WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

На правах рукописи

Новиков Дмитрий Борисович

МЕТОДЫ И АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ ОБЪЕКТАМИ НА ОСНОВЕ ЭКСПЕРТНЫХ СИСТЕМ

Специальность 05.13.11 – «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва – 2012 г.

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики»

Научный консультант: доктор технических наук, профессор Круг Петр Германович

Официальные оппоненты: доктор технических наук, профессор Васьковский Анатолий Михайлович ФГБОУ ВПО «Московский атомобильнодорожный государственный технический университет (МАДИ)», профессор кафедры АСУ кандидат технических наук Янкелевич Алексей Владимирович ЗАО «КРОК инкорпорейтед», руководитель проектов

Ведущая организация: ФГБОУ ВПО «НИУ МЭИ»

Защита состоится «___»_____________ 2012 г., в ________ часов, на заседании диссертационного совета Д.212.119.02, при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики» по адресу: 107996, г. Москва, ул. Стромынка, д. 20.

С диссертацией можно ознакомиться в библиотеке Федерального государственного бюджетного образовательного учреждении высшего профессионального образования «Московский государственный университет приборостроения и информатики».

Автореферат разослан «___»______________ 2012 г.

Учёный секретарь диссертационного совета кандидат технических наук, доцент Г.В. Зеленко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Основные положения Стратегии национальной безопасности Российской Федерации до 2020 года диктуют необходимость обеспечения комплексной безопасности функционирования особо опасных и технически сложных объектов с учетом непрерывно изменяющейся природной и техногенной среды.

Опыт эксплуатации тепловых электрических станций (ТЭЦ) все больше подтверждает возрастающее влияние «человеческого фактора» на их эксплуатационную надежность, несмотря на широкое использование систем автоматического управления и аварийно-предупредительных средств оповещения. При этом непрерывное усложнение технических решений, которые находят свое применение в том или ином техническом объекте ТЭЦ, предъявляет требования к постоянному повышению квалификации обслуживающего персонала. Отмеченные факторы позволяют отнести данную сферу человеческой деятельности к числу информационно насыщенных.

Существующие классические методы уже не в полной мере позволяют получить приемлемые характеристики функционирования информационно-измерительных систем мониторинга. Вместе с тем эволюция вычислительной техники и средств коммуникации дает новые возможности обработки информации и повышает актуальность проблемы переноса части интеллектуальной сферы человеческой деятельности в сферу автоматизации технологических процессов и систем управления.

В этой связи возникает необходимость в разработке интеллектуального информационно-вычислительного комплекса для анализа и распределения потоков данных, полученных от систем мониторинга в режиме реального времени без участия эксперта. Это жизненно необходимо для обеспечения автономного функционирования системы мониторинга в условиях неполноты и неопределенности поступающей информации при наличии случайных возмущений внешней среды.

Создаваемая система должна давать объективную картину состояния, как всего объекта мониторинга, так и его отдельных элементов. Для прогнозирования, диагностики и принятия объективного решения по нивелированию возможных технических сбоев, аварий и катастроф необходимо из данных мониторинга выделять основные информативные параметры, которые определят достоверность измерения. Эти параметры должны подвергаться идентификации и группировке в кластеры для дальнейшей обработки соответствующими средствами измерения, экспертной оценки и сравнения с соответствующими критериями. Решение подобных задач невозможно без применения интеллектуальных методов обработки информации.

В настоящее время в данной области работает ряд ведущих предприятий страны: ОАО «Научно-технический центр по безопасности в промышленности», Федеральный научно-производственный центр НПО «Марс», ФГУП Научно-исследовательский институт «Рубин», ОАО Научно-исследовательский институт космического приборостроения, Научно-производственный центр антитеррористической и криминалистической техники «Спектр-АТ», Самарский государственный аэрокосмический университет им. С.П.Королева.

Наибольший вклад в решение научной проблемы управления сложных объектов внесен отечественными учеными: Борисенко К.П., Бугаевым А.С., Горкуновым Э.В., Евтушенко Ю.Г., Журавлевым Ю.И., Зубаревым Ю.Б., Ивановым К.М., Касапенко Д.В., Клюевым В.В., Ковалевым А.В., Леоновым Б.И., Матросовым В.Л., Оводенко А.А., Ткаченко С.И., Шахматовым Е.В., Шатерниковым В.Е.

