ИССЛЕДОВАНИЕ И ОЦЕНКА ЭФФЕКТИВНОСТИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ НА ОСНОВЕ КВАНТ-НЕЙРОННЫХ АЛГОРИТМОВ

АННОТАЦИЯ

В статье рассматриваются вопросы исследования и оценки эффективности интеллектуальных систем управления на основе квант-нейронных алгоритмов для тепловых энергетических объектов. Объектом управления являются нелинейные и инерционные теплоэнергетические процессы, характеризующиеся неопределённостью параметров и внешними возмущениями.

Предложен подход к формированию интеллектуальной системы управления, в которой классические нейронные сети дополнены элементами квантово-вероятностного представления информации, обеспечивающими повышение адаптивности и быстродействия.

Математическая модель системы управления реализована в среде MATLAB/Simulink, выполнено имитационное моделирование и проведён сравнительный анализ с классическими методами управления, включая ПИД-регулирование. Эффективность системы оценивалась по показателям переходного процесса, устойчивости и перерегулирования.

Результаты моделирования показывают, что применение квант-нейронных алгоритмов (КНА) позволяет повысить точность регулирования и устойчивость интеллектуальных систем управления тепловыми энергетическими объектами.

ABSTRACT

This paper investigates and evaluates the efficiency of intelligent control systems based on quantum-neural algorithms applied to thermal energy objects. The control objects are nonlinear and inertial thermal processes characterized by parameter uncertainty, external disturbances, and varying operating conditions.

An approach to the development of an intelligent control system is proposed, in which classical neural networks are enhanced with elements of quantum-probabilistic information representation, improving system adaptability and response speed.

The mathematical model of the control system is implemented in the MATLAB/Simulink environment. Simulation modeling and a comparative analysis with classical control methods, including PID control, are performed. The system efficiency is evaluated using transient response, stability, and overshoot indicators.

Simulation results demonstrate that the application of quantum-neural algorithms (QNA) increases control accuracy and improves the stability of intelligent control systems for thermal energy objects.

Ключевые слова: интеллектуальные системы управления, квант-нейронные алгоритмы, тепловые энергетические объекты, моделирование и имитация, MATLAB/Simulink, эффективность управления, адаптивное управление.

Keywords: intelligent control systems, quantum-neural algorithms, thermal energy objects, simulation modeling, MATLAB/Simulink, control efficiency, adaptive control.

Введение. Современное развитие энергетики и автоматизированных систем управления характеризуется усложнением технологических процессов, ростом требований к энергоэффективности, устойчивости и надёжности управления. Особенно это актуально для тепловых энергетических объектов, которые относятся к классу нелинейных, инерционных и слабо формализуемых систем, функционирующих в условиях неопределённости параметров и внешних возмущений. В таких условиях применение классических методов управления, в частности ПИД-регулирования, зачастую не обеспечивает требуемого качества регулирования во всём диапазоне режимов работы [1,2].

В последние годы значительное внимание уделяется интеллектуальным системам управления, основанным на методах искусственного интеллекта, включая нейронные сети, нечеткую логику и их гибридные структуры. Нейронные сети обладают способностью к обучению и адаптации, что делает их эффективными при управлении сложными нелинейными объектами [3]. Однако традиционные нейронные алгоритмы могут сталкиваться с проблемами локальных минимумов, ограниченной скорости сходимости и недостаточной устойчивости при резких изменениях условий функционирования.

Перспективным направлением развития интеллектуальных систем управления является использование КНА, в которых принципы квантовой суперпозиции и вероятностного представления информации используются для расширения вычислительных возможностей классических нейронных сетей [4,5]. Такой подход позволяет повысить параллелизм обработки информации, улучшить адаптивные свойства системы и повысить эффективность принятия управляющих решений в условиях неопределённости.

Несмотря на растущий интерес к КНА, вопросы их практического применения в системах управления тепловыми энергетическими объектами остаются недостаточно изученными [6]. В частности, требуется детальный анализ эффективности таких алгоритмов и их сравнительная оценка по отношению к традиционным методам управления.

В связи с этим целью настоящей работы является исследование и оценка эффективности интеллектуальных систем управления на основе КНА применительно к тепловым энергетическим объектам. Для достижения поставленной цели в работе рассматривается построение математической модели системы управления, проведение имитационного моделирования в среде MATLAB/Simulink и сравнительный анализ показателей качества управления [7,8].

Основные теоретические сведения. Для управления тепловым энергетическим объектом, описываемым инерционной динамической моделью с запаздыванием, в работе применяется интеллектуальный регулятор на основе КНА [9]. Необходимость использования данного подхода обусловлена нелинейностью объекта, изменяемостью его параметров и наличием внешних возмущений, при которых эффективность классических регуляторов снижается.

