CC BY
2UDC: 681.542.2(045)(575.1)
DOI: https://dx.doi.org/10.36522/2181-9637-2024-1-3 EDN: https://elibrary.ru/zfnpdm
ДИНАМИК ОБЪЕКТЛАРНИНГ БОШЦАРИШ ТИЗИМЛАРИНИ КВАНТ АЛГОРИТМЛАРИ ЁРДАМИДА ТАДЦИЦ ЭТИШ
Якубова Ноилахон Собиржоновна
доцент,
orcid: 0009-0002-2343-2650, e-mail: noila.yakubova@ gmail.ru
Тошкент давлат техника университети
Аннотация. Х,озирги кунда ишлаб чицариш саноатидаги асосий эътибор энергия ва ресурс тежамкорлигига эришиш масалаларига царатилмоцда. Технологикжараёнларни автоматлаштиришдаги асосий вазифалардан бу кам энергия ва ресурс сарфлаб, юцори сифатли мацсулотлар ишлаб чицариш ;амда бошцарув жараёнининг сифатини яхшилайдиган интеллектуал усуллардан фойдаланиб, юцори самарали бошцариш тизимларини яратишдир. Мазкур вазифалар юзасидан бир цатор етакчи хорижий мамлакатларда купгина ютуцларга эришилган булиб, бунда, асосан, технологик объектларни бошцариш тизимларини такомиллаштириш ва ишлаб чицариш самарадорлигини ошириш му;им ацамият касб этмоцда. Бошцарув объекти сифатида олинган технологик цурилма куп улчамли ва куп богланишли булганлиги учун рацамли бошцариш тизимини моделлаштириш ва синтезлаш алгоритмлари интеллектуал усуллар сирасига мансуб булган алгоритмлардан фойдаланиб ечилди. Калит сузлар: интеллектуал тизим, квант алгоритми, нейротармоцли модель, квант норавшан ростлагич, суперпозиция, корреляциялаш матрицаси, интерференция, синтез.
ИССЛЕДОВАНИЕ СИСТЕМ УПРАВЛЕНИЯ ДИНАМИЧЕСКИМИ ОБЪЕКТАМИ С ПРИМЕНЕНИЕМ КВАНТОВЫХ АЛГОРИТМОВ
Якубова Ноилахон Собиржоновна
доцент
Ташкентский государственный технический университет
Аннотация. В настоящее время в обрабатывающей промышленности основное внимание сосредоточено на достижении энергоэффективности и ресурсоэффективности. Одной из основных задач автоматизации технологических процессов является создание высокоэффективных систем управления с использованием интеллектуальных методов, позволяющих использовать меньше энергии и ресурсов, производить качественную продукцию, повышать эффективность процесса управления. В связи с решением этих задач в ряде ведущих зарубежных стран достигнуты положительные результаты, в которых главным образом большое значение имеют совершенствование систем управления технологическими объектами и повышение эффективности производства. Поскольку технологическое устройство, взятое в качестве объекта управления, является многомерным и многосвязным, для его решения использовались алгоритмы моделирования и синтеза цифровых систем управления, относящиеся к ряду интеллектуальных методов.
Ключевые слова: интеллектуальная система, квантовый алгоритм, нейросетевая модель, квантовый нечёткий регулятор, суперпозиция, корреляционная матрица, интерференция, синтез.
RESEARCH CONTROL SYSTEMS OF DYNAMIC OBJECTS USING QUANTUM ALGORITHMS
Associate Professor
Tashkent State Technical University
Yakubova Noilakhon Sobirjonovna
Abstract. Major attention in the manufacturing industry is being currently focused on achieving energy and resource efficiency. One of the main objectives in automation of
32 H^TH6ocnHK^HTHpoBaHHe/ritation: Yakubova, N. (2024). Research Control Systems of Dynamic Objects Using 32 Quantum Algorithms (In Uzbek). Science and Innovative Development, 7(1), 32-44. doi:10.36522/2181-9637-2024-1-3
Kelib tushgan/ Получено/ Received: 28.12.2023
Цабул цилинган/
Принято/Accepted:
03.01.2024
Натр этилган/ Опубликовано/ Published: 08.02.2024
technological processes is to create high-efficiency control systems using intelligent methods that use less energy and resources, produce high-quality products, and improve the quality of control processes. A lot of achievements have been made in a number of leading foreign countries in terms of this, mainly improving the management systems of technological facilities and increasing production efficiency are of great importance. Since the technological device taken as a control object is of multi-dimensional and multi-connected nature, the algorithms of digital control system modeling and synthesis, belonging to a series of intellectual methods have been used to find its appropriate solution.
Keywords: intelligent system, quantum algorithm, neural network model, quantum fuzzy adjuster, superposition, correlation matrix, interference, synthesis.
