CC BY
45
между некоторыми частотными компонентами. Тогда информацию, касающуюся отклонений от гауссовости и наличия нелинейностей, а также нечеткости, позволяют получить спектры более высокого порядка, в частотности, спектр третьего , .
Изложенное выше позволило сформулировать в статье идею об ассоциативном отображении биспектрального анализа на такие принципиальные явления, как временная динамика фазовой связи между компонентами в сигналах, выделять в
-
, .
Что касается конкретно поставленной задачи, то эта парадигма дает возможность идентифицировать индикационные признаки для целей распознавания как отдельных сегментов подстилающей поверхности, так и их корреляцию по их би-спектральному вейвлетному анализу с последующей расшифровкой их физикохимического состава (распознавание возможных залежей полезных ископаемых).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Сочава В.Б. Введение в учение о геосистемах. - Новосибирск: Наука, 1978. - 320 с.
2. Виноградов Б.В. Аэрокосмический мониторинг экосистем. - М., 1984. - 320 с.
3. Тимашев И.Е. Геоэкология как эколого-ландшафтная наука // Вестник ВГУ, серия: география, геоэкология. - 2007. - Т. 1.
4. Николайкин Н.И., Никопайкина Н.Е., Мелехова О.П. Экология. - 5-е. изд. - М.: Дрофа, 2006. - 640 с.
5. Можаев Б.Н., Афанасьев Н.Ф. Геоиндикационное моделирование (с использованием аэрокосмических съемок). - Ленинград: Изд-во “Недра”, 1984. - 245 с.
6. Тагиев РА, Владимирский ЭМ., Махмудлу ФА., Тагиев Р.Р. Мультифрактальная модель обработки гиперспектральных данных при дистанционном зондировании объектов подстилающей поверхности // Известия АНАКА. - 2005. - № 4 (8). - С. 27-32.
7. . ., . . .
- М.:Физматгиз, 2003. - С. 176.
8. Добеши И. Десять лекции по вейвлетам. - Москва-Ижевск: НИИ «Регулярная и хаотическая динамика», 2004. - 464 с.
9. Van Milliqen B.Ph., Hidalgo C. and Sanchez E. Nonlinear phenomena and intermittency in plasma turbulence // Phys.Rev.Lett. - 1995. - Vol. 74, № 3. - P. 395.
Статью рекомендовал к опубликованию д.т.н., профессор Н.И. Чернов.
Фирдовеи Аладдин оглы Махмудлу - Национальная академия авиации Азербайджана; e-mail: [email protected]; г. Баку, 25-й км, пос. Бина; тел: +7994504037608; аспирант.
Firdovsi Aladdin Mahmudlu - National Aviation Academy; e-mail: [email protected]; 25 km, settlement Bina, Baku; phone: +7994504037608; postgraduate student.
УДК 681.514
Д.И. Ряшенцева ПРИМЕНЕНИЕ АДАПТИВНЫХ НЕЧЕТКИХ МОДЕЛЕЙ В ЗАДАЧЕ АВТОМАТИЧЕСКОЙ ОПТИМИЗАЦИИ РЕЖИМОВ КОТЛОАГРЕГАТА
Рассматривается оптимизация параметров котлоагрегата. Построение адаптивной модели предлагается осуществить через использование нечеткой логики из-за сложностей в описании системы. Предлагается использование адаптивной нечеткой модели, которая была выбрана благодаря ее качественной возможности задания экспертом исход. -
модели, включающей в себя иные структуры, такие как нейросети, регрессионные модели.
В связи с этим в статье предлагается построение гибридной адаптивной модели, которая будет изменять свои характеристики в реальном времени, оптимизировать параметры объекта при смене режима управления.
Адаптивные модели; оптимизация; нечеткая логика; нейросети; гибридные модели; .
D.I. Ryashentseva ADAPTIVE FUZZY MODELS IN THE TASK AUTOMATICALLY OPTIMIZATION OF BOILERS
In this paper the boiler optimization is considered. The adaptive model is constructed with the use of fuzzy logic, due to difficulties in describing the system. Also it is proposed to use adaptive fuzzy model, which was chosen because of high-quality opportunity of expert initial values can give. However, it is proposed to build a hybrid model that includes other structures, such as neural networks, regression models, because of the difficulties of system adaptation. So, in this paper is proposed the construction of a hybrid adaptive model, which will change its characteristics in real time and optimize the parameters of the object by changing the control mode.
Adaptive models; optimization; fuzzy logic; neural network; hybrid models; boiler.
Задача оптимизации параметров котлоагрегата. На практике достаточно
( ).
При разработке автоматических систем управления технологическими процессами создание адекватной математической модели представляет сложную математиче-. ,
могут существенно меняться. В этих условиях традиционные методы часто оказываются неприменимыми либо дают плохие результаты [1].
, , -но функционировать при неполной априорной информации. В процессе функционирования объекта в системе управления происходит ее приспособление к различным условиям функционирования, т.е. система постоянно адаптируется, одновременно управляя объектом. Такая адаптация происходит за счет накопления и обработки информации о поведении объекта в процессе его функционирования.
Адаптация системы управления предполагает наличие некоторого критерия адаптации или целевой функции, позволяющей сравнивать между собой различные состояния системы и некоторого алгоритма адаптации, позволяющего из множества возможных состояний системы выделить наиболее эффективные по .
Внедрение адаптивных алгоритмов в реальных задачах производства сдерживается по причине ряда обстоятельств:
1)
сходимость и до окончания адаптации модели при значительной априорной неопределенности нормальное функционирование объекта управления не гарантирует, ;
2) ( ) -ветствие состояния модели режиму объекта скрыты от конечных пользователей, что приводит к недоверию со стороны заказчика;
3) -
личных факторов на эффективность функционирования, так как информация, соответствующая «неэффективным» состояниям не сохраняется.
4) ,
обеспечить нормальное функционирование объекта в процессе адаптации системы
, , .
В системе автоматической оптимизации (САО) критерий оптимизации (критерий эффективности) задается явным образом как функция одной или нескольких переменных объекта и, исходя из физического принципа действия объекта, предполагается наличие у этой функции экстремума, соответствующего оптимальному (по заданному критерию) функционированию объекта. Поиск экстремума показателя эффективности выполняется путем анализа реакции объекта на специальные поисковые возмущения либо путем анализа естественных возмущений состояния объекта. Классические алгоритмы автоматической оптимизации (экстремального ) , реальных объектах: низкое быстродействие, зависимость сходимости поиска от возмущений, необходимость поисковых возмущений, снижающих эффективность и надежность системы управления и т.п. Но идея автоматической оптимизации может быть положена в основу адаптивной системы управления сложным про.
При построении системы управления сложным объектом или технологическим процессом (ТП) [6] в условиях отсутствия полной и точной модели объекта, можно применить несколько различных подходов. Адаптивный подход позволяет разрабатывать системы управления и оптимизации в условиях частичной априорной неопределенности относительно свойств объекта или процесса. Отличительным свойством адаптивной системы управления является наличие средств получения апостериорной информации в процессе функционирования системы совместно с ОУ и использования этой информации для улучшения характеристик функцио-.
:
♦ адаптация параметров алгоритма управления;
♦ адаптивная модель оп тимального режима ОУ;
♦ адаптация базы знаний (стратегий) системы управления.
Адаптация параметров предполагает наличие средств оценки эффективности функционирования системы управления и не требует информации о параметрах .
Применение методов идентификации модели характеристики позволяет использовать информацию о связи между параметрами ОУ, полученную апостери-орно, в процессе управления [2].
Адаптация базы стратегий (адгоритмов) управления предполагает наличие средств оценки эффективности применяемых алгоритмов управления и корректировку базы алгоритмов, что позволяет реализовать несколько вариантов алгорит-, -, .
Адаптивные системы делят на два типа: самоорганизующиеся и самона-.
