Нейронные сети в системах регулирования

 

В последние десятилетия в мире бурно развивается новая прикладная об- ласть  математики, специализирующаяся на  искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это автоматизация процессов распознавания обра- зов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие дру-

гие приложения. С помощью НС можно, например, предсказывать показате-

 

ли биржевого рынка, выполнять распознавание оптических или звуковых сиг- налов, создавать самообучающиеся системы, способные управлять автомаши- ной при парковке или синтезировать речь по тексту. В то время как на западе применение НС уже достаточно обширно, у нас это еще в некоторой степени экзотика – российские фирмы, использующие НС в практических целях, напе- речет [19].

Широкий круг задач, решаемый НС, не позволяет в настоящее время соз- давать универсальные, мощные сети, вынуждая разрабатывать специализиро- ванные НС, функционирующие по различным алгоритмам.

Модели НС могут быть программного и аппаратного исполнения. В даль-

 

нейшем речь пойдет в основном о первом типе.

 

Несмотря на существенные различия, отдельные типы НС обладают не-

 

сколькими общими чертами.

 

Рисунок 3.4 - Искусственный нейрон

 

 

Во-первых,  основу  каждой  НС  составляют  относительно  простые,  в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Под нейроном подразумевается искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбу-

ждены или заторможены. Он обладает группой синапсов – однонаправлен- ных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 3. Каждый синапс характеризуется величиной синаптиче- ской связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Текущее состояние нейрона определяется, как взвешенная сумма его вхо-

 

дов:

 

n

s = ∑ x i ⋅ w i

i =1

 

,                                                  (1)

 

Выход нейрона есть функция его состояния:

 

y = f(s).                                                           (2)

 

Рисунок 4.5 - Виды активационной функции:

а) функция единичного скачка;

б) линейный порог (гистерезис);

в) сигмоид – гиперболический тангенс;

г) сигмоид

 

 

Нелинейная функция f называется активационной и может иметь различ-

 

ный вид, как показано на рисунке 4.5. Одной из наиболее распространенных

является нелинейная функция с насыщением, так называемая логистическая

 

функция или сигмоид (т.е. функция S-образного вида)[17]:

 

 

f ( x) =

1

1 + e − α x

(3)

 

 

По  мнению специалистов компании NeuralWare Inc.  (Питтсбург, Пен-

 

сильвания), одна из тенденций сегодняшнего дня - создание гибридных систем, в которых технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы ИИ). Кейзи Климасаускас (Casey Klimasauskas), руково- дитель отделения Advanced Technology Group компании NeuralWare, упоминает в качестве ценных дополнений к нейронным сетям методы частичных наи- меньших  квадратов  (PLS-метод)  и  базового  компонентного  анализа  (РСА- метод).  Подобные  гибридные  ИНС-сети  являются  довольно  эффективным средством системного моделирования и группового мониторинга.

Наиболее подходящими для применения данных методов являются груп- повые процессы с сильной нелинейностью и сложным регулированием. " Под- ходов к исследованию принципов объединения статистических методов типа PLS и РСА с нейронными сетями для постоянного регулирования групповых процессов, существует множество" (К. Климасаускас).

Одной из развивающихся областей применения ИНС-сетей является усо- вершенствование общезаводских ЕРМ-моделей (first-principle models),  вклю- чающих два направления: моделирование отдельных нелинейных процессов, для которых ЕРМ-модели либо не существуют, либо неточны, либо требуют для разработки значительных затрат; выработка корректирующего фактора для ЕРМ-модели.

Нейронные сети NeuralWare позволяют повысить степень оптимизации и другие характеристики общезаводских FPM-моделей.

Еще  одной  областью  применения  ИНС-технологии является  проверка достоверности данных и показаний датчиков. Это особенно важно для систем

регулирования на базе " моделей с предсказанием". Как будет работать новая технология? Идея состоит в использовании избыточных компонентов системы сбора данных для определения зависимостей между основными технологиче- скими параметрами. Изменение структуры взаимосвязей этих параметров мо- жет указывать на потенциальную проблему.

 

Экспертные системы

 

В нескольких областях ИИ, в частности в сфере экспертных систем, рабо- тает Компания Gensym Corp. (Кембридж, Массачусетс). Методы построения экпертных систем используются в главном продукте этой компании - G2, пред- ставляющем собой графический объектно-ориентированный пакет " для созда- ния интеллектуальных систем". В последней версии этого пакета (5.0) сущест- венно улучшен пользовательский интерфейс и  возможности подключения к хост-системам. Это положительно сказывается на расширении функциональ- ных возможностей экспертных систем. Например, в усовершенствованный G2 теперь введены " триггеры правил" (rule triggers), ускоряющие реакцию системы на события в реальном масштабе времени.

Важна  необходимость  адекватного  представления  входящих  в  общий массив информации данных о процессе и состоянии всех производственных мощностей. В критических ситуациях экспертная система должна выдавать не- обходимую для принятия решения информацию в понятном виде и быстро. Улучшенные графические возможности делают средства управления отказами и нештатными ситуациями интуитивно понятными.

