Inteligentne systemy sterowania w warunkach niepewności wiedzy. Streszczenie: Inteligentne systemy sterowania

Nowa generacja systemów - systemy inteligentne (IS) - wprowadziła w życie inne zasady organizacji elementów systemu, pojawiły się nowe koncepcje, terminy i bloki, których wcześniej nie spotykano w opracowaniach, a zatem w literaturze naukowej.

Inteligentne systemy potrafią syntetyzować cel, podejmować decyzję o działaniu, zapewniać działanie prowadzące do osiągnięcia celu, przewidywać wartości parametrów wyniku działania i porównywać je z rzeczywistymi, formułować informację zwrotną, korygować cel lub kontrola

Rysunek 13.1 przedstawia schemat blokowy SI, na którym wyróżnione są dwa duże bloki systemu: synteza celu i jego realizacja.

W pierwszym bloku, w oparciu o aktywną ocenę informacji otrzymanych z systemu sensorycznego, w obecności motywacji i wiedzy, syntezowany jest cel i podejmowana jest decyzja o podjęciu działań. Aktywna ocena informacji odbywa się pod wpływem sygnałów wyzwalających. Zmienność otoczenia i stanu własnego systemu może wywołać potrzebę czegoś (motywację), a jeśli dostępna jest wiedza, można zsyntetyzować cel.

Cel rozumiany jest jako idealne, mentalne przewidywanie wyniku działania. Kontynuując aktywną ocenę informacji o otoczeniu i stanie własnym systemu, w tym obiektu sterującego, porównując możliwości osiągnięcia celu, można podjąć decyzję o podjęciu działań.

Następnie w drugim bloku dynamiczny system ekspercki (DES), w oparciu o aktualne informacje o środowisku i własnym stanie SI, mając cel i wiedzę, dokonuje oceny eksperckiej, podejmuje decyzję o zarządzaniu , przewiduje rezultaty działań i rozwija zarządzanie.

Sterowanie przedstawione w postaci zakodowanej jest przetwarzane na sygnał fizyczny i przesyłany do elementów wykonawczych.

Obiekt sterujący, otrzymując sygnał z siłowników, wykonuje tę lub inną akcję, której wyniki przedstawione w postaci parametrów są przesyłane do elektrowni spalinowej poprzez obwód sprzężenia zwrotnego 2, gdzie są porównywane z przewidywanymi . Jednocześnie parametry wyniku działania, interpretowane zgodnie z właściwościami celu i bloku wejściowego I, można wykorzystać do emocjonalnej oceny osiągniętego wyniku: np. cel został osiągnięty, ale wynik nie podoba się.

Jeśli cel zostanie osiągnięty pod każdym względem, zarządzanie zostanie wzmocnione. W przeciwnym razie nastąpi korekta sterowania. Kiedy cel jest nieosiągalny, cel zostaje skorygowany.

Należy zauważyć, że przy nagłych zmianach stanu środowiska, obiektu sterowania lub systemu jako całości możliwa jest synteza nowego celu i zorganizowanie jego osiągnięcia.

Struktura IS wraz z nowymi elementami zawiera tradycyjne elementy i powiązania, centralne miejsce zajmuje w niej dynamiczny system ekspertowy.

Blok 1 – synteza celów Blok II – realizacja celów

Rysunek 13.1 – Schemat blokowy układu scalonego

Formalnie IS opisuje się za pomocą sześciu następujących wyrażeń:

T X S M T ;

T M S ST ;

C T S R T;

T X= (A T)X T+(B T) U T;

T Y = (D T)X T;

T R Y Z T ,

gdzie T jest zbiorem momentów w czasie;

X, S, M, C, R i Y - zbiory stanów systemu, otoczenia, motywacji, celu, przewidywanego i rzeczywistego wyniku;

A, B i D - macierze parametrów;

Inteligentne operatory konwersji wykorzystujące wiedzę.

Opis ten łączy reprezentacje obiektów systemowych w postaci zestawu wartości, zestawu instrukcji lub innych form.

Właściwości dynamiczne IS można opisać w przestrzeni stanów. Operatory intelektualne realizujące percepcję, reprezentację, tworzenie pojęć, sądy i wnioskowanie w procesie poznania są formalnym środkiem przetwarzania informacji i wiedzy, a także podejmowania decyzji. Wszystkie te aspekty powinny stanowić podstawę do budowy DES działającego w czasie rzeczywistym i świecie rzeczywistym.

Dynamiczny system ekspertowy to złożona jednostka zdolna do oceny stanu systemu i środowiska, porównania parametrów pożądanych i rzeczywistych rezultatów działania, podejmowania decyzji i rozwijania zarządzania przyczyniającego się do osiągnięcia celu. Aby tego dokonać, DES musi posiadać zasób wiedzy i metody rozwiązywania problemów. Wiedzę przekazywaną do systemu ekspertowego można podzielić na trzy kategorie:

1) wiedza pojęciowa (na poziomie pojęć) to wiedza zawarta w słowach ludzkiej mowy, a dokładniej w terminach naukowo-technicznych oraz, oczywiście, w klasach i właściwościach obiektów środowiska stojących za tymi terminami. Obejmuje to również powiązania, relacje i zależności między pojęciami i ich właściwościami, powiązania abstrakcyjne również wyrażone w słowach i terminach. Wiedza pojęciowa jest dziedziną głównie nauk podstawowych, gdyż pojęcie jest najwyższym wytworem najwyższego wytworu materii – mózgu;

2) wiedza faktograficzna, przedmiotowa, to zbiór informacji o cechach jakościowych i ilościowych określonych obiektów. To właśnie z tą kategorią wiedzy kojarzone są terminy „informacja” i „dane”, choć takie użycie tych terminów nieco pomniejsza ich znaczenie. Każda wiedza niesie ze sobą informację i może być przedstawiona w formie danych; wiedza faktograficzna jest tym, z czym maszyny liczące zawsze miały do ​​czynienia i z czym nadal mają do czynienia przede wszystkim. Nowoczesna forma gromadzenia danych nazywana jest zwykle bazami danych. Oczywiście do porządkowania baz danych i ich przeszukiwania niezbędne informacje trzeba polegać na wiedzy pojęciowej;

3) wiedza algorytmiczna, proceduralna - tak zwykle nazywa się słowa „umiejętności”, „technologia” itp. W informatyce wiedza algorytmiczna jest realizowana w postaci algorytmów, programów i podprogramów, ale nie wszystkich, ale tych które można przenosić z rąk do rąk i wykorzystywać bez udziału autorów. Ta implementacja wiedzy algorytmicznej nazywana jest oprogramowaniem. Najczęstsze formy Produkt oprogramowania- pakiety oprogramowania aplikacyjnego, systemy oprogramowania i inne, ukierunkowane na konkretny obszar zastosowań silników Diesla. Organizacja i wykorzystanie pakietów oprogramowania aplikacyjnego opiera się na wiedzy koncepcyjnej.

Wiadomo, że wiedza pojęciowa jest wyższą, definiującą kategorią wiedzy, choć z praktycznego punktu widzenia ważniejsze mogą wydawać się inne kategorie.

Prawdopodobnie dlatego wiedza pojęciowa rzadko jest ucieleśniana w formie, którą można przetworzyć komputerowo. A jeśli jest ucieleśniony, to najczęściej jest niekompletny i jednostronny. W większości przypadków osoba pozostaje nosicielem wiedzy pojęciowej. Spowalnia to automatyzację wielu procesów.

Reprezentacje wiedzy pojęciowej, a dokładniej systemy, które realizują wszystkie trzy kategorie wiedzy, ale wysuwają wiedzę pojęciową na pierwszy plan i działają w oparciu o jej intensywne wykorzystanie, nazywane są bazami wiedzy.

Tworzenie i powszechne wykorzystanie baz wiedzy w systemach informatycznych jest jednym z najpilniejszych zadań. Część koncepcyjną bazy wiedzy nazwiemy modelem dziedzinowym, część algorytmiczną systemem oprogramowania, a część faktyczną bazą danych.

Kolejną funkcją DES jest rozwiązywanie problemów. Problem może zostać rozwiązany przez maszynę tylko wtedy, gdy zostanie on formalnie postawiony – jeśli zostanie dla niego napisana formalna specyfikacja. Te ostatnie muszą opierać się na jakiejś bazie wiedzy. Model dziedzinowy opisuje ogólne środowisko, w którym powstało zadanie, a specyfikacja opisuje treść zadania. Łącznie pozwalają one ustalić, jakie abstrakcyjne powiązania i zależności, w jakich kombinacjach i w jakiej kolejności należy zastosować, aby rozwiązać problem.

Programy aplikacyjne zapewniają określone narzędzia stojące za tymi zależnościami, a także zawierają algorytmy rozwiązywania otrzymanych równań. Wreszcie baza danych dostarcza całość lub część danych wejściowych do wykonania tych algorytmów; brakujące dane muszą być zawarte w specyfikacji.

Te trzy części bazy wiedzy odpowiadają trzem etapom rozwiązywania problemu:

1) skonstruowanie abstrakcyjnego programu rozwiązania (w tym pojawienie się problemu, jego sformułowanie i specyfikacja);

2) tłumaczenie problemu na odpowiedni język maszynowy;

3) nadawanie i realizację programu.

Budowa abstrakcyjnego programu wiąże się z reprezentacją i przetwarzaniem wiedzy pojęciowej w systemie IS i z definicji jest właściwością sztucznej inteligencji.

Sztuczna inteligencja wiąże się z przetwarzaniem tekstów, komunikatów ustnych w języku naturalnym, analizą i przetwarzaniem informacji (rozpoznawanie wszelkiego rodzaju obrazów, udowadnianie twierdzeń, wnioskowanie logiczne itp.).

Funkcje DES to także ocena wyników rozwiązania problemu, kształtowanie parametrów przyszłego wyniku działania, podejmowanie decyzji dotyczących zarządzania, rozwijanie zarządzania i porównywanie parametrów pożądanych i rzeczywistych wyników. Polega to na modelowaniu procesów w celu oceny możliwych konsekwencji i poprawności rozwiązania problemu.

Należy pamiętać, że w rzeczywistych przypadkach pojawia się problem opisu badanych obiektów. Taki opis nie jest słusznie uważany za część specyfikacji zadania, ponieważ z reguły stawianych jest wiele zadań dotyczących jednego obiektu, co oczywiście należy wziąć pod uwagę przy tworzeniu bazy wiedzy. Dodatkowo może się okazać, że powstałego problemu nie da się rozwiązać całkowicie automatycznie, na przykład ze względu na niekompletność specyfikacji lub opisu obiektu.

Dlatego w IS wskazane jest, aby na niektórych etapach mieć interaktywny tryb pracy z DES. Musimy pamiętać, że model dziedzinowy opisuje ogólną sytuację (wiedzę), a specyfikacja opisuje treść zadania. Bardzo ważnymi problemami jest stworzenie jednolitego środowiska oprogramowania i synteza algorytmów bezpośrednio w oparciu o sformułowanie problemu.

W zależności od celu, jaki stoi przed IS, baza wiedzy, algorytmy rozwiązywania problemu, podejmowania decyzji i rozwijania kontroli mogą oczywiście mieć różną reprezentację, co z kolei zależy od charakteru rozwiązywania problemu. W związku z tym można wyróżnić trzy typy DES. Strukturę DES pierwszego typu pokazano na rysunku 13.2.

Rysunek 13.2 – Struktura DES pierwszego typu

Zakłada się tutaj, że wiedza koncepcyjna i faktograficzna dokładnie odzwierciedla procesy i informacje związane z danym obszarem tematycznym.

Wówczas rozwiązanie problemu powstałego w tym zakresie zostanie uzyskane w oparciu o rygorystyczne metody matematyczne, zgodnie z sformułowaniem i specyfikacją. Wyniki badania decyzyjnego i prognozy służą do uzyskania oceny eksperckiej i podjęcia decyzji o potrzebie zarządzania. Następnie na podstawie odpowiedniego algorytmu sterowania dostępnego w bazie wiedzy generowana jest akcja sterująca.

