ВВЕДЕНИЕ
Условия эксплуатации современных технологических комплексов приводят к необходимости учета в процессе контроля и управления следующих видов неопределенности:
1. Низкая точность оперативной информации, получаемой с объектов управления, возникающая ввиду большой погрешности датчиков замера технологических параметров (расхода, давления и т.д.), их невысокой надежности, отказов каналов связи, большого запаздывания при передаче информации по уровням управления отсутствия возможности замеров параметров во всех точках технологического процесса, необходимых для моделей.
2. Неточность моделей объектов контроля и управления , вызванная: неэквивалентностью решений системных многоуровневых иерархических моделей и используемых на практике отдельных локальных задач; неверно проведенной декомпозицией общей задачи управления, излишней идеализации модели технологического процесса, разрыва существенных связей в технологическом комплексе, линеаризации, дискретизации, замены фактических характеристик оборудования паспортными, нарушения допущений, принятых при выводе уравнений (стационарности, изотермичности, однородности и т.д.).
3. Нечеткость в процессе принятия решений в многоуровневых иерархических системах, обусловленная тем, что наличие четких (точных) целей и координирующих решений на каждом уровне контроля и управления, и для каждого локального устройства регулирования затрудняет процесс координации и предопределяет длительный итеративный характер согласования решений.
4. Наличие человека-оператора в т.ч.диспетчера в контуре управления и ведение процесса координации в реальной производственной системе на естественном языке, приводит к необходимости учета трудностей представления знаний диспетчера в виде алгоритмов и согласованности полученного ЭВМ решения с его оценкой.
«Излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются на тех и только тех проблемах, которые поддаются точному решению . Многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне лишь по той причине, что они не поддаются математической трактовке».
Л.Заде
Среди современных производственных процессов найдется немало таких, которые обладают комплексом неожиданных для классической теории автоматического управления (ТАУ) качеств. Этим «неудобным» или, как их еще принято называть, «слабоструктурированным» или «плохо определенным» объектам присущи такие свойства, как уникальность, отсутствие формализуемой цели существования и оптимальности , нестационарность структуры и параметров , неполнота или практически полное отсутствие формального описания объекта .
Концептуальные основы
управления в условиях неопределённости
Факторы неопределённости, под которыми понимают источники неопределенности, достаточно условно подразделяются на следующие три большие группы:
1. неопределенность и неполнота информации об обстановке , которая используется для принятия решения по оценке качества функционирования или формирования управления функционированием системы - фактор неопределенности системы и среды ;
2. факторы, порождаемые неопределенностью, нечеткостью мышления и знаний человека - неопределенность, проявляющаясяпри взаимодействии человека с системой и окружающей его средой;
3. факторы, обусловленные неопределенностью , нечеткостью (неточностью) накопленного знания , сосредотачиваемого в базахзнаний искусственных интеллектуальных систем, неопределенностью оперирования этим знанием в процессе осуществления тех или иныхлогических и логико-алгебраических процедур сбора и обработки информации, выработки, выбора и принятия управленческих решений.
Классификация факторов (источников) неопределённости , требующих своего учёта при исследовании сложных систем, приведена на рис.В.1.
Рис.В.1. Классификация факторов неопределенности
Методология анализа и учёта факторов неопределённости при
управлении в сложных организационно-технических системах...
(АСУ с СППР и СПР-системы поддержки принятия решений и системы принятия решений)
1. Проблемы и обобщённая формализация задач выработки и при-
нятия управленческих решений в условиях неопределённости ….
2. Детерминистический игровой подход принятия решений в усло-
виях неопределённости …………..……………..……………………..
3. Стохастический подход к решению задач принятия решений в
условиях неопределённости …..………………………………………
4. Вероятностно - статистический подход принятия решений в ус-
ловиях неопределённости ……………………………………………..
5. Вероятностный подход принятия решений в условиях неопреде-
лённости …..………………………………………………………………
6. Нечётко - стохастический подход принятия решений в условиях
неопределённости ……………………………..………………………..
7. Теория возможностей и проблема принятия решений в условиях
неопределённости …………………….…………………………………
8. Нечётко - возможностный подход принятия решений в условиях
неопределённости ……………………………………………………….
9. Лингвистический подход принятия решений в условиях неопре-
делённости..………………………..………………………………….
Управление слабоструктурированными объектами представляет с точки зрения классической ТАУ довольно сложную, практически неразрешимую задачу. Это вызвано тем, что при построении традиционной системы автоматического управления (САУ) необходимо предварительно формально описать объект управления и сформировать критерии управления на базе математического аппарата, оперирующего количественными категориями. В случае, если невозможно дать точное математическое описание объекта и критериев управления им в количественных терминах, традиционная ТАУ оказывается неприменимой.
К примеру, классическая ТАУ детерминированными и стохастическими системами успешно применяется для построения САУ летательными аппаратами, энергетическими установками и т.п., но попытки распространения традиционных методов на такие области, как биосинтез, многофазные химико-технологические процессы, связанные с обжигом, плавкой, катализом и т.п., не дали ощутимых практических результатов, несмотря на все более усложняющиеся математические методы их описания.
Однако, на практике подобными слабоструктурированными объектами достаточно успешно управляет человек-оператор , которого выручают способности наблюдать, анализировать и запоминать информацию, делать определенные выводы и.т.п., и, как следствие, принимать правильные решения в обстановке неполной и нечеткой информации. Благодаря своему интеллекту, человек может оперировать не только с количественными (что в определенной степени может и машина), но и с качественными неформализованными понятиями , вследствие чего довольно успешно справляется с неопределенностью и сложностью процесса управления. Поэтому построение моделей приближенных рассуждений человека и использование их в САУ представляет сегодня одно из важнейших направлений развития ТАУ.
Не вызывает сомнений, что существенное повышение эффективности управления сложными объектами заключается в создании интеллектуальных САУ, способных в той или иной степени воспроизводить определенные интеллектуаль-ные действия человека, связанные с приобретением, анализом, классификацией знаний в предметной области управления технологическим процессом, а также оперирующих знаниями, накопленными человеком-оператором или самой системой в ходе практической деятельности по управлению объектом.
Необходимость работы в этих условиях затрудняет использование стандартных систем автоматики и АСУ ТП . Особенно сложным является описание областей допустимых режимов работы оборудования в таких условиях, когда задание жестких (четких) ограничений для АСУ ТП и систем автоматики приводят к автоматическому или ручному отключению этих систем. Поэтому крайне важной представляется возможность использования для описания и формализации областей допустимых режимов работы оборудования теории искусственного интеллекта (ИИ) и интеллектуальных систем (ИС).
