Задачи, методы и алгоритмы интеллектуальных систем управления (обзор)

Структуризация интеллектуальных систем управления с прогнозированием

Отличительная особенность интеллектуальных систем управления (ИнтСУ) состоит в том, что для выработки управляющих воздействий, в них используются различные формы и способы извлечения, хранения, обработки и представления знаний. Они должны обладать развитыми возможностями по анализу и распознаванию обстановки, формированию цели, планированию последовательности действий, а также выработке оперативных управляющих воздействий, соответствующих цели. При этом одной из основополагающих функций ИнтСУ является прогнозирование [57-77].

ИнтСУ сложными динамическими объектами на базе интеграции экспертных систем и искусственных нейронных сетей.

ИнтСУ, использующие в своем составе динамическую экспертную подсистему, относятся к классу управляющих систем, обладающих свойством «интеллектуальности в большом», если в них прогнозируются состояния объекта, его внешние и выходные воздействия, а также удовлетворяются принципы интегрированности, открытости, иерархичности, живучести [3, 4].
Схема такой ИнтСУ представлена на рисунке 8, где приняты следующие обозначения: w?(t), wJO), U^D(t), Y°(t), S^D(t) - действительные (D) значения векторов-функций контролируемых (К) и неконтролируемых (Н) внешних воздействий, управляющих и выходных воздействий, состояний технологического объекта управления в момент времени t; W^(t), U^H(t), Y^M(t), S^H(t) - измеренные (И) значения векторов внешних, управляющих и выходных воздействий, а также состояний объекта управления; Z(t) = {W_K (t), u(t), Y(t), S(t)} - вектор оценок соответствующих переменных объекта управления; НИ - неинструментальная информация; ИБ - интерфейсный блок.
Структура ИнтСУ состоит из следующих подсистем:

• 
  1) динамическая экспертная подсистема (ДЭП), представленная базой знаний (БЗ), подсистемой логического вывода, подсистемой объяснений, интеллектуальным решателем, планировщиком и интерфейсными блоками. Наиболее сложные функции по принятию решений с помощью подсистемы логического вывода, а также БЗ реализуются интеллектуальным решателем. Интеллектуальный планировщик составляет рациональную последовательность действий, необходимых для определения управлений U(t). Интеллектуальный интерфейс является средством связи ДЭП с экспертом через инженера по знаниям и используется для ее обучения посредством передачи знаний, а также для контроля за деятельностью автоматической части системы и оказания ей помощи, если она обращается к эксперту в нештатных ситуациях;
  
• 
  2) подсистема моделирования, предназначенная для условного и безусловного прогнозирования (прогнозатор), ретроспективного анализа траекторий движения объекта (регнозатор), распознавания типовых ситуаций (распознаватель). Безусловное прогнозирование предлагается применять для получения оценок будущих контролируемых внешних воздействий, а также эффектов неконтролируемых возмущающих воздействий, приведенных к
  
• 
  выходу объекта управления. Условное прогнозирование используется для оценки выходных воздействий и состояний объекта при фиксированных вариантах управляющих воздействий.
  