Современные информационные технологии основываются на практическом внедрении знаний в самом широком смысле слова (форм, моделей, языков, знаковых конструкций и т.д.). Они служат для описания сложных технических объектов и повышают значимость решения проблемы интеллектуализации современных автоматизированных систем управления.

Таким образом, существующие тенденции широкого использования интеллектуальных методов обработки больших объемов данных, а также рост плотности и неопределенности информационных потоков при контроле состояния и функционирования сложных систем, приводят к необходимости создания интеллектуальной системы принятия решений при управлении таких особо опасных, технически и технологически сложных объектов народного хозяйства, как теплоэнергетические центры.

Данное обстоятельство делает настоящее диссертационное исследование более чем актуальным.

Цель исследования. Повышение эффективности автоматизации и принятия решений при управлении сложными техническими объектами путем создания специализированного программного обеспечения и внедрения элементов искусственного интеллекта в автоматизированные системы управления и классификации на основе инструментария экспертных систем с формальным аналитическим аппаратом нечетких моделей знаний.

Для выполнения этой цели необходимо решить следующие задачи:

1. Анализ методологий, методов, моделей решения задачи автоматизации и принятия решений при управлении сложными объектами.

2. Разработать структуру системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

3. Определить структуру базы знаний, состоящую из памяти истории управления и набора нечетких правил управления.

4. Разработать нечеткий алгоритм моделирования процесса распределения паровой нагрузки котельного оборудования на ТЭЦ с общей магистралью.

5. Решение задачи диагностирования тепловой электростанции на основе эксплуатационных технических характеристик агрегатных составляющих.

Методы исследований. В работе использованы методы теории распознавания образов, теории вероятностей и математической статистики, математического анализа, теории множеств, теории графов, математической логики, системного анализа, теории информации, искусственного интеллекта и построения баз данных и знаний.

Научная новизна.

1. Формализована концептуально-логическая, экспертная модель представления предметных знаний о техническом состоянии объекта, представляющая собой семантическую сетевую структуру данных, наделённую свойствами: иерархичности, модульности, объектноориентированности.

2. Разработаны алгоритмы работы системы и основных ее блоков на основе нечеткой логики: именно, блока принятия решений и блока формирования правил управления.

3. Разработанный математический аппарат нечеткой логики позволяет вводить в систему правила управления, полученные на основании априорных знаний экспертов, и выраженные в форме, близкой к естественному языку. Этим значительно повышается качество управления на начальном этапе работы системы и сокращается время самообучения.

Практическая ценность.

Практическая ценность диссертационной работы заключается в следующем:

1. Предложена методика управления работой котельного оборудования ТЭЦ с общей магистралью.

2. Предложенные модели и методы адаптивного управления котельного оборудования ТЭЦ с общей магистралью доведены до конкретных алгоритмов.

3. Сформулирован и обобщен комплекс требований к программному обеспечению автоматизированного управления котельным оборудованием ТЭЦ с общей магистралью.

4. Создано алгоритмическое и программное обеспечение разработанного метода автоматизированного управления ТЭЦ.

В результате теоретических исследований создан программный комплекс управления ТЭЦ.

Разработанные программные продукты позволяют реализовать сетевую концептуальную модель представления знаний.

Практическая значимость работы подтверждается соответствующими актами внедрения.

Реализация и внедрение результатов работы.

Разработанные программные средства входят в состав «Программного комплекса исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦНЛ», который используется для принятия решения о режиме управления ТЭС в условиях неполной информации. На данное программное обеспечение получено свидетельство о государственной регистрации программ для ЭВМ РОСПАТЕНТ № 2012611445 от 07.02.2012 г.

Данный программный продукт используется в научноисследовательских работах в ЗАО "НВТ-Автоматика" (акт о внедрении).

Разработанные методические принципы создания систем нечеткого управления использованы в учебном процессе при подготовке специалистов по специальности 220102 на кафедре «Автоматизированные системы управления и информационные технологии» Московского государственного университета приборостроения и информатики.