Skuteczność i spójność tego oddziaływania, zanim dotrze ono do obiektu kontroli, ocenia się za pomocą matematycznego modelu symulacyjnego. Ocena musi być przeprowadzona szybciej niż rzeczywiste procesy w IS.

Jednak DES, które wdrażają proces decyzyjny, są złożone systemy oprogramowania, przeznaczone do automatycznego podejmowania decyzji lub do wspomagania decydentów oraz w zarządzaniu operacyjnym złożonymi systemami i procesami, z reguły pracują pod ścisłymi ograniczeniami czasowymi.

W odróżnieniu od DES pierwszego typu, które mają na celu znalezienie optymalnego rozwiązania i opierają się na ścisłych metodach matematycznych oraz modelach optymalizacyjnych, DES typu drugiego skupiają się głównie na rozwiązywaniu trudnych do sformalizowania problemów przy braku pełnej i wiarygodnej informacji (rys. 13.3). . Wykorzystuje się tu modele eksperckie, budowane w oparciu o wiedzę ekspertów – specjalistów w danym obszarze problemowym oraz heurystyczne metody poszukiwania rozwiązania.

Jednym z głównych problemów przy projektowaniu DES drugiego typu jest wybór formalnego aparatu do opisu procesów decyzyjnych i zbudowanie na jego podstawie modelu decyzyjnego adekwatnego do obszaru problemowego (poprawnego semantycznie). Jako takie urządzenie wykorzystuje się najczęściej systemy produkcyjne. Jednakże główne badania prowadzone są w kontekście algorytmicznej (deterministycznej) interpretacji systemu produkcyjnego wraz z towarzyszącym mu sekwencyjnym schematem poszukiwania rozwiązania.

Powstałe modele są często nieadekwatne do rzeczywistych obszarów problemowych charakteryzujących się niedeterminizmem w procesie poszukiwania rozwiązania. Wyjściem z tej sytuacji jest równoległość poszukiwań.

W rzeczywistości należy skupić się na połączeniu DES pierwszego i drugiego typu w obliczeniowo-logiczny DES trzeciego typu, w którym baza wiedzy łączy opis w postaci ścisłych wzorów matematycznych z informacjami eksperckimi, a także odpowiednio matematycznymi metody znajdowania rozwiązania za pomocą nierygorystycznych metod heurystycznych, przy czym o wadze jednego lub drugiego składnika decyduje możliwość odpowiedniego opisania obszaru tematycznego i sposobu znalezienia rozwiązania (ryc. 13.4).

Rysunek 13.3 – Struktura elektrowni spalinowej drugiego poziomu

Podczas opracowywania DES pojawiają się następujące problemy:

1. określenie składu bazy wiedzy i jej tworzenie;

2. opracowywanie nowych i wykorzystywanie znanych teorii i metod opisu procesów informacyjnych w systemach informatycznych;

3. rozwój sposobów prezentacji i organizacji wykorzystania wiedzy;

4. rozwój algorytmów i oprogramowania z równoległością i wykorzystaniem „elastycznej logiki”;

1. znalezienie odpowiednich środowisk obliczeniowych do realizacji algorytmów równoległych przy tworzeniu DES.

Rysunek 13.4 – Struktura elektrowni spalinowej trzeciego poziomu

Oprócz powyższego należy pamiętać, że DES musi posiadać umiejętność dostosowania się do dynamicznego obszaru problemowego, umiejętność wprowadzania nowych elementów i powiązań do opisu sytuacji, zmiany zasad i strategii funkcjonowania obiektów w środowisku. proces podejmowania decyzji i rozwoju zarządzania, praca z niekompletnymi, niejasnymi i sprzecznymi informacjami itp.

Dynamiczne systemy eksperckie działają w ramach IS, które mają informację zwrotną, dlatego ważne jest zapewnienie stabilnego działania takich IS.

Z tradycyjnego punktu widzenia można przyjąć, że czas reakcji elektrowni spalinowej na wpływy wejściowe, tj. czas spędzony na przetwarzaniu informacji wejściowych i opracowywaniu działań kontrolnych to czyste opóźnienie. Na podstawie analizy częstotliwości można ocenić zmianę właściwości fazowych układu i tym samym określić margines stabilności. W razie potrzeby można skorygować system za pomocą filtrów.

Jednak z punktu widzenia klasycznej teorii sterowania IS są systemami wieloobiektowymi, wielopołączonymi, których analiza stabilności metodami konwencjonalnymi jest bardzo trudna.

Obecnie teoria silnej kontroli (teoria -kontroli, -kontroli) jest jedną z intensywnie rozwijających się gałęzi teorii sterowania. Stosunkowo młoda (pierwsze prace pojawiły się na początku lat 80.) zrodziła się z palących problemów praktycznych syntezy wielowymiarowych liniowych układów sterowania pracujących w warunkach różnego rodzaju zaburzeń i zmian parametrów.

Do problemu projektowania sterowania naprawdę złożonego obiektu pracującego w warunkach niepewności można podejść inaczej: nie należy próbować stosować jednego typu sterowania – adaptacyjnego lub odpornego. Oczywiście należy wybrać taki typ, który odpowiada stanowi środowiska i systemu, ustalonemu na podstawie informacji dostępnych systemowi. Jeżeli w trakcie funkcjonowania systemu możliwa jest organizacja odbioru informacji, wskazane jest wykorzystanie jej w procesie zarządzania.

Jednak do niedawna wdrożenie takiego połączonego sterowania napotykało trudności nie do pokonania w określeniu algorytmu wyboru rodzaju sterowania. Postęp osiągnięty w rozwoju problemów sztucznej inteligencji umożliwia syntezę takiego algorytmu.

Rzeczywiście postawmy sobie zadanie: zaprojektować system wykorzystujący sterowanie adaptacyjne i solidne oraz dobierający rodzaj sterowania w oparciu o metody sztucznej inteligencji. Aby to zrobić, rozważymy cechy obu typów i biorąc pod uwagę ich specyficzne cechy, określimy, jak zbudować połączony system sterowania.

Jednym z głównych pojęć teorii solidnego sterowania jest pojęcie niepewności. Niepewność obiektu odzwierciedla niedokładność modelu obiektu, zarówno parametryczną, jak i strukturalną.

Rozważmy bardziej szczegółowo formy wyznaczania niepewności w solidnej teorii sterowania przy użyciu prostego układu - z jednym wejściem i jednym wyjściem (rysunek 13.5).

Sygnały mają następującą interpretację: r - główny sygnał wejściowy; u - sygnał wejściowy (wejście) obiektu; d - zakłócenia zewnętrzne; y jest sygnałem wyjściowym (wyjściem) mierzonego obiektu.

Rysunek 13.5 – System z jednym wejściem i jednym wyjściem

W teorii sterowania niepewność dogodnie określa się w dziedzinie częstotliwości. Załóżmy, że funkcja przenoszenia normalnego obiektu wynosi P i rozważmy obiekt zaburzony, którego funkcją przenoszenia jest

