- математических, решаемых обычным путем формальных преобразований и процедурного анализа;
- задач распознавания, поскольку в общем случае они решаются численными методами;
- задач, знания о методах решения которых отсутствуют (невозможно построить базу знаний).
Подобно другим видам компьютерных программ ЭС не могут заменить человека в решении задач, а скорее напоминают орудия труда, которые дают ему возможность решать задачи быстрее и эффективнее. Эти системы не заменяют специалиста, а являются инструментом в его руках.
Нечёткая логика
Для многих промышленных процессов сложно обеспечить точное управление. Они обычно являются многомерными, нелинейными и изменяющимися во времени. Управление на основе нечеткой логики может успешно применяться для таких процессов [3,11]. Кроме того, нечеткие контроллеры могут работать с не полностью описанными системами с неизвестной динамикой, так как для них (в отличие от многих традиционных адаптивных контроллеров) не требуется априорная математическая модель объекта управления. Еще одно преимущество нечетких контроллеров состоит в том, что они могут быть легко реализованы на цифровых или аналоговых СБИС, в которых информация может кодироваться по параллельно распределенной схеме.
Применение нечеткой логики для управления процессами в промышленности имеет ряд преимуществ по сравнению с использованием традиционных контроллеров. По-видимому, одно из основных преимуществ состоит в том, что нечетко-логический контроллер может разрабатываться по лингвистическим правилам, что тесно связано с искусственным интеллектом. Одна из целей искусственного интеллекта состоит в том, чтобы заменить человека машиной при выполнении точных операций. Нечеткий контроллер состоит из набора условных лингвистических операторов, или правил (называемых нечеткими ассоциативными матричными правилами, или НАМ-правилами), задающими конкретные ситуации управления. Эти условные лингвистические операторы могут быть легко получены из соображений здравого смысла или из технических сведений о процессе, которым требуется управлять.
Алгоритмы нечеткого управления, использующиеся в следующих случаях:
–когда традиционные автоматические системы не справляются с управлением, а оператору в ручном режиме удается обеспечить заданное качество управления;
–когда необходимо быстро провести наладку автоматической системы, при этом, с одной стороны, отсутствуют математические модели объекта управления, с другой стороны, имеется богатый опыт в виде знаний и навыков оператора по управлению в ручном режиме.
Показана схема построения нечеткой системы управления (НСУ). В ней можно выделить четыре блока. Основой для построения НСУ является схема управления объектом с участием (1) эксперта. Именно эксперт на основе собственных знаний об управлении объектом формирует (2) описание процесса управления. В этом случае описание задается в виде набора лингвистических правил и условий работы каждого лингвистического правила. Затем экспертное описание процесса управления преобразуется (3) в блок управления на основе нечетких экспертных знаний - НСУ. Это дает возможность исключить эксперта из схемы управления и в дальнейшем управление осуществляется (4) только на основе знаний эксперта об управлении, хранящихся в базе знаний НСУ.
На практике формирование базы знаний НСУ производит не сам эксперт, а инженер по знаниям во взаимодействии с экспертом.
Основные этапы построения систем интеллектуального управления на основе нечёткой логики следующие:
1) Определение входов и выходов создаваемой системы;
2) Задание для каждой из входных и выходных переменных функции принадлежности;
3) Разработка базы правил для реализуемой нечёткой системы;
4) Выбор и реализация алгоритма нечёткого логического вывода;
5) Анализ результатов работы созданной системы (проверка адекватности разработанной модели).
Составляющей частью НСУ является контроллер нечеткой логики - наиболее важное приложение теории нечетких множеств. Его функционирование отличается от работы обычных контроллеров тем, что для описания системы используются знания экспертов вместо дифференциальных уравнений. Эти знания могут быть выражены естественным образом с помощью лингвистических переменных, которые описываются нечеткими множествами.
Система управления на основе нечеткой логики состоит из набора НАМ-правил, задающих конкретные ситуации управления [3]. Во многих приложениях достаточно найти соотношение между ошибкой и скоростью изменения ошибки в процессе, чтобы изменить управляющее воздействие на величину, обеспечивающую удовлетворительное управление системой.