Достоверность полученных результатов. Достоверность полученных результатов подтверждена:

-экспериментальными данными и математическим моделированием предложенных методов на ПЭВМ;

-разработкой действующих программных средств, подтвержденных свидетельствами об официальной регистрации;

-результатами использования этих программ в ведущих организациях и предприятиях страны.

Апробация работы.

Основные положения и результаты диссертационной работы докладывались и обсуждались на кафедре «Автоматизированные системы и информационные технологии» Московского государственного университета приборостроения и информатики, на XIV Всероссийской научно-технической конференции «НИТ-2011» в г. Москве, на V всероссийской научно-технической конференции по имитационному моделированию и его применению в науке и промышленности «ИММОД2011» в г. С.-Петербург, на XV Всероссийской научно-технической конференции «Новые информационные технологии» в 2012 в г. Москве.

Публикации.

По результатам исследования опубликовано 8 научных работ, в том числе 3 статьи в периодических изданиях, рекомендованном ВАК РФ. Получено свидетельство о государственной регистрации программ для ЭВМ в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ) РОСПАТЕНТ № 2012611445 от 07.02.2012 г.

Структура и объем работы.

Диссертационная работа состоит из введения, четырёх глав, заключения и списка литературы из 198 наименований и содержит 1страницы машинописного текста, 28 рисунков и 16 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертационной работы, формулируются цели и задачи исследования, представляется общая характеристика работы.

В первой главе описана задача принятия решений при управлении ТЭЦ. Для создания системы управления предложено использовать автоматизированную систему обучения. Приведен обзор и сравнительный анализ существующих стратегий и методов в области автоматизированного управления. Показано, что в теории автоматизированного управления недостаточно освещен вопрос решения задач, связанных с неполной информацией. Подобные задачи имеют место, когда знаний, в качестве которого рассматривается информационная система, недостаточно для того, чтобы построить объяснение и/или доказательство некоторого наблюдаемого факта.

Обсуждаются основные понятия, используемые в диссертационной работе, анализируются существующие подходы к построению систем основанных на знаниях и их основные отличия от традиционных автоматизированных информационных систем (ИС), выделяются классы задач, решаемые ЭС в АСУ, рассматриваются инструментальные средства разработки ЭС в рамках выделенного критерия – степень автоматизации каждого из этапов жизненного цикла построения экспертных систем.

В результате анализа развития подходов к построению СОЗ выбор сделан в пользу «полномасштабных» подходов, учитывающих все этапы разработки. В качестве основной проблемы, возникающей в процессе разработки СОЗ, любым из рассмотренных подходов, выделен этап извлечения знаний и опыта решения задач проблемной области в компьютерную систему с возможностью их дальнейшего хранения и обработки.

Проведен анализ методов построения автоматизированных систем управления, которые основаны на использовании строгих математических моделей объектов. Однако, для подавляющего большинства как искусственных, так и естественных объектов управления (ОУ), которыми необходимо управлять, построение точных математических моделей практически невозможно ввиду их плохой формализуемости. К тому же, эти объекты могут функционировать в среде, свойства которой изменяются или же вообще не могут быть определены заранее.

Управление такими объектами возможно только с использованием адаптивных принципов. В случае плохой формализуемости ОУ особый интерес вызывают системы, построенные на новых, интеллектуальных принципах. Эти системы используют наработки таких направлений искусственного интеллекта (ИИ) как нечеткая логика, экспертные системы, генетические алгоритмы, искусственные нейронные сети и т.д.

Доказано, что нечеткая логика дает возможность достаточно просто заложить в систему ААУ априорную информацию об объекте в виде нечетких правил управления, близость формы записи которых к естественному языку позволяет без особого труда получать необходимые знания у экспертов. Априорная информация обеспечивает одно из основных начальных условий системы, построенной по методу ААУ – условие максимальной начальной приспособленности. Соблюдение этого условия позволяет получить результат, аналогичный результату действия механизмов естественного отбора и передачи наследственной информации, присущих живым организмам.

Сформулирована постановка задачи исследования.