В связи с бурным развитием вычислительной техники в последнее время началось использование новых методов интеллектуального управления в промышленности . И хотя первые применения интеллектуальных САУ состоялись в Европе, наиболее интенсивно внедряются такие системы в Японии. Спектр приложений их широк: от управления промышленными роботами, ректификационными установками и доменными печами до стиральных машин, пылесосов и СВЧ-печей. При этом интеллектуальные САУ позволяют повысить качество продукции при уменьшении ресурсо и энергозатрат и обеспечивают более высокую устойчивость к воздействию возмущающих факторов по сравнению с традиционными САУ.
Под интеллектуальной системой понимается (К.А. Пупков) объединенная информационным процессом совокупность технических средств и программного обеспечения, работающую во взаимосвязи с человеком (коллективом людей) или автономно, способную на основе сведений и знаний при наличии мотивации синтезировать цель, принимать решение к действию и находить рациональные способы достижения цели.
Главная архитектурная особенность, которая отличает интеллектуальные системы управления (ИСУ) от "традиционных " – это механизм получения, хранения и обработки знаний для реализации своих функций.
В основе создания интеллектуальных систем управления лежат два принципа: ситуационное управление (управление на основе анализа внешних ситуаций или событий) и использование современных информационных технологий обработки знаний (экспертные системы, искусственные нейронные сети, нечеткая логика, генетические алгоритмы и ряд других).
Экономические решения в зависимости от определенности возможных исходов или последствий рассматриваются в рамках трех моделей:
выбор решения в условиях определенности, если относительно каждого действия известно, что оно неизменно приводит к некоторому исходу;
выбор решения при риске, если каждое действие приводит к одному из множества возможных частных исходов, причем каждый исход имеет вычисляемую или экспертно оцениваемую вероятность появления;
выбор решений при неопределенности, когда то или иное действие имеет своим следствием множество частных исходов, но их вероятности неизвестны.
Вероятностные методы обеспечивают подходящие условия для принятия решения и содержательные гарантии качества выбора. При этом исходят из предположения, что суждения относительно значений, предпочтений и намерений представляют ценные абстракции человеческого опыта и их можно обрабатывать для принятия решений. В то время как суждения относительно правдоподобия событий квалифицируются вероятностями, суждения относительно желательности действий представляются понятиями. Байесовская методология рассматривает ожидаемую полезность U(d) как оценку качества решенияd. В соответствии с этим, если мы можем выбрать либо действиеd 1 , либоd 2 , вычисляемU(d 1),U(d 2) и выбираем действие, которое соответствует наибольшему значению. Семантика полезности состоит в том, чтобы описать риск.
Под риском принято понимать вероятность (угрозу) утраты лицом или организацией части своих ресурсов, недополучения доходов или появление дополнительных расходов в результате осуществления определенной финансовой политики.
Под уровнем риска понимается объективная или субъективная вероятность возникновения потерь. Объективная – это количественная мера возможности наступления случайного события, полученная с помощью расчетов или опыта, позволяющая оценить вероятность выявления данного события. Субъективная представляет собой меру уверенности и истинности высказанного суждения и устанавливается экспертным путем.
Уровень рисков наиболее легко устанавливается при помощи атрибутивных оценок типа «высокий», «средний», «небольшой». Разновидностью атрибутивной оценки рисков является буквенная кодировка. При этом в порядке нарастания риска и падения надежности используются латинские буквы от А до D.
AAA– самая высокая надежность;
AA – очень высокая надежность;
A – высокая надежность;
D – максимальный риск.
Оценивать уровень риска можно, используя показатели бухгалтерской и статистической отчетности.
Из всех возможных показателей лучше всего для этой цели подходит коэффициент текущей ликвидности (КТЛ) – отношение ликвидных средств партнера к его долгам, который отвечает на вопрос, сможет ли партнер покрыть долги своими активными ликвидными активами.
В результате анализа ситуации строятся причинно-следственные диаграммы («дерево причин») и диаграммы зависимостей. Причинно-следственная диаграмма является формальным отображением структуры проблемной ситуации в виде иерархически незамкнутого графа, вершины которого соответствуют элементам проблемы, отражающим причины ее возникновения, а дуги – связям между ними. Связь элементов-подпроблем отображается в виде отношения «причина – следствие» (рис. 11.1).
OLTR – средства складирования данных и оперативной обработки транзакций; OLAR – средства оперативной обработки информации.
Корпоративная БД, организованная в виде хранилища данных, заполняется информацией с использованием технологий OLTR и OLAR. Для разработки и реализации СППР слабоструктурированных проблем должны быть разработаны и адаптированы к ее условиям следующие методы и средства:
система признаков для регистрации проблемных ситуаций;
методы оценки степени критичности проблемных ситуаций;
причинно-следственные диаграммы для диагностирования причин возникновения проблемных ситуаций;
таблица принятия решений для формирования и выбора вариантов решений;
методы прогнозирования результатов решений;
модели функционирования предприятия и внешней среды.
Рис.11.1. Модель системы поддержки принятия решений
Наиболее распространенной формой выявления проблем с использованием технико-экономических показателей является сравнение их фактических величин с нормативными и средними значениями.
Логический анализ проблем-причин, находящийся на нижних уровнях иерархии, показывает, что во многих случаях они позволяют сформировать варианты решения проблем более высокого уровня. Например, в качестве вариантов решения проблемы снижения объемов производства и сбыта продукции возможны альтернативы:
варьирование ценами;
варьирование формами оплаты;
снижение численности работающих;
сокращение доли условно-постоянных расходов в себестоимости продукции;
сокращение сроков выполнения заказов;
усиление службы маркетинга.
Когда отсутствуют статистические данные, необходимые для расчета объективной вероятности риска, прибегают к субъективным оценкам, основанным на интуиции и опыте экспертов. Дж. Кейнс ввел понятие субъективной вероятности. В соответствии с принципом безразличия одинаково правдоподобные события или суждения должны иметь одинаковую вероятность, что математически записывается так:
А ~ В ≡ Р(А) = Р(В),
где ~ – знак, выражающий отношение безразличия или толерантности.
Более правдоподобное событие или суждение должно иметь большую вероятность, т.е. если А>В, то Р(А)>Р(В). Субъективные оценки вероятности связывают вербальные и количественные значения (табл. 4).
Таблица 4
При осуществлении сделок на рынке ценных бумаг различают формы рисков:
Систематический риск – риск падения рынка ценных бумаг в целом. Не связан с конкретной ценной бумагой.
Несистематический риск – агрегированное понятие, объединяющее все виды рисков, связанных с конкретной ценной бумагой.
Страновой риск – риск вложения средств в ценные бумаги предприятий, находящихся под юрисдикцией страны с неустойчивым социальным и экономическим положением, с недружественными отношениями к стране, резидентом которой является инвестор. В частности, политический риск.