В этом отношении могут быть сформулированы простые лингвистические правила, основанные на наблюдениях или на простом изучении хода процесса. Приведем пример лингвистического правила на естественном языке, которое эксперт может использовать для описания действия системы управления:
Если ошибка является положительной, и большой, а скорость изменения ошибки — отрицательная, и малая, то изменение на входе процесса — положительное и большое.
В правиле использованы три переменных: ошибка (Е), скорость изменения ошибки (С) и изменение управляющего воздействия (U). Они задаются фиксированными универсальными множествами, определяющими диапазоны измерений величин, возможные в данной системе управления. В некоторых приложениях [33,34] в качестве посылки НАМ-правила, с целью улучшения характеристик системы, может быть добавлена еще какая-либо переменная, например, величина предыдущего управляющего воздействия, однако это приводит к усложнению в разработке системы управления.
Нейронные сети
В последнее время для целей управления все шире начинают применяться нейронные сети. Они строятся на основе биологических структур мозга и, благодаря способности к самоорганизации и обучению, имеют большие преимущества перед обычными ПИД и самонастраивающимися регуляторами [2,3,5,11,12,13,14,21,22].
Они показали свою эффективность для решения задач распознавания образов. Нейронные сети способны обучаться на основе соотношений "вход-выход", поэтому они могут обеспечить более простые решения для сложных задач управления [2,3,6]. Кроме того, нейроны — это нелинейные элементы; следовательно, нейронные сети в своей основе являются нелинейными системами, пригодными для решения задач управления, принципиально связанных с наличием нелинейных характеристик. Традиционные методы управления не обеспечивают решения подобных задач. Таким образом, в последнее время интеллектуальное управление стало достаточно подходящим для решения реальных задач [2,14,21,22].
Вот основные причины, по которым нейронные сети в последние годы нашли широкое применение как в нейроуправлении, так и во многих других задачах науки и техники [3]:
- нейронные сети – наилучший из возможных способ аппроксимации и экстраполяции функций. Это справедливо при наличии в процессе обучения нейронных сетей достаточно большого объема обучающей информации, а также грамотного синтеза многослойной нейронной сети, решающей задачу;
- наличие множественных нелинейных функций активации в многослойной нейронной сети обеспечивает эффективную реализацию достаточно гибких нелинейных преобразований. Это важно для решения задач с существенными нелинейностями, для которых традиционные подходы пока не дают практически реализуемых решений;
- необходимым условием применения традиционных методов оптимального адаптивного управления является наличие большого объема априорной информации об объекте управления, например, данных математического моделирования. Благодаря способности нейронных сетей к обучению и самообучению для нейроконтроллеров такой объем информации не требуется. В связи с этим можно полагать, что нейроконтроллеры пригодны для управления в условиях существенных неопределенностей;
- высокая параллельность нейронных сетей является предпосылкой эффективной реализации аппаратной и программно-аппаратной поддержки нейросетевых контроллеров в контуре управления;
- многократно отмечаемое в литературе по нейронным сетям, но пока недостаточно исследованное свойство нейронных сетей монотонно (а не катастрофически) уменьшать качество работы при увеличении числа вышедших из строя элементов, а также отсутствие изменения качества работы при значительных изменениях параметров схем, реализующих элементы.
3.4 АНАЛИЗ
До 1998 г. система автоматики металлизации была оснащена зарубежной аппаратурой. В частности, для управления технологическим процессом, системой сигнализации и блокировок на базовом уровне использовали контроллеры SIMATIC S3, для системы измерений, индикации и контроля использовали мнемосхему процесса, систему самописцев, индикаторов и узкопрофильных приборов, на которые выводилась необходимая информация.
На данный момент внедряется стандарт открытых систем – поэтапная программа модернизации системы контроля и блокировок на шахтной печи на базе универсальных программируемых промышленных контроллеров фирмы "ЭМИКОН" серии ЭК-2000. Это делает предприятие независимым от одного поставщика АСУТП. Появляется возможность создать информационную связь с АСУП в режиме реального времени. В конечном счёте это означает существенное снижение как прямых, так и косвенных затрат на производство. Данная модернизация явилась следствием следующих факторов:
-моральный и физический износ оборудования КИПиА и автоматизации;
-дороговизна запасных частей и комплектующих (для самописцев);