Вторая глава посвящена разработке нечеткого алгоритма распределения паровой нагрузки, позволяющего учитывать инерционность оборудования и минимизировать участие человека в процессе управления.

В диссертации для решения этого вопроса использовались нечеткие алгоритмы управления.

В соответствии с типовым циклом алгоритма нечеткого регулирования, нечеткие числа, получаемые в результате «не вполне точных измерений» используются для принятия решений на основе применения набора нечетких правил и генерации изменения режима подачи газа.

Конкретизированный алгоритм, иллюстрирующий процесс распределения паровой нагрузки котлоагрегатов на ТЭЦ с общей магистралью (рисунок 1).

Рисунок 1. Схема алгоритма распределения паровой нагрузки котлоагрегатов на ТЭЦ с общей магистралью Схема информационной модели представлена на рисунке 2.

Функция системы отображения обеспечивает представление технологической информации на экранах мониторов в виде мнемосхем с различной детализацией, на которых воспроизводится информация о текущем состоянии технологического процесса и значениях технологических параметров.

1-я входная переменная Давление пара перед турбиной, P Давление пара Обработка данных с перед турбиной, P помощью алгоритма нечеткой логики 2-я входная переменная Расход перегретого пара, База нечетких правил Fпп Рисунок 2. Схема информационной модели Важной составляющей информационного обеспечения для АСУТП регулирования паровой нагрузки с использованием алгоритма нечеткой логики является база знаний.

Для этого была разработана формализация концептуально-логической модели, представляющей собой инструмент для формализации предметных знаний. Разработаны правила формализованного представления предметных знаний и методика по их репрезентации в объектах разработанной модели визуально-объектного представления знаний.

Модель визуально-объектного представления знаний (ВМЗ) VK служит «прослойкой» (интерфейсом) между человеческим опытом, накопленным в процессе решения некоторой задачи и машинной формой их представления знаний, пригодной для обработки их на компьютере.

Причём, возможность интерпретации синтезированных моделей на ЭВМ достигается за счёт разработки методов трансляции ВМЗ в форматированную БЗ и вывода заключений на основе знаний закодированных в БЗ. В основу модели ВМЗ положен иерархический метод репрезентации доменных знаний. В соответствии с этим в МПЗ присутствуют следующие категории предметно-независимых данных:

, где – исходные данные (Initial data); – экспертные знания, уточняющие исходные данные (Investigate); C – экспертные методы исследований и знания c решающими правилами (экспертные заключения); E – объясняющие знания (Explain); S – решения и их способы (reSolution).

Сетевая модель представления знаний ВМЗ в виде реализации разрабатываемых ЭС представляет собой ориентированный граф, состоящий из совокупности двух множеств: непустого, конечного множества вершин U и множества R неупорядоченных пар различных элементов множества U:

где - число вершин графа G;

- число рёбер графа G.

Учитывая понятие инцидентности вершин и рёбер, принятое в теории графов, выражение (1) может быть представлено в виде множества отношений инцидентности на U или в виде совокупности неупорядоченных пар:

k M(D) (u,ui ),(u,um)...(u,ur ),..., (us,uk ) R (ui,u ) j j j j i j Для осуществления хранения (представления) предметных знаний в реализации ВМЗ –, предложено расширение модели за счёт внесения в неё следующих компонентов. Тогда расширенное определение примет следующий вид:

где – представляет собой совокупность сведений в виде концептов и их взаимосвязей, описывающих предметную область D, структурированную согласно правилам представления знаний ВМЗ.

К – класс – совокупность концептов k1,k2,…,kn которые имеют общие для них свойства. Он представляет собой шаблон при инициализации его концептов.

k –концепт (атомарная информационная единица) – структурный (условно неделимый) информационный элемент, в котором хранятся сведения об объекте, событии или явлении, относящиеся к предметной области D.

p – свойство (метод) – идентифицируемая область в памяти, ассоциированная с концептом, предназначенная для хранения данных, включённых в данный концепт.

v – значение свойства – конкретная информация, размещённая в идентифицированной данным свойством области памяти..

R – связь – представляет собой объект модели, отражающий информационные взаимосвязи между концептами предметной области.