Риск законодательных изменений – риск потерь от вложений в ценные бумаги в связи с изменением их курсовой стоимости, вызванным появлением новых или изменением существующих законодательных норм.
Инфляционный риск – риск того, что при высокой инфляции доходы, получаемые инвесторами от ценных бумаг, обесцениваются.
Валютный риск – риск, связанный с вложениями в валютные ценные бумаги, обусловленный изменениями курса иностранной валюты.
Отраслевой риск – риск, связанный со спецификой отдельных отраслей.
Региональный риск – риск, свойственный монопродуктовым районам (с/х, военная, тяжелая, легкая отрасли промышленности).
Риск предприятия – риск финансовых потерь от вложения в ценные бумаги конкретного предприятия.
Кредитный риск – риск того, что эмитент, выпустивший ценные бумаги, окажется не в состоянии выплатить процент по ним.
Риск ликвидности – риск, связанный с возможностью потерь при реализации ценной бумаги из-за изменения ее оценки.
Процентный риск – риск потерь, которые могут понести инвесторы в связи с изменением процентных ставок.
Капитальный риск – риск существенного ухудшения качества портфеля ценных бумаг.
Существует несколько популярных подходов к принятию решений относительно выбора портфеля инвестиций и размещения средств. Наиболее простой – конформный – требует, чтобы портфель был сконструирован с целью удовлетворения специфических требований компании, осуществляющей инвестирование. В соответствии с этим подходом инвестор делает вклады фиксированной величины в различные категории ценных бумаг. Оценка качества ценных бумаг фирмы может основываться на размерах капитала компании, показателях ее эффективности и вкладах других организаций.
Стратегии, в которых активы смешиваются в соответствии с фазами национальной и глобальной экономики, называются тактическим размещением активов. Тактическое размещение активов бывает конформным, при этом средства вкладываются в те активы, которые упали в цене. Когда пропорция средств, вкладываемых в различные классы активов, основывается на некоторых прогнозных оценках макроэкономических параметров, такой подход называется размещением в соответствии со сценарием.
Наиболее широко распространенным подходом к выбору портфеля является подход «среднее-дисперсия», предложенный Гарри Марковитцем. Основная идея заключается в том, чтобы рассматривать будущий доход, приносимый финансовым инструментом, как случайную переменную, то есть доходы по отдельным инвестиционным объектам случайно изменяются в некоторых пределах. Тогда, если неким образом определить по каждому инвестиционному объекту вполне определенные вероятности реализации, можно получить распределение вероятностей получения дохода по каждой альтернативе вложения средств. Для упрощения модель Марковитца предполагает, что доходы по альтернативам инвестирования распределены нормально.
По модели Марковитца определяются показатели, характеризующие объем инвестиций и риск, что позволяет сравнивать между собой различные альтернативы вложения капитала с точки зрения поставленных целей и тем самым создавать масштаб для оценки различных комбинаций. В качестве масштаба ожидаемого дохода из ряда возможных доходов на практике используют наиболее вероятное значение, которое в случае нормального распределения совпадает с математическим ожиданием.
В основе модели Марковитца выбор портфеля представляется проблемой оптимизации:
при ограничениях
,
,
где n
– число доступных
ценных бумаг;
часть портфеля,
содержащаяся в ценных бумагах видаi
;R i
= Е(r i
)
– ожидаемая величина дохода по бумагам
i
;R p =E(r p)
– целевой уровень ожидаемого дохода
портфеля; σ ij
–
ковариация дохода по ценным бумагамi
иj
;V p – дисперсия дохода портфеля.
Эта задача является задачей квадратичного программирования.
Один из выходов в сложившейся ситуации заключается в использовании методов интеллектуального управления, которые предполагают отказ от:
- - необходимости получения точной математической модели объекта;
- - ориентации на применение “жёстких” (как правило, линейных) алгоритмов формирования управляющих воздействий;
- - стремления во что бы то ни стало воспользоваться известными разработчику методиками синтеза, ранее положительно зарекомендовавшими себя для других, более простых классов объектов.
Прежде чем перейти к интеллектуальному управлению нельзя не отметить признанные в мире и ставшие классическими тенденции управления станками, разработанные отечественными научными школами. Это работы Балакшина Б.С., Базрова Б.М., Бжозовского Б.М., Горнева В.Ф., Морозова В.П., Колосова В.Г., Ратмирова В.А., Соломенцева Ю.М., Пуша В.Э., Сосонкина В.Л., Тимирязева В.А., Заковоротного В.Л., Тугенгольда А.К. и др. . В частности, созданию систем адаптивного управления станками по показателям качества изготовления изделий посвящены работы . Гибкие автоматизированные производства (ГАП), позволяющие уменьшить затраты, повысить надёжность и гибкость (способность к переналаживанию) функционирования при частой смене управляющих программ, подробно излагаются в работах . Создание программ ЧПУ и особенности их реализации в составе интегрированного автоматизированного производства рассматриваются в .
Подробный анализ современных методов управления технологическими процессами и оборудованием приведён в работе , где показаны достижения современной теории управления, в частности, использования методов аналитического конструирования регуляторов (Летов А.М. и др.), модального управления (Поспелов Г.С. и др.), обратных задач динамики (Крутько П.Д. и др.), инвариантного управления (Щипанов Г.В., Кулебакин В.С., Петров Б.Н. и др.), адаптивного управления (Ципкин Я.Д. и др.) и пр. Отмечено, что вершиной представлений при синтезе систем управления является аналитическое конструирование регуляторов. Принципиально иной путь построения систем управления, опирающийся на синергетическую теорию управления, описан в . Принципы эволюционных преобразований и самоорганизации, опирающиеся на синергетический подход, в управляющей системе, координаты состояния которой взаимодействуют со средами, излагаются в работах . Все названные подходы и принципы синтеза систем управления имеют свои достоинства и недостатки, но общим для них всех является то, что они опираются на полученную тем или иным способом математическую модель объекта управления, причём математическая модель представляет из себя систему дифференциальных или разностных уравнений, описывающих физическую сущность процессов или объектов. Принципиально иной подход к управлению заключается в использовании математических моделей знаний об управляемом объекте, т.е. использование методов интеллектуального управления. Применительно к ТО данное направление исследований представлено в работах .
В основе интеллектуального управления лежит идея построения высокоорганизованных САУ, основанных на использовании моделей переменной сложности и неопределённости, с выполнением таких присущих человеку интеллектуальных функций, как принятие решений, планирование поведения, обучение и самообучение в условиях изменяющейся внешней среды. Под обучением нужно понимать способность системы улучшать своё поведение в будущем (применительно к ТО - повышать качество обработки), основываясь на экспериментальной информации, которую она получала в прошлом, о результатах взаимодействия с оказывающими влияние факторами. Самообучение - это обучение без внешней корректировки, т. е. без указаний “учителя”- оператора.
