Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

автоматического регулирования

На стыке теории управления (в первую очередь, адаптивного управления) и теории нейронных сетей возникло нейрорегулирование, которое является разделом теории интеллектуального управления.
В книге С. Омату и др. [34] рассматривается концепция нейронных сетей и их применение в системах управления реального времени. «Нейроуправлением называется применение полностью определенных нейронных сетей для выработки управляющих воздействий». Обычно когда говорят об «управлении», под этим термином подразумевают определенную форму интеллекта. Нейронные сети способны обучаться на основе соотношений «вход-выход», поэтому они могут обеспечить относительно простые решения для сложных задач управления. Кроме того, нейроны - это нелинейные элементы, следовательно, нейронные сети в своей основе являются нелинейными системами, пригодными для решения задач управления, принципиально связанных с наличием нелинейных характеристик. В последнее время интеллектуальное управление стало достаточно подходящим для решения реальных задач. В инженерном контексте интеллектуальное управление должно обладать следующими свойствами: а) способность к обучению и адаптивность; б) живучесть; в) «простой» алгоритм управления (исходя из соображения, что «чем проще структура нейросетевого регулятора, тем проще будет его аппаратная реализация») и «дружественный к пользователю» человеко-машинный интерфейс; г) способность к включению новых компонентов, обеспечивающих лучшие решения в условиях ограничений, накладываемых техническими средствами. В таблице 1 представлены результаты сравнения классических и интеллектуальных регуляторов температуры водяной ванны (результаты получены по экспериментальным данным [34]).
Т а б л и ц a 1
Обзор характеристик регуляторов, находящихся
_в разных условиях__

Характеристика	Нейросетевой регулятор	Регулятор на основе нечеткой логики	Обобщенный прогнозирующий регулятор	ПИ- регулятор
Качество регулирования нелинейным объектом	Лучшее	Среднее	Среднее	Плохое
Вычислительная сложность	Высокая	Минимальная	Максимальная	Невысокая
Качество регулирования при наличии возмущений	Лучшее	Плохое	Среднее	Наихудшее
Качество регулирования при изменении параметров объекта	Среднее	Лучшее	Среднее	Наихудшее

