Нечеткое управление нелинейных динамических объектов в интеллектуальных системах

АННОТАЦИЯ

В данной статье предусмотрено формирование нечетких правил в интеллектуальных диагностических системах и нечетких диагностических моделях для устранения нарушений, а также алгоритм и программа для решения задачи функционирования модуля логического вывода интеллектуальной системы, позволяющего определять состояние технологический объекта в процессе карбонизации содового производства.

ABSTRACT

This article provides for the formation of fuzzy rules in intelligent diagnostic systems and fuzzy diagnostic models for eliminating violations, as well as an algorithm and a program for solving the problem of functioning of the inference module of an intelligent system that allows determining the state of a technological object in the process of carbonization of soda production.

Ключевые слова: оптимизация, идентификация, метод управления, принятие решения, нечеткой модель, неоднородность, нейронная сеть, интеллектуальная система, логического вывод, база знаний.

Keywords: optimization, identification, method, control, decision making, fuzzy model, heterogeneity, neural network, intellectual system, logical inference, knowledge base.

Особенность современного промышленного производства химии, возникающего при высокой скорости, температуре, давлении, в многофазной среде характеризуется сложностью. Сложность процесса проявляется многими параметрами: незнанием реакции, невозможностью точной оценки содержания промежуточных и целевых продуктов, а также ходом процесса из-за существенно неоднородного. Поэтому для определения состояния сложных технологических процессов с неоднородными характеристиками и выявления неисправностей целесообразно создать интеллектуальную диагностическую систему.

Современное сложные производственное процессы характеризуются следующими особенностями:

• наличием множества входов, выходов и состояний со сложным математическим описанием;
• разнотипностью параметров закономерностей;
• неопределенностью, нечеткостью и неполнотой параметров и состояний;
• нечеткой выраженностью структуры, зависящей от производственных условий;
• неоднородностью характеристик технологического процесса.

К этому классу относиться технологических процесс карбонизации содового производства как объект с неоднородными характеристиками [5-2].

Вопросы оценки состояния таких технологических процессов является одной из важнейших задач надежного функционирования производственных объектов.

При решении проблем, связанных с прогнозированием, оценкой состояния, диагностикой и принятием управленческих решений используют нейро-нечеткие модели [3], сочетающие способности к обучению на основе данных, которые получили широкое применение на практике.

При этом особую роль играет модель обслуживания объекта в соответствии с фактическим техническим состоянием, знание которого может предотвратить возможные предаварийные и аварийные ситуации, продлить срок межремонтной эксплуатации и сократить время простоя оборудования, повысить его надежность и снизить затраты.

В данной статье рассматривается формирование нечетких правил в интеллектуальных системах диагностики технологического процесса производства соды с целью устранения взаимосвязанных нарушений производств карбонизации.

Программно подобные методы и алгоритмы реализованы либо в универсальных математических пакетах, таких как MatLab, Maple, MathCAD, либо в специализированных программных решениях, ориентированных на отдельные виды алгоритмов [1].

Исходя из вышесказанного, целью работы является проведение экспериментов с алгоритмами нейро-нечеткой модели на примере производство карбонизации.

Для решения этой проблемы был разработан алгоритм функционирования модуля логического вывода экспертной системы, который позволяет определять состояние сложного объекта в режимах постановки задачи и обновления диагноза. На рисунке 1 представлена блок-схема данного алгоритма.

Рисунок 1. Блок-схема алгоритма использования правил базы знаний для диагностики

Выполнены исследования для проверки предложенных решений для построения нечеткой системы управления. Задача исследования включает проверку работоспособности и стабильности предлагаемой системы, а также ее адаптацию к изменениям мешающих воздействий при обеспечении оптимизации процесса в конкретных условиях внедрения. На этапе подготовки внедрения нечеткой системы управления наиболее эффективен метод моделирования системы [4]. Наибольшие возможности для моделирования нечетких систем управления предоставляет математическая лаборатория Matlab из Mathworks Inc. В дальнейших исследованиях мы используем систему Matlab с пакетами расширения Simulink и FuzzyLogic Toolbox. В качестве объекта исследования рассмотрим систему автоматического контроля параметров технологического процесса карбонизации содового производства. Программа изучаемой системы дана в Matlab.