Koncepcje: inteligentny system (IntS), inteligentny system sterowania (IntSU) Pojęcie „inteligentnego systemu” jest różnie interpretowane przez różnych badaczy. Rozważmy główne, w tym towarzyszące wyjaśnienia. Inteligentny system to system informacyjno-obliczeniowy z inteligentnym wsparciem rozwiązywania problemów bez udziału operatora (decydenta – decydenta). Inteligentny system to system informacyjno-obliczeniowy z inteligentnym wsparciem rozwiązywania problemów przy udziale operatora – decydenta. Podstawowe technologie inteligentne, w tym sztuczne sieci neuronowe (SSN), algorytmy genetyczne, logika rozmyta, mogą być skutecznie wykorzystywane w tworzeniu systemów sterowania. Jednocześnie o wykonalności ich zastosowania decyduje możliwość wdrożenia rozproszonych schematów obliczeniowych, co umożliwia rozszerzenie przestrzeni poszukiwań bez znaczącego zwiększania złożoności niezbędnych obliczeń; umiejętność opisu procesów sterowania językiem „prostym”, zbliżonym do naturalnego; możliwość nieanalitycznej reprezentacji nieliniowych obiektów sterowania i opisu procesów charakteryzujących się niejednoznacznością i dużą liczbą sytuacji specjalnych; umiejętność szybkiego wyszukiwania w przestrzeni rozwiązań słabo sformalizowanych problemów. Inteligentne systemy Są to systemy oparte na wiedzy. Wiedza przetwarzana na komputerze ulega przekształceniu podobnie jak dane: 1) Wiedza w pamięci człowieka w wyniku myślenia. 2) Materialne nośniki wiedzy (podręczniki, podręczniki metodyczne). 3) Dziedzina wiedzy - opis warunkowy głównych obiektów przedmiotu, ich atrybutów i łączących je wzorców. 4) Reprezentacja wiedzy w oparciu o dowolny model (produkcyjny, semantyczny, ramowy lub inny). Model produkcyjny lub model oparty na regułach umożliwia reprezentowanie wiedzy w formie zdań takich jak "Jeśli , To" Sieć semantyczna to graf skierowany, którego wierzchołkami są pojęcia, a łuki relacjami między nimi. Ramka jest strukturą danych reprezentującą pewien obiekt koncepcyjny. 5) Baza wiedzy na temat komputerowych nośników danych. W przypadku korzystania z modelu produkcyjnego baza wiedzy składa się z zestawu reguł. Program sterujący wyliczaniem reguł nazywany jest silnikiem wnioskowania (silnik wnioskowania, silnik wnioskowania, silnik dedukcyjny, interpreter, interpreter reguł, solwer). Maszyna wyjściowa pracuje cyklicznie. W każdym cyklu przegląda istniejące fakty z pamięci roboczej (bazy danych) i reguły z bazy wiedzy, a następnie je porównuje. Zbiór wybranych reguł stanowi tzw. zbiór konfliktowy (czyli w określonej sytuacji można zastosować kilka reguł jednocześnie). Aby rozwiązać konflikt, silnik wnioskowania ma kryterium, według którego wybiera pojedynczą regułę, po czym jest ona uruchamiana. Wyraża się to poprzez wprowadzenie faktów (zalecanych działań) tworzących zakończenie reguły do ​​pamięci roboczej lub zmianę kryterium wyboru sprzecznych reguł. Jeśli w konkluzji reguły znajduje się nazwa akcji, zostaje ona wywołana. Silnik wnioskowania opiera się na zasadzie modus ponens, którą interpretuje się w następujący sposób: „Jeśli wiadomo, że zdanie A jest prawdziwe i istnieje reguła w postaci „jeśli A to B”, to stwierdzenie B jest prawdziwe”. Pod inteligentne systemy rozumieć dowolny system biologiczny, sztuczny lub formalny, który wykazuje zdolność do angażowania się w zachowania ukierunkowane na cel. Ta ostatnia obejmuje właściwości (przejawy) komunikacji, akumulacji wiedzy, podejmowania decyzji, uczenia się, adaptacji. Badania nad sztuczną inteligencją opierają się na podejściu opartym na wiedzy. Podstawowym paradygmatem sztucznej inteligencji jest poleganie na wiedzy. W pracy interpretacje wiedzy są łączone w cztery grupy (lub poziomy): psychologiczny, intelektualny, formalno-logiczny i informacyjno-techniczny. Psychologiczna interpretacja wiedzy - obrazy mentalne, modele mentalne. Intelektualna interpretacja wiedzy to zbiór informacji o danym obszarze tematycznym, obejmujący fakty o przedmiotach danego obszaru tematycznego, właściwościach tych obiektów i łączących je relacjach, opisy procesów zachodzących w danym obszarze tematycznym, a także informacje o sposobach rozwiązywania typowych problemów. Interpretacja formalno-logiczna to sformalizowana informacja na temat określonego obszaru tematycznego, służąca do uzyskania (wywnioskowania) nowej wiedzy na ten temat za pomocą specjalistycznych procedur. Interpretacja technologii informatycznych - informacja strukturalna przechowywana w pamięci komputera i wykorzystywana w działaniu inteligentnych programów. W pracach D.A. Pospelow i jego współpracownicy opisali, co następuje pojęciowe właściwości wiedzy: wewnętrzna interpretowalność, rozumiane jako obecność unikalnych nazw identyfikujących każdą jednostkę informacyjną; Struktura, co określa możliwość rekurencyjnego zagnieżdżania poszczególnych jednostek informacji w sobie; łączność zewnętrzna, zdefiniowanie możliwości ustanawiania relacji funkcjonalnych, przypadkowych i innych typów pomiędzy jednostkami informacyjnymi; skalowalność, scharakteryzowanie możliwości wprowadzenia różnych metryk do rejestrowania relacji ilościowych, porządkowych i innych jednostek informacyjnych; działalność, odzwierciedlającą zdolność do inicjowania określonych odpowiednich działań w przypadku pojawienia się nowych informacji. Inteligentny system informatyczny(lub system oparty na wiedzy) opiera się na koncepcji wykorzystania bazy wiedzy do generowania opcji rozwiązywania stosowanych problemów różnych klas, w zależności od konkretnych potrzeb informacyjnych użytkowników. Głównym celem budowy takich systemów jest identyfikacja, badanie i zastosowanie wiedzy wysoko wykwalifikowanych ekspertów do rozwiązywania złożonych problemów pojawiających się w praktyce. Budując systemy oparte na wiedzy, wykorzystuje się wiedzę zgromadzoną przez ekspertów w postaci konkretnych zasad rozwiązywania określonych problemów. Kierunek ten ma na celu naśladowanie ludzkiej sztuki analizowania problemów nieustrukturyzowanych i częściowo ustrukturyzowanych. W stosowanej teorii systemów inteligentnych (IntS) system sterowania rozpatrywany jest jedynie w ścisłej interakcji z otaczającym go światem zewnętrznym, a system inteligentny interpretowany jest jako zbiór aktywnych podmiotów i przeciwstawiających się im obiektów (podmiotów), generowanych albo przez sytuacyjna możliwość aktywnego istnienia podmiotu lub przez docelowe zadanie jakiegoś podmiotu systemowego lub pozasystemowego, a wszystkie elementy jakiejkolwiek natury tworzące system intelektualny znajdują się pod wpływem wspólnego im świata zewnętrznego . W pracy A.V. Timofiejew i R.M. Jusupow powiedział, że IntSU zawiera elementy sztucznej inteligencji, które pozwalają formułować koncepcje i gromadzić wiedzę, planować zachowania i podejmować decyzje w niepewnych warunkach, rozpoznawać obrazy i tworzyć model otoczenia. Wprowadzenie elementów inteligencji do systemów automatyczna kontrola(działo samobieżne) znacznie rozszerza ich funkcjonalność w porównaniu z adaptacyjnymi działami samobieżnymi. W wyniku intelektualizacji działa samobieżne nabywają zdolność rozwiązywania pewnego rodzaju zadań intelektualnych, które zwykle były przypisywane człowiekowi. Dlatego IntSU są coraz częściej stosowane w przypadkach, gdy sytuacja nie pozwala (nie uzasadnia) bezpośredniego udziału człowieka w procesie sterowania lub gdy konieczne jest zmniejszenie pracochłonności operatora, gdy obiekt sterowania pracuje w normalnych trybach . Potrzeba intelektualizacji układów automatycznego sterowania pojawia się zwykle w przypadkach, gdy obiekty regulacji są złożone (np. obiekty o nieliniowej dynamice działające w warunkach niepewności), a ich opis i interakcja z otoczeniem jest trudna do ustrukturyzowania i sformalizowania. Niekompletność opisu objawia się zarówno niepewnością aprioryczną modelu obiektu i otoczenia, jak i niepewnością i różnorodnością celów zarządzania. Często opis zachowania takich obiektów jest niejasny i zawiera informacje jakościowe (oceny ekspertów, wiarygodne wnioski, funkcje przynależności). Rozwiązywanie problemów sterowania w takich warunkach nie jest możliwe bez zastosowania metod sztucznej inteligencji, czyli bez intelektualizacji samobieżnych układów sterowania. Intelektualizacja systemów automatycznego sterowania sprowadza się więc do reprezentacji i przetwarzania wiedzy o środowisku, obiekcie i systemie sterowania z wykorzystaniem niezbędnych środków uczenia się i adaptacji. Ta wiedza i narzędzia pozwalają na udoskonalenie modelu obiektu sterującego i otoczenia oraz nadanie ACS zasadniczo nowych właściwości, zbliżonych do możliwości intelektualnych człowieka-operatora czy eksperta. Cechami charakterystycznymi IntSU jest zdolność uczenia się i samokształcenia poprzez kształtowanie wiedzy, syntezowanie i identyfikowanie wzorców zachowań, rozpoznawanie i analizowanie sytuacji, samoorganizacja i adaptacja w odniesieniu do różnych czynników. Zdolności te pozwalają kompensować różne czynniki niepewności wewnętrznej i zewnętrznej, które powstają w trakcie pracy SKR, a tym samym poprawiać lub optymalizować jakość sterowania. W dalszej części IntSU nazwiemy taki system, w którym wiedza o nieznanych charakterystykach obiektu sterowania i otoczenia kształtuje się w procesie uczenia się i adaptacji, a uzyskane informacje wykorzystywane są w procesie automatycznego podejmowania decyzji sterujących tak, aby poprawia się jakość kontroli. Należy pamiętać, że procesy uczenia się i adaptacji mogą zachodzić albo w oderwaniu od procesu sterowania (np. w trybie szkolenia z nauczycielem, zwykle odgrywanym przez człowieka-operatora lub eksperta), albo bezpośrednio w procesie automatycznego sterowania w czasie rzeczywistym . Rozważmy cechy struktury funkcjonalnej typowych przedstawicieli klasy inteligentnych systemów sterowania, interpretując je w odniesieniu do technologicznych obiektów sterowania (zespoły, maszyny, zespoły maszynowe). Ten artykuł jest również dostępny: Rosenberg Igor Naumowicz Inteligentne sterowanie// Nowoczesne technologie sterowania. ISSN 2226-9339. — . Numer artykułu: 7608. Data publikacji: 2017-04-10. Tryb dostępu: https://site/article/7608/ Wstęp Inteligentna kontrola jest uogólnieniem pojęć semiotycznych, poznawczych i zarządzanie informacją. W inteligentnym zarządzaniu transportem wyróżnia się następujące obszary: inteligentne systemy transportowe, inteligentne sterowanie semiotyczne oraz inteligentne sterowanie poznawcze. Inteligentna kontrola semiotyczna jest powiązana z różnymi formami logiki, systemem produktów i algorytmami ewolucyjnymi. Inteligentną kontrolę poznawczą uważa się za syntezę kontroli komputera człowieka przy użyciu kanałów asocjacyjnych i analizy wiedzy ukrytej. Inteligentne sterowanie uważane jest za sposób podejmowania decyzji w warunkach niepewności. Inteligentne zarządzanie informacją uważane jest za wspieranie inteligentnego zarządzania przez Technologie informacyjne. Potrzeba inteligentnego sterowania W miarę rozwoju społeczeństwa, a obiekty i zadania zarządzania stawały się coraz bardziej złożone, zmieniały się także technologie zarządzania. Problem „dużych zbiorów danych” stał się najbardziej dotkliwy w zarządzaniu złożonymi sytuacjami. Tworzy barierę informacyjną dla technologii” Zarządzanie organizacją" Dla nowoczesne zarządzanie charakteryzuje się wzrostem informacji o słabej strukturze. Powoduje to przejście do inteligentnego zarządzania, co z kolei prowadzi do konieczności stosowania technologii zarządzania wiedzą. Podstawą inteligentnego zarządzania są inteligentne systemy i inteligentne technologie. System inteligentny to system techniczny lub programowo-sprzętowy zdolny do uzyskiwania twórczych rozwiązań problemów należących do określonej dziedziny tematycznej, o których wiedza jest przechowywana w pamięci takiego systemu. W uproszczeniu struktura inteligentnego systemu obejmuje trzy główne bloki – bazę wiedzy, solwer i inteligentny interfejs. Solwer jest dominującym elementem inteligentnego systemu. W logice pierwszego rzędu solwer jest mechanizmem uzyskiwania rozwiązań wyrażeń logicznych. W systemach wieloagentowych, zaliczanych do sztucznej inteligencji, wykorzystuje się także koncepcję solwera. Agent to osoba rozwiązująca problem, czyli jednostka programowa zdolna do działania w interesie osiągnięcia wyznaczonych celów. W modelowaniu symbolicznym s-solver jest wartością specjalizacji komunikatu. Efimov E.I. był jednym z pierwszych w Rosji, który wprowadził tę koncepcję. . Ta krótka lista pokazuje znaczenie solwera dla inteligentnych systemów i inteligentnych technologii. Inteligentne sterowanie w ramach semiotyki stosowanej Semiotyka bada naturę, rodzaje i funkcje znaków, systemy znaków i działalność znakową człowieka, istotę znakową języków naturalnych i sztucznych w celu zbudowania ogólnej teorii znaków. W dziedzinie semiotyki istnieje kierunek „semiotyki stosowanej”, którego założycielem jest D.A. Pospelow. W semiotyce wyróżnia się dwa obszary zastosowań znaków: poznanie i komunikacja. Dzieli to semiotykę na dwie części: semiotykę