K Классы Kn Объекты...

KKP2 Pr Pl PP1 P2 Ps P1 P...

...

Свойства...

VVl V1 Vr V1 V2 V2 Vs VЗначения Рисунок 3. Иерархическая структура компонентов ВМЗ Базовым элементом, положенным в основу разрабатываемой ВМЗ, является концепт, который, с одной стороны, является представителем некоторого класса и наследует его свойства, а, с другой стороны, определяется объединением вектора свойств pi, и соответствующего вектора значений vi:

ki = pi vj=((p1,v1),(p2,v2),…, (pl,vl)), ki K;

Отношения концептов выделены в следующие типы конструкций, используемых в процессе переноса экспертных знаний в форму представления M(D): один к одному; один ко многим (образует список частности); многие к одному (образует список причинности).

Используя данные типы конструкций, эксперт переносит накопленный опыт в реализацию ВМЗ M(D) в соответствии с правилами, представленными в методике формализации знаний. Разработанная методика придерживается стратегии проектирования «сверху-вниз».

В результате полученные формализованные модели представления знаний могут быть представлены следующим выражением:

S1= f (ki(d),…, kj(I),…, kr(C),…, kv(R));

S2= f (kl(d),…, ks(I),…, kt(C),…, kn(R));

M(D)= Sn= f (km(d),…, kn(I),…, ko(C),…, kf(R)), где M(D) – модель формализуемой области D; (S1, S2,…, Sn) – множество концептов, являющихся решениями в области D; f(k1,k2,…, kk) – k местная функция, отражающая логические отношения между концептами применительно к решению Si; ki(d), kl(d),…, km(d) – концепты – экземпляры уровня исходных данных K(d); kj(I), ks(I),…, kn(I) – концепты – экземпляры уровня исследований K(I); kr(С), kt(С),…, ko(С) – концепты – экземпляры уровня экспертных заключений K(C); kv(S), kn(S),…, kf(S) – концепты – экземпляры уровня решений K(S).

Знания, представленные в форме М(D), подвергаются специальному преобразованию в форматированную БЗ, которую можно будет интерпретировать методами, реализованными в комплексе ЭС.

В третьей главе предлагается способ объединения двух методов, а именно, метода автономного адаптивного управления (ААУ) и нечёткой логики, и построение системы ААУ на основе модернизированного математического аппарата нечеткой логики, с целью объединить концептуальность метода ААУ со сравнительной простотой нечетких систем управления.

В диссертации разработан математический аппарат нечеткой логики для систем ААУ.

Получена и представлена в базе знаний (БЗ) эмпирическая информация и решена задача принятия решений на основе найденных в этих знаниях закономерностей.

Для описания системы ААУ предлагается использовать нечеткие и лингвистические переменные, имеющие некоторые отличия от принятых в традиционной нечеткой логике.

Рисунок 4. Графическое представление функций принадлежности нечетких переменных Нечеткая переменная, используемая в системе, характеризуется множеством: V = {H, P}, где H – наименование нечеткой переменной, совпадающее с номером интервала (нечеткого множества) из диапазона значений физической переменной (рисунок 4), а P – значение степени принадлежности физической переменной нечеткому множеству, соответствующему этому диапазону.

Лингвистическая переменная в системе представлена набором Z = {V1, …, VMo, L}, где V1, …, VMo – значения нечетких переменных, а L – уровень детализации лингвистической переменной, численно равный количеству интервалов, на которые разбивается диапазон значений физической переменной. Значение константы MO равно максимальному числу нечетких переменных, входящих в терм-множество этой лингвистической переменной, значение функций принадлежности для которых одновременно может принимать значения большие нуля.

Значение MO полностью определяется видом функции принадлежности:

для линейной и квадратичной функций MO принимает значение 2, для обратной квадратичной MO равно 4.

Нечеткий образ характеризуется набором O = {Z1, …, ZNo, E}, где Z1, …, ZNo – значения лингвистических переменных системы, количество которых определяется константой NO, а E – значение оценки данного образа, вычисляемое по формуле:

(2) Такой вид формулы следует из предположения, что область с максимальной оценкой находится в центре диапазона значений любой физической переменной и большую оценку имеет та нечеткая переменная, которая находится ближе всех к середине диапазона с любой стороны от нее.