Для определения состояния сложного объекта с использованием сформированных систем нечетко-продукционных правил разработаны алгоритмы нечеткого логического вывода.

Построение параметрической нечетко-продукционной модели определения состояния сложного объекта осуществляется путем последовательного анализа исходных данным на основе методики группировки параметров объекта и определения структуры их взаимосвязей, а также методики построения совокупности систем нечетко-продукционных правил. При этом организация логического вывода на правилах модели еще не позволяет определять состояния конкретного объекта, поскольку параметры модели не определены.

Для формирования правил базы знаний системы диагностики предаварийных и аварийных ситуаций на технологических процессах, наряду с экспертами, использовалась разработанная нечеткая нейронная сеть, с помощью которой обрабатывалась статистическая информация по карбонизационным колоннам. Технологическими параметрами процесса являются: T(t) – температура (газа; части колонны; суспензии); F(t) – расход (карбонизированный-аммонизированного рассола; газа; суспензии); Q(t) –концентрация (воздуха; газа; СО₂; NH₃); Р(t) – давление газа. При моделировании системы динамика процесса, с учетом технических характеристик технологического помещения и используемого оборудования, описана математической моделью, которая обоснована настоящей работы.

Таблица 1.

Модель карбонизационной колонны имеет входные лингвистические переменные:

−  «T» – температура процесса;

− «F» – расход процесса (карбонизированный-аммонизированного рассола; газа; суспензии);

− «Q» – концентрация процесса (карбонизированный-аммонизированного рассола; газа; суспензии);

- «Р» - давления процесса;

Выходами модели колонны являются лингвистические переменные:

−  «F» – расход суспензии;

−  «Q» – концентрация суспензии;

Лингвистические переменные характеризуются функциями принадлежности физических величин к их термам. Укрупненная структура модели приведена на рисунке 2.

Рисунок 2. Модель карбонизационной колонны в пакете Fuzzy Logic Toolbox

Для реализации базы правил, были составлены 28 правил (рисунок 3).

Рисунок 3. Задание базы правил модели нечеткого регулятора

Рисунок 4. Окно вывода результатов алгоритма нечеткого вывода

В алгоритме системы нечеткого вывода для параметров «And method»,

«Or method», «Implication», «Aggregation» используются следующие

значения:

− «And method» – (оператор «И») «MIN»;

− «Or method» – (оператор «ИЛИ») «MAX»;

− «Implication» – (активизация правил) «MIN»;

− «Aggregation» – (аккумуляция заключений) «MAX».

В качестве метода дефазификации («Defuzzification») использован метод центра тяжести («Centroid»), который в данном частном случае (единичные функции принадлежности выходных параметров нечеткого регулятора) [6] работает аналогично методу одноэлементных множеств.

Выводы. Pазработан алгоритм функционирова­ния модуля логического вывода интелектуальной системы и сформулировано нечетко-продукционное правило диагностики технологического процесса карбонизации путем разработки в пакете Fuzzy Logic Toolbox в среде Matlab.

Список литературы:
1. Амосов, О.С. Интеллектуальные информационные системы. Нейронные сети и нечеткие системы: Учеб. Пособие [Текст] / О.С. Амосов. – Комсомольск-на-Амуре: ГОУВПО «КнАГТУ», 2004. – 104 с.
2. Белов, В.Г. О перспективах искусственного интеллекта [Текст] / В.Г. Белов. – М.: Дело, 2006. – 82 с.
3. Ефимов, Д.В. Нейросетевые системы управления [Текст] / Д.В. Ефимов. – М.: Высшая школа, 2002. — 184 с.
4. Короткий, С.А. Нейронные сети Хопфилда [Текст] / С.А. Короткий. – М.: ЮНИТИ-ДАНА, 2005. – 315 с.
5. Круглов, В.В. Искусственные нейронные сети. Теория и практика [Текст] / В.В. Круглов. – М.: Горячая линия - Телеком, 2001. — 382 с.
6. Усманов К.И, Сарболаев Ф.Н, Исламова Ф.К, Якубова Н.С. Адаптивно нечеткое синергетическое управление многомерных нелинейных динамических объектов // Universum: Технические науки: электрон. научн. журн. 2020. № 3(72). URL: http://7universum.com/ru/tech/archive/item/9016.