Кириш
Жax,ондa технологик жaрaёнлaрни бош^риш тизимлaрини тaкомиллaштириш, xycycaH, озик-овк^т мaхсулотлaрини ишлaб чик^риш корхонaлaридa интеллектуaл технологиялaрни жорий этишга ^ira эътибор кaрaтилмокдa. Хозирги BaKXAa квaнт aлгоритмлaр ёрдaмидa ечилaдигaн мaсaлaлaр бошк^ aлгоритмлaр орк^ли ечилaдигaн мaсaлaлaргa кaрaгaндa aH4a сaмaрaли нaтижaлaр бермокдa. Бугунги кундa ушбу aлгоритмнинг мaтемaтик моделлaрини aнaлитик тax,лил килиш Ba квaнт aлгоритмлaр aсосидa ишлaйдигaн квaнт компьютерлaр ярaтиш долзaрб ax,aмият кaсб этмокдa. Kвaнт технологияси - бу технологиянинг тубдaн узгариши 6Ули6, улaр оддий хисоб-китоблaрдaн кУрa купрок фaрк килaдигaн рaкaмли компьютернинг зaмонaвий куринишидир. Kвaнт хисоблaшдa yргaнилaётгaн жaрaён сифaти тyFридaн-тyFри пaрaллель мaссив хисоблaшлaр нaтижaсидa aниклaнaди.
Maколaдa икки кaтлaмли квaнт норaвшaн aвтомaтик бош^риш тизимлaрини куриш мaсaлaси куриб чикил^н булиб, унинг куйи кaтлaмидa стaндaрт ПИД-контроллёрлaр жойлaшгaн. Бошк^ришнинг юкори кaтлaмидa норaвшaн ростлaгич пaрaметрлaрини хисоблaш aлгоритми ётaди. Бу эта куйи кaтлaмдa жойлaшгaн ПИД-ростлaгичлaр учун топширик вaзифaсини бaжaрaди. Куйи кaтлaм ростлaгичлaрининг пaрaметрлaри бошкaрилaётгaн жaрaённинг yзгaришигa кaрaб созлaнaди. Юкори кaтлaмдa жойлaшгaн квaнт норaвшaн ростлaгичнинг ишлaш принципи квaнт aлгоритмигa aсослaнгaн (Buhrman & De Wolf, 2002).
Норaвшaн бошкaриш тизими координaтaлaри киймaти чеклaнгaнлигини хисобгa олгaн холдa, бошкaриш жaрaёни сифaт кyрсaткичлaрини тaлaб дaрaжaсидa тaъминлaш имконини берувчи тегишлилик функциялaри шaклини тaнлaш тaвсия этилгaн. Бундa бош^риш тизимининг синтезлaш мaсaлaси икки кисмдaн иборaт. Дaстлaб ички контурнинг бош^риш тизимидa жойлaшгaн ростлaгич пaрaметрлaрининг оптимaл киймaтлaри топилaди, сyнгрa тaшки контурдaги ростлaгич пaрaметрлaри топширик Ba бош^риш нaтижaлaригa aсослaнгaн холдa созлaнaди. Бирок чеклов нейро-норaвшaн ростлaгичнинг дaстлaбки созлaмaлaридa белгилaнгaнигa мое келмaгaнлиги сaбaбли тегишлилик функциялaри ижобийлик Ba сaлбийликнинг рухшт этилгaн диaпaзонини кискaртириш йули билaн yзгaртирилиши тaвсифлaнгaн (El-Madany, Fahmy, El-Rahman, & Dorrah, 2011).
Maколaдa, шунингдек, квaнт aлгоритмлaрини укитиш бyйичa мaълумотлaр тyплaмини шaкллaнтириш тaклиф этилгaн. Бу, одaтдa, тaсодифий кyринишдaги шовкинлaрнинг тaркибий кисмлaрини уз ичигa олгaн дискрет кузaтувлaрнинг aппроксимaциялaш aниклигини оширaди. Kвaнт тaсвири, яъни aнъaнaвий тaсвирни кaйтa ишлaш вaзифaлaрини квaнтли хисоблaш плaтформaлaригa кенг тaтбик этиш нaзaрдa тутил^н. Бундa квaнт тaсвирининг мaвжуд кyринишлaри Ba улaр билaн боглик оперaциялaр хaкидa бaёнот берилгaн (El-Madany, Fahmy, El-
Rahman, & Dorrah, Artificial Intelligence Techniques for Controlling Spacecraft Power System, 2011).
Тизимнинг иш режимига таъсир этувчи омиллар ноани;лиги шароитларида ишлайдиган динамик бош;ариш тизимларини расмий ифодалаш, моделлаштириш ва тадкик; ;илиш усуллари тахлили динамик объектларни бош;ариш жараёнларини интеллектуаллаштириш учун базавий асос хисобланувчи автоматик бош;ариш назарияси усуллари хамда ноаник; мантик; (тупламлар) назариясини уз ичига олувчи гибрид усулларни куллаш энг адекват ва хал килинадиган масалалар эканлигини курсатди (Lee, Shung, Kim, & Kim, 2010).