Интеллектуальной системой управления (ИСУ) считается такая , в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается.
Необходимым признаком ИСУ является наличие базы знаний, содержащей сведения (факты), модели и правила, позволяющие уточнить поставленную задачу управления и выбрать рациональный способ её решения. Часто об интеллектуальных системах говорят как о системах, основанных на знаниях. В зависимости от характера реализуемых интеллектуальных функций, т. е. от уровня интеллектуальности, различают ИСУ, интеллектуальные “в большом” и “в малом” .
Согласно управляющие системы, интеллектуальные “в большом”, - это системы, организованные и функционирующие в соответствии со следующими пятью принципами (в полном их объёме).
- 1. Взаимодействие с реальным внешним миром с использованием информационных каналов связи.
- 2. Принципиальная открытость системы в целях повышения интеллектуальности и совершенствования собственного поведения.
- 3. Наличие механизмов прогноза изменений внешнего мира и собственного поведения системы в динамически изменяющемся внешнем мире.
- 4. Наличие многоуровневой иерархической структуры, построенной в соответствии с правилом: повышение интеллектуальности и снижение требований к точности моделей по мере повышения уровня иерархии в системе (и наоборот).
- 5. Сохраняемость функционирования (возможно, с некоторой потерей качества или эффективности, т. е. с некоторой допустимой деградацией) при разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей структуры.
Управляющие системы, интеллектуальные “в малом”, не удовлетворяют перечисленным выше принципам, но используют при функционировании знания (например, в виде правил) как средство преодоления неопределённости входной информации, неточности описания управляемого объекта или его поведения.
Основываясь на всём выше изложенном можно сделать следующее заключение. При множественности факторов, влияющих на достижение качества обработки на металлорежущих станках, “нечёткости” информации об этих факторах, стохастичности самого процесса резания, а также при разнообразии методов обеспечения заданной точности обработки перспективным направлением исследований и разработок в станочном оборудовании являются интеллектуальные системы управления.
Сейчас наибольшее распространение получили методы интеллектуального управления, относящиеся к следующим четырём классам :
- - экспертные системы (ЭС);
- - нечёткие регуляторы (НР);
- - нейронные сети (НС);
- - генетические алгоритмы (ГА).
Экспертные системы (expertsystems) имеют дело с задачами искусственного интеллекта на верхнем уровне, работая с символьной информацией для получения выводов об окружающей среде и формирования управленческих решений с учётом характера сложившейся (или прогнозируемой) ситуации. Экспертные системы накапливают эвристические знания и манипулируют ими, пытаясь имитировать поведение эксперта.
На рисунке 1.2 приведён пример построения экспертного регулятора, представляющего собой объединение ЭС и традиционного регулятора (или системы регуляторов) применительно к управлению ТО. Более сложную структуру (с подробной детализацией отдельных блоков ЭС) имеют предлагаемые в модели работы технологической системы, которые базируются на принципе принятия решений по внесению прогнозной коррекции в процесс изготовления деталей с учётом конкретной ситуации. Экспертная система, как и в , так и на рисунке 1.2 образует верхний, супервизорный уровень управления и включает в себя ряд подсистем.
Подсистема идентификации и прогноза - обеспечивает нахождение математической модели объекта управления непосредственно в процессе функционирования, по результатам наблюдений за его входными/выходными переменными. То есть, в задачи блока входит комплектование информации, необходимой для принятия решений. Этот блок осуществляет программную настройку движений рабочих органов, измеряет и идентифицирует параметры состояния внешней среды - F, управляющие воздействия - U, результаты работы системы СПИД - Y.
База данных содержит непрерывно обновляемые данные (предыдущие, текущие, прогнозные) о характеристиках системы СПИД и внешней среды, а также информацию о граничных (критических, предельно допустимых) значениях соответствующих параметров. База знаний содержит знания о специфике работы конкретного ТО, целях, стратегии и алгоритмах управления, о результатах идентификации и прогноза характеристик системы СПИД.
Подсистема логического вывода осуществляет выбор рациональной (наиболее подходящей в момент обработки определённой детали на ТО) структуры и параметров регулятора, а также, возможно, алгоритмов идентификации и прогноза.
Подсистема интерфейса предназначена для организации интерактивного режима по наполнению базы знаний с участием эксперта (режима обучения) и обеспечения общения с пользователем-оператором (рабочим-профессионалом), включая объяснение механизма принятия тех или иных решений по управлению (режима эксплуатации).
Отличие приведенной на рисунке 1.2 архитектуры экспертной системы от архитектуры обычных (статических) экспертных систем состоит в том, что она обеспечивает выполнение следующих важных функций:
- * построение динамической модели объекта и его среды;
- * поддержание контакта с внешним миром (датчиками, СУБД, регуляторами, другими ЭС).
Данное обстоятельство позволяет относить рассматриваемую экспертную систему к классу динамических (“активных”) экспертных систем, или экспертных систем реального времени, способных восполнить утрачиваемый вклад рабочего-профессионала с его опытом, знаниями и навыками в достижение качества обработки.
Нечёткие регуляторы (fuzzycontrollers). Идеи нечёткой логики, впервые высказанные в 1964 г. американцем Л. Заде, известным специалистом в области теории систем, своё первое применение в задачах управления реальными техническими объектами нашли в Европе. В 1974 г. были опубликованы работы английских учёных Э.Х. Мамдани и С. Ассилиан, посвященные проблеме регулирования парогенераторной установкой с помощью специально сконструированных нечётких правил (продукций).
Типовая структура ИСУ с НР приведена на рисунке 1.3. Будем полагать для простоты, что объект управления (например, привод подачи на основе двигателя постоянного тока (ДПТ)) является одномерным, т. е. имеет один вход (сигнал управления - u) и один выход (скорость вращения вала двигателя - y). Ошибка управления е, представляющая собой разность задающего воздействия и выхода объекта (управляемой переменной) у, подаётся на один из входов блока фаззификации. На другой вход этого блока поступает сигнал производной вычисленный с помощью дифференцирующего устройства (ДУ).
Назначение блока фаззификации - преобразование значений сигналов ошибки е и её производной в лингвистические переменные, определяемые функциями принадлежности. Здесь А i и В j , - соответственно значения (термы), принимаемые лингвистическими переменными “Ошибка управления” и “Производная ошибки”. Пример построения функций принадлежности и показан на рисунке 1.3, где используются следующие обозначения:
Z - “Близкая к нулю” (zего);
МР - “Средняя положительная” (middlepositive);
LP - “Большая положительная” (largepositive);
MN - “Средняя отрицательная” (middlenegative);
LN - “Большая отрицательная” (largenegative).