В качестве входных сигналов квант-нейронного регулятора (КНР) используются ошибка регулирования и её динамика [10]:

                          (1)

где - заданное значение температуры, -текущая температура теплового объекта.

В КНА состояние нейрона представляется в виде вероятностной суперпозиции, а выходной сигнал формируется на основе амплитудного кодирования [11]:

                                               (2)

где  и -амплитуды вероятностей.

В квант-нейронном алгоритме состояние отдельного нейрона описывается вектором состояния в двухмерном гильбертовом пространстве. Параметры α(t) и β(t) представляют собой комплексные амплитуды вероятностей, соответствующие активному и неактивному состояниям квант-нейрона соответственно. Величины |α(t)|² и |β(t)|² интерпретируются как вероятности нахождения квант-нейрона в соответствующих состояниях. Для обеспечения корректного вероятностного представления выполняется условие нормировки:

                                               (3)

Условие (3) гарантирует сохранение полной вероятности и обеспечивает физическую интерпретируемость квант-нейронной модели в процессе формирования управляющего воздействия.

Управляющее воздействие формируется как математическое ожидание вероятностного выхода квант-нейронной структуры [12,13]:

                                                           (4)

где - весовые коэффициенты, - вероятности активации квант-нейронов, зависящие от состояния объекта.

Сформированное управляющее воздействие u(t) подаётся на тепловой энергетический объект, динамика которого описывается уравнением теплового баланса [14]:

                                   (5)

где C - приведённая теплоёмкость объекта, K - коэффициент преобразования управляющего воздействия в тепловой поток, Q_out(t) - тепловые потери, связанные с теплообменом объекта с окружающей средой, Q_loss(t) - дополнительные тепловые потери, обусловленные неучтёнными факторами и внешними возмущениями.

Использование КНА позволяет реализовать параллельную оценку альтернативных управляющих воздействий и повысить адаптивность системы управления [15,16]. В результате формируется более сглаженный характер регулирования температуры теплового энергетического объекта и повышается устойчивость системы управления по сравнению с классическими методами.

Результаты и их обсуждение. В рамках исследования проведена оценка эффективности интеллектуальной системы управления тепловым энергетическим объектом на основе КНА. Имитационное моделирование выполнено в среде MATLAB/Simulink для различных режимов работы, включая изменение заданного значения температуры и воздействие внешних возмущений [17]. Результаты сопоставлялись с показателями классического ПИД-регулятора и традиционного нейронного управления.

Моделирование показало, что применение КНР характеризуется более устойчивым и сглаженным характером переходных процессов, что подтверждается характером кривых, представленных на рис. 1и рис. 2.

При действии внешних возмущений КНР демонстрирует более устойчивое поведение по сравнению с ПИД-регулированием, характеризуясь меньшей амплитудой колебаний и более стабильным восстановлением заданного режима. Кроме того, формируемое управляющее воздействие имеет более сглаженный характер, что свидетельствует о снижении энергозатрат и уменьшении нагрузки на исполнительные механизмы [18,19].

В целом применение КНА позволяет улучшить динамические и эксплуатационные показатели теплового энергетического объекта, что подтверждает целесообразность использования данного подхода в интеллектуальных системах управления.

Рисунок 1. Температура перегретого пара ПИД и КНР

Рисунок 2. Давление пара ПИД и КНР

Проведённый анализ представленных графиков показывает, что интеллектуальная система управления на основе КНР характеризуется более устойчивым и сглаженным характером переходных процессов по сравнению с классическим ПИД-регулятором, что подтверждается формой кривых на рис.1 и рис. 2. При использовании КНР наблюдается уменьшение амплитуды колебаний регулируемых параметров и подавление внешних возмущений.

В переходных режимах для КНР характерно интенсивное затухание колебаний и меньшая величина перерегулирования температуры и давления по сравнению с ПИД-регулированием [20]. Полученные результаты свидетельствуют о целесообразности применения квант-нейронного подхода для управления тепловыми энергетическими объектами, функционирующими в условиях нелинейности, инерционности и внешних возмущений.

Выводы. В работе исследована интеллектуальная система управления тепловым энергетическим объектом на основе КНР. Имитационное моделирование выполнено в среде MATLAB/Simulink для каналов регулирования температуры и давления при изменении заданных режимов и воздействии внешних возмущений. Сравнительный анализ с классическим ПИД-регулятором, представленный на рис. 1 и рис. 2, показал, что применение КНР характеризуется более устойчивым и сглаженным характером переходных процессов. При использовании КНР наблюдается уменьшение амплитуды колебаний регулируемых параметров и подавление возмущений по сравнению с ПИД-регулированием. Для квант-нейронного регулятора характерно быстрое затухание колебаний после резких изменений режима работы объекта, а также меньшая величина перерегулирования температуры и давления. Более сглаженное управляющее воздействие способствует уменьшению динамических нагрузок на исполнительные механизмы и повышению надёжности функционирования системы управления.