В самоорганизующихся (самообучающихся) системах формирование алго-, -но цели управления, происходит в процессе функционирования. В таких системах отсутствует четкое разделение на обучаемую и обучающуюся части, и процесс обучения состоит в том, что система или ее часть, изменяет целенаправленным образом свой закон поведения, находя успешный алгоритм.
В самонастраивающихся же системах структура регулятора задана и требуется лишь определить алгоритм настройки его коэффициентов.
В данной статье предлагается конструирование самообучающейся поисковой , -ся за счет информации, получаемой как реакции объекта на тестовые воздействия.
Обучение системы управления на реальном объекте не всегда целесообразно, так как оно вызывает нежелательное изменение его режима, поэтому обучение лучше производить на его модели, встроенной в управляющее устройство. Модель объекта лучше сделать автоматически изменяемой, так как, если она будет иметь вначале такие же характеристики, что и реальный объект, то потом могут возникнуть разногласия между характеристиками реального объекта и модели, что может повлиять на поиск выгоднейшего алгоритма управления с помощью этой модели, которые не соответствуют результатам, требуемым для реального объекта. Таким образом, происходит двойной поиск - поиск характеристик модели и поиск методов успешного управления, что напоминает дуальное управление. Напомню, что термин «дуадьное управление» введен А А. Фельдбаумом [3], и означает возможность изучать свойства объекта по данным нормального функционирования и тут же использовать полученные знания для непосредственного управления. При этом учитывают следующие обстоятельства: случайных характер помех, возможное наличие динамики в ОУ в реальном времени и т.д.
Предлагается гибридная модель, включающая следующие блоки: адаптивная модель объекта, блок адаптации с базой знаний (правил) адаптации, блок экспертных оценок параметров, блок нечеткого логического вывода. Обобщенная структура приведена на рис. 1.
Адаптивная Блок л Блок нечетких
модель адаптации логических выводов
Блок экспертных оценок
Рис. 1. Гибридная адаптивная модель
Адаптивная модель - модель объекта управления, изменяющая свои характеристики в реальном времени. Возможны различные варианты представления мо. -ской регрессионной модели объекта.
Блок адаптации - набор алгоритмов адаптации, выполняющих корректировку ( ) , .
Нечеткий логический вывод используется для решения задач:
♦ классификации ситуации функционирования на основе экспертной ин-
;
♦
параметров адаптивной модели;
♦ определен ие полноты, достоверности, надежности сведений для совершения следующего шага адаптации.
То есть это некоторая экспертная система оценки ситуации и выбора алго-.
Нейронная сеть имеет также существенный недостаток - ее нельзя задать изначально вручную, т.е. обучение - это этап, который накладывает ограничения на ее , -ские регрессионные модели, заданные в ограниченной области состояний ОУ.
Функционирование системы осуществляется следующим образом.
Исходной системе доступна информация о работе объекта на момент запуска. На основе этой информации задаются возможные значения параметров алгоритмов управления с указанием степени достоверности значений. На первом этапе в системе выбирается алгоритм управления, имитирующий существующий алгоритм управления ОУ. При необходимости могут вводиться пробные возмущения, ограниченные по времени и не приводящие к ухудшению работы объекта. Таким образом, при минимальном изменении процесса управления объектом выполняется обучение модели.
Как только будет достигнута требуемая степень достоверности модели, она задействуется путем перехода на соответствующий алгоритм управления.
Дальнейшая коррекция модели осуществляется по данным функционирования системы с ОУ. При необходимости вводятся минимальные поисковые возмущения.
При резком изменении режима ОУ в ситуации, когда достоверность модели ,
управления или возврат к первоначальному алгоритму.
Поисковой стратегией САО называется совокупность правил выбора управляющих решений для каждой ситуации функционирования САО. Поиск оптимальных величин входных воздействий можно представить как совокупность этапов, направленных на разрешение неопределенности относительно эффективности функционирования ОУ и выбор управляющих решений: процесс получения достоверной информации; выбор оптимального управления для достижения цели поиска [4, 5].