В базе знаний хранятся знания в форме правил, левые части которых содержат условия относительно указанных выше значений лингвистических переменных “Ошибка управления” и “Производная ошибки”, а правые части - высказывания относительно значений лингвистической переменной “Приращение управляющего воздействия” (индекс k здесь означает k-й момент времени t k). Данные правила могут принимать следующий вид:
- 1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО (Приращение управляющего воздействия = Близко к нулю);
- 2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО (Приращение управляющего воздействия = Среднее положительное) и т. д.
Предполагается, что реализация данных правил гарантирует выполнение определенных требований к системе, связанных с обеспечением желаемого вида её переходной функции (заданное быстродействие, монотонность, слабая колебательность переходного процесса, например, по управляющему и возмущающему воздействиям для следящего привода металлорежущего станка). Возможный вариант задания функций принадлежности, определяющих базовые значения лингвистической переменной “Приращение управляющего воздействия” в виде одноточечных нечётких множеств (singletons), приведен на рисунке 1.4.
В основе работы механизма логического вывода используется метод “максимума-минимума” или метод “максимума-произведения” . Применение этих методов позволяет получить результирующую функцию принадлежности лингвистической переменной “Приращение управляющего воздействия” (рисунок 1.4) с учётом конкретных (т. е. измеренных в момент t k) значений сигналов е k и - входов нечёткого регулятора.
И, наконец, переход от полученного нечёткого множества, описываемого функцией принадлежности, к единственному (чёткому) значению выходной переменной осуществляется в блоке дефаззификации с помощью метода центра тяжести .
Для рассматриваемого на рисунке 1.4 случая данная величина подсчитывается как
где - значения функции принадлежности в точках -c 1 , -c 2 , 0, -c 1 , -c 2 , называемые уровнями активности соответствующих правил и вычисляемые с помощью механизма логического вывода.
Выход нечёткого регулятора u k находится по формуле
где u k-1 - предыдущее значение управляющего воздействия u; - приращение, вычисленное на k-м такте работы регулятора.
Другая разновидность нечёткого регулятора - регулятор типа Сугено . В этом случае только левые части правил (условия) содержат лингвистические переменные; правые же части этих правил (выходы) представляют собой линейные комбинации входных переменных регулятора плюс постоянная составляющая (смещение). Например, нечёткие правила могут иметь следующий вид:
1) ЕСЛИ (Ошибка управления = Близка к нулю) И (Производная ошибки = Близка к нулю), ТО
2) ЕСЛИ (Ошибка управления = Средняя положительная) И (Производная ошибки = Большая отрицательная), ТО
Здесь - заданные (выбранные экспертом) числовые коэффициенты; - измеренные в k-м такте значения сигнала ошибки и ее производной. Результирующим выходом является взвешенное среднее для выходов каждого правила (1.3)
где - уровень активности i-го правила; N - число таких правил; - приращение, вычисленное с помощью i-го правила для конкретных значений.
Главное достоинство применения нечётких регуляторов в управлении ТО - возможность эффективного управления сложными динамическими объектами, входящими в состав системы СПИД, в условиях неопределенности их характеристик путём моделирования механизма обработки знаний по аналогии с поведением высококвалифицированного рабочего (оператора).
Нейронные сети. История искусственных нейронных сетей (artificialneuralnetworks) начинается с работ американских учёных У. Мак-Каллока, В. Питтса (1943 г. - модель формального нейрона) и Ф. Розенблатта (1958 г. - однослойная нейронная сеть, названная им персептроном). Сегодня под нейронными сетями (НС) понимаются параллельные вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга. НС обладают способностью приобретения знаний о предметной области, обучаясь на примерах и подстраивая свои веса для интерпретирования предъявляемых им многоразмерных данных.
На рисунке 1.5 приведена структурная схема НС прямого распространения - многослойного персептрона. Кружками (вершинами) обозначены элементарные преобразователи информации - нейроны, а стрелками (дугами) - связи между ними, имеющие разную “силу” (веса синаптических связей). Как видно из рисунка 1.5, рассматриваемый персептрон состоит из нескольких слоёв нейронов:
- * входного слоя, на который подаётся набор входных сигналов;
- * одного или более “скрытых” (промежуточных) слоёв;
- * выходного слоя нейронов.
Суть процесса обучения НС заключается в выполнении следующей многошаговой процедуры .
Шаг 1. Задается обучающее множество (“задачник”)
элементами которого являются обучающие пары. В данном случае - 1-й входной вектор (или 1-й входной образ), предъявляемый нейронной сети; - вектор эталонных (требуемых) реакций НС в ответ на 1-й входной вектор; L - число различных обучающих пар.
Шаг 2. Устанавливается начальное состояние НС путём присваивания всем её весам некоторых случайных (малых) значений. - вес связи, соединяющей выход i-го нейрона k-го слоя со входом j-го нейрона (k + 1)-го слоя.
Шаг 3. На вход сети подаётся входной вектор; определяются реакции нейронов выходного слоя.
Шаг 4. Вычисляется разность между желаемой реакцией сети и её фактическим выходом, т. е. , а также суммарная квадратичная ошибка
Шаг 5. Осуществляется коррекция весов нейронной сети таким образом, чтобы уменьшить ошибку.
Шаг 6. Повторяются шаги 3-5 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет малой, заранее заданной величины Е*.
Результатом обучения является такая настройка весов синаптических связей, при которой каждому входному вектору сеть сопоставляет требуемый (или близкий к нему) выход.
Одним из первых алгоритмов, удачно зарекомендовавшим себя при обучении многослойной НС, явился предложенный в 1986 г. Руммельхартом (США) и его коллегами алгоритм обратного распространения (Васk-РгораgаtionAlgorithm), претерпевший впоследствии многочисленные изменения и усовершенствования.
На сегодня известно более 200 разновидностей НС. Кроме упомянутых выше многослойных персептронов, это:
- * динамические (рекуррентные) НС;
- * сети на основе радиальных базисных функций;
- * сети Хопфилда;
- * сети Кохонена;
- * неокогнитроны и т. д.
На рисунке 1.6 приведён пример применения НС для решения задачи управления сложным динамическим объектом (как и в примере с нечётким регулятором рассматривается поддержание заданной скорости для привода ДПТ). НС выступает в данном случае в качестве нелинейного регулятора, который после завершения процесса обучения обеспечивает минимум рассогласования между выходами эталонной модели (ЭМ) и САУ ТО в целом.
Преимущества использования многослойных НС в качестве контроллеров ТО объясняются комплексом их свойств: 1)сигналы в таких НС, как и в системах автоматического управления, распространяются в одном, прямом направлении; 2)ключевую роль в формировании необходимых нелинейных алгоритмов управления играют универсальные аппроксимационные свойства этих сетей; 3)способность многослойной НС к обучению придаёт адаптивные свойства; 4)способность НС к параллельной обработке как аналоговых, так и дискретных сигналов делает естественным их использование для управления многомерными объектами. Реализация нейроконтроллеров на основе обучаемых НС не вызывает принципиальных трудностей: существующие микропроцессорные средства могут вполне реализовать функции НС. Включение многослойной НС в контур управления расширяет фазовое пространство объекта и увеличивает число его степеней свободы, тем самым даёт возможность синтеза оптимальных законов управления.