Для образа состояния объекта управления оценка E означает близость образа к состоянию ОУ с минимальными отклонениями от заданных значений всех входных переменных. Для образа управляющего воздействия оценка характеризует, например, энергозатраты исполняющего органа при выполнении управляющего действия: значение выходной физической переменной, близкое к центру диапазона значений, означает отсутствие управляющего действия.

Пусть «память истории управления» состоит из образов текущего состояния ОУ OSi и управляющего воздействия OAi и имеет вид конечной последовательности:

{OS1, OA1} {OS2, OA2} {OS3, OA3} … {OSNh, OANh}, где Nh – количество образов в памяти истории управления.

Выраженное в лингвистической форме, правило управления ТЭЦ будет выглядеть следующим образом:

если ZS1 есть VS11 И ZS2 есть VS12, то ZA есть VA1 если ZS1 есть VS21 И ZSесть VS22, то ZA есть VA2 … если ZS1 есть VSi1 И ZS2 есть VSi2, то ZA есть VAi …, где ZS1, ZS2 и ZA – значения входных лингвистических переменных “давление пара” и “расход перегретого пара” и выходной “расход топлива”, VSi1, VSi2 и VAi – конкретные значения нечетких переменных, с которыми происходит сопоставление значений ZS1, ZS2 и ZA.

На уровне нечетких переменных правила управления хранятся в виде последовательности:

{{HSi1, PSi1, LSi1},{HSi2, PSi2, LSi2},{HAi, LAi}} …, где HSi1 и HSi2 – наименования входных нечётких переменных; PSi1 и PSi2 – степени значимости данных нечётких переменных в i-ом элементе правила; LSi1 и LSi2 – уровень детализации лингвистических переменных, в терм-множества которых входят эти нечеткие переменные, HAi и LAi – наименование и уровень детализации выходной нечеткой переменной.

Степень значимости PSi нечёткой переменной в i-ом элементе правила вычисляется как среднее значение степеней принадлежности входных физических переменных нечётким переменным соответствующего образа при формировании правила из повторяющихся фрагментов истории управления. Этот принцип в некоторой степени соответствует назначению веса синапса в искусственных нейронных сетях, определяющему влияние значений входных и промежуточных переменных на результат, а также соответствует коэффициенту посылки в экспертных системах.

Работа элементов правил определяется минимаксной композицией (2).

Выходное управляющее воздействие может вычисляться в соответствии с формулой нахождения средневзвешенной величины (3) где – выходное воздействие правил, – степени принадлежности выходного управляющего воздействия нечеткой переменной, задаваемой этим правилом.

Разработана структура и основные принципы работы системы ААУ на основе нечеткой логики.

Общая структура системы, основные блоки которой с некоторыми изменениями заимствованы из базовой системы ААУ, изображена на рисунке 5.

База знаний системы – это совокупность памяти истории управления и набора нечетких правил управления. Последний также можно назвать базой знаний правил управления.

Рисунок 5. Общая структура системы ААУ с использованием нечеткой логики При формировании двух или более противоречащих друг другу правил в базу знаний заносится правило, имеющее наибольшее среднее качество управления и наименьшие энергозатраты исполняющего органа.

В зависимости от конкретной задачи разрабатываемой системы управления критерий выбора оптимального правила может варьироваться.

Противоречивыми правилами считаются правила, значения лингвистических переменных первых образов которых полностью совпадают, за исключением степени уверенности.

Набор правил управления в какой-либо точке пространства входных переменных считается точечно-полным, если в этой точке средняя степень принадлежности значений всех физических переменных входным множествам нечетких правил превышает некоторую априорно задаваемую величину Pv. Набор правил управления считается полным, если среднее значение степеней принадлежности превосходит Pv во всех точках пространства входных признаков.

Если на каком-то такте при текущих значениях входных переменных в соответствующей точке пространства условие полноты правил управления не выполняется, то при вычислении выходного управляющего воздействия сумма степеней принадлежности выходных нечётких переменных дополняется до значения Pv случайной величиной, тяготеющей к нулевому воздействию. Таким образом, происходит обучение системы управления при недостатке в базе знаний эмпирической информации в виде нечетких правил.