Олиб борилган илмий изланишлар натижасида динамик объектларни бош;ариш тизимларини квант алгоритмлари асосида тадкик; этиш имконини берувчи дастурий таъминот яратилган (Patent No. DGU 26026, 2023).
Материал ва методлар
Урганилаётган объект динамика тенгламаси куйидаги куринишга эга:
X = F(X,U,W), X(t) = X0, Y = V(XU,W)
Бу ерда:
X = (xi x2' ■■■' Xn,y\ n
- фаза координаталарининг умумлаштирилган вектори; N = £ n. + n0 - улчамли чи;иш узгарувчилари; (,=1)
U = [u±, u2, ■■■, un} ва W = (w^ w2, ■■■, wn} - бош;ариш ва галаёнланишнинг умумлаштирилган векторлари;
Y = У y2, ■■■,yn} - чи;иш координаталари вектори.
Бу узгарувчилар турли галаёнлар остида булади ва эхтимоллик хусусиятига эга. Мазкур холат самарали бош;арув тизимини яратиш учун ахборот технологиялари ютукларидан фойдаланиб, интеллектуал бош;ариш усулларини куллашни талаб этади. Ушбу холатда мос математик аппаратни танлаш зарур (Li, Wang, & Li, 2004).
Сигмоидал тегишлилик функцияси куйидаги куринишга эга:
2 1п-Л
= А,
1
= А
VI + е-а-(х2-Ъ)
2Ы-.
а =-
х2 Х1 £ _ + х2
Бу ерда a, b - сигмоидал функция параметрлари.
Ушбу муносабатлар асосида нейрон турининг х,ар бир ;атлами учун тегишлилик функцияси параметрлари ани;ланади. Сунгра дефаззификациялаш операцияси бажарилиб, бош;ариш сигнали куйидагича топилади:
агл + bz2 U = ——J-— а + Ь
Бу ерда: z = z. + v(y -убер) у;итишнинг х,ар бир ;адамида х,исоблаб чи;илади;
в - у;итиш тезлиги.
Танланган нейрон тармо;нинг реал жараёнга мослигини таъминлаш х,амда унинг ани;лигини ошириш учун яширин ;атламлар ва улардаги нейронлар сонини ошириш
зарур. Лекин бу, уз навбатида, нейрон тармок параметрларини х,исоблаш вактининг ошишига олиб келади, яъни модель тезкорлигини пасайтиради. Шунинг учун нейрон тармо; модели ани;лиги ва унинг параметрларини х,исоблаш тезлиги уртасидаги оптимал муносабатни таъминлаш учун квант х,исоблаш усулларидан фойдаланилди (Lu & Yuanqing, 2013).
Ушбу ишда мураккаб динамик объектларни тад;и; килишда квант алгоритм-ларидан фойдаланилди. Квант х,исоблаш схемасида ушбу икки |0) ва ((1| х,олатлар суперпозиция х,олатида булиши мумкин, яъни квант битининг энг умумий х,олатини куйидагича ёзиш уринли:
|0) = а|0) + ßll)
Бу ерда а ва ß - комплекс сонлар.
Кубитларнинг икки х,олатини ёзиш учун бра (( | ва кет (| ) - дирак ёзувидан фойдаланилади. (| ) куринишдаги векторлар кет-векторлар, (( | куринишдаги векторлар эса бра-векторлар дейилади. Кет-векторлар ва кубитнинг бирлик х,олати куйидаги куринишга эга:
io>-a-n>-0
= а|0) + ß|1) функция билан тизим х,олати улчанганда, (|0) х,олатда ани;лаш эх,тимоллиги а2, ((1| х,олатда ß2 га тенг. Бу эх,тимоллар йигиндиси бирга тенг ва бу муносабат нормаллаштириш шарти деб аталади:
|а|2 + |ß|2 = 1
Квант х,исоблаш, одатда, бирдан орти; кубитни талаб килади. Бир неча кубитлардан таркиб топган тизим узида таркибий тизимларнинг тензор мах,сулотини мужассамлаштиради. Бундай тизим квантли тизим деб аталади. n кубитдан иборат квант тизимининг х,олатини куйидаги математик муносабат билан ифодалаш мумкин:
= (а0|0) + ß0|1» ® («1 |0) + ßJ1))® ... ®(a(n_D|0) + ß^ |1))
Икки кубитли тизимнинг тулик; аралаш х,олати куйидагича таърифланади:
= (О0|0> + ß0|1)) ® (а1|0) + ßJ1)) = а0а1|00) + аД|01) + ß0 aJ10) + I0 ß1|11)
Бундай х,олда у ёки бу вазиятда булиш эх,тимоллик йигиндиси х,ам 1 га тенг.