Генетические алгоритмы (geneticalgorithms). Это большая группа методов адаптивного поиска и многопараметрической оптимизации, интенсивно развивающихся в последние годы как для их самостоятельного применения, так и в сочетании с другими методами интеллектуального управления .
Само название этих алгоритмов указывает на то, что их происхождение связано с использованием принципов естественного отбора и генетики. Традиционные методы поиска обычно предполагают дифференцируемость исследуемой целевой функции по параметрам и, как правило, используют градиентные процедуры. Генетические алгоритмы (ГА) отличаются от обычных методов оптимизации рядом обстоятельств. По своей сути ГА представляют собой метод параллельного поиска глобального экстремума, основанный на использовании в процессе поиска сразу нескольких, закодированных соответствующим образом, точек (кандидатов на решения), которые образуют развивающуюся по определенным случайным законам популяцию. Используемые при этом механизмы отбора, впервые чётко сформулированные ещё Чарльзом Дарвином (“Выживает наиболее приспособленный!”), позволяют отсеять наименее подходящие варианты и, наоборот, выделить, а затем и усилить положительные качества тех вариантов, которые наиболее полно отвечают поставленной цели.
Очертим круг задач, решаемых с помощью ГА применительно к ТО.
Оптимизационные задачи занимают одно из центральных мест при проектировании различных классов САУ ТО. Причиной этого является естественное стремление выбрать наиболее простой вариант построения системы или модели при соблюдении заданных требований к качеству ее функционирования (задача структурного синтеза) или найти оптимальные настройки параметров многокомпонентной системы при заданной её структуре (задача параметрического синтеза). В приводится несколько примеров постановок соответствующих задач.
Задача 1. Требуется найти оптимальный алгоритм идентификации и прогноза характеристик объекта, используемый в составе ИСУ ТО с экспертным регулятором (см. рисунок 1.2). Варьируемые параметры - числовые коэффициенты регрессионной модели, число базисных функций или порядок уравнений регрессии. Целевая функция - ошибка идентификации и прогноза, оцениваемая как разность между выходами объекта управления и его модели в текущий (или будущий) момент времени.
Задача 2. Требуется выбрать форму и взаимное расположение функций принадлежности нечёткого регулятора, обеспечивающего заданное качество процессов управления в САУ ТО. Варьируемые параметры - числовые коэффициенты a i ,b j ,c s функций принадлежности (см. рисунок 1.5); число функций принадлежности. Целевая функция - показатель качества (функционал), минимуму которого соответствуют эталонные перёходные процессы.
Задача 3. Требуется выбрать структуру (топологию, архитектуру) многослойного персептрона, используемого в качестве нелинейного регулятора в ИСУ ТО, изображённой на рисунке 1.6. Варьируемые параметры - число слоёв и число нейронов в каждом слое НС. Целевая функция - ошибка обучения сети, представляющая собой рассогласование между выходами объекта и эталонной модели системы.
Во всех приведённых примерах задача оптимизации принимает следующую математическую формулировку: найти такие значения варьируемых параметров V 1 , V 2 , …, V n , которые доставляют минимум целевой функции f(V 1 , V 2 , …, V n) при условии, что указанные параметры V 1 , V 2 , …, V n удовлетворяют некоторой допустимой области. Задание области ограничений в каждом конкретном случае диктуется спецификой решаемой задачи. Например, в задаче 2 вид области определяется выбором границ интервалов, в пределах которых ищутся искомые оптимальные параметры функций принадлежности. В задаче 3 соответствующие ограничения связаны с лимитированием предельно допустимой сложности исследуемого класса НС и т. п.
При использовании традиционных алгоритмов многопараметрического поиска для решения вышеперечисленных задач возникает ряд трудностей, к которым относятся:
- * резкий рост вычислительных затрат и времени поиска при увеличении числа варьируемых параметров (“проклятие размерности”);
- * локальный характер алгоритмов поиска, связанный с необходимостью вычисления производных (градиента) целевой функции на каждом шаге поиска;
- * возможность “зависания” алгоритма поиска в окрестности одного из локальных экстремумов;
- * низкая помехозащищённость алгоритма;
- * низкая эффективность поиска при наличии “овражных” ситуаций.
Привлекательность ГА состоит именно в том, что они в значительной мере лишены указанных недостатков.
Согласно терминологии ГА, заимствованной из генетики и теории эволюции живой природы, они имеют дело с популяцией “индивидуумов”, каждый из которых является претендентом на решение рассматриваемой задачи. Каждому индивидууму приписывается определенный “индекс пригодности (приспособленности)” в зависимости от того, насколько удачным является данный конкретный вариант решения задачи. Например, в качестве такого индекса пригодности может выступать одна из упомянутых выше (см. задачи 1-3) целевых функций. Далее, наиболее пригодным индивидуумам предоставляется возможность “размножения” путём “скрещивания” с другими индивидуумами в популяции. В результате этого появляются новые индивидуумы - “потомки”, которые наследуют часть признаков от каждого из своих “родителей”. Наименее пригодные члены популяции, в силу этого, “вымирают”. Полученная новая популяция возможных решений образует новое “поколение”, сохраняющее в значительно большей пропорции те качества (признаки), которые были присущи лучшим представителям предыдущего поколения. Применяя описанную выше схему из поколения в поколение и поощряя скрещивание и обмен признаками прежде всего среди наиболее пригодных индивидуумов, можно последовательно улучшить популяцию путём сохранения и преумножения в ней наиболее сильных сторон индивидуумов. Другими словами, в процессе поиска будут исследоваться наиболее многообещающие, перспективные области пространства варьируемых параметров. При правильном функционировании ГА популяция сходится к оптимальному решению задачи.
Принято считать, что генетические алгоритмы не гарантируют нахождение глобального оптимума, однако их сила состоит в том, что они позволяют “достаточно быстро” находить “достаточно хорошие” решения широкого круга задач, в том числе и тех, которые с трудом решаются другими методами.
История применения генетических алгоритмов начинается с работ Р. Холстиена и Де Джонга , в которых на ряде примеров были впервые продемонстрированы возможности ГА для решения задач многопараметрической оптимизации. В 1975 г. вышла монография Дж. Холланда “Адаптация в природных и искусственных системах” , в которой было дано теоретическое обоснование метода, сформулированы базовые принципы, лежащие в его основе. И, наконец, большую популярность получила изданная в 1989 г. и ставшая классической книга Д. Гольдберга “Генетические алгоритмы в задачах поиска, оптимизации и машинного обучения” , содержащая большое число примеров и возможных постановок задач из различных областей приложений, решаемых с помощью ГА.