Процедура получения информации должна обеспечивать помехоустойчи-( ), -( ); при наличии существенной инерционности, наименьшее возможное воздействие на ход нормального функционирования ОУ. Поисковая стратегия должна обеспечивать минимизацию времени затрачиваемого на поиск экстремума, минимальное воздействие на процесс нормального функционирования ОУ, уменьшение риска связанного с принятием неверного решения.
Возможные поисковые стратегии: детерминированные, случайные и нечеткие.
Детерминированные стратегии поиска однозначно связывают предшествующее состояние ОУ и последующее воздействие на ОУ. Детерминированные стратегии используются при минимальной априорной информации или высоком уров-, . стратегии поиска предполагают выработку случайных воздействий на ОУ по определенным алгоритмам с целью достижения экстремума. Областью применения случайных поисковых стратегий являются ОУ с характеристикой сложной формы, имеющей локальные экстремумы. Нечеткие стратегии поиска представляют собой нечеткие алгоритмы или правила выбора поисковых воздействий, в которых учитывается специфика знания ОУ. Нечеткие стратегии отличаются многовариантностью выбора управляющих решений, применяются в условиях нечеткости исходной информации с возможностью последующего ее уточнения.
Ниже рассмотрены нечеткие стратегии. Правило выбора управляющего воздействия в поисковой системе может быть определено в общем виде как
Xk+1 = F (ик, хк ),
к ... к где и - предыстория управляющих решении, х - предыстория управляющих воздействий. Нечеткое правило управления может быть задано как нечеткое множество правил управления
] = [Мр (F (^, xk))/F (ь^, xk)}
с функцией принадлежности ЛF (F(uk, xk )) определенной на базовом множестве правил {F(uk, хк )}. Нечеткой стратегией называется тройка:
и f=(и, f , х),
где F - нечеткое правило. Введение нечетких стратегий оправдано при оптимизации систем с априорной неопределенностью. Понятие нечеткой стратегии обобщает известные поисковые стратегии и позволяет выбирать наиболее эффективные правила управления в процессе работы системы, т.е. является базовым средством для разработки адаптивных поисковых систем.
, -, , -тельных пределах меняются условия (режим) работы объекта или системы управления [2]. Предлагается использовать нечеткие модели для классификации ситуаций и принятия решений, нейросети - для моделирования нужных свойств (харак-) - -формации в процессе оптимизации объекта или системы управления. Такая система должна строить модель объекта, которая обновляется в реальном времени, оптимизирует параметры режима объекта, позволяет выбрать оптимальные настройки при смене режима ОУ.
Сфера применения такой системы - выбор параметров алгоритмов управления по текущему значению нагрузки (режиму) в котлоагрегате и корректировка , .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. . ., . . -рирующей установки // Известия ЮФУ. Технические науки. - 2011. - № 2 (115).
- C." 186-191.
2. . . , . .
котлом в условиях неполноты исходных данных. Наука и образование на рубеже тысячелетий: Сборник НИР. Вып. 1. - М.: Учлитвуз, 2011. - С. 18-25.
3. . . -
. VII «
управления» SICPRO 2008 г. - C. 886-896.
4. . ., . .
параметрами. - Таганрог: Изд-во ТТИ ЮФУ, 2007. - 217 с.
5. . ., . .
. « развития естественных, технических и социальных систем». - Таганрог: Изд-во <^н-тон», 2007. - 91 с.
6. . ., . . -
гопотребления // Известия ЮФУ. Технические науки. - 2008. - № 7 (84). - C. 169-174.
Статью рекомендовал к опубликованию д.т.н., профессор Н.И. Витиска.
Ряшенцева Дарья Ильдаровна - Технологический институт федерального государственного автономного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге; e-mail: [email protected]; 347928, г. Таганрог, пер. Некрасовский, 44; тел.: 88634371773; кафедра систем автоматического управления; аспирант.
Ryashenceva Daria Il'darovna - Taganrog Institute of Technology - Federal State-Owned Autonomy Educational Establishment of Higher Vocational Education “Southern Federal University”; e-mail: [email protected]; 44, Nekrasovskiy, Taganrog, 347928, Russia; phone: +78634371773; the department of automatic control systems; postgraduate student.