KaJ2 + |a0ß1|2 + bW + |ß0ß1|2 = 1
Иккилик х,олатда булгани каби, бу мумкин булган натижалар туплами базис деб аталади ва уларга олиб келадиган кийматлар комбинацияси асосий х,олатлар х,исобланади. Кейинги х,ар кандай тизим квант х,олати асосий х,олатларнинг суперпозицияси сифатида ифодаланади:
|¥)=а„|00) + а1|00)1 + а2 |10) + а3|11)
n - кубит тизимининг х,олат вектори 2n улчовли комплекс фазосида мавжуд ва бу базис х,олатларидаги 2n базис векторлари йигиндисидир. Бир улчовли кубит
суперпозиция холатида булади ва улчанган булса, у битта аник (|0) ёки ((1| кийматни олади. Кубит улчангандан сунг унинг олдинги холатини тавсифловчи а ва ß коэффициентларнинг аввалги холати йуколади х,амда n-кубит куйидагича булади (Avedyan, Galushkin, & Pantyukhin, 2011):
2n—1
k=0
Суперпозиция холатларини яратиш учун Адамар (H) деб аталадиган оператордан фойдаланилади. Адамар оператори матрица куринишида ифодаланади:
"-яС -О
Адамар операторининг кубитлардаги харакатлари куйидаги математик муноса-батлар оркали аникланади:
«4G лжь^л)^^
-1J\V V21 ' V21
■"»-яе -УО-яО^"»*
"-"id
-V\PJ V2 \a-ßj V2 V2 a+ß a- ß
Шундай килиб, H операторининг ихтиёрий кубитдаги харакати куйидаги формула билан тавсифланиши мумкин:
H ^Offi 0) ^1)
Ушбу ёндашув асосида норавшан ростлагичнинг оптимал кийматини хисоблаш учун суперпозицияни шакллантириш алгоритми ишлаб чикилди (Ulyanov, Mishin, & Minogin, 2010).
Таклиф этилаётган норавшан квант хулосалаш алгоритми (|0) ва ((1| хисоблаш базисида кодлаш оркали ахборотни туплайди. Адамар узгарувчиси ёрдамида квант корреляцияси шакллантирилади ва квант холати буйича яширин ахборот ажратиб олиниб, максималлик мезонидан фойдаланган холда, бошкарув сигнали ишлаб чикилади. Шуни таъкидлаб утиш керакки, норавшан квант хулосалаш алгоритми оркали квант фильтри функциялари бажарилади. Берилган бошкарув хатоликларига кура, норавшан ростлагичлар параметрларининг узгартириш конуниятлари шакллантирилади.
Жараённи бошкаришда квант хисоблаш алгоритмининг умумлашган схемаси 1-расмда келтирилган (Altunin & Vostrov, 1980).
1-расм. Квант ^исоблаш алгоритми
Ишлаб чикилган бошкариш тизимининг квант хисоблашли моделини куришда таклиф этилган усулнинг афзаллиги шундаки, бунда укитиш ва нейрон тармок параметрларини танлаш оркали хисоблаш тезлигини ошириш мумкин. Бу эса объект параметрларининг жорий киймати факатгина танланган нейрон тармок параметрларини укитади, шу билан бирга, тармок вазнларини хисоблаш ва уларни коррекциялаш процедурасини соддалаштиради. Натижада технологик жараённинг квант хисоблашли модели хамда у асосида моделлаштиришнинг анъанавий ва нейрон тармо; усулларини уйгунлаштириш имкони тугилади ^акиЬоуа, 2022). Шундай ;илиб, бошкаришнинг динамик сохасида кечувчи турли технологик жараёнлар моделларини куриш мумкин. Бундай ёндашувда тезкорлик ва ани;лик асосий урин эгаллайди. Бу эса жараённинг сифат курсаткичи ошиши хамда самарадорликнинг ю;ори курсаткичда булишини таъминлайди.
К^исман шакллантирилган ва тасодифий параметрларга эга бошкарув объектларининг мураккаб, ночизи;ли динамик моделлардаги куйи (ижро этувчи) бошкарув даражасидан фойдаланадиган анъанавий ПИД-ростлагичли автоматик бошкарув тизимининг оптимал таркибини аниклаш кийин. Бу, айникса, автоматик бошкарув тизимининг таркибий тузилишларини лойихалашда статик холатда юзага келадиган турли хил тасодифий шовкинлар хамда бошкарув максадлари буйича ахборотлар етарли булмаган вазиятларда намоён булади ^акиЬоуа, Maksudova, & игтапоуа, 2021).
Хозирда турли технологик жараёнларни бошкаришда интеллектуал технология усулларидан фойдаланилмокда. Мазкур усуллар куп холларда ишлаб чикаришда кенг кулланилаётган ПИД-ростлагич параметрларининг оптимал кийматларини аниклаш учун хизмат килади. ПИД-ростлагич параметрларининг оптимал траекториясини шакллантиришда кисман уз созланиш имкониятини берувчи оптимал укитиш сигналини топиш зарур. Бундай талабларга квант хисоблаш усулларидан фойдаланган холда, ростлагич параметрларини топиш алгоритми тулик жавоб беради. Бу эса квант хисоблаш усулига асосланган норавшан квант хулосаси реал вакт мобайнида интеллектуал бошкариш тизими тезкорлиги ва тургунлигини таъминлай олиш имкониятини беради хамда бунинг учун куп вакт сарфламайди (Sidikov, Штапо^ & Yakubova, 2020).