wiedzy; semiotyka komunikacji semantycznej. Podstawą inteligentnego sterowania jest system semiotyczny. Według Pospelova system semiotyczny W jest uporządkowaną ósemką zbiorów: W=< T, R, A, P, τ, ρ, α, π>, (1) Gdzie T - zbiór podstawowych symboli; R - zbiór reguł syntaktycznych; A - duża wiedza z danej dziedziny; P jest zbiorem reguł wyprowadzania rozwiązań (reguł pragmatycznych); τ – zasady zmiany zbioru T; ρ – zasady zmiany zbioru R; α są regułami zmiany zbioru A; π — zasady zmiany zbioru P. Pierwsze dwa zbiory generują język systemu W i τ I ρ przeprowadzić jego zmianę. Zasady α zmienić wiele wiedzy na dany temat. Jeśli uznamy wiedzę za aksjomaty systemu formalnego (który tworzą pierwsze cztery elementy W), to reguły α , zasadniczo zmieniają interpretację podstawowych symboli, a co za tym idzie, poprawnie skonstruowanych formuł języka systemu semiotycznego W. Pierwsze cztery zestawy tworzą system formalny FS, elementy od piątego do ósmego tworzą zasady zmiany systemu formalnego. W ten sposób zapewniają adaptację systemu formalnego, „dostosowując” go do rozwiązywania zadań i problemów, które w ramach systemu FS nie da się rozwiązać. Zatem system semiotyczny (1) można zdefiniować jako złożony układ dynamiczny: W= , Gdzie FSi— określa stan układu semiotycznego, oraz MFsi– zasada zmiany jego stanu. Należy przy tym zaznaczyć, że choć mówimy o systemie semiotycznym, to de facto taki system opisuje obiekt kontroli, czyli stan obiektu kontroli i jego dynamikę. Dlatego system semiotyczny może otrzymać nową interpretację. Kompozytowy układ dynamiczny: W= FSi, który określa stan w sytuacji informacyjnej lub pozycji informacyjnej, dynamiczny MFsi, który określa zasady przejścia obiektu sterującego z jednej pozycji informacyjnej na drugą. Zasady MFsi = (τ, ρ, α, π), te zmieniające stan układu formalnego (obiekt kontrolny) łączy zależność istniejąca w elementach trójkąta semiotycznego (trójkąt Fregego). Oznacza to, że zastosowanie jednej z czterech reguł powoduje zastosowanie pozostałych. Zależności te są złożone, brakuje ich analitycznej reprezentacji, a to jest trudne i stanowi przedmiot badań nad semiotycznymi systemami sztucznej inteligencji. Dlatego łatwiej jest zastosować podejście informacyjne i modelowanie informacji. Rozszerzenia formalnych systemów sterowania w postaci komponentów dynamicznych MFsi zapewniają właściwości otwartości systemów. Stwarzają możliwość dostosowania obiektu kontroli do wpływów kierownictwa i zmieniających się warunków zewnętrznych. To w szczególności pozwala znacząco rozszerzyć możliwości wspomagania podejmowania decyzji w warunkach niepewności, niekompletności i niespójności informacji wyjściowych. Rodzaje niepewności przy wdrażaniu inteligentnego sterowania Tradycyjne metody sterowania, w tym niektóre rodzaje sterowania inteligentnego, opierają się na założeniu, że modele stanu i sterowania obiektu dokładnie opisują jego zachowanie. Metody oparte na tym założeniu wchodzą w zakres klasycznej teorii sterowania. Jednak wraz ze wzrostem objętości, wzrostem nieustrukturyzowanych informacji i wpływem otoczenie zewnętrzne– odchylenia od tego stanu są typowe. Prawie każdy model jest uproszczonym opisem rzeczywistego obiektu, jego stanu i zachowania. Stopień uproszczenia może być akceptowalny lub powodować niepewność. W dynamice zachowania obiektu sterującego niektóre cechy obiektu mogą znacząco zmieniać się podczas jego działania. Wszystko to powoduje niepewność w różnych modelach opisu obiektu i utrudnia jego kontrolę, w tym kontrolę intelektualną. Typowy model sterowania leżący u podstaw algorytmu sterowania lub zestawu ustalonych reguł sterowania nazywany jest nominalnym. W warunkach znacznej niepewności klasyczne metody teorii sterowania nie mają zastosowania lub dają niezadowalające wyniki. W takich przypadkach konieczne jest zastosowanie specjalnych metod analizy i syntezy układów sterowania dla obiektów o niepewnych modelach. Pierwszym krokiem jest ocena rodzaju i wartości niepewności. W modelach zarządzania wyróżnia się główne rodzaje niepewności: parametryczną, funkcjonalną, strukturalną i sygnalizacyjną. Niepewność parametryczna oznacza, że ​​stałe parametry modelu są nieznane lub nieprecyzyjnie określone. Na przykład zamiast wartości punktowych istnieją wartości przedziałowe. Przechodząc do systemów informacyjno-pomiarowych można mówić o braku pewności informacyjnej parametrów. Dlatego w wielu przypadkach rzeczywiste wartości parametrów mogą znacząco odbiegać od przyjętych wartości nominalnych. Niepewność sygnału oznacza, że ​​na działania zarządcze lub przepływ informacji w systemie sterowania wpływają zakłócenia, które znacząco zmieniają sygnały nominalne. Takie sygnały, które odbiegają od procesu regulacji od nominalnego, nazywane są zakłóceniami lub zakłóceniami. Różnica polega na tym, że zakłócenia są pasywne i zmieniają jedynie stosunek sygnału do szumu. Zakłócenie zmienia sygnał z tymi samymi zakłóceniami. Nowoczesne inteligentne systemy sterowania muszą zapewniać autonomiczne działanie wiele powiązanych obiektów technicznych. Daje to podstawy do mówienia o inteligentnym systemie sterowania (ICS). Inteligentny system musi rozwiązywać złożone problemy, obejmujące planowanie, wyznaczanie celów, prognozowanie itp. Ze względu na wszechstronność, adaptację i dokładność rozwiązań wskazane jest zastosowanie inteligentnego sterowania wielofunkcyjnego. Wielopoziomowa architektura inteligentnego systemu sterowania składa się z trzech poziomów: koncepcyjnego, informacyjnego i operacyjnego (rys. 1). System zbudowany w oparciu o tę architekturę steruje zachowaniem złożonych obiektów technicznych w warunkach autonomicznej i zbiorowej interakcji. Poziom pojęciowy odpowiada za realizację wyższych funkcji intelektualnych Ryc.1. Inteligentne sterowanie wielopoziomowe. Na poziomie pojęciowym wykorzystywana jest semiotyczna (znakowa) reprezentacja wiedzy, a komunikaty są wymieniane z innymi poziomami. Informacyjne i poziomy operacyjne zawierają moduły, które wspierają różne procedury intelektualne i informacyjne i przekształcają je w kontrolę. Głównym zadaniem zarządzania na poziomie pojęciowym jest przechowywanie, zdobywanie i wykorzystywanie wiedzy pojęciowej prezentowanej w formie semiotycznej (symbolicznej). Kompozytowy układ dynamiczny: W= zawiera dwa komponenty: statyczny FSi, który definiuje dynamiczny system znaków MFsi, który definiuje system reguł (ryc. 1). Zdobywanie wiedzy opiera się na modelu rzeczywistej sytuacji w środowisku zewnętrznym. Do najwyższych funkcji intelektualnych należą funkcje wyznaczania celu głównego i celów pobocznych, planowania zachowań i rozdzielania wpływów w ogólnym planie działania. Na poziomie zarządzania informacją rozwiązywane są problemy modelowania informacji, z których główne to: konstrukcja sytuacji informacyjnej, pozycja informacyjna, które odpowiadają komponentowi FSi. Na poziomie zarządzania informacją rozwiązywane są zadania budowy struktury informacyjnej, która jest odzwierciedleniem systemu reguł na poziomie koncepcyjnym i odpowiada komponentowi Mfsi. Językowe środowisko kontroli semiotycznej na poziomie informacyjnym realizowane jest poprzez wykorzystanie różnych jednostek informacyjnych. Które stanowią podstawę do konstruowania sytuacji informacyjnej, pozycji informacyjnej i projektowania informacji. Na poziomie operacyjnym (wykonawczym) wdrażane są decyzje zarządcze (wpływy menedżerskie). Wpływy kierownicze z konieczności zmieniają pozycję informacyjną obiektu kontroli. Wpływy kierownictwa mogą w razie potrzeby zmienić sytuację informacyjną obiektu kontroli. Jednocześnie najczęściej nie ma potrzeby zmiany sytuacji informacyjnej. Głównym zadaniem tego poziomu jest zmiana stanu i położenia obiektu sterującego oraz raportowanie zmian na poziom koncepcyjny. Architektura wielopoziomowa ma wiele cech. Obejmuje szereg funkcji poznawczych człowieka. Opiera się na wykorzystaniu informacyjnego podejścia do inteligentnego zarządzania. Warto zwrócić uwagę na różnicę pomiędzy technologiami intelektualnymi i informacyjnymi. Technologie informacyjne pełnią funkcje wspierania inteligentnego zarządzania. Główną rolę odgrywają inteligentne technologie podejmowania decyzji. Umożliwiają, wraz z decyzją lub w trakcie jej uzyskiwania, poszukiwanie nowej wiedzy i gromadzenie zasobów intelektualnych. Technologie informacyjne tworzą jedynie zasoby informacyjne. Oznacza to, że wiedza sformalizowana w formie jawnej, raz opanowana, może stać się częścią doświadczenia i częścią bazy wiedzy i być przez nią wykorzystywana do rozwiązywania problemów i podejmowania decyzji. Wniosek Inteligentne sterowanie jest skuteczne i konieczne przy zarządzaniu złożonymi obiektami, dla których znalezienie formalnych modeli działania jest trudne lub niemożliwe. Podstawą inteligentnego zarządzania są w pierwszej kolejności modele semiotyczne, a w drugiej kolejności modele informacyjne. Inteligentne metody sterowania są różnorodne i mają zastosowanie w systemach technicznych, poznawczych i transportowych. Inteligentne sterowanie jest szeroko stosowane w sterowaniu wielofunkcyjnym. Nowoczesne inteligentne zarządzanie jest integrowane z platformami i usługami chmurowymi. Zarządzając rozproszonymi organizacjami i korporacjami, należy uwzględniać relacje przestrzenne i wiedzę przestrzenną. Kolejnym problemem jest ograniczona liczba inteligentnych technologii pracy z wiedzą ukrytą. Technicznie rzecz biorąc, problem zarządzania wiedzą jest związany z transformacją zasoby informacji w zasobach intelektualnych i ich zastosowaniu w technologiach inteligentnych. Bibliografia Pospelow D.A. Stosowana semiotyka i sztuczna inteligencja // Produkty i systemy oprogramowania. – 1996 r. – nr 3. – C.10-13 Tsvetkov V.Ya. Kontrola poznawcza. Monografia - M.: MAKS Press, 2017. - 72 s. ISBN 978-5-317-05434-2 Tsvetkov V.Ya. Zarządzanie informacją. — LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Niemcy 2012 -201с Osipow G.S. Od zarządzania sytuacyjnego do semiotyki stosowanej. Wiadomości o sztucznej inteligencji. 2002, nr 6. Nikiforov V. O., Slita O. V., Ushakov A. V. Inteligentne sterowanie w warunkach niepewności. - St. Petersburg: Uniwersytet Państwowy w Petersburgu ITMO, 2011. McAfee A., Brynjolfsson E. Big data: rewolucja w zarządzaniu //Harvard Business Review. – 2012. – Nie. 90. – s. 60-6, 68, 128. Tsvetkov V.Ya Markelov V.M., Romanov I.A. Pokonywanie barier informacyjnych // Kształcenie na odległość i wirtualne. 2012. nr 11. s. 4-7. Forbes L. S., Kaiser G. W. Wybór siedliska w hodowli ptaków morskich: kiedy przekroczyć barierę informacyjną //Oikos. – 1994. – s. 377-384. Tsvetkov V. Ya. Inteligentna technologia sterowania. // Russian Journal of Sociology, 2015, tom. (2), Iz. 2.-р.97-104. DOI: 10.13187/rjs.2015.2.97 www.ejournal32.com. Zilouchian A., Jamshidi M. Inteligentne systemy sterowania wykorzystujące metodologie miękkiego obliczeń. – CRC Press, Inc., 2000 Alavi M., Leidner D. E. Recenzja: Zarządzanie wiedzą i systemy zarządzania wiedzą: Podstawy koncepcyjne i zagadnienia badawcze //kwartalnik MIS. – 2001. – s. 107-136. Pospelow D.A. Modelowanie rozumowania. Doświadczenie w analizie aktów psychicznych. - M.: Radio i komunikacja, 1989. -184c. De Moura L., Bjørner N. Z3: Wydajny solwer SMT //Narzędzia i algorytmy do budowy i analizy systemów. – Springer Berlin Heidelberg, 2008. – s. 337-340. Rosenberg I.N., Tsvetkov V.Ya. Zastosowanie systemów wieloagentowych w inteligentnych systemy logistyczne. // International Journal of Experimental Education. – 2012 r. – nr 6. – s. 107-109 Efimov E.I. Rozwiązywacz problemów intelektualnych - M.: Nauka, Redakcja Główna Literatury Fizycznej i Matematycznej, 1982. - 320 s. Pospelov D.A., Osipov G.S. Semiotyka stosowana // Wiadomości o sztucznej inteligencji. - 1999. - nr 1. Tsvetkov V.Ya. Niepewność i pewność informacji w naukach informacyjnych // Technologie informacyjne. - 2015. - nr 1. -str.3-7 Tsvetkov V. Ya. Dychotomiczna ocena sytuacji informacyjnych i wyższości informacji // Europejski badacz. Seria A. 2014, t. (86), nr 11-1, s. 1901-1909. DOI: 10.13187/er.2014.86.1901 Tsvetkov V. Ya. Sytuacja informacyjna i pozycja informacyjna jako narzędzie zarządzania // Europejski badacz. Seria A. 2012, Vol.(36), 12-1, s.2166-2170 Tsvetkov V. Ya. Konstrukcje informacyjne // European Journal of Technology and Design. -2014, tom (5), nr 3. - s. 147-152 22. Pospelov D.A. Modele semiotyczne: sukcesy i perspektywy // Cybernetyka. – 1976. – nr 6. – s. 114-123. 23. Pospelov D.A. Modele semiotyczne w zarządzaniu. Cybernetyka. Sprawy praktyczne. - M.: Nauka, 1984. – s. 70-87 Osipov G. S. i wsp. Inteligentne sterowanie pojazdy: standardy, projekty, wdrożenia //Oprzyrządowanie lotnicze. – 2009. – Nie. 6. – s. 34-43. Snytyuk V. E., Yurchenko K. N. Inteligentne zarządzanie oceną wiedzy // VE Snytyuk, KN Yurchenko − Czerkassy. – 2013. Pugaczow I. N., Markełow G. Ya Inteligentne sterowanie systemy transportowe miasta //Transport i usługi: odbiór. naukowy działa.