Поколения и эволюция типовых структур ИСУ

В Таблице 3.1 приведена обобщённая эволюция развития и формирования структур ИСУ, их особенности, достоинства и недостатки, а также уровни качества управления, содержащиеся в этих структурах.

Для моделирования «человеко-машинных» стратегий управления на первом этапе стали использоваться так называемые «мягкие вычисления», в основе которых лежит теория нечетких множеств и нечеткого вывода.

Так, например, представленная на рис.3.1 структура преобразуется в экспертную систему управления (рис.3.2) последовательным наращиванием составляющих блоков в классической структуре САУ (в данном случае введением блока нечеткого вывода) (см. Таблица 3.1, позиция 2) и является примером первого поколения ИСУ.

Таким образом, первое поколение ИСУ представляло собой нечеткие экспертные системы (ЭС). Основную роль в этих ЭС играло качество БЗ, которое определялось опытом и субъективными знаниями человека-эксперта.

Однако, в случае управления глобально неустойчивыми и существенно нелинейными ОУ, находящимися под воздействием сложных стохастических шумов, даже опытному человеку-эксперту трудно подобрать оптимальную (с точки зрения качества управления) БЗ НР. Эта проблема - узкое место всех первых (и их последующих модификаций) ИСУ. Поэтому, использование ЭС в качестве инструментария извлечения знаний и формирования БЗ (как основы технологии проектирования ИСУ) не привело к ожидаемому существенному успеху (хотя существует много примеров промышленного внедрения) в силу сложности ОУ и субъективности информации, вносимой экспертом.

Таблица 3.1

Эволюция процесса проектирования структур робастных ИСУ,

основанных на знаниях и взаимосвязь с классической теорией управления


Рис. 3.2. Tиповая структура ИСУ первого поколения

 

С точки зрения технологии проектирования основной проблемой внедрения ИСУ первого поколения являлась их слабая адаптивность к изменениям параметров ОУ (вызванных, например, старением структуры ОУ или резким изменением внешней среды), а также низкая робастность полученных законов управления. Для решения подобных проблем были разработаны ИСУ второго поколения, используя технологии мягких вычислений, объединяющие в единую цепочку ГА, ННС и НР. Это позволило исключить субъективное мнение эксперта на этапе формирования структуры и параметров БЗ НР. В свою очередь развитие ИСУ, основанных на мягких вычислениях, породило несколько подходов к формированию структур БЗ.

Первоначально планировалось формировать некоторый достаточно огрубленный обучающий сигнал (ОС) от ГА, и извлекать БЗ путем аппроксимации полученного ОС на ННС. Структура ИСУ второго поколения (рис.3.3) представлена путем введения в структуру ИСУ первого поколения блока, включающего в себя ГА и ННС (см., Таблицу 3.1, позиция 3).

В дальнейшем второе поколение ИСУ стало использовать новый вид обратной связи, называемой интеллектуальной глобальной обратной связью (ИГОС), представленной в Таблице 3.1, (позиция 4). Её применение дает возможность извлекать объективные знания непосредственно из самого динамического поведения ОУ и исполнительного устройства САУ. Контур ИГОС включает ГА для получения информации об оптимальном сигнале управления (исходя из динамического и термодинамического поведения самого ОУ и ПИД-регулятора) и ННС, аппроксимирующей данный оптимальный сигнал управления с помощью заданной структуры нейронной сети.

Основным блоком в структуре ИСУ второго поколения является система моделирования оптимального сигнала управления (СМОСУ) с помощью ГА и критерия качества управления, заданного в виде одной из составляющих вектор-функции пригодности ГА.

 

Рис. 3.3. Tиповая структура ИСУ второго поколения

 

Выходом СМОСУ на рис. 3.3 является ОС (оптимального управления) в виде следующих входных/выходных данных: , где

- вектор, компонентами которого являются ошибка управления, ее производная и интеграл ошибки соответственно; - оптимальные (с точки зрения заданной функции пригодности ГА) параметры ПИД-регулятора; - момент времени.

В ИСУ второго поколения, используя ОС и механизм супервизорного обучения ННС, основанный на методе обратного распространения ошибки, можно построить БЗ НР, представленного данной ННС. Моделируя поведение ОУ из множества выбранных типовых существенно-нелинейных осцилляторов, было проведено исследование предельных возможностей ИСУ второго поколения.

В результате установлено, что в случае неустойчивых и существенно-нелинейных ОУ, а также при воздействии на них Рэлеевского стохастического шума возможно достижение лишь определённого уровня робастности для частных классов случайных возмущений. Однако в общем случае не удаётся построить робастную БЗ, используя технологии данного этапа построения БЗ.

Анализ результатов моделирования САУ на базе первого этапа технологии показал, что основным недостатком данного этапа является неоптимальный выбор структуры ННС, аппроксимирующей ОС. Как правило, в системах проектирования БЗ ИСУ такого типа, построение соответствующей структуры ННС возложено на опытного человека-эксперта.

Что делает эксперт в этом случае?

Эксперт анализирует обучающий сигнал (ОС), который разделен на входные и выходные составляющие, каждая из которых, в свою очередь, состоит из одного и более сигналов. В общем виде каждый из исследуемых сигналов является выборочной (представительной) траекторией некоторого случайного процесса. При этом подразумевается, что в каждый момент времени существует зависимость между входными и выходными сигналами.

Например, в случае аппроксимации некоторого управляющего сигнала, входными компонентами могут являться ошибка управления и её производная (скорость ошибки управления), а выходным компонентом - требуемое значение управляющего воздействия, либо некоторые настраиваемые параметры САУ (например, коэффициенты усиления ПИД-регулятора). Задача эксперта при определении структуры ННС сводится к выбору модели нечеткого вывода и, главным образом, к лингвистическому описанию заданного ОС. Каждой из компонент ОС соответствует некоторая лингвистическая переменная, описывающая сигнал с помощью соответствующего (данной лингвистической переменной) терм-множества. Мощность терм-множества и параметры составляющих его элементов (класс и параметры функции принадлежности) неизвестны. "Полноту" лингвистического описания сигнала можно задать на уровне взаимосвязи терм-множеств, входящих в лингвистические переменные. Эту задачу в системах проектирования ИСУ, основанных на традиционных мягких вычислениях (второе поколение ИСУ), также решает человек-эксперт.

Однако в случае неустойчивых и существенно-нелинейных ОУ, а также при воздействии на них различных стохастических шумов, даже опытному эксперту трудно, а зачастую невозможно, определить оптимальную структуру ННС.

Эту проблему решают ИСУ третьего поколения, представленные на рис.3.4.

Основной проблемой, решаемой ИСУ третьего поколения с ИГОС, является наличие возможности достижения требуемого уровня робастности на заданном классе как параметрических, так и внешних случайных возмущений различной вероятностной природы (с различными функциями плотности распределения вероятностей).

Другой важной проблемой является определение требуемого соотношения между точностью описания (аппроксимации) ОС и необходимым уровнем робастности всей структуры ННС.

Примечание. На рис.3.4, а также далее по тексту данной Главы 3 используются следующие обозначения: ГА – генетический алгоритм; НР – нечеткий регулятор; ОБЗ – оптимизатор баз знаний; ГИОС – глобальная интеллектуальная обратная связь; ОУ – объект управления.

Обе указанные проблемы решаются на втором этапе технологии построения БЗ ИСУ с помощью программных средств инструментария, названного Оптимизатор Баз Знаний (ОБЗ).

 

Рис. 3.4. Типовая структура ИСУ третьего поколения