Норавшан квант хулосалашга асосланган интеллектуал бошкариш тизими бир неча норавшан ростлагич хамда норавшан квант хулосасидан ташкил топган булиб, унинг схемаси 2-расмда келтирилган.
2-расм. Норавшан квант хулосалашга асосланган интеллектуал бош^ариш тизими
Норавшан квант хулосалаш модели квант ;идирув алгоритмининг янги тури булиб, алгоритмик равишда ечими мураккаб булган бош;арув муаммоларини х,ам самарали х,ал ;илиш имконини беради. Бундай х,олатда реал ва;т мобайнида норавшан квант хулосасининг чи;иш сигнали х,ар бир норавшан ростлагичнинг чи;ишдаги бош;арув сигналлари сифат хусусиятларини ифодалайди ва шу билан бирга, уз-узини ташкил этишга асосланган ПИД-ростлагич коэффициентларининг оптимал бош;арув сигналини тавсифлайди. Бу тизимнинг асосий хусусияти шундан иборатки, унда билимлар базаси уз шаклланиш хоссасига эга ва бунинг асосида сифат жих,атидан янгиларини яратиш имконияти мавжуд.
Норавшан квант хулосасини шакллантиришда дастлаб билимлар базасини яратиш талаб этилади. Бунда билимлар базасидаги ;оидалар сони чекланган булади, чунки ;идириш ва;ти камаяди. Бош;ариш тизимининг ростлагичи билимлар базаси, базани оптималлаштиришни уз ичига олиб, норавшан квант ростлагичларга уз созланиш хусусиятини беради (Sidikov, Yakubova, Usmanov, & Kazakhbayev, 2020).
Норавшан ПИД-ростлагич параметрларининг оптимал ;ийматларини топиш алгоритми ишлаб чи;илган булиб, у куйидаги бос;ичлардан иборат:
1. Норавшан ростлагичнинг жорий ;ийматлари (kp(t), k1 (t), k1 (t)) нормаллаш-тирилади ва узгарувчиларнинг квант х,олатини тавсифловчи квант битлари х,осил булади.
2. Норавшан ростлагичнинг янги ;ийматлари куйидаги формула билан ани;ланади: k1(t) ® k1(t - At) ® kp(t) ® kp(t - At) ® kp3(t) ® kp(t - At) ^ knew(t)
3. Квант х,олатларининг суперпозицияси шакллантирилади ва максимал ;ийматли х,олатлар амалга оширилади.
4. Квант х,олатлар векторининг нормаси ани;ланади ва параметр ;ийматларини декодлаш ;уйидагича ифодаланади:
= "7=V(cLi-.. an|ai-. ■ an) =
V2VX n' n' л/2п
i=l
5. Норавшан ростлагич параметр ;ийматларини ани;лаш куйидагича амалга оширилади: kpoutput(t.) = knpew(t.) ■ maxKp , k°Dutput = knDew(t.) ■ maxKD, k°utput = k^ew(t.) ■ maxK,
Бош;ариш тизими таркибидаги ПИД-ростлагичнинг технологик жараённинг узгаришига мос равишда жараёнга оптималлик хусусиятини берувчи параметрлари
норавшан квант хулосалаш алгоритмидан фойдаланиб нормаллаштирилади ва квант битлар шакллантирилади (Mukhamedieva, 2020). Сунгра алгоритмнинг квант ячейкаси структураси танланиб, параметрларнинг максимал амплитудали киймати ани;ланади ва декодлаш амалга оширилиб, ушбу параметрларнинг янги киймати топилади.
Бош;ариш сигнали жорий кийматининг унинг олдиндан маълум булган максимал кийматига нисбати оркали сигнални нормаллаштириш содир булади. Бош;ариш тизимига робастлилик хусусиятини бериш учун норавшан квант хулосалаш алгоритми асосида турли хилдаги бош;арув моделлари курилади ва квант корреляцияси ёрдамида улардан энг яхшиси танлаб олинади (Usmanov, Sidikov, Yakubova, & Raxmonov, 2018). Бунда билимлар базасидаги норавшан ростлагичлар ва узгарувчилар сони х,амда квант корреляция х,олатининг улчами, шунингдек, квант корреляция матрицаси куринишидаги тасвирлар х,исобга олиниб, улар ёрдамида квант ячкейкалари х,осил булади.
Квант алгоритм ячейкаси учта матрицали операторларни уз ичига олади: суперпозиция, квант корреляцияси (ёки оракул) ва интерференция. Квант алгоритм ячейкасининг математик куриниши куйидагича (Ulyanov & Nefedov, Efficiency and quality of intelligent control using quantum fuzzy inference: Globally unstable dynamic system, 2012):
QAG = [(Int0n I) • UF](h+1) x [QAG[nH ®m S]]
Бу ерда I - оператор, ® - тензор купайтма, S = IVH - объект хоссаси.