–Kaliningrad: Wydawnictwo imienia I. Kanta. – 2014. – Nie. 2. – s. 58-66. Atiencia V., Diveev A.I. Synteza inteligentnego wielofunkcyjnego systemu sterowania // Problemy współczesne nauka i edukacja. – 2012. – Nie. 6. Gribova V.V. i wsp. Platforma chmurowa do rozwoju i zarządzania inteligentnymi systemami // Międzynarodowa konferencja naukowo-techniczna „Otwarte technologie semantyczne do projektowania inteligentnych systemów” (OSTIS-2011).-Mińsk: BSUIR. – 2011. – s. 5-14. UDC 004.896 I. A. Szczerbatow INTELIGENTNE STEROWANIE SYSTEMAMI ROBOTYCZNYMI W WARUNKACH NIEPEWNOŚCI Wstęp Inteligentne sterowanie to wykorzystanie metod sztucznej inteligencji do sterowania obiektami o różnej naturze fizycznej. W zakresie sterowania systemami robotycznymi najpowszechniej stosowane są metody sztucznej inteligencji. Wynika to przede wszystkim z autonomii robotów i konieczności rozwiązywania przez nie nieformalnych problemów twórczych w warunkach niepełnej informacji i różnego rodzaju niepewności. Do niedawna ta klasa zadań pozostawała prerogatywą inteligencji naturalnej: operatora obiektu sterującego, inżyniera, naukowca, czyli człowieka. Współczesne osiągnięcia w teorii automatyki, inteligentne metody formalizowania zadań półustrukturyzowanych i sterowania złożonymi systemami technicznymi umożliwiają realizację bardzo złożonych systemów robotycznych, do których zaliczają się mobilne platformy robotyczne, elastyczne linie zautomatyzowane i roboty androidalne. Systemy robotyczne pracują w warunkach niepełnej informacji wejściowej, gdy zasadnicza niemożność pomiaru szeregu parametrów nakłada istotne ograniczenia na program sterujący. Prowadzi to do konieczności opracowania bazy algorytmów umożliwiających obliczanie parametrów niemierzalnych w oparciu o znaki pośrednie i wskaźniki mierzalne. Niepewność otoczenia zewnętrznego, w którym pracuje system robotyczny, wymusza w systemie sterowania uwzględnianie różnego rodzaju kompensatorów, modułów adaptacyjnych, akumulacji i porządkowania informacji. Sformułowanie problemu Celem badań było opracowanie podejść do konstrukcji inteligentnych systemów sterowania dla systemów robotycznych, które są niezmienne pod względem specyfiki działania, biorąc pod uwagę niekompletność informacji wejściowych oraz różnego rodzaju niepewności. Aby osiągnąć ten cel, konieczne jest rozwiązanie szeregu powiązanych ze sobą problemów: analiza architektur inteligentnych systemów sterowania dla systemów robotycznych; opracować uogólniony algorytm identyfikacji sytuacyjnej systemu robotycznego; opracować uogólniony schemat układu sterowania systemem robotycznym; opracowanie inteligentnych systemów sterowania robotem manipulacyjnym, mobilną platformą robotyczną i elastyczną zautomatyzowaną linią. Metody badawcze W badaniach wykorzystano metody ogólnej teorii sterowania, teorię zbiorów rozmytych, sieci neuronowe, analizę systemów oraz teorię ocen eksperckich. Lokalizacja systemu robotycznego w środowisku zewnętrznym Aby wdrożyć inteligentne algorytmy sterowania, podstawowym zadaniem jest bieżąca identyfikacja sytuacji, w której znajduje się system robotyczny. Aby rozwiązać ten problem, opracowano schemat blokowy systemu identyfikacji sytuacyjnej (rys. 1). Techniczny zespół wizyjny i sensoryczny ma za zadanie określić zmiany stanu środowiska zewnętrznego i przedstawić mapę sensoryczną otoczenia do dalszego przetwarzania. Mapa sensoryczna otoczenia jest obrazem sytuacji, w której robot znajduje się w danym momencie. Przedział czasowy na budowę mapy sensorycznej dobierany jest na podstawie specyfiki obszaru tematycznego. Baza wiedzy Operator Intelektualny interfejs Identyfikator algorytmy Narządy wzroku technicznego i wrażeń zmysłowych Otoczenie zewnętrzne Wykonawczy mechanizmy Ryż. 1. Schemat blokowy systemu identyfikacji sytuacyjnej Pamięć robocza, analogicznie do systemów ekspertowych, przeznaczona jest do przetwarzania informacji pochodzących z czujników i przetwarzanych przy wykorzystaniu istniejącej bazy algorytmów oraz bazy wiedzy (KB) systemu robotycznego. Baza algorytmów obejmuje algorytmy wstępnego przetwarzania mapy czujnika (cyfrowe przetwarzanie sygnału, rozpoznawanie wzorców dźwiękowych i obrazów), obliczania parametrów niezmierzonych (zależności funkcjonalne od parametrów mierzonych), przywracania kompletności informacji (sprawdzanie kompletności i niespójności wiedzy, adaptacja wiedza uwzględniająca niestacjonarne i zmienne warunki zewnętrzne), operacje matematyczne itp. Baza wiedzy jest złożona struktura hierarchiczna, zawierający aprioryczną informację o środowisku zewnętrznym, ustaloną na etapie szkolenia, pełną i spójną wiedzę zdobywaną przez robota w procesie funkcjonowania i postrzegania środowiska zewnętrznego. Wiedza w bazie wiedzy jest porządkowana według kryteriów istotności i aktualizowana z uwzględnieniem zmian w specyfice funkcjonowania robota w oparciu o algorytmy adaptacji wiedzy. Najważniejszym blokiem jest identyfikator sytuacji. To właśnie ten blok odpowiada za prawidłowe rozpoznanie obrazu sytuacji na podstawie mapy sensorycznej. Informacja wynikowa z tego bloku ma decydujące znaczenie przy wyborze programu sterującego dla systemu robotycznego. I wreszcie inteligentny interfejs, niezbędny do komunikacji z operatorem. Operator monitoruje funkcjonowanie systemu robotycznego, a także monitoruje proces, aby osiągnąć założone cele. Z reguły komunikacja pomiędzy robotem a operatorem powinna odbywać się przy wykorzystaniu interfejsu języka naturalnego w ograniczonym podzbiorze języka naturalnego. Struktura układu sterowania systemem robotycznym w warunkach niepewności Wdrażanie algorytmów i programów do inteligentnego sterowania systemami robotycznymi w warunkach niepewności wiąże się z szeregiem istotnych trudności. Złożoność algorytmów wstępnego przetwarzania informacji wejściowych oraz niepewność strukturalna modelu zachowania samego systemu robotycznego determinują redundancję struktury inteligentnego systemu sterowania. Aby rozwiązać problem sterowania robotem w warunkach niepewności, zaprojektowano następującą architekturę inteligentnego układu sterowania (rys. 2). System identyfikacji sytuacyjnej (SIS) powinien być częścią każdego inteligentnego systemu sterowania systemem robotycznym. Inteligentne urządzenie sterujące (ICD) zawiera jednostkę sterującą i jednostkę wyboru programu sterującego (CPSU). Celem tego bloku jest opracowanie działania sterującego dla układu napędów elektrycznych (ED) działających na układ mechaniczny (MS) robota. Ryż. 2. Schemat blokowy inteligentnego układu sterowania układem robotycznym Układy sterowania manipulatorów przemysłowych Tradycyjne układy sterowania manipulatorów przemysłowych dzielą się na kilka klas. Pierwszą klasą systemów są systemy kontrola programu. System ciągłej kontroli korpusu roboczego manipulatora polega na zestrojeniu manipulatora z modelem referencyjnym. W tym algorytmie sterowania nie uwzględnia się strat w manipulatorze MS i zakłada się, że wszystkie siły wytworzone przez napędy przenoszone są na element pracujący. Programowalny układ kontroli siły w korpusie roboczym służy do sterowania nie tylko wektorem siły, ale także wektorem położenia korpusu roboczego. Układ niezależnej kontroli ruchu i siły w korpusie roboczym manipulatora dla różnych stopni mobilności posiada dwa obwody sterujące z informacja zwrotna: według pozycji i siły. W układzie sprzężonego sterowania ruchem i siłą korpusu roboczego manipulatora zadanie wektora położenia korpusu roboczego dopasowuje się do aktualnej wartości wektora siły. Oznacza to, że podczas ruchu korpusu roboczego wielkość jego skoku jest dostosowywana w zależności od siły oddziaływania na środowisko zewnętrzne. Adaptacyjne systemy sterowania stosuje się, gdy wykonywane są następujące operacje: podnoszenie dowolnie położonego lub poruszającego się obiektu, spawanie łukowe szwów o zmiennym położeniu, unikanie ruchomych i nieoczekiwanych przeszkód. Wykorzystuje się do tego systemy adaptacyjne z pamięcią asocjacyjną. Solidne układy sterowania wykorzystywane są także do sterowania manipulatorami przemysłowymi, które obecnie znajdują szerokie zastosowanie praktyczne. Wdrożenie inteligentnego sterowania Problem funkcjonowania systemu robotycznego w warunkach niepewności jest wieloaspektowy. Rozważmy problem planowania zachowania się systemu robotycznego w warunkach niepewności. Aby rozwiązać ten problem, najwłaściwsze jest wykorzystanie technologii dynamicznych systemów ekspertowych. Baza wiedzy takiego systemu ekspertowego jest dostosowywana w czasie. Jeśli używana jest baza reguł produkcji, wówczas skład reguł produkcji jest stale sprawdzany pod kątem kompletności i spójności. Dodatkowo, w związku z algorytmami adaptacyjnymi, przestarzałe i nieaktualne zasady są aktualizowane i zastępowane. Jednocześnie szczególną uwagę zwraca się na problematykę szkolenia systemu ekspertowego bez nauczyciela (samokształcenie), gdyż monitorowanie systemu przez wysoko wykwalifikowanego specjalistę jest nieopłacalne ekonomicznie. Samouczący się lub samodostrajający blok bazy wiedzy systemu ekspertowego wymaga dokładnego zbadania na etapie projektowania inteligentnego systemu sterowania systemem robotycznym. Mój. Skuteczność rozwiązania problemu często zależy od jakości wykonania tego etapu prac projektowych. Powinien zawierać podsystemy oceny kompletności i niespójności wiedzy, oceny jakości zarządzania i korygowania wiedzy. Chronologicznie kolejnym etapem po zaplanowaniu zachowania może być problem wydawania poleceń sterujących systemowi robotycznemu w języku naturalnym. Naszym zdaniem do stworzenia interfejsu w języku naturalnym najodpowiedniejszym narzędziem implementacyjnym jest teoria zbiorów rozmytych. Za pomocą zmiennych językowych zawierających pewien, wcześniej opisany zestaw terminów, dokonuje się opisu obszaru tematycznego, ograniczonego systemu poleceń i obiektów, które wpływają na system robotyczny i zmieniają się pod jego wpływem. Zastosowane w tym przypadku metody fazyfikacji i defazyfikacji oraz algorytmy wnioskowania rozmytego logicznego mają istotny wpływ na dokładność działań sterujących i szybkość działania układu robotycznego. I wreszcie zastosowanie systemów sterowania sieciami neuronowymi w systemach robotycznych. Główną zaletą sieci neuronowej jest to, że nie trzeba znać ani tworzyć modelu matematycznego obiektu, ponieważ sieć neuronowa jest uniwersalnym aproksymatorem rozmytym. Obiekt (system robotyczny) pełni rolę „czarnej skrzynki”. Sieć neuronowa może pełnić rolę modelu referencyjnego dla kontrolowanego systemu robotycznego. Należy zaznaczyć, że musi to być ucząca się wielowarstwowa sieć neuronowa (identyfikator obiektu). Model sieci neuronowej dopasowywany jest do obiektu sterującego na podstawie niedopasowania sygnałów wyjściowych obiektu i modelu. Stanowi także próbkę treningową do regulacji i regulacji urządzenia sterującego zgodnie z wybranym kryterium jakości. Wniosek Przeprowadzona analiza pozwoliła na syntezę architektury inteligentnego systemu sterowania układami robotycznymi, niezmiennego pod względem specyfiki działania. Opracowany algorytm identyfikacji sytuacyjnej pozwala na budowę wysoce informacyjnych map sensorycznych środowiska zewnętrznego. Opisano główne podejścia do tworzenia inteligentnych systemów sterowania dla systemów robotycznych. Pokazano kierunki przyszłego rozwoju najskuteczniejszych metod sztucznej inteligencji stosowanych do realizacji urządzeń sterujących. BIBLIOGRAFIA 1. Yurevich E. I. Podstawy robotyki. - St. Petersburg: BHV-Petersburg, 2007. - 416 s. 2. Systemy manipulacji robotami / wyd. A. I. Korendyasewa. - M.: Inżynieria mechaniczna, 1989. - 472 s. 3. Burdakov S. F. Synteza wytrzymałych regulatorów z elementami elastycznymi: zbiór artykułów. naukowy tr. - Nr 443. Mechanika i procesy kontrolne. - Petersburg: Państwowy Uniwersytet Techniczny w Petersburgu, 1992. 4. Protalinsky O. M. Zastosowanie metod sztucznej inteligencji w automatyzacji procesów technologicznych: monografia. - Astrachań: Wydawnictwo ASTU, 2004. - 184 s. Artykuł wpłynął do redakcji 13 stycznia 2010 roku INTELEKTUALNE ZARZĄDZANIE SYSTEMAMI ROBOTYKI W WARUNKACH NIEPEWNOŚCI I. A. Szczerbatow Celem pracy jest ukształtowanie podejść do konstrukcji systemów sterowania intelektualnego systemów robotyki, niezmiennych w stosunku do specyfiki funkcjonowania, uwzględniających niekompletność informacji wejściowej oraz różnego rodzaju niepewności. Przeprowadzono analizę, która pozwoliła na syntezę architektury intelektualnego systemu sterowania systemami robotycznymi, niezmiennego w odniesieniu do specyfiki funkcjonowania. Opracowany algorytm identyfikacji sytuacyjnej pozwala na budowanie dobrych kart dotykowych otoczenia. Opisano podstawowe podejścia do tworzenia intelektualnych systemów sterowania systemami robotyki. Pokazano kierunki perspektywicznego rozwoju najskuteczniejszych metod sztucznej inteligencji stosowanych do realizacji urządzeń wykonawczych. Słowa kluczowe: system robotyki, robot, zarządzanie intelektualne, niepewność strukturalna, niekompletność informacji, karta dotykowa, sieć neuronowa, teoria zbiorów niewyraźnych, samouczący się system ekspertowy.