Помимо динамического формирования правил управления, свойства адаптивности системы стабилизации обеспечиваются механизмом удаления неадекватных текущим условиям правил: у каждого правила управления имеется счётчик сбоев, который увеличивается на единицу при каждом срабатывании правила, не приведшем к ожидаемому результату (образу с максимальной оценкой). После хотя бы одного удачного выполнения правила счётчик сбрасывается. Превышение счётчиком некоторой априорно задаваемой величины Ck говорит об изменении свойств объекта или внешней среды, после чего данное правило нельзя больше использовать для управления объектом. В этом случае правило удаляется из базы знаний.

При превышении степеней принадлежности всех нечётких переменных распознанного образа, какого-либо правила порогового значения Pr, задаваемого априорно, примем, что ситуация управления развивается по данному правилу. Примем также, что правило сработало, если это условие выполнялось в течение определенного количества тактов, равного половине длины правила. Если существует несколько правил, для которых выполняется условие, то в рассмотрение попадает каждое из них.

Если на последующем такте управления суммарная степень принадлежности нечётким переменным становится ниже порога Pr, то данное правило выпадает из рассмотрения. Но если при этом отношение где – количество образов(тактов управления) входящих в правило) превышает априорно задаваемую величину, то считается, что это правило сработало с отрицательным результатом и значение счётчика сбоев этого правила увеличивается на единицу.

Если при формировании нового правила в базе знаний отсутствует место для его сохранения, то из набора существующих правил могут быть удалены правила в соответствии со следующими критериями (в порядке убывания значимости): с наибольшим значением счетчика сбоев, наименьшим средним качеством управления, наибольшей длиной и энергозатратами.

Блок принятия решений вычисляет степени принадлежности значений выходных воздействий выходных нечётких переменных каждого правила в соответствии с основными операциями над нечёткими множествами, подставляя в посылки правил степени принадлежности входных переменных соответствующих нечётким образам. Далее по вычисленным степеням принадлежности находится значение выходного воздействия в соответствии с формулой (3).

В процессе управления используются все правила, находящиеся в базе знаний. При этом правила, нечеткие переменные которых имеют отличный от текущего уровень детализации, влияют на результирующее выходное воздействие с некоторым поправочным коэффициентом, равным, где Li – значение текущего уровня детализации i-ой лингвистической переменной, а Lji – уровень детализации соответствующей нечеткой переменной j-ого правила управления.

Уровень детализации вычисления выходного управляющего воздействия может поддерживаться на уровне округленного в большую сторону среднего значения уровней детализации всех входных лингвистических переменных.

Увеличение общего уровня детализации Lt происходит при достижении полноты системы правил управления, в то время как среднее качество управления не превышает некоторой априорно заданной величины Es.

Повышение уровня детализации Li одной из входных лингвистических переменных производится также при нахождении двух повторяющихся последовательностей образов в истории управления, в которых одно и то же управляющее воздействие при одних и тех же начальных условиях приводит к переходу объекта управления в различные состояния. Причем эти состояния отличаются друг от друга именно значением этой лингвистической переменной.

Исполняющий орган выполняет управляющие воздействия M(t), пытаясь изменить тем самым параметры внешней среды по отношению к объекту управления.

В четвертой главе на основе модернизированного метода ААУ были построены две программные модели для управления расходом топлива “давление пара” и “расход перегретого пара” и выходной “расход топлива”.

Кроме сокращения времени обучения на начальном этапе, построение системы ААУ на нечетких принципах позволило примерно в 4 раза сократить объем базы знаний при сохранении высокого качества управления.

В четвертой главе представлена программная реализация методов и алгоритмов, разработанных в предыдущих главах диссертационного исследования.

Проведена апробация разработанных моделей и алгоритмов принятия решений при управлении ТЭЦ.

По полученным в предыдущих главах результатам разработаны структуры и диалоговые процедуры информационно-вычислительного комплекса.