Ю;оридаги тенгламанинг унг томонидаги оператор урганилаётган функциянинг сифат хусусиятларини физик жих,атдан тавсифловчи, квант алгоритми ячейкасининг турини ифодаловчи х,олат операторидир.
Сигналнинг эх,тимоллик конуни куйидагича ифодаланади:
p(|0)) + p«1|) = 1
Бу ерда p(|0)) - сигналнинг жорий киймати; p((1|) - сигналнинг виртуал киймати. Суперпозициялашда сигналнинг жорий ва виртуал киймати куйидаги математик муносабат оркали ифодаланади:
Интерференциялаш оператори U(t) куйидагича аникланади (Yakubova, Maksudova, & Urmanova, Intelligent control of multidimensional dynamic objects, 2021):
ц (cos{86j) -sin{SBj)\ ^ } \sin(Sej) cos{S9j) )
Юкорида келтирилган усулларга мувофик равишда улардан фойдаланиш тажрибавий натижаларни тахлил килишнинг самарадор ва тезкорлилик жихатидан кулай эканлиги билан тавсифланади. Таклиф этилган ушбу усул объект холати ностационар ва ташки омиллар ноаниклиги шароитида бошкариш моделини яратиш имконини беради.
Тадкикот натижалари
Келтирилган мазкур масалаларни ечиш технологии объектларни бошкариш жараёнининг интеллектуал технологиялар усуллари ва алгоритмларини яратишни такозо этади (Usmanov, Yakubova, Urmanova, & Abdurasulova, 2023). Шу нуктаи назардан дастлаб шампанизациялаш жараёнининг ахборот концептуал модели ишлаб чикилди (3-расм).
Upc Y,_
Шампанизациялаш
Up* жараёни
1
4 4 4 4
3-расм. Жараённинг ахборот концептуал модели
Бунда шампанизациялаш жараёнини тавсифловчи асосий курсаткичлар сифатида куйидаги узгарувчилар аниклаб олинди (Yakubova & Rahimova, Intellektual boshqarish tizimlarini kvant algoritmlari yordamida yaratish):
U = {ирс, ирх} - бошкариш параметрлари. Бу ерда ирс - рассолнинг сарфи, ирх -рассолнинг х,арорати.
Y = {у, укк} - чикиш параметрлари. Бу ерда yt - шампанизатор х,арорати, укк -виноматериал компонентлари концентрациялари.
F = {f , f -, f , f Л - ташки таъсирлар. Бу ерда f - шампанизациялаш жараёни
и ш.ж.т' J т.м.у'Jхм J k6j л г г ^ rn J ш.ж.т. ^ г
тезлиги, fmMy. - ташки мух,ит узгариши,/м- хомашё микдори,/кб - курилмадаги босим.
Шампанизациялаш жараёнининг ахборот концептуал моделини назарий туплам куринишида куйидагича ёзиб олиш мумкин: ШТЖ = {U,Y,F}, U = {ирс, ирх}; F = {fxM, fu
' хм J ш.ж.т.
L„.y.}; Y = ^yJ
Шампанизациялаш жараёнининг ишлаб чикилган ахборот концептуал модели юкори самарали бошкариш тизимини яратиш учун хизмат килади (Yakubova, Murakkab dinamik ob'ektlarning boshqarish tizimini kvant hisoblash usullari asosida sintezlash, 2023).
Тажриба натижалари асосида олинган маълумотлардан бошкариш каналининг узатиш функциялари аникланди:
W3(P) W*(P) =
0.6
0.8р+1
0.15/7 + 1
;W7(p) =
9,6e~0SP
(2.73р+1)(3.12р+1)
; wB(p) =
0.0005 ... , ч 0.001 ... , ч „
w9GO = TTcZTTT' wio(P) = 1
0.15p+l
0.15р+1
Ростлагич структураси ва унинг оптимал созлаш параметрларини танлаш икки боскичдан иборат. Дастлаб чизикли типик ростлаш конунлари танлаб олинади ва унинг параметрлари оптимал кийматларини топиш учун умумэътироф этилган усуллардан фойдаланилади. Тах,лиллар натижасида асосий бошкариш каналини ростлашда ПИД-ростлагични куллаш таклиф этилди. Чунки объектга куйилган асосий талаблардан бири юкори аниклик ва тезкорликни таъминлашдир.
Шампанизациялаш жараёнининг хароратини турли ноаникликлар мавжуд булган холда ишлаб чикилган норавшан квант бошкариш алгоритмларининг самарадорлигини бахолаш учун "Матлаб" мухитида шампанизатор параметрларини норавшан квант ростлаш тизимининг компьютер модели курилган хамда ташки таъсирлар мавжуд булганда, бир катор хисоблаш тажрибалари утказилган.