TEMAT 13. INTELIGENTNE SYSTEMY STEROWANIA

,

gdzie W jest ustaloną funkcją przenoszenia (funkcją wagi);

– dowolna stabilna funkcja transferu spełniająca nierówność .

Takie zakłócenie nazwiemy dopuszczalnym. Poniżej przedstawiono kilka opcji modeli niepewności:

(1+W)P; P+W; P/(1+WP); P/(1+W).

W każdym przypadku należy przyjąć odpowiednie założenia dotyczące ilości i W.

Niepewność sygnałów wejściowych d odzwierciedla odmienną naturę zakłóceń zewnętrznych działających na obiekt i sterownik. Nieokreślony przedmiot można zatem uznać za zbiór obiektów.

Wybierzmy pewną cechę systemów sprzężenia zwrotnego, na przykład stabilność. Kontroler C jest odporny pod względem tej cechy, jeśli posiada ją dowolny ze zbioru obiektów zdefiniowanych przez niepewność.

Zatem koncepcja solidności implikuje obecność regulatora, zestawu obiektów i utrwalenie określonej cechy systemu.

W tej pracy nie będziemy poruszać całego zestawu problemów rozwiązywanych w ramach teorii sterowania. Zajmijmy się tylko problemem minimalnej czułości: zbudowanie sterownika C, który stabilizuje układ zamknięty i minimalizuje wpływ zakłóceń zewnętrznych na wyjście y, innymi słowy minimalizuje normę macierzy funkcji przejścia od zakłóceń zewnętrznych na wyjście y .

Jedną z cech rozwiązania tego, a właściwie całego zestawu solidnych problemów sterowania, jest fakt, że z góry, w procesie projektowania sterownika, ustalamy ograniczenia na wpływy wejściowe i niepewność obiektu w postaci nierówności.

Podczas pracy systemu odpornego informacje o niepewnościach występujących w systemie nie są wykorzystywane do sterowania.

Prowadzi to oczywiście do tego, że solidne systemy są konserwatywne, a jakość procesów przejściowych czasami nie zadowala twórców tych systemów.

Podobnie jak solidny system sterowania adaptacyjnego, jest on zbudowany dla obiektów, o których lub o oddziaływaniach nie ma informacji na początku działania systemu. Najczęściej właściwość adaptacji osiąga się poprzez utworzenie, jawnie lub pośrednio, modelu matematycznego obiektu lub wpływu wejściowego.

Rozróżnia się tu zarówno sterowanie adaptacyjne z poszukiwaniem, które opiera się na poszukiwaniu i zachowaniu ekstremum wskaźnika jakości sterowania, jak i bez wyszukiwania, które polega na kompensacji odchylenia rzeczywistych zmian kontrolowanych współrzędnych od pożądanych zmian odpowiadających wymagany poziom wskaźnika jakości. Następnie, zgodnie z udoskonalonym modelem, dostosowywany jest sterownik adaptacyjny.

Zatem główną cechą adaptacyjnych systemów sterowania jest możliwość uzyskiwania informacji podczas pracy i wykorzystywania tych informacji do sterowania.

Co więcej, systemy adaptacyjne zawsze korzystają z informacji apriorycznej o niepewności występującej w systemie. Na tym polega podstawowa różnica między podejściem adaptacyjnym a podejściem solidnym.

Rozważmy najprostszy system sterowania adaptacyjnego, który zapewnia śledzenie sygnału wejściowego w obecności szumu na wejściu obiektu (rysunek 13.6).

Rysunek. 13.6 – Adaptacyjny system sterowania

Formalną różnicą w stosunku do układu z rysunku 13.5 jest blok adaptacyjny A, który na podstawie sygnału wyjściowego obiektu oraz sygnału charakteryzującego daną jakość generuje sygnał do regulacji współczynników regulatora adaptacyjnego.

Mając na uwadze wady każdego z regulatorów, warto spróbować wykorzystać ich zalety, proponując łączony schemat sterowania obiektem. System adaptacyjny, wykorzystując blok adaptacyjny, generuje informację o stanie środowiska zewnętrznego. W szczególności w rozpatrywanym przypadku możliwe jest uzyskanie informacji o zakłóceniu zewnętrznym d. Algorytm sterowania C a odpowiada aktualnemu stanowi środowiska zewnętrznego, zgodnie z kryterium określonym w bloku adaptacyjnym. Jednak system adaptacyjny wymaga, aby sygnał wejściowy r miał dość szeroki zakres częstotliwości i nakłada ścisłe ograniczenia na wartość i widmo częstotliwości zewnętrznego sygnału zakłócającego d. Dlatego systemy adaptacyjne mogą działać tylko w wąskich zakresach sygnału wejściowego r i zakłóceń zewnętrznych d. Poza tymi zakresami system adaptacyjny ma słabą jakość sterowania i może nawet stracić stabilność.

Omówione powyżej właściwości sterowania odpornego i adaptacyjnego prowadzą do wniosku, że w trakcie pracy systemu w niektórych przypadkach korzystne jest zastosowanie sterowania odpornego, w innych - adaptacyjnego, tj. móc łączyć sterowanie w zależności od stanu środowiska zewnętrznego.

Połączona kontrola. Głównym pytaniem przy projektowaniu połączonych systemów sterowania jest to, w jaki sposób, na podstawie jakiej wiedzy (informacji), wybrać ten lub inny rodzaj sterowania.

Bardzo szerokie możliwości W tym celu zaprezentowano metody sztucznej inteligencji. Ich przewagą nad prostymi algorytmami przełączającymi jest wykorzystanie szerokiego zakresu danych i wiedzy do stworzenia algorytmu wyboru rodzaju sterowania.

Jeśli formalnie połączymy obwody pokazane na rysunkach 13.5, 13.6, otrzymamy połączony obwód sterujący (rysunek 13.7).

Jak widać na rysunku, sygnał sterujący musi przełączać się ze sterownika wytrzymałego na adaptacyjny i odwrotnie – w miarę zmiany otoczenia w trakcie pracy systemu. Stosując metody teorii systemów inteligentnych możliwe jest zapewnienie przejścia z jednego rodzaju sterowania na inny w zależności od warunków pracy systemu.

Rysunek 13.6 – Połączony schemat sterowania

Zastanówmy się najpierw, jakie informacje można wykorzystać do obsługi inteligentnej jednostki systemu. Jak wiadomo, układy z jednym wejściem i jednym wyjściem są dobrze opisane w dziedzinie częstotliwości. Dlatego naturalnym jest wykorzystanie charakterystyk częstotliwościowych do uporządkowania procesu decyzyjnego przy wyborze rodzaju sterowania.

Jak wspomniano powyżej, charakterystyka częstotliwościowa systemu z solidną regulacją odpowiada najgorszej kombinacji parametrów w obszarze niepewności. Dlatego też kontrolę solidną można przyjąć jako jedną z granic wybranej kontroli.

Drugie ograniczenie wyznaczają możliwości badanego systemu (prędkość napędu, zasilanie itp.). Pomiędzy tymi dwiema granicami znajduje się obszar, w którym sensowne jest zastosowanie sterowania adaptacyjnego.

Rysunek 13.7 – Połączony schemat sterowania

Ponieważ algorytm adaptacyjny jest wrażliwy na początkową fazę pracy systemu, warto na tym etapie zastosować sterowanie solidne, które jest dość niewrażliwe na szybkość zmian zakłóceń zewnętrznych. Jednak jego wadą jest długi czas trwania procesów przejściowych i duże dopuszczalne wartości współrzędnej wyjściowej pod wpływem zakłóceń.

Po pewnym czasie sensowne jest przejście ze sterowania solidnego na sterowanie adaptacyjne.

Sterowanie adaptacyjne pozwala dokładniej śledzić sygnał wejściowy w obecności informacji o zakłóceniach. Sterowanie adaptacyjne wymaga bogactwa widma sygnału wejściowego i np. przy wolno zmieniających się sygnałach procesy adaptacyjne mogą się nie powieść lub zostać znacznie spowolnione. W takiej sytuacji konieczne jest ponowne przejście na sterowanie solidne, które gwarantuje stabilność systemu.

Z powyższego wynika, że ​​aby system działał, niezbędna jest informacja o widmie częstotliwości użytecznego sygnału zakłócającego oraz stosunku sygnału do szumu.

Ponadto wymagana jest wstępna informacja o widmie częstotliwości, na którym działa system adaptacyjny, oraz o szczególnych charakterystykach obiektu regulacji na granicach obszaru niepewności. Na podstawie tych informacji można utworzyć bazę danych, do której z wyprzedzeniem wprowadzane są informacje specyficzne dla każdej klasy obiektów. Informacje o widmie częstotliwości sygnału użytecznego, zakłóceniach oraz stosunku sygnału do szumu wprowadzane są do bazy danych w trakcie pracy systemu i są na bieżąco aktualizowane.

Zawartość bazy danych może zostać wykorzystana w bazie wiedzy, która uformowana jest w formie reguł. W zależności od specyficznych właściwości systemu można ustawić przełączanie pomiędzy dwoma rodzajami sterowania. Wymagane reguły tworzy się w jednym z systemów logicznych odpowiednich dla rozpatrywanego przypadku.

Mając bazy danych i wiedzę, możliwe jest opracowanie mechanizmu decyzyjnego, który to zapewni właściwy wybór rodzaj sterowania w zależności od warunków pracy systemu.