В работе В.А. Терехова и др. [35] нейросетевые системы управления относятся к классу нелинейных динамических систем. В составе таких систем искусственная нейронная сеть может выполнять различные функции: диагностику технологического оборудования, управление подвижными объектами и технологическими процессами, прогнозирование ситуаций, а также оценку состояния и мониторинг технологических процессов. Возможность формировать управляющие воздействия практически любой формы делает ИНС средством, адекватным уровню сложности нелинейной задачи. Поэтому нейросетевые системы управления относятся к классу интеллектуальных систем, то есть к системам, по определению, с неполной информацией, со сложной или немоде- лируемой динамикой и неконтролируемым изменением собственных свойств. Адаптивность нейросетевых структур вследствие их обучения в процессе функционирования, в принципе, позволяет корректировать в реальном времени функцию управления при неконтролируемых изменениях динамических и статических характеристик объекта, используя для этого текущую измерительную информацию о системе и ее внешней среде. Способность нейросетей к параллельной обработке сигналов позволяет применять их для управления многомерными (или многоканальными) объектами. Многослойные нейронные сети представляют собой однородную вычислительную среду.
В работе А.А. Колесникова [36] представлен синергетический подход к синтезу нейросетевых систем управления, который состоит в том, что обучаемая в реальном времени ИНС служит универсальной реализацией «синергетических» законов управления. Термин «реализация» в этом случае будет означать воспроизведение нейросетью на своем выходе синергетических управляющих воздействий.
В работе А.И. Галушкина [37] рассмотрены следующие основные способы включения нейроконтроллеров в контур управления динамическими объектами, частично рассмотренные в работах [34] и [35]: нейроуправление на основе инверсно-прямой модели; нейроуправление на основе инверсно-непрямой модели; нейроуправление с эмулятором и контроллером; общая схема нейроуправления, включающая в себя нейроконтроллер прямой связи и нейроконтроллер обратной связи; последовательная и параллельная схема нейроуправления; нейроуправление с самонастройкой. Объективной причиной быстрого развития нейроуправления, с точки зрения А.И. Галушкина, является то, что попытки классическими приближенными методами описать процессы, происходящие в нелинейных системах, как правило, не приводят к качественным результатам.
В работе ученых МГТУ имени Баумана [38] утверждается, что интеллектуальные системы на основе ИНС позволяют с успехом решать проблемы управления, идентификации, прогнозирования, распознавания и оптимизации. Это объясняется тем, что ИНС демонстрирует удивительное число положительных качеств: массовый параллелизм, распределенное представление информации и вычисления, способность к обучению и обобщению, адаптивность, свойство контекстуальной обработки информации, толерантность к ошибкам, низкое энергопотребление. В работе [38] рассмотрена проблема синтеза нейросетевых регуляторов с двух позиций, а именно: прямые (когда регулятор реализуется непосредственно на нейросетевой структуре) и косвенные (когда используется неросетевая модель объекта, полученная в результате реализации процедуры идентификации) методы синтеза нейросе- тевых систем управления.
В работе Д.М. Еремина и Р.У. Мадыгулова [39] сказано, что одной из перспективных технологий, позволяющих удовлетворить современным требованиям систем управления (требования по быстродействию, надежности функционирования, точностным характеристикам, обеспечению высоких показателей качества системы управления, адаптивности при значительной вариации параметров объекта и условий внешней среды), является технология нейронных сетей. Интерес к рассматриваемой технологии связан с тем, что нейронные сети аккумулировали в себе основные свойства и структурные особенности своих биологических прототипов и представляют собой единство взаимосвязанных простых вычислительных элементов (нейронов). К основным свойствам данных структур можно отнести возможность их обучения, обобщение по примерам, высокую отказоустойчивость, высокое быстродействие нейровычислителей за счет параллельного функционирования отдельных элементов. Данные свойства позволяют успешно применять нейронные сети для управления сложными динамическими объектами. В этой работе описаны задачи синтеза простого и адаптивного нейросетевого регулятора для оптимальной по быстродействию системы управления объектом второго порядка, а также синтеза комбинированного нейросетевого регулятора.
Одним из возможных направлений развития нейроуправления является комплексное применение технологий экспертных систем и нейросетевых структур для создания быстродействующих адаптивных регуляторов, как это сделано в работе В.М. Лохина, И.М. Макарова, А.В. Арбузова [40]. Использование технологии экспертных систем позволяет существенно повысить гибкость управления, что обеспечивается следующими факторами: возможность работы с несколькими алгоритмами управления и адаптации (при этом осуществляется их обоснованный выбор на основе текущей (иногда неполной и противоречивой) информации о функционирующей системе путем обработки имеющихся знаний), способность к обучению и корректировке знаний (при этом содержимое базы знаний экспертной системы всегда может быть расширено и модифицировано, что обеспечивает возможность адаптации к изменениям как целей, так и параметров объекта управления). Практическое применение технологии экспертных систем позволило разработать интеллектуальный регулятор, обладающий высокими адаптивными свойствами и большой функциональной гибкостью. Но для повышения его быстродействия, при построении его наиболее медленных блоков (базы знаний, идентификатора) пришлось использовать технологию нейросетевых структур, обеспечивающих высокий уровень быстродействия и надежности САУ за счет параллельной обработки сигналов, однородности конструктивных элементов и их избыточности.
В работе [41] сказано, что назначением нейросетевого регулятора является выработка адекватного управляющего сигнала для управления динамикой объекта управления от начального состояния до желаемого итогового состояния. Причем смена состояний должна происходить по оптимальной траектории. Исходя из анализа существующих систем управления, сделанного в работе [41], утверждается, что будущее интеллектуального управления лежит в сочетании традиционного управления с потенциальными возможностями и перспективами использования систем, основанных на ИНС. Это подтверждается результатами исследования, обобщенными в таблице 2.
В работах J. Sarangapani [42], G.W. Irwin, К. Warwick, K.J. Hunt [43], W.T. Miller, R.S. Sutton, P.J. Werbos [44] рассматривается применение нейронных сетей в системах управления сложными динамическими объектами. Авторы работ [42 -г- 44] утверждают, что применение ИНС для распознавания образов, прогнозирования, аппроксимации стационарных функций (идентификации) в замкнутых системах управления значительно отличается от их применения в разомкнутых системах, и это необходимо учитывать при построении интеллектуальных систем автоматического управления.
Характеристики алгоритмов управления [41, 44]

Характеристика	Управление с обратной связью и регулируемыми коэффициентами	Адаптивное управление с эталонной моделью	Нейросетевое управление
Устойчивость системы	Наихудшая	Средняя	Наилучшая
Скорость сходимости	Наилучшая	Средняя	Наихудшая
Работа в реальном времени	Средняя	Средняя	Наилучшая
Сложность программы управления	Наихудшая	Средняя	Средняя
Ошибка регулирования	Средняя	Наилучшая	Средняя
Подавление помех	Наилучшее	Наихудшее	Среднее
Робастность	Наихудшая	Средняя	Наилучшая