Бунда тажриба натижасида олинган маълумотларни аппроксимациялаш оркали объектнинг узатиш функциялари топилган. Улар «рассолнинг харорати - рассолнинг сарфи» ва «компонентлар концентрациялари - шампанизатор харорати» уртасидаги узаро богликликни ифодалайди. Шампанизациялаш жараёнининг матрицали узатиш функцияси куйидагича аникланди (Yakubova & Rahimova, Intellektual tizimlar samaradorligini oshirishda qaror qabul qilish, 2023):
El
( 9.5e~0,3p (2.69p + l)(1.9p + 1) 0.5
\
1.4p + 1
0.4 2p + 1
1.5 1.8 p + 1)
И
Дастлаб кириш-чи;иш лингвистик узгарувчилари асосида тегишлилик функцияси шакллантирилди, уларнинг оптимал параметрлари аникланди.
Шуни айтиш жоизки, шампанизациялаш жараёнини бош;ариш тизими мураккаб объект булиб, стационар булмаган хоссага эга. Бу каби тизимни бош;ариш учун куйидаги узатиш функцияли ПИД-ростлагичлар кенг кулланилади (Yakubova & Abdurasulova, Study of fuzzy controllers in intelligent control systems based on quantum computing, 2023):
W(p) = Kn + ^ + Tdp
(4.7)
By epga Kn, Tu, Tg - кoэ$$нцнeнт.flapнн aHHK^am yHyH Hefipo-HopaBmaH ycy^ugaH ^ofiga^aHH^gH.
Пaмпaннзaцнн^am ^apaeHHHH 6om;apHm yHyH HopaBmaH KBaHT pocT^arHH^H cHHTe3^am a^ropHTMH cogga^Hru Ba Kyflafi^HrH 6u^aH 6om;a^apugaH $ap; ;h^h6, Terum^H^HK $yH^HA.flapHHHHr cTaHgapT maK^apu Ba 6om;apum ;ouga^apuHHHr MHHHMa^ ;HHMaT^apugaH ^ofiga^aHum hmkohhhh 6epagu (Usmanov, Islamova, & Yakubova, Development of a mathematical model of the diesel fuel hydrotreating process, 2023).
KoMnbKiTep Moge^amTHpum HaTH^acuga maMnaHH3aTop x,apopaTH y3rapumHHHHr yTKHHHH ^apaeH op;a^u TacBup^aHumu, aihh Hefipo-HopaBmaH Hu;umHHHr ;ouga^ap 6a3acu ^agBa^ga KypcaTH^raH.
Жадвал
о s & ! &« О u H m « Х,арорат °С
Ута ю^ори Юцори Уртача Паст
Ута юкори А3-Б3 А3-Б3 А2,Б3 А2,Б3
я a n » = 1 % * аа Б * Юкори А3-Б3 А2,Б3 А2,Б2 А1,Б2
Уртача А3,Б2 А2,Б2 А1,Б2 А1,Б1
Паст А3,Б2 А2,Б1 А1,Б1 АА
Ушбу алгоритм асосида бошкариш тизимининг компьютер модели курилди (4-расм). Бажарилган дастур шампанизациялаш жараёнидаги кимёвий реакцияларда иштирок этувчи компонентларнинг оптимал хароратда реактор баландлиги буйича концентрацияларни хисоблаш имконини беради ва боскич-ларни текшириш учун "МАТЛАБ" дастурий воситаси ёрдамида жараён модел-лаштирилди:
1
1
Вацт, дац.
1 - классик ПИД-ростлагич; 2 - нейро-норавшан ростлагич; 3 - норавшан квант ростлагич 5-расм. Автоматик бошкариш тизими уткинчи жараён графикларининг циёсий та^лили
Хулосалар
Уткинчи жараён графигидан куриниб турибдики, норавшан квант ростлагич шампанизатор хароратини стабил ушлаб туриш имконини бериб, бошкариш тизими тургунлигига олиб келади. Шунингдек, бошкариш сифат курсаткичларини мавжуд тизимларга нисбатан юкорирок натижада таъминлайди. Юкоридагиларга асосланган холда, норавшан квант ростлагичининг куйидаги синтезлаш алгоритми ишлаб чикилди:
- норавшан квант ростлагичнинг кириш ва чикиш узгарувчилари хамда норавшан квант ростлагичнинг нормаллаштириш коэффициентлари аникланди;
- статик хатоликни камайтириш учун а ва ß ростловчи параметрлар танланди;
- тизимга кетма-кет х,ар бир лингвистик узгарувчилар учун мантикий коидалар шакллантирилди.
Анъанавий усулдан фойдаланилганда, уткинчи жараён 90 дакика, нейро-норавшан усул оркали эса 60 дакика х,амда норавшан квант усулдан фойдаланганда, 40 дакикани ташкил килиб, шампанизатор х,ароратининг номинал кийматидан огиши 2,2 фоизга камайди.
REFERENCES
1. Altunin, A., & Vostrov, N. (1980). Methods for determining the membership function in fuzzy set theory. Proceedings of Zapsib NIGNI, 154, 62-72. Tyumen.