Рисунок 8 - Обобщенная структура прогнозирующей ИнтСУ
Регнозатор осуществляет анализ траекторий движения объекта в рамках характерных ситуаций на интервале его динамической памяти (t-T°^y;t). В результате анализа выделяются наилучшие (оптимальные по целевым критериям) и близкие к ним траектории входных и выходных воздействий объекта управления. Результаты прогнозирования и ретроспективного анализа используются ДЭП для выработки управляющих воздействий U(t). Распознаватель ситуаций решает задачу преобразования данных о входных и выходных воздействиях, поступающих из подсистемы оценивания, в заключение о том, к какому классу относится ситуация. По сути, он представляет собой модель интеллекта, состоящую из блока оценивания информативных признаков и классификатора. Классификатор на основе этих сведений относит ситуацию к одной из нескольких групп;
3) подсистема планирования состоит из блока формирования цели управления и программатора, определяющего оптимальные траектории движения системы к цели. Последняя описывается в терминах желаемых значений частных показателей работы объекта, при условии удовлетворения заданным ограничениям и стратегической цели, которая может быть задана в виде требуемых значений глобального критерия или в нечеткой форме. Программатор состоит из двух взаимодействующих блоков. Первый блок решает задачу стратегической оптимизации посредством выбора из БЗ программы управления, которая соответствует распознанной ситуации, а второй блок предназначен для оперативной корректировки программы.
ИнтСУ рекомендуется использовать в задачах, обладающих одной (или несколькими) из следующих характеристик: задачи не являются полностью формализованными (поставленными только в числовом виде); исходные данные и знания о предметной области обладают неоднозначностью, неточностью, частичной противоречивостью, зашумленностью, неполнотой и избыточностью; цели функционирования объекта управления нельзя выразить с помощью одного четко определенного критерия; отсутствует однозначно эффективное «простое» алгоритмическое решение «сложной» задачи, либо алгоритмическое решение существует, но его нельзя оперативно использовать по причине большой размерности пространства решений и ограничений на ресурсы; отсутствует описание внутренних закономерностей, присущих ТОУ, при наличии большого числа примеров его работы в различных ситуациях.

ИнтСУ сложными динамическими объектами на базе ИНС.

Созданная эвристическим путем структура поисковой интеллектуальной системы управления (рисунок 9) базируется на работах по поисковому адаптивному управлению, подробно рассмотренному в трудах Г. Зиболза (Н. Ziebolz) и Н.М. Паунтера (Н.М. Paynter) [70], Н.М. Александровского, С.В. Егорова [71, 72], И.И. Перельмана [73], И.М. Борзенко [74]. В данной системе оптимальные управляющие воздействия определяются с использованием нейроэкспертной модели объекта управления (НМОУ), с помощью которой осуществляется прогнозирование его выходных воздействий и состояний в ускоренном масштабе времени, при переборе возможных вариантов управлений.
На рисунке 9 приняты следующие дополнительные обозначения: БО - блок обучения; БКН - блок корректировки настроек; Hi(t), H₂(t), H₃(t) - векторы настроек сети; БМВ - блок масштабирования времени, 5Y(t) - косвенные оценки эффектов неконтролируемых внешних воздействий; 5Y(t| t + T_n), W_K(t| t + T_n) - прогнозируемые в реальном времени оценки 5Y(t) и W_K(t) на интервале (t;t + Т_П); 5Y(0| e + Vx), W_K(0| 0 + Т_п/_х) - значения 5Y(t| t + T_n) и W_K(t| t + T_n) в ускоренном времени; {Y(0| 0 + Т_п/х)} - прогнозные оценки выходных воздействий объекта управления, полученные в ускоренном времени при различных вариантах возможных управляющих воздействий {U(0| 0 + Т_п/х)} ; {?_М2(0 0-ьТ_п /х)} - реакции модели объекта управления (экземпляр № 2) на W_K(0 0 + Т_п/х) и {U(0| 0 + Т_п/х)}; Т_п - интервал прогнозирования; 0 = t/x - ускоренное время; х »1 - коэффициент ускорения времени.
Структура НМОУ (экземпляр № 1), построенная в рамках концепции программно-возмущенного движения, имеет следующий вид:

(1)
где Ф,(-) - продукционная модель соответствия программных управляющих воздействий U_n(t) и базовых уровней

Рисунок 9 - Функциональная структура поисковой ИнтСУ контролируемых внешних воздействий w?(t) программной составляющей выходного воздействия, накапливаемых и модифицируемых в БЗ; Ф₂( ) - нейросетевая модель влияния отклонений от программных и базовых уровней входных воздействий на изменение выходного воздействия; 0(t) = U_n(t) + 8U(t) - оценки реализованных управляющих воздействий; 8U(t) - оценки реализованных регулирующих воздействий; W_K (t) = (t) + 5W_K (t) - оценки контролируемых внешних воздействий; 5W_K(t) - отклонения от w?(t); Т°^у - интервал памяти ТОУ.
Структура прогнозирующей НМОУ (экземпляр № 2) имеет
вид:
(2)