Rysunek 13.8 – Schemat blokowy systemu z jednostką inteligentną (IB)

Inteligentna część systemu działa dyskretnie, w określonych odstępach czasu. Rysunek 13.8 przedstawia schemat blokowy systemu z inteligentną jednostką bezpieczeństwa informacji, która umożliwia wybór rodzaju sterowania.

Na wejście bloku odbierany jest sygnał r oraz zmierzony sygnał wyjściowy obiektu y. W bloku wstępnego przetwarzania informacji BPOI, w oparciu o charakterystyki czasowe sygnałów r(t), y(t), charakterystyki częstotliwościowe sygnału wejściowego r(w) oraz zakłócenia zewnętrznego d(w), względną położenie widm r(w) i d(w) oraz charakterystyczne wartości stosunku sygnału do szumu r(w)/d(w). Wszystkie te informacje trafiają do bazy danych. Blok decyzyjny BPR, wykorzystując wygenerowaną bazę wiedzy i dane z bazy danych, opracowuje decyzję, zgodnie z którą zostanie uruchomiony jeden z typów kontroli. W kolejnym odstępie proces jest powtarzany z wykorzystaniem nowych danych.

Program nr 14 badań podstawowych OEMMP RAS

„ANALIZA I OPTYMALIZACJA PRACY WIELOPOZIOMOWYCH, INTELIGENTNYCH I SIECIOWYCH SYSTEMÓW STEROWANIA W WARUNKACH NIEPEWNOŚCI”

1. Uzasadnienie Programu

1.1. Znaczenie naukowe i praktyczne

Intensywny rozwój technologii ( sieciowanie miniaturyzacja komputerów, zwiększenie ich szybkości itp.) nakłada nowe wymagania na nowoczesne systemy sterowania i otwiera nowe możliwości zarówno na poziomie wbudowanych systemów sterowania (na poziomie dużych centrów sterowania), jak i na poziomie sieci (sieć komunikacyjna , grupa) interakcja zdecentralizowanych systemów wieloagentowych. Systemy sterowania coraz częściej nabierają charakteru systemów zarządzania informacją i są badane na styku teorii sterowania, informatyki i komunikacji. Zatem uwzględnienie właściwości kanałów komunikacyjnych jest konieczne np. w systemach zdecentralizowanych (wieloagentowych), a charakterystyka wbudowanego komputera jest istotna przy wdrażaniu w wielopoziomowych systemach sterowania takich inteligentnych funkcji jak wizja techniczna , planowanie działań, szkolenia, wielokryterialne podejmowanie decyzji, refleksja itp. W szczególności intelektualizacja zarządzania ma na celu zwiększenie stopnia autonomii funkcjonowania systemów, gdy brak jest ilościowych modeli dynamiki lub zaburzeń w funkcjonowaniu obiektu kontroli, powodując utratę adekwatności modeli ilościowych (np. równań opisujących ewolucję złożonego systemu), wzmocnienie roli modeli jakościowych (tzw. „wiedzy”, np. logiczno-językowych) obiektu i środowiska wykorzystywanego na wyższych poziomach systemu sterowania.

Program ma na celu rozwiązywanie podstawowych problemów pojawiających się w priorytetowych obszarach nauki, technologii i inżynierii Federacja Rosyjska. Zadanie postawione jest w celu uzyskania nowych wyników podstawowych i aplikacyjnych z zakresu teorii sterowania złożonych systemów technicznych, człowiek-maszyna i innych, uwzględniających niepewność i brak informacji wyjściowych, w tym: teorii analizy i syntezy układów stochastycznych , teorię tworzenia układów sterowania ruchem oraz procesy technologiczne, przy bieżącej diagnostyce i monitorowaniu stan techniczny a także teorię tworzenia zautomatyzowanego projektowania i inteligentnych systemów sterowania w oparciu o nowoczesne technologie informacyjne.

Ze względu na różnorodność zastosowań teorii sterowania, analizy i optymalizacji w różnych zastosowaniach (transport, logistyka, produkcja, systemy lotnicze i kosmiczne, okręty podwodne i nawodne itp.) konieczne jest uwzględnienie dużej liczby czynników złożoności , Jak na przykład:

· zarządzanie wielopoziomowe,

· decentralizacja,

· nieliniowość,

· wielość,

· rozkład parametrów,

· różna skala procesów w przestrzeni i czasie,

· wysoki wymiar,

· heterogeniczność opisu podsystemów,

· wielomodowy,

· obecność wpływów impulsowych,

· obecność zaburzeń współrzędnościowo-parametrycznych, strukturalnych, regularnych i osobliwych,

· wykorzystanie modeli deterministycznych i probabilistycznych do opisu niepewności informacji o wektorze stanu i parametrach układu, o właściwościach błędów pomiarowych i środowisku zewnętrznym,

obecność efektów opóźniających w sterowaniu lub obiekcie,

· ogólna złożoność strukturalna współczesnych systemów sterowania.

Aby osiągnąć zamierzony cel i rozwiązać główne zadania, Program obejmuje prace badawczo-rozwojowe w następujących głównych obszarach:

1. Analiza i optymalizacja funkcjonowania w różnych skalach czasowych wielopoziomowych systemów sterowania z niepełną informacją.

2. Zarządzanie i optymalizacja w wielopoziomowych i zdecentralizowanych systemach o charakterze organizacyjno-technicznym.

2.1. Zarządzanie i optymalizacja w systemach sieciocentrycznych.

2.2. Inteligentna kontrola poruszających się obiektów.

2.3. Modelowanie i optymalizacja wielopoziomowych systemów informacji i sterowania w czasie rzeczywistym.

Kierunek 1. Analiza i optymalizacja funkcjonowania w różne skale czasowe wielopoziomowych systemów sterowania z niepełną informacją

Złożoność wielu współczesnych systemów sterowania często nie pozwala na wcześniejsze uzyskanie pełnego opisu procesów zachodzących w systemie i jego interakcji z otoczeniem. Z reguły układy rzeczywiste opisywane są nieliniowymi równaniami dynamiki, a dość często modele matematyczne układów sterowania uwzględniają jedynie dopuszczalne zakresy zmian parametrów i charakterystyk poszczególnych elementów, bez określenia samych tych parametrów i charakterystyk.

Ponadto w niektórych układach, w szczególności mikromechanicznych i kwantowych, stosuje się metody klasyczne Opisy w czasie ciągłym lub dyskretnym komplikuje fakt, że powstające wewnętrzne i/lub zewnętrzne siły interakcji oraz działania kontrolne mają charakter ulotny, impulsywny i nie da się ich dokładnie obliczyć. System wydaje się działać w różnych skalach czasowych: rzeczywistej (wolna) i szybkiej (impulsowa). Takie zróżnicowanie czasowe jest wewnętrzną właściwością wielu współczesnych systemów sterowania, w tym także systemów z regulacją wielostopniową, w których wyższe poziomy wykorzystują modele jakościowe i dyskretne, a dolne poziomy często wykorzystują modele ilościowe z czasem ciągłym.

Z tego powodu rozwój metod matematycznej formalizacji opisu funkcjonowania takich układów w czasie hybrydowym (ciągłym-dyskretnym), badanie ich właściwości pod względem sterowalności i stabilności w warunkach niepełnej informacji, przeciwdziałania i niestandardowych ograniczeń dotyczące elementów sterujących i zmiennych fazowych jest pilnym zadaniem. Równie pilnym zadaniem jest opracowanie metod syntezy optymalnego sterowania takich układów ciągło-dyskretnych, zarówno deterministycznych, jak i stochastycznych.

Dodatkowo w warunkach niepewności i braku informacji apriorycznej bardzo istotne są zadania optymalizacji procesu gromadzenia i przetwarzania informacji (zarządzanie obserwacjami i optymalne filtrowanie).

Kierunek 2. Zarządzanie i optymalizacja w wielopoziomowych i zdecentralizowanych systemach o charakterze organizacyjno-technicznym

2.1. Zarządzanie i optymalizacja w systemach sieciocentrycznych

Nowoczesne złożone systemy organizacyjno-techniczne charakteryzują się dużymi wymiarami, decentralizacją, wielopoziomowym zarządzaniem, koniecznością efektywnego planowania działań z uwzględnieniem szkoleń, wielokryterialnymi decyzjami i odzwierciedleniem zarządzanych podmiotów.

Problemy planowania i sterowania dyskretnymi i ciągłymi, rozproszonymi, wielopołączonymi systemami o dużych wymiarach charakteryzują się także wieloskalowymi procesami nie tylko w czasie, ale także rozkładem i wieloskalowym charakterem przestrzeni i stanowią jeden z najbardziej złożonych i pracochłonne zajęcia problemów optymalizacyjnych. Z tego powodu celowe jest rozwijanie metod badawczych i podejść do poszukiwania dokładnych i przybliżonych rozwiązań, a także środków modelowanie symulacyjne do stosowania w systemach wspomagania decyzji dotyczących planowania, projektowania i zarządzania złożonymi systemami technicznymi, organizacyjnymi (w tym transportowymi i logistycznymi) oraz informacyjnymi.

Aby zarządzać interakcją grupową, komponentami zdecentralizowanej organizacji systemy techniczne(systemy sieciocentryczne, systemy produkcyjne, sieci komputerowe, telekomunikacyjne i inne, itp.) w kontekście ograniczeń kanałów komunikacji i złożoności obliczeniowej, charakterystyki procesów przetwarzania informacji, a także ograniczeń czasu podejmowania decyzji, możliwości obliczeniowych i przepustowość kanału mają ogromne znaczenie komunikacyjne. Dlatego też istotne jest opracowanie metod optymalizacji (z uwzględnieniem wymienionych ograniczeń) struktury złożonych systemów organizacyjnych i technicznych, w tym przy jednoczesnym uwzględnieniu wielu kryteriów: szczegółowości danych wyjściowych, efektywności gromadzenia informacji, planowania i refleksyjnego podejmowania decyzji. wykonywania, ograniczona produktywność poszczególnych komputerów, ograniczenie powielania pracy, a także udziału obliczeń pomocniczych związanych z obsługą transmisji danych.

Systemy wielopoziomowe i zdecentralizowane charakteryzują się rozproszonym podejmowaniem decyzji w czasie rzeczywistym w określonych warunkach przeciwdziałanie informacyjne, a także niekompletność i niejednorodność informacji, często o wielokryterialnym charakterze jakościowym i subiektywnym. Z tego powodu konieczne jest opracowanie metod tworzenia odpowiednich systemów wspomagania informacji oraz wspomagania podejmowania decyzji strategicznych i operacyjnych w warunkach niepełnej informacji i przeciwdziałania. W tym celu wskazane jest w szczególności opracowanie: wieloagentowych modeli dynamicznych systemów organizacyjnych i technicznych, w tym modeli sieciowych z agentami konfliktowymi, modeli zachowań grupowych i ich prognozowania, oceny równowagi interesów i kształtowania się koalicje w tych systemach, a także rozwój technologii informatycznych i sposobów prezentacji informacji o środowisku zewnętrznym oraz wiedzy inteligentnych agentów.

2.2. Inteligentna kontrola poruszających się obiektów

Nie zawsze da się stworzyć modele ilościowe rozwiązujące postawione problemy, dlatego w Programie, obok metod tradycyjnych, wykorzystuje się metody sztucznej inteligencji. Sztuczna inteligencja, jako dziedzina wiedzy, przeszła w ciągu ostatnich pięćdziesięciu lat ogromny skok, zarówno w rozwoju i doprecyzowaniu samego pojęcia inteligencji, jak i w zakresie praktycznego zastosowania sztucznej inteligencji w różnych obszarach działalności człowieka: w technologii, ekonomii, biznesie, medycynie, edukacji itp. Wiele teoretycznych koncepcji i metod sztucznej inteligencji zostało przekształconych w stosowane inteligentne technologie oparte na wiedzy.

Osobliwością współczesnej generacji inteligentnych systemów jest to, że opierają się one na złożonym modelu środowiska zewnętrznego, który uwzględnia zarówno informacje ilościowe, jak i modele jakościowe - wiedzę o możliwym zachowaniu różnych obiektów środowiska i ich wzajemnych relacjach. Zastosowanie takich modeli stało się możliwe dzięki rozwojowi metod reprezentacji wiedzy, metod integracji danych z różnych źródeł oraz znacznemu wzrostowi szybkości i pojemności pamięci komputerów.