2. Avedyan, E., Galushkin, A., & Pantyukhin, D. (2011). Associative neural network SMAS and its modifications in the problem of pattern recognition. Information technologies. New technologies(7), 63-71.
3. Buhrman, H., & de Wolf, R. (2002). Complexity Measures and Decision Tree Complexity. Theoretical Computer Science, 288(1), 21-43.
4. El-Madany, H., Fahmy, F., El-Rahman, N., & Dorrah, H. (2011). Artificial Intelligence Techniques for Controlling Spacecraft Power System. Proceedings of the International Conference on Renewable Energies and Power Quality, (pp. 163-172). Spain, Las Palmas de Gran Canaria.
5. El-Madany, H., Fahmy, F., El-Rahman, N., & Dorrah, H. (2011). Spacecraft Neural Network Control System Design using FPGA. World Academy of Science, Engineering and Technology, 229-235.
6. Lee, J., Shung, W., Kim, E., & Kim, S. (2010). A new genetic approach structure learning of Bayesian networks: matrix genetic algorithm. International Journal of Control, Automation and Systems(4), 398-407.
7. Li, Z.-B., Wang, Z.-L., & Li, J.-F. (2004). A hybrid control scheme of adaptive and variable structure for flexible spacecraft. Aerospace Science and Technology, 8(5), 423-430.
8. Lu, K., & Yuanqing, X. (2013). Adaptive attitude tracking control for rigid spacecraft with finite-time convergence. Automatica, 49(12), 3591-3599.
9. Mukhamedieva, D. (2020). Approaches to solving optimization tasks based on asks based on natural calculation algorithms. Scientific-technical journal, 24(2), 58-67.
10. Sidikov, I., Usmanov, K., & Yakubova, N. (2020). Synergetic control of nonlinear dynamic objects. Chemical Technology. Control and Management, 2(92), 44-55. Retrieved from https://uzjournals.edu.uz/ijctcm/vol2020/ iss2/8
11. Sidikov, I., Yakubova, N., Usmanov, K., & Kazakhbayev, S. (2020). Fuzzy synergetic control nonlinear dynamic objects. Karakalpak Scientific Journal, 3(2), 6-20.
12. Ulyanov, S., & Nefedov, N. (2012). Efficiency and quality of intelligent control using quantum fuzzy inference: Globally unstable dynamic system. System Analysis in Science and Education(1). Retrieved from http:/ www.sanse.ru/archive/23
13. Ulyanov, S., Mishin, A., & Minogin, A. (2010). Information technology for designing robust knowledge bases of fuzzy controllers. Part III: quantum fuzzy inference and quantum information. System analysis in science and education(3).
14. Usmanov, K., Islamova, F., & Yakubova, N. (2023). Development of a mathematical model of the diesel fuel hydrotreating process. Universum: Technical Sciences, 2(107). Retrieved from https://7universum.com/ru/tech/ archive/item/15003
15. Usmanov, K., Sidikov, I., Yakubova, N., & Raxmonov, A. (2018). Adaptive identification of the neural system of controlling nonlinear dynamic objects. International Journal of Advanced Research in Science, Engineering and Technology, 5(2), 5195-5199.
16. Usmanov, K., Yakubova, N., Urmanova, V., & Abdurasulova, G. (2023). Synthesis of a control system for the process of diesel fuel hydropuring with the Adar method. Proceedings of the E3S Web of Conferences. 458, p. 01025. EMMFT. doi:10.1051/e3sconf/202345801025
17. Yakubova, N. (2022). Method of hybrid control based of dynamic objects of neuro-fuzzy inference. Karakalpak Scientific Journal, 5(2), 8-18.
18. Yakubova, N. (2023). Murakkab dinamik ob'ektlarning boshqarish tizimini kvant hisoblash usullari asosida sintezlash. Descendants of Muhammad al-Khorazmi, 3(25).
19. Yakubova, N., & Abdurasulova, G. (2023). Study of fuzzy controllers in intelligent control systems based on quantum computing. Universum: technical sciences, 3(108). Retrieved from https://7universum.com/ru/tech/ archive/item/15148
20. Yakubova, N., & Jamolova, S. (27 June 2023 r.). Certifikate № DGU 26026.
21. Yakubova, N., & Rahimova, M. (2023). Intellektual tizimlar samaradorligini oshirishda qaror qabul qilish. Theory of the Latest Scientific Researches(8).
22. Yakubova, N., & Rahimova, M. Intellektual boshqarish tizimlarini kvant algoritmlari yordamida yaratish. Journal of Innovations in Scientific and Educational Research, 2(16).
23. Yakubova, N., Maksudova, A., & Urmanova, V. (2021). Intelligent control of multidimensional dynamic objects. Universum: technical sciences, 5(86). Retrieved from https://7universum.com/ru/tech/archive/ item/11818
24. Yakubova, N., Maksudova, A., & Urmanova, V. (2021). Intelligent control of multidimensional dynamic objects. Universum: Technical Sciences, 5-1 (86), 80-83.