Разработанный программный комплекс предназначен для автоматизации принятия решений при управлении котельным оборудованием ТЭЦ с общей магистралью.

Разработана система различных меню, многопользовательский интерфейс, набор управляющих элементов.

Данный программный комплекс работает под управлением операционных систем семейства Windows.

Проектирование программного комплекса принятия решений при управлении котельным оборудованием ТЭЦ с общей магистралью осуществлялось на базе объектно-ориентированных технологий.

Исследована эффективность разработанного программного комплекса. Осуществлена проверка его работоспособности на предприятиях ТЭЦ.

Приведено описание разработанной методики управления и принятия решений при управлении узлами ТЭЦ.

Разработанный программный комплекс был использован в проекте в ЗАО "НВТ-Автоматика", г. Москва (акт о внедрении) при проведении научных исследований в области создания АСУТП ТЭЦ нового поколения.

В заключении изложены основные результаты и выводы по диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТЫ РАБОТЫ 1. Проведен анализ методологий, методов, моделей решения задачи автоматизации и принятия решений при управлении сложными объектами.

2. Обоснован комплекс технических параметров определяющих состояние объекта и их отношений на основе графа семантических сетей и реализации информационной технологии визуального моделирования (для котельного оборудования ТЭЦ с общей магистралью).

3. Разработана структура системы автоматического адаптивного управления и ее формальное описание с использованием математического аппарата нечеткой логики.

4. Определена структура базы знаний, состоящую из памяти истории управления и набора нечетких правил управления.

5. Разработан нечеткий алгоритм моделирования процесса распределения паровой нагрузки котельного оборудования на ТЭЦ с общей магистралью.

6. Разработан программно-инструментальный комплекс, автоматизирующий процесс управления котельным оборудованием ТЭЦ с общей магистралью, обеспечивающий высокую производительность и гарантирующий качество формальных решений.

Основные публикации по теме диссертации Статьи в журналах, рекомендованных ВАК.

1. Новиков Д.Б. Нечеткий алгоритм и моделирование процесса распределения паровой нагрузки на ТЭЦ с общей магистралью.

Промышленные АСУ и контроллеры. №2, 2012. сс.20-24.

2. Новиков Д.Б., Васина М.Н., Круг П.Г. Методы распределения паровой нагрузки на ТЭЦ с поперечными связями. Промышленные АСУ и контроллеры. №7, 2011. сс.19-24.

3. Новиков Д.Б., Круг П.Г., Функциональная структура АСУТП тепловой электрической станции. Промышленные АСУ и контроллеры. №3, 2012. сс.1-6.

Публикации в других изданиях 4. Новиков Д.Б., Васина М.Н., Круг П.Г., Повышение энергоэффективности автоматического управления паровой нагрузкой тепловых электрических станций с поперечными связями.

Сб. трудов XIV Всероссийской научно-технической конференции НИТ-2011 – М.: МГУПИ. 2011, сс.138-146.

5. Новиков Д.Б. Имитационное моделирование процесса регулирования паровой нагрузки на ТЭЦ с общей магистралью. V всероссийская научно-техническая конференция по имитационному моделированию и его применению в науке и промышленности.

ИММОД-2011. С.-Петербург. 2 том. сс. 190-194.

6. Новиков Д.Б. Моделирование распределения паровой нагрузки на ТЭЦ с общей магистралью. Сб. трудов XV Всероссийской научнотехнической конференции «Новые информационные технологии».

2012 – М.: МГУПИ. 2012, сс.54-60.

7. Новиков Д.Б., Круг П.Г. Автоматизированная система управления паровых и электрических нагрузок на ТЭЦ с общей магистралью. Сб.

трудов XV Всероссийской научно-технической конференции «Новые информационные технологии». 2012 – М.: МГУПИ. 2012, сс.138-143.

Авторские свидетельства, патенты, информационные карты и алгоритмы 8. Новиков Д.Б., Круг П.Г. Программный комплекс исследования модели нечеткого распределения паровой нагрузки между котлоагрегатами ТЭЦ с общей магистралью «ВИРТЭЦ-НЛ».

Свидетельство о госрегистрации программы для ЭВМ №20126114от 07.02.2012 г.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.