Obecność modelu środowiska zewnętrznego pozwala nowoczesnym inteligentnym systemom sterowania obiektami ruchomymi na podejmowanie decyzji w warunkach wielokryterialności, niepewności i ryzyka, a jakość tych decyzji może przewyższać jakość decyzji podejmowanych przez człowieka w warunkach przeciążenie informacjami, ograniczony czas i stres.

W związku z tym pilnym zadaniem jest opracowanie nowych środków i metod rozwoju inteligentnego sterowania poruszającymi się obiektami w obecności wyżej wymienionych czynników.

2.3. Modelowanie i optymalizacja wielopoziomowych systemów informacji i sterowania w czasie rzeczywistym

Znaczenie badań w w tym kierunku spowodowane jest koniecznością opracowania metod analizy i syntezy wielopoziomowych otwartych modułowych systemów informacji i sterowania w czasie rzeczywistym (ICS RV) obiektów wielomodowych i wielofunkcyjnych pracujących w warunkach niepewności, zaburzeń strukturalnych i sytuacji awaryjnych ( ES). Wśród tych obiektów kontroli znajdują się obiekty krytyczne i systemy odpowiedzialnego użytkowania, które decydują o bezpieczeństwie państwa.

Jest oczywiste, że problemy i zadania tworzenia systemów tej klasy można z powodzeniem rozwiązać w oparciu o opracowanie jednolitej teorii i zastosowanie programowych metod analizy dynamicznej i scenariuszowej oraz syntezy struktury takich systemów, ich algorytmiki , wsparcie programowe i informacyjne oraz mechanizmy opracowywania skutecznych działań zarządczych. Należą do nich przede wszystkim opracowanie sformalizowanej metodologii projektowania otwartych systemów zarządzania informacją, obejmującej modele i metody syntezy optymalnej struktury modułowej obiektowego RT I&C o otwartej architekturze według różnych kryteriów efektywności. Na podstawie wyników uzyskanych na etapie analizy dynamicznej syntetyzuje się optymalną funkcjonalną strukturę modułową przetwarzania danych i sterowania, tj. określa się optymalny skład i liczbę modułów RT IMS, syntetyzuje się interfejs systemu oraz strukturę określa się jego oprogramowanie i wsparcie informacyjne do przetwarzania strumieni wejściowych żądań.

Aby zaplanować działania i wesprzeć podejmowanie decyzji w warunkach niepewności, zaburzeń strukturalnych i sytuacji awaryjnych, wskazane jest wykorzystanie metod analizy scenariuszy i syntezy skutecznych działań kontrolnych w ICS RV. W tym przypadku zostanie utworzony model matematyczny propagacji zaburzeń strukturalnych i sytuacji awaryjnych w języku grafów ważonych lub funkcjonalnych ze znakiem. W oparciu o ten model zostaną zsyntetyzowane racjonalne scenariusze zarządzania obiektami wykorzystujące koncepcje potencjału użytkowego, trwałości i przeżywalności ich elementów składowych. Synteza scenariuszy eliminacji przyczyn i skutków sytuacji awaryjnych w docelowych obiektach wielomodowych zostanie przeprowadzona z uwzględnieniem dynamicznie wyznaczanych ograniczeń czasowych i zasobowych. Konieczne jest także opracowanie sformułowań i metod rozwiązywania problemów odwrotnych kontroli przeżywalności obiektów wielomodowych i wielofunkcyjnych pracujących w warunkach niepewności, zaburzeń strukturalnych i sytuacji awaryjnych.

Wskazana powyżej specyfika systemów i obiektów sterowania, naukowe i praktyczne znaczenie rozwiązywania dla nich problemów sterowania, analizy i optymalizacji pozwalają na sformułowanie następujących głównych celów i zadań Programu.

1.2. Główne cele i zadania

Głównym celem Programu jest rozwiązanie podstawowych problemów teorii sterowania, które utrudniają realizację perspektywicznych projektów o istotnym znaczeniu dla kraju w zakresie zarządzania złożonymi systemami dynamicznymi i inteligentnymi z zastosowaniami do sterowania ruchem obiektów i procesów technicznych w obszarach technologicznych i organizacyjnych. systemy.

Badania zostaną przeprowadzone na następujące tematy ogólne.

Kierunek 1

· Opracowanie metod stabilizacji układów nieliniowych w sytuacjach niepełnego pomiaru współrzędnych i ograniczeń dopuszczalnej struktury sił sterujących.

· Opracowanie metod solidnej i adaptacyjnej obserwacji i sterowania w ramach deterministycznych, probabilistycznych i innych modeli niepewności parametrów obiektu regulacji i środowiska operacyjnego.

· Opracowanie metod i algorytmów analizy jakościowej i ilościowej ciągłych, dyskretnych i wielopoziomowych ciągło-dyskretnych modeli dynamicznych oraz syntezy sterowania w oparciu o metodę redukcji z wektorowymi i macierzowymi funkcjami porównawczymi oraz transformacjami modelu.

· Badanie problemu optymalnego sterowania nowej klasy układów mechanicznych poruszających się w ośrodkach oporowych poprzez zmianę konfiguracji lub ruchu ciał wewnętrznych.

· Opracowanie metod formalizacji matematycznej i rozwiązywania problemów oddziaływania udarowego układów mechanicznych w obecności tarcia suchego.

· Opracowanie metod optymalnego sterowania układami dyskretno-ciągłymi i impulsowymi.

· Opracowanie metod gwarantowanej kontroli obiektów nieliniowych narażonych na niekontrolowane zakłócenia w postaci gier dynamicznych.

· Rozwój teorii sterowania układów kwantowych.

· Opracowanie metod i algorytmów analizy właściwości dynamicznych takich jak stabilność, niezmienność, dyssypatywność do oceny stanu i syntezy wielopoziomowego sterowania układami z heterogenicznym opisem dynamiki procesów na różnych poziomach.

Kierunek 2.1

· Metody rozwiązywania problemów sterowania wielkoskalowych systemów sieciocentrycznych o rozproszonych parametrach i procesach wieloskalowych (w czasie i przestrzeni).

· Modele i metody sieci komunikacyjnych zdecentralizowanego inteligentnego zarządzania rozproszonymi projektami i programami.

· Metody optymalizacji struktury systemów wielopoziomowych i zdecentralizowanych.

· Metody i struktury komputerowej realizacji sterowania sieciocentrycznego w matematycznie jednorodnej przestrzeni przetwarzania rozproszonego i równoległego.

· Modele i metody grupowego podejmowania decyzji w oparciu o informacje niepełne, heterogeniczne, jakościowe i subiektywne.

· Modele i metody planowania i zarządzania zespołami powiązanych ze sobą operacji w złożonych systemach technicznych i transportowo-logistycznych.

· Opracowanie zasad, architektury, metod i algorytmów tworzenia rozproszonych programowych inteligentnych systemów opartych na technologiach wieloagentowych.

· Opracowywanie modeli i metod zarządzania informacją w wieloagentowych strukturach sieciowych.

Kierunek2.2

· Rozwój uogólnionych modeli zarządzania sytuacyjnego, odzwierciedlających cechy włączenia do struktury modeli elementów rozmytych, sieci neuronowych i logicznie-dynamicznych.

· Opracowanie metody planowania tras zapewniającej właściwość stabilności komunikacyjnej grupy sterowanych obiektów dynamicznych, heterogenicznych (ilościowo i jakościowo) w ich modelowej reprezentacji.

· Opracowanie metod analizy i syntezy adaptacyjnych platform modelowania w czasie rzeczywistym, uwzględniających nieliniowość, wielopołączalność i wysoką wymiarowość obiektów kontrolnych z zastosowaniem do poruszających się obiektów morskich.

· Optymalizacja inteligentnych systemów wielopoziomowego sterowania obiektami poruszającymi się w środowisku konfliktowym, z uwzględnieniem ich interakcji grupowej, wielokryterialności, niepewności i ryzyka.

· Opracowanie metod zapewnienia wizji technicznej inteligentnych systemów sterowania.

· Opracowanie metod inteligentnego sterowania obiektami dynamicznymi wykonującymi złożone manewry, w oparciu o organizację ruchu wymuszonego w przestrzeni stanów układu.

Kierunek2.3

· Modele i metody analizy i optymalizacji modułowej struktury obiektowych wielopoziomowych systemów informacji i sterowania czasu rzeczywistego o otwartej architekturze w warunkach niepewności i zaburzeń strukturalnych.

· Metody analizy i optymalizacji trybów pracy systemów elektroenergetycznych oraz zarządzania nimi.

· Modele i metody podejścia scenariuszowo-wskaźnikowego do poszukiwania punktów podatności na zadania zarządcze.

· Metody modelowania, analizy i optymalizacji wielomodowych procesów sterowania obiektami ruchomymi.

· Opracowanie metod i algorytmów inteligentnej identyfikacji nieliniowych obiektów niestacjonarnych w celu poprawy efektywności sterowania poprzez utworzenie bazy wiedzy technologicznej w oparciu o aprioryczną informację o obiekcie sterowania.

· Technologie geoinformacyjne do modelowania zespołów przyrodniczo-technogenicznych w problematyce zarządzania ekosystemami megamiast.

· Analiza i optymalizacja wsparcia informacyjnego systemów nawigacji i sterowania.

· Modele i metody zarządzania procesem produkcyjnym.

Wyniki opracowanej teorii oraz metody analizy i syntezy układów sterowania zostaną wykorzystane w następujących obszarach:

· kontrola ruchu w lotnictwie i astronautyce, obiektach lądowych i morskich, pojazdach;

· wieloagentowe systemy sieciocentryczne, systemy produkcyjne, sieci komputerowe, telekomunikacyjne i inne ;

· systemy transportowe i logistyczne ;

· globalny transport energii, gazu i innych wielkoskalowych systemów infrastrukturalnych;

· Systemy informacyjnego wspomagania zadań zarządczych oraz wspomagania podejmowania decyzji strategicznych i operacyjnych w warunkach niepełnej informacji i przeciwdziałania.

Podstawowe problemy teorii budowy układów sterowania wymagają ich intensywnego rozwoju. Rozwój badań w tym kierunku umożliwi:

Rozwój podstawy teoretyczne rozwiązanie złożonego trójjedynego problemu sterowania-obliczeń-komunikacji (problem - „ Kontrola- Obliczenie- Komunikacja„) dla złożonych systemów informacyjno-kontrolnych, w tym w warunkach ograniczeń kanałów komunikacji i awarii podsystemów;

Rozwiązywać problemy zarządzania zasadniczo nowymi obiektami i procesami związanymi z obiektami ruchomymi, obiektami specjalnego przeznaczenia, systemami technologicznymi i organizacyjnymi;

Tworzyć skuteczne metody diagnostyka funkcjonalna i zapewnienie odporności na awarie układów sterowania samolot i innych obiektów ruchomych oraz stabilność dynamiczna systemów elektroenergetycznych;

Podnieś jakość, przyspiesz i obniż koszty rozwoju rozwiązania projektowe poprzez algorytmizację i automatyzację procesu rozwoju systemu sterowania.

W dalszej części sterowanie rozumiane jest szeroko, obejmujące sterowanie sieciowe, grupowe, sterowanie rozproszone (w literaturze angielskiej - sterowanie w sieciach, sterowanie nad sieciami, sterowanie rozproszone itp.)

 

---

Czytać:
Otwieranie kawiarni od zera Jak otworzyć własną kawiarnię Mniam mniam mniam! Jak otworzyć sklep z pączkami? Pyszny biznes z pączkami Co jest potrzebne do otwarcia sklepu z pączkami Czy opłaca się wytwarzać bloczki z betonu drzewnego w domu? Sprzęt dla małych firm z bloczków z betonu drzewnego Biznesplan szklarniowy: szczegółowe obliczenia Działalność produkcyjna w szklarniach Hodowla przepiórek jako firma - korzyści są oczywiste