 

Применение ИИ-технологий

 

Опыт пользователей по применению ИИ-технологии собирается и тща- тельно изучается. Один из последних примеров - применение НЛ-устройств на заводе компании Rheinbraun Corp. в Хьюрте, Германия. Для стабилизации про- цесса газификации каменного угля различного качества применяется система контроля на базе нечеткой логики, определяющая рабочие параметры восьми PID-регуляторов. Стратегия НЛ-управления определяется 115-ю правилами не-

четкой логики и значениями 24-х входных параметров. Средства автоматиза- ции  технологического  процесса  поставила  компания  Foxboro/Eckardt;  НЛ- регулятор реализован на базе программного обеспечения Inform fuzzyTech и исполнительного модуля FactoryLink FL Runtime Module компании USDATA. Кроме ускорения времени внедрения (6 месяцев), как утверждает Inform, " ис- пользование НЛ-регуляятора позволило вдвое сократить время адаптации про- цесса к изменяющемуся качеству каменного угля по сравнению с операциями, выполняемыми человеком".

NeuralWare описывает прикладную систему своего системного интегра- тора Transition Technologies (Польша), прогнозирующую выделение NOx и оп- тимизирующую функционирование паровых котлов, работающих на порошко- образном угле, на электростанции в Остроленке. На электростанции (600 МВт) с    тремя            силовыми           агрегатами используются системы  регулирования Westinghouse WDPF. Новый регулятор NeuCOP II компании NeuralWare (на ба- зе  операционной  системы  Solaris  2.5)  полностью  интегрирован  с  системой WDPF. Одна из серьезных проблем - управление специальными горелками и форсунками, распределяющими процесс горения по пространству значительно- го объема с целью снижения содержания NOx. Однако при этом увеличивается содержание и несгоревшего угля, что приводит к снижению КПД парового кот-

ла.

 

Нейронные сети в регуляторе NeuCOP II моделируют данный процесс,

 

предсказывая содержание NOx  и  изменяя распределение побочных потоков воздуха для компенсации падения КПД котла. Предварительные результаты моделирования показывают, что возможно снижение содержания NOx на 15 и более процентов при одновременном повышении КПД парового котла.

Многие производители средств заводской автоматизации и технологиче- ского контроля разрабатывают для своих управляющих систем внутренние ИИ- компоненты.  В  компании  Fisher-Rosemount  Systems  (Остин,  Техас)  данный подход преследует еще и дополнительную цель: сделать методы ИИ доступны- ми для рядового пользователя путём их полной интеграции с общими средст-

вами  контроля.  " Представления  многих  пользователей  о  том,  что  ИИ- системы слишком тяжелы в использовании и требуют специалистов для их внедрения, не имеют больше под собой никакой основы", - считает менеджер по продажам Дэвид Холмс (David Holmes). Технолог из Monsanto Co. (Сент- Луис, Монтана) Глен Мерц (Glen Mertz) пользуется в своей работе ПО нейрон- ных сетей компании F-R Systems. " Это ПО работает почти интуитивно. С его помощью я могу построить модель на базе технологических данных менее чем за два часа", - замечает он.

Технологии ИИ находят все большее применение в таких областях, как управление движением и двигателями. Почти в 20-ти статьях, опубликованных во время Международной Конференции IEEE по Электрическим Машинам и Двигателям (см. [8]), приводятся в качестве средств решения данной проблемы нечеткая логика, нейронные сети, генетические алгоритмы, а также их комби- нации.

 

От хаоса к порядку

 

Над разнообразными методами ИИ стоят более сложные адаптивные сис- темы, не поддающиеся определениям состояний. Здесь и далее они называются системами без организации (СБО) или «хаосными системами», хотя многие предпочитают название «комплексные системы» либо «системы с непредви- денным поведением» (emergent systems). «Поведение комплексных систем в ра- зорганизованном режиме является неожиданным, а не заранее запланирован- ным. Однако оно не случайно, а вполне детерминистично», - объясняет прези- дент компании Flavors Technology Inc. (Манчестер, Нью-Гемпшир) Дик Морли (Dick Morley).

В СБО-системах общее поведение системы формируется из сочетания по- ведений отдельных её элементов, но не может возникнуть в этих элементах. В качестве примера можно привести роение пчел, а также охотничью тактику волчьей стаи.

Чтобы использовать подобные методы, требуется радикально изменить образ мышления. «Эта технология кажется совершенно невероятной, как с точ-

ки  зрения преимуществ, так  и  эффективности решений», -  добавляет г-н Морли. Может быть, это преувеличение, но через какой-то десяток лет СБО мо- гут стать главным инструментом разработчика средств управления и контроля.

Глядя в будущее, можно сказать, что комбинация методов ИИ может по- высить  мощь  и  устранить  некоторые  недостатки  систем  регулирования  и управления. В будущем все эти технологии сольются воедино. Эта тенденция, окрещённая  «маразмовым  вычислением»  (soft  computing),  вытекает  из  того факта, что каждая технология ИИ имеет свои сильные и слабые стороны. Про- думанное сочетание этих методов может дать превосходные результаты.

 

⇐ Предыдущая3456789101112Следующая ⇒

Поделиться: