Информационное обеспечение системы управления подъёмно-транспортным механизмом (стр. 3 из 13)
<ai,T(ai),X,G,M>,
(1.2)где aI - название i - ой ЛП; T(ai) - терм-множество ЛП ai; Х - область определения элементов множества T(ai); G - синтаксическое правило (грамматика), порождающее элементы (j-е нечеткие переменные)
; M - семантическое правило, которое ставит в соответствие каждой нечеткой переменной (НП) 
нечеткое множество 
- смысл НП 
.Нечеткие переменные (НП)
, составляющие терм-множества лингвистических переменных aI, задаются в виде тройки множеств 
(1.3)где
- наименование НП; Х - базовое множество; 
- нечеткое подмножество множества Х, 
- функции принадлежности, задание происходит путем экспертного опроса.Для всех ЛП терм-множества задаются экспертами и могут, по мнению экспертов, содержать любое количество нечетких переменных (термов). Проведенная данным образом формализация параметров моделей принятия решений позволяет рассматривать не только численные значения, но и ввести экспертные оценки параметров.
1.4. Анализ моделей принятия решений
Существует несколько моделей принятия решений:
- модель классификации;
- модель композиции;
- ситуационная модель принятия решений.
Приведем краткий анализ перечисленных моделей принятия решений. Достоинство модели классификации при построении нечетких контроллеров состоит в возможности установления достаточно полного соответствия между наборами нечетких переменных, характеризующих состояние объекта управления, и элементами множества принятия решения об управлении. Недостаток: если число ЛП велико, значительны мощности их терм-множеств, то таблица соответствие “ситуация-действие” существенно разрастается.
Ситуационная модель принятия решений имеет следующее достоинство, экспертами выделяются некоторые эталонные ситуации в объекте управления, которым сопоставляются в виде соответствия принимаемые решения об управлении, в этом случае нет необходимости задавать правила выбора управлений, упрощается процедура выбора конкретного решения. Недостаток такой же, как и у приведенной выше модели классификации, полноту задания множества всех эталонных ситуаций при значительном количестве входных факторов объекта управления трудно определить априорно.
Применение модели композиции позволит избежать недостатков двух выше перечисленных моделей, так же данная модель имеет более упрощенную реализацию, рассмотрим ее более подробно.
Известна модель, названная в работе [7] моделью композиции, которой в работе [8] дано название модели вычисления степени истинности нечетких правил вывода. Модель задается набором [9]:
(W,T,H), (1.4)
где Т - нечеткое отношение на множестве W´H, причем Т - нечеткое соответствие, которое выводится на основе словесно-качественной информации экспертов, причем
.Множество H рассматривается как множество НП из терм-множества ЛП - принимаемое решение. Формальное построение модели происходит следующим образом.
Элементы множества W - множества, составляющего прямое произведение множеств входных факторов W=W1´W2´…´Wn, определяются при конкретной постановке задачи принятия решения. Определяется ЛП - принимаемое решение и задаются НП из терм-множества ЛП- принимаемое решение. Основной частью построения модели является выбор экспертами элементов множества Т - соответствия в виде правил нечеткого выбора. Полнота этого множества определяет достоверность работы модели. Эксперт описывает принятие решений в виде некоторого множества Т, содержащего высказывания pj,
. Высказывания pj формализуют посредством назначающих, условных и безусловных операторов. Для каждого высказывания pj выводится функция принадлежности 
Для отношения Т значения функции принадлежности определяются через обобщенную операцию s, так что
(1.5)Модель вычисления степени истинности нечетких правил вывода имеет вид:
(W,T,H), W=W1´W2´W3´W4,
(1.6)Модель работает по следующему алгоритму при принятии решения.
1. Для момента времени t0 определяется координата множества W
. Для точки w0 получают значения функций принадлежности 
нечеткого решения выбора hi.2. Выбирается максимальное значение
3. Решение hs является выбранным в результате работы модели вычисления степени истинности нечетких правил вывода.
Данная модель будет применена для реализации нечеткого контроллера.
2. РАЗРАБОТКА МЕТОДА УПРАВЛЕНИЯ ПОДЪЕМНО-ТРАНСПОРТНЫМ МЕХАНИЗМОМ
Сформулируем задачу управления нелинейным объектом - подъемно-транспортным механизмом.
Множество входных сигналов Х в свою очередь состоит из множеств и имеет вид X={X1,X2,X3} где: Х1 - угол отклонения груза, X2 - угловая скорость, X3 – разность заданной и измеренной скоростей.
Введем ЛП g- угол раскачивания груза на тросе, терм-множество которой имеет вид Т(g)={g1,g2,g3,g4,g5}, где: g1 - PMda - угол раскачивания da положительный (против часовой стрелки) средний; g2 - PSda - угол раскачивания da положительный небольшой; g3 - ZRda - угол раскачивания da нулевой; g4 - NSda - угол раскачивания da отрицательный (против часовой стрелки) небольшой; g5 - NMda – угол раскачивания da отрицательный средний. Для каждой НП задаем нечеткие подмножества
.Необходимо определить величину угла отклонения груза. Для этого необходимо оперировать показаниями датчиков угла положения груза на тросе.
Введем ЛП b - угловую скорость груза, терм-множество которой имеет вид Т(b)={b1,b2,b3}, где: b1 - PS 
производная угла раскачивания 
положительная небольшая; b2 - ZR 
- производная угла раскачивания нулевая; b3 - NS 
производная угла раскачивания 
отрицательная небольшая. Для каждой НП задаем нечеткие подмножества
.Введем ЛП e - разность заданной и измеренной скоростей груза, терм-множество которой имеет вид Т(e)={e1,e2,e3,e4,e5}, где: e1 - PM 
- разность скоростей dVT положительная (против часовой стрелки) средняя; NM – разность скоростей dVT отрицательная средняя; e2 - PS 
разность скоростей dVT положительная небольшая; e3 - ZR разность скоростей dVT нулевая; e4 - NS разность скоростей dVT отрицательная (против часовой стрелки) небольшая; e5 - NM разность скоростей dVT отрицательная средняя. Для каждой НП задаем нечеткие подмножества
.