В последние годы область применения ГА значительно расширилась. Показано, что данные методы оказываются эффективными при решении таких задач, как:
- * идентификация сложных динамических объектов ;
- * выбор оптимальной конфигурации многоагентных робототехнических систем ;
- * синтез оптимальных алгоритмов управления многозвенными роботами-манипуляторами ;
- * оптимальное управление стыковкой космических аппаратов ;
- * планирование маршрутов движения транспортных средств в условиях препятствий ;
- * структурный синтез проектных решений, синтез расписаний
и многих других.
Применение ГА охватывает не только класс традиционных задач оптимизации, но и быстро распространяется на задачи управления сложными динамическими объектами в условиях неопределённости. Поэтому в задачах управления станочным оборудованием ГА также могут быть использованы для решения широкого круга задач.
Для обеспечения заданного качества обработки на ТО необходимо организовывать интеллектуальное управление на всех уровнях ИСУ: организационном, координационном и тактическом . Это значит, что “интеллектуальными способностями” должны обладать и система регуляторов, и блок идентификации и прогноза в составе ЭС. В качестве регуляторов нелинейных объектов управления часто используют нечёткие, НС регуляторы и их разновидности , а для систем идентификации и прогноза - нейро-нечёткие системы (ANFIS - AdaptiveNeuro-FuzzyInferenceSystem) и различные виды нейронных сетей . Сами ЭС также могут быть построены на основе использования “чёткой” или “нечёткой” логики. Таким образом, ЭС может быть разработана на базе НС или нечётких правил, или и тех и других одновременно. Поэтому при организации интеллектуального управления ТО целесообразнее создавать нейро-нечёткие (гибридные) ЭС , обладающие широкими возможностями использования преимуществ как нечёткой логики, так и НС. Более того, нужно использовать стратегию смешанного (гибридного) управления на всех уровнях ИСУ ТО, потому что это позволит наиболее полно использовать преимущества интеллектуальных методов управления не только на верхнем уровне управления (организационном и координационном), но и на нижнем (тактическом), где существует потребность в нелинейных алгоритмах различных стратегий управления исполнительными механизмами в режиме реального времени.
УДК 004.896
И. А. Щербатов
ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СИСТЕМАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ
Введение
Интеллектуальное управление - применение методов искусственного интеллекта для управления объектами различной физической природы. В области управления робототехническими системами методы искусственного интеллекта находят наиболее широкое применение. Это обусловлено, прежде всего, автономностью роботов и необходимостью решения ими неформализованных творческих задач в условиях неполноты информации и различных видов неопределенности.
Указанный класс задач до недавнего времени оставался прерогативой естественного интеллекта: оператора объекта управления, инженера, ученого, т. е. человека. Современные достижения в области теории автоматического управления, интеллектуальных методов формализации слабоструктурированных задач и управления сложными техническими системами позволяют реализовать очень сложные робототехнические системы, к которым относятся мобильные роботизированные платформы, гибкие автоматизированные линии и андроидные роботы.
Робототехнические системы функционируют в условиях неполноты входной информации, когда принципиальная невозможность измерения ряда параметров накладывает существенные ограничения на программу управления. Это приводит к необходимости разработки базы алгоритмов, позволяющих на основе косвенных признаков и измеряемых показателей рассчитать неизмеряемые параметры.
Неопределенность внешней среды, в которой функционирует робототехническая система, заставляет включать в состав системы управления различного рода компенсаторы, модули адаптации, накопления и ранжирования информации.
Постановка задачи
Целью исследований являлось формирование подходов к построению интеллектуальных систем управления робототехническими системами, инвариантных по отношению к специфике функционирования, учитывающих неполноту входной информации и различные виды неопределенности.
Для достижения поставленной цели требуется решить ряд взаимосвязанных задач: провести анализ архитектур интеллектуальных систем управления робототехническими системами; разработать обобщенный алгоритм ситуационной идентификации робототехнической системы; разработать обобщенную схему системы управления робототехнической системой; разработать интеллектуальные системы управления манипуляционным роботом, мобильной роботизированной платформой и гибкой автоматизированной линией.
Методы исследования
В ходе исследований использовались методы общей теории автоматического управления, теории нечетких множеств, нейронных сетей, системного анализа, теории экспертных оценок.
Местоположение робототехнической системы во внешней среде
Для реализации интеллектуальных алгоритмов управления первоочередной является задача текущей идентификации ситуации, в которой находится робототехническая система. Для решения этой задачи разработана структурная схема системы ситуационной идентификации (рис. 1).
Блок технического зрения и сенсорного очувствления предназначен для определения изменений состояния внешней среды и представления сенсорной карты среды для дальнейшей обработки. Сенсорная карта среды - это образ ситуации, в которой находится робот в текущий момент времени. Интервал времени построения сенсорной карты выбирается исходя из специфики предметной области.
База знаний
Оператор
Интеллектуальный
интерфейс
Идентификатор
алгоритмов
Органы технического зрения и сенсорного очувствления
Внешняя среда
Исполнительные
механизмы
Рис. 1. Структурная схема системы ситуационной идентификации
Рабочая память, по аналогии с экспертными системами, предназначена для обработки информации, поступающей от сенсоров и обрабатываемой с помощью имеющейся базы алгоритмов и базы знаний (БЗ) робототехнической системы.
База алгоритмов включает в себя алгоритмы предобработки сенсорной карты (цифровая обработка сигнала, распознавание звуковых образов и изображений), вычисления неизмеряемых параметров (функциональные зависимости от измеряемых параметров), восстановления полноты информации (проверка знаний на полноту и противоречивость, адаптация знаний с учетом нестационарности и вариативных внешних условий), математические операции и пр.
База знаний представляет собой сложную иерархическую структуру, содержащую априорную информацию о внешней среде, закладываемую на этапе обучения, полные и непротиворечивые знания, приобретаемые роботом в процессе функционирования и восприятия внешней среды. Знания в БЗ ранжируются по признакам релевантности и обновляются с учетом изменения специфики функционирования робота на основании алгоритмов адаптации знаний.
Наиболее важный блок - идентификатор ситуации. Именно этот блок отвечает за правильное распознавание образа ситуации на основе сенсорной карты. Результатная информация этого блока является определяющей для выбора программы управления робототехнической системой.
И наконец, интеллектуальный интерфейс, который необходим для связи с оператором. Оператор осуществляет контроль функционирования робототехнической системы, а также мониторинг процесса по достижению поставленных целей. Как правило, общение робота с оператором должно происходить с использованием естественно-языкового интерфейса на ограниченном подмножестве естественного языка.