где {5U(0| 0 + Т_п/х)} - варианты возможных регулирующих воздействий; и_п(0 0 + Т_п/х), w|(0 0 + Т_п/х) - программные управления и базовые уровни контролируемых внешних воздействий считываемые из базы знаний на интервале прогнозирования; 8W_K(0 0 + Т_п / х) - прогноз отклонений от базовых уровней контролируемых внешний воздействий в ускоренном режиме времени.

В поисковой ИнтСУ осуществляется следующее:
1) оптимизация управления на скользящем промежутке (t_n, t_n+T₀), где Т₀ - интервал оптимизации, п - номер такта работы системы, при этом интервал прогнозирования, в общем случае, больше либо равен интервалу оптимизации; 2) экстраполяция контролируемых возмущений и косвенных оценок эффектов неконтролируемых возмущений, приведенных к выходу объекта; 3) оценка в реальном режиме времени эффектов неконтролируемых возмущений 8Y(t) с помощью НМОУ, а также поиск оптимального управления в ускоренном режиме времени на прогнозирующей НМОУ.
Алгоритм поисковой оптимизации осуществляет многократное «проигрывание» различных вариантов управляющих воздействий в ускоренном времени. Вычисление вектора U(t) в течение п- го такта работы системы осуществляется путем реализации различных вариантов будущего управляющего воздействия на модели объекта (экземпляр № 2). Полученный сигнал U(t) реализуется на объекте и остается неизменным в течение (п+1)-го такта работы системы. После этого начинается новый такт работы системы.
Для адаптации моделей были внедрены их копии (НМОУ⁰⁶(экземпляр № 3), ИНС₈у- экстраполятор, ИНС^^бк- экстра- полятор), используемые в процессе постоянного обучения (Об) с нанесением тестовых воздействий на ТОУ. Если значения весовых коэффициентов сетей-оригиналов (ИНС в НМОУ и прогнозирующей НМОУ, ИНС_8У- экстраполятор, HHC_Wk- экстраполятор) и их
копий отличаются больше чем на 5 %, то БКН осуществляет замену вектора весов сетей-копий на вектор весов сетей-оригиналов, что обеспечивает приспособление системы к ранее неизвестным ситуациям.
В беспоисковой ИнтСУ (рисунок 10) осуществляется:

• 
  1) оценивание 8Y(t) с помощью НМОУ (экземпляр № 1) по формуле (1);
  
• 
  2) получение безусловных прогнозных оценок контролируемых внешних воздействий W_K(t| t + T_n) с помощью блока безусловного прогнозирования (ББП) № 1 (экстраполятора) и эффектов неконтролируемых внешних воздействий 5Y(t| t + T_n) с помощью ББП № 2;
  
• 
  3) определение условного прогноза выходного воздействия ТОУ с помощью НМОУ (экземпляр № 2):
  

где U_n(t| t + T_n), w|(t t + T_n) - воздействия на интервале (t;t + T_n) из БЗ; *_K(t t + T„) = w|(t t + T„) + 8W_K(t t + T_n) - прогноз W_K(t); ФД-), Ф₂0 - продукционная (эвристическая) и нейросетевая модели;
4) определение условного прогноза выходного воздействия объекта
(4)
управления: 

Рисунок 10 - Функциональная структура беспоисковой ИнтСУ

• 
  5) считывание задания Y*(t| t + T_n) из базы знаний на интервале (t; t + Т_п);
  
• 
  6) расчет регулирующих воздействий:
  

(5)
де f(*) - нейросетевой оператор обратной модели;
7) расчет управляющих воздействий:
(6)
где U_n(t) - программные управляющие воздействия, считанные из базы знаний;
8) реализация полученного управления U(t) на новый такт работы системы.

