CC BY
297
О.А. Семенова
МОДЕЛИРОВАНИЕ АДАПТИВНОЙ СИСТЕМЫ НЕЙРОНЕЧЕТКОГО ВЫВОДА
ПРИ РЕШЕНИИ ЗАДАЧ УПРАВЛЕНИЯ
O.A. Semenova
MODELING ADAPTIVE SYSTEM OF NEURO-FUZZY OUTPUT IN SOLVING
PROBLEMS OF CONTROL
Ключевые слова: модель, система управления, регулятор, система нейронечеткого вывода, система MATLAB, функция принадлежности, качество регулирования, искусственные нейронные сети, нечеткая логика.
Key words: model, management system, regulator, system of fuzzy logic output, MATLAB system, accessory function, quality of regulation, artificial neural networks, fuzzy logic.
Аннотация: в статье описывается порядок создания модели адаптивной системы нейронечеткого вывода для решения задач управления, основанный на использовании программного пакета MATLAB (расширение toolbox Fuzzy Logic и Neural Networks).
Abstract: the article describes how to create a model of adaptive neurofuzzy system output for control tasks based on using the software package MATLAB (toolbox Fuzzy Logic and Neural Networks extension).
Задача экономически выгодного производства может быть решена через обеспечение разнообразных технологических процессов современными интеллектуальными системами управления (СУ), качественным и безопасным функционированием используемого оборудования. Но при решении многих прикладных задач (например, при проектировании различных систем) приходится сталкиваться с неопределенностью, недостаточностью или даже отсутствием информации о некоторых характеристиках проектируемой системы. В связи с этим возникает необходимость применения теории нечетких множеств (ТНМ), разработанной Л.Заде [1].
Применение современных информационных технологий в системах управления, а так же методы анализа и синтеза систем управления с нечеткой логикой рассматривали
H.Г. Ярушкина, А.А. Усков, А.В. Кузьмин, В.И. Комашинский, Д.А. Смирнов, Л.А. Демидова, В.В. Кираковский, А.Н. Пыльский.
Законы регулирования, применяемые в автоматизированных системах управления, используются типовые для множества регулируемых параметров (скорость, температура, давление, концентрация и др.). Системы с релейными регуляторами, системы с переменной структурой, системы с операторными обратными связями, системы с ПИД-регулятрами с самонастройкой и системы с общим прогнозирующим управлением принято относить к традиционным СУ. На производстве не всегда применяются информационные технологии, такие как нейронные сети, нечеткая логика, генетические алгоритмы, экспертные системы и ряд других, в то время как их использование может существенно улучшить качество управления сложными объектами [2].
При разработке СУ можно выделить несколько этапов:
I. Этап разработки концепции построения СУ;
2. Этап моделирования СУ в соответствии с предлагаемой концепцией;
3. Этап анализа полученных результатов;
4. Этап модернизации существующей СУ
По аналогичной схеме происходит развитие СУ, использующих искусственные нейронные сети и нечеткую логику.
Рассмотрим способ классического автоматического управления.
Система состоит из объекта управления Woy (s), регулятора WP(s), и звена обратной связи Woc (О), которые представлены соответствующими передаточными функциями (см. рисунок
i). Исходная система позволила получить данные для обучения системы нейронечеткого вывода.
Рисунок. i - Структурная схема системы автоматического регулирования
При создании адаптивной системы нейронечеткого вывода исходные обучающие данные должны быть представлены в виде числовых матриц, которые ранее были сохранены в рабочем пространстве системы MatLAB с помощью блоков сохранения То Workspace библиотеки Sinks. Большое количество исходных строк матрицы дает большой объем обучающих данных, что положительно влияет на процесс обучения сети, а следовательно сводит ошибку к минимуму.
Алгоритм работы системы нечеткого вывода для данной системы был разработан в