Структура системы управления робототехнической системой в условиях неопределенности
Реализация алгоритмов и программ интеллектуального управления робототехническими системами в условиях неопределенности сопряжена с рядом значительных трудностей.
Сложность алгоритмов предварительной обработки входной информации и структурная неопределенность модели поведения самой робототехнической системы обусловливают избыточность структуры системы интеллектуального управления.
Для решения задачи управления роботом в условиях неопределенности спроектирована следующая архитектура системы интеллектуального управления (рис. 2).
Система ситуационной идентификации (ССИ) должна входить в состав любой интеллектуальной системы управления робототехнической системой. Интеллектуальное устройство управления (ИУУ) содержит в своем составе БЗ и блок выбора программы управления (БВПУ). Назначение этого блока - выработка управляющего воздействия для системы электроприводов (ЭП), воздействующих на механическую систему (МС) робота.
Рис. 2. Структурная схема системы интеллектуального управления робототехнической системой
Системы управления промышленными манипуляторами
Традиционные системы управления промышленными манипуляторами делятся на несколько классов. Первый класс систем - системы программного управления.
Система непрерывного управления рабочим органом манипулятора подразумевает подравнивание манипулятора под эталонную модель . В таком алгоритме управления не учитываются потери в МС манипулятора и принимается, что все усилия, развиваемые приводами, передаются на рабочий орган.
Система программного управления силой в рабочем органе применяется для управления не только по вектору силы, но и по вектору положения рабочего органа. Система независимого управления перемещением и усилием в рабочем органе манипулятора по различным степеням подвижности имеет два контура управления с обратной связью: по положению и по силе .
В системе связанного управления перемещением и усилием в рабочем органе манипулятора задание по вектору положения рабочего органа корректируется по текущему значению вектора силы. Это означает, что при движении рабочего органа величина его хода корректируется по силе воздействия на внешнюю среду.
Адаптивные системы управления применяются, когда выполняются: операции взятия произвольно расположенного или перемещающегося объекта, дуговая сварка швов с варьируемым положением, обход подвижных и непредвиденных препятствий. Для этой цели применяются адаптивные системы с ассоциативной памятью.
Для управления промышленными манипуляторами применяются также робастные системы управления, которые в настоящее время находят широкое практическое применение .
Реализация интеллектуального управления
Проблема функционирования робототехнической системы в условиях неопределенности является многоаспектной.
Рассмотрим задачу планирования поведения робототехнической системы в условиях неопределенности. Для ее решения наиболее целесообразно применение технологии динамических экспертных систем. База знаний такой экспертной системы корректируется с течением времени. Если применяется продукционная база правил, то состав продукционных правил непрерывно исследуется на предмет полноты и непротиворечивости . Кроме того, за счет адаптационных алгоритмов осуществляется обновление и вытеснение устаревших и утративших свою актуальность правил. При этом вопросам обучения экспертной системы без учителя (самообучению) уделяется особое внимание ввиду того, что наблюдение за системой высококвалифицированного специалиста экономически нецелесообразно.
Блок самообучения или самонастройки БЗ экспертной системы требует тщательной проработки на этапе проектирования интеллектуальной системы управления робототехнической систе-
мой. Именно от качества выполнения этого этапа проектных работ зависит зачастую эффективность решения поставленной задачи. Он должен включать в себя подсистемы оценки полноты и противоречивости знаний, оценки качества управления и коррекции знаний.
Хронологически следующим этапом после планирования поведения может выступать проблема выдачи команд управления робототехнической системе на естественном языке. Для создания естественно-языкового интерфейса, по нашему мнению, наиболее подходящим инструментом реализации является теория нечетких множеств.
С помощью лингвистических переменных, содержащих определенное, заранее описанное терм-множество, производится описание предметной области, ограниченной системы команд и объектов, оказывающих воздействие на робототехническую систему и изменяющихся под ее действием. Используемые при этом методы фазификации и дефазификации, а также алгоритмы нечеткого логического вывода оказывают существенное влияние на точность отработки управляющих воздействий и скорость работы робототехнической системы.
И наконец, применение нейросетевых систем управления робототехническими системами. Основным преимуществом нейронной сети является отсутствие необходимости знать или создавать математическую модель объекта, поскольку нейронная сеть является универсальным нечетким аппроксиматором.
Объект (робототехническая система) выступает в роли «черного ящика». Нейронная сеть может выступать в качестве эталонной модели управляемой робототехнической системы. Следует отметить, что это должна быть обучающаяся многослойная нейронная сеть (идентификатор объекта). Нейросетевая модель настраивается на объект управления по рассогласованию выходных сигналов объекта и модели. Она же формирует обучающую выборку для подстройки и корректировки устройства управления в соответствии с выбранным критерием качества.
Заключение
Проведенный анализ позволил синтезировать архитектуру интеллектуальной системы управления робототехническими системами, инвариантную по отношению к специфике функционирования. Разработанный алгоритм ситуационной идентификации позволяет строить высокоинформативные сенсорные карты внешней среды. Описаны основные подходы к формированию интеллектуальных систем управления робототехническими системами. Показаны направления перспективного развития наиболее эффективных методов искусственного интеллекта, применяемых для реализации управляющих устройств.
СПИСОК ЛИТЕРАТУРЫ
1. Юревич Е. И. Основы робототехники. - СПб.: БХВ-Петербург, 2007. - 416 с.
2. Манипуляционные системы роботов / под ред. А. И. Корендясева. - М.: Машиностроение, 1989. - 472 с.
3. Бурдаков С. Ф. Синтез робастных регуляторов с упругими элементами: сб. науч. тр. - № 443. Механика и процессы управления. - СПб.: СПбГТУ, 1992.
4. Проталинский О. М. Применение методов искусственного интеллекта при автоматизации технологических процессов: моногр. - Астрахань: Изд-во АГТУ, 2004. - 184 с.
Статья поступила в редакцию 13.01.2010
INTELLECTUAL MANAGEMENT OF ROBOTICS SYSTEMS IN THE CONDITIONS OF UNCERTAINTY
I. A. Shcherbatov
The purpose of the given work is a formation of approaches to construction of intellectual control systems of robotics systems, invariant in relation to specificity of the functioning, considering incompleteness of the entrance information and various kinds of uncertainty. The analysis, allowed to synthesise architecture of an intellectual control system of robotics systems invariant in relation to specificity of functioning is carried out. The developed algorithm of situational identification allows to build up good touch cards of the environment. The basic approaches to formation of intellectual control systems of robotics systems are described. Directions of perspective development of the most effective methods of the artificial intellect applied to realisation of actuation devices are shown.
Key words: robotics system, the robot, intellectual management, structural uncertainty, incompleteness of the information, touch card, neural network, the theory of the indistinct sets, self-trained expert system.