными, изложенными в трудах по практическому (натурному) управлению процессом спекания агломерата, технологических инструкциях и знаниями экспертов- технологов. Следует отметить, что в статьях [29] и [30] по исследованию АСУТП увлажнения агломерационной шихты ранее был предложен алгоритм программирования уставки на влажность и ее адаптации.
Основной функцией интегрированной системы интеллектуального управления флотацией медно-молибденовых руд является поиск «в ретроспективе» оптимальных ситуаций для сложившейся текущей обстановки по выбранному критерию, и регулирование на базе промышленных контроллеров [31]. К основным взаимосвязанным задачам, решаемым экспертной системой, авторы статьи отнесли следующие: 1) задачу фильтрации, интреполяции исходных данных и проверки их на достоверность; 2) задачу автоматической регистрации и хранения «истории» процесса (натурных данных), включая задания регуляторам, значения критериев оптимизации, ограничений, в ретроспективе на 1 - 2 года и более; 3) задачу автоматического поиска корректировки значений задающих (программных) воздействий, путем сопоставления текущих данных с ретроспективными; 4) задачу слежения за значением выбранного критерия оптимальности после установки заданий, соответствующих «наилучшему» случаю. Недостатком предложенной системы является то, что эффективность ее работы напрямую зависит от разнообразия рассматриваемых случаев, составленных из ретроспективных натурных данных (число которых, как правило, недостаточно), а не из восстановленных (идеальных), от качества распознавания технологической ситуации в данный момент времени по отношению к выбранному «наилучшему» варианту из «истории» технологического процесса.
В работе [32] предложена типовая экспертная система управления процессом измельчения и классификации на основе нейронных сетей. Искусственные нейронные сети, работающие в режиме реального времени, решают задачу беспоисковой оптимизации программы четырех локальных регуляторов. То есть в зависимости от текущих значений натурных данных контролируемых переменных, подаваемых на вход сети, на ее выходе формируется оптимальное значение задания (например, задание на уровень заполнения барабана мельницы). Недостатком предложенного подхода является то, что оптимизация заданий не является согласованной, то есть сети работают независимо друг от друга.
В статье [33] изложено, что искусственные нейронные сети используются в автоматизированной системе управления процессом прокаливания кокса для решения задачи беспоисковой оптимизации заданий автоматических регуляторов. На вход ИНС подаются следующие данные: плотность кокса, необходимая потребителю, качественные характеристики прокаливаемого кокса (плотность, удельное электрическое сопротивление), полученные по результатам лабораторных исследований, выбранный режим прокаливания, основные контролируемые переменные локальных САР; состояние футеровки; профиль поставщика (кокс с разных месторождений имеет разную начальную влажность). На выходе сети формируются задающие воздействия и прогноз плотности кокса, передаваемый поставщику. Недостатком системы является отсутствие физической модели объекта, на которой можно было бы решить задачу стратегической оптимизации. Кроме того, в статье [33] не раскрыт способ формирования обучающей выборки, позволяющий решить задачу оперативной оптимизации.