Особенности настройки искусственных нейронных сетей в системах автоматического управления

В последнее время активно развиваются методы анализа и синтеза систем автоматического управления на базе ИНС [34 -г- 44]. Это объясняется следующими причинами: а) нейронные сети - это один из лучших способов аппроксимации сложных зависимостей при наличии достаточно большого объема обучающей выборки, а также «грамотного» синтеза структуры сети; б) использование нелинейных функций активации в ИНС обеспечивает более эффективную реализацию нелинейных отображений (это достоинство наиболее значимо для решения задач регулирования с существенными нелинейностями, для которых традиционные подходы пока не дают практически реализуемых решений); в) необходимым условием применения традиционных методов оптимального и адаптивного управления является наличие большого объема априорной информации об объекте (благодаря способности ИНС к обучению и самообучению для нейрорегуляторов такой объем априорной информации не требуется, в связи с этим можно утверждать, что нейрорегуляторы пригодны для управления в условиях существенных неопределенностей); г) высокая параллельность ИНС является предпосылкой надежной эффективной реализации программно-аппаратной поддержки нейрорегуляторов; д) высокое быстродействие за счет распараллеливания входной информации в сочетании с обучаемостью нейронных сетей; е) многократно отмечаемое в научной литературе, но пока недостаточно исследованное, свойство ИНС монотонно уменьшать качество работы при увеличении числа вышедших из строя элементов, а также отсутствие изменения качества работы ИНС при значительных изменениях параметров схем, реализующих ее элементы.
К основным достоинствам искусственных нейронных сетей следует отнести следующее [78 ^ 94]: 1) быстрое «доучивание» за счет использования предыдущей карты синапсов (весовых коэффициентов); 2) большое количество входных элементов, что позволяет учитывать внешние воздействия, которые обуславливают не- стационарность процесса; 3) отсутствие некоторых жестких статистических предпосылок о свойствах данных, подаваемых на вход сети (например, нормальное распределение, стационарность, или что искомая зависимость является линейной); 4) возможность в полной мере учитывать экспертную информацию; 5) способность к самообучению, что является исключительной прерогативой не только человеческого мозга, но и любого живого организма; 6) нейронные сети в сочетании с нечеткими множествами являются практически единственным средством решения сложных задач в условиях неопределенности, без существенных материально- технических затрат; 7) способность воспроизводить сложные нелинейные зависимости; 8) высокая надежность; 9) уникальная способность обучаться на примерах и «узнавать» в потоке зашумленной и противоречивой информации черты ранее встреченных ситуаций (образов); 10) обработка большого объема данных за короткое время; 11) хорошая работа с временными последовательностями, в которых мал интервал наблюдений; 12) ориентация на решение задач, имеющих следующие особенности: отсутствие «простого» механизма, позволяющего находить эффективные решения в разнообразных «сложных» ситуациях; наличие достаточно большого числа примеров оптимальных решений, найденных экспертом для различных типопредставительных ситуаций; наличие большого объема данных о внешних влияющих факторах; зашумленность, частичная противоречивость, неполнота или избыточность исходных данных.
Нейронные сети обладают и недостатками, такими как:

• 
  1) аппаратная реализация нейронной сети затруднена при росте числа промежуточных слоев или нейронов в отдельном слое;
  
• 
  2) отсутствует возможность оперативного контроля числа неисправных нейронов, если при поврежденности нейрона ошибка не проявляет себя на выходе; 3) отсутствует возможность оперативной замены отказавших элементов сети; 4) при использовании алгоритмов самообучения нейронной сети в условиях возникновения неисправностей увеличивается вероятность потери устойчивости в петле обучения; 5) при обучении искусственной нейронной сети становится актуальной задача переобучения; 6) использование не- масштабированных значений входных переменных нейронной сети может привести к эффекту насыщения, то есть к нечувствительности сети; 7) избыточность переменных ИНС, как правило, приводит к «проклятию размерности».