Полученные результаты подтверждают целесообразность применения КНА в интеллектуальных системах управления тепловыми энергетическими объектами, работающими в условиях нелинейности, инерционности и внешних возмущений.

Список литературы:

1. Nielsen M.A., Chuang I.L. Quantum Computation and Quantum Information. Cambridge: Cambridge University Press, 2010. — 676 p.
2. Усманов Комил Исроилович, Сарболаев Фаррухбек Набиевич, Исломова Фарида Камилджановна, Якубова Ноилахон Собирджановна Адаптивно нечеткое синергетическое управление многомерных нелинейных динамических объектов // Universum: технические науки. 2020. №3-1 (72). URL: https://cyberleninka.ru/article/n/adaptivno-nechetkoe-sinergeticheskoe-upravlenie-mnogomernyh-nelineynyh-dinamicheskih-obektov .
3. Yakubova, N. S., & Abdurasulova, G. E. (2023). Study of fuzzy controllers in intelligent control systems based on quantum computing. Universum: technical sciences: electron. scientific magazine.
4. Morles, E.C.; Canelon, M.A.R. Fuzzy Model Based Control: Application to an Oil Production Separator. In Proceedings of the 2008 Eighth International Conference on Hybrid Intelligent Systems; IEEE: Barcelona, September 2008; pp. 750–757.
5. Biamonte J., Wittek P., Pancotti N., Rebentrost P., Wiebe N., Lloyd S. Quantum machine learning // Nature. 2017. Vol. 549. - P. 195–202.
6. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Transactions on Neural Networks.  1990.  Vol. 1, No. 1. P. 4–27.Benndorf, J.; Jansen, J.D. Recent Developments in Closed-Loop Approaches for Real-Time Mining and Petroleum Extraction. Math Geosci 2017, 49, 277–306, doi:10.1007/s11004-016-9664-8.
7. Sidikov, S. I., Usmanov, K. I., Yakubova, N. S., & Kazakhbaev, S. (2020). Fuzzy synergetic control of nonlinear systems. Journal of Advances in Engineering Technology,(2), 16-19.
8. Lewis F.L., Jagannathan S., Yesildirak A. Neural Network Control of Robot Manipulators and Nonlinear Systems. London: Taylor & Francis, 1999.  452 p.
9. Nielsen, M.A.; Chuang, I.L. Quantum Computation and Quantum Information: 10th Anniversary Edition; 1st ed.; Cambridge University Press, 2012; ISBN 978-1-107-00217-3.
10. Zhang Y., Jiang J. Bibliographical review on reconfigurable fault-tolerant control systems // Annual Reviews in Control. 2008. Vol. 32.  P. 229–252. Fuzzy Sets and Systems 2017, 323, 138–151, doi:10.1016/j.fss.2016.09.009.
11. Yin, C.; Rosendahl, L.; Luo, Z. Methods to Improve Prediction Performance of ANN Models. Simulation Modelling Practice and Theory 2003, 11, 211–222, doi:10.1016/S1569-190X(03)00044-3.
12. Chouai, A.; Cabassud, M.; Le Lann, M.V.; Gourdon, C.; Casamatta, G. Multivariable Control of a Pulsed Liquid-Liquid Extraction Column by Neural Networks. Neural Computing & Applications 2000, 9, 181–189, doi:10.1007/s005210070011.
13. Tan, H.; Cong, L. Modeling and Control Design for Distillation Columns Based on the Equilibrium Theory. Processes 2023, 11, 607, doi:10.3390/pr11020607.
14. Dong D., Petersen I.R. Quantum control theory and applications: A survey // IET Control Theory & Applications.  2010. Vol. 4, No. 12. P. 2651–2671.
15. Russell, B.P.; LeVan, M.D. Group-Contribution Theory for Adsorption of Gas Mixtures on Solid Surfaces. Chemical Engi-neering Science 1996, 51, 4025–4038, doi:10.1016/0009-2509(96)00244-8.
16. Frank Tabakin, Bruno Juliб-Dнaz, ”QCMPI: A parallel environment for quantum computing”, Computer Physics Communications №180, p. 948. 2009.
17. L.Lace. Enlarging gap between quantum and deterministic query complexities. Proceedings of Baltic DB&IS 2004, vol. 2, Riga, Latvia, pp. 81.-91.
18. Camacho E.F., Bordons C. Model Predictive Control.  London: Springer, 2013. 405 p.
19. Åström K.J., Hägglund T. Advanced PID Control.  Research Triangle Park: ISA, 2006. - 460 p.
20. Sutton R.S., Barto A.G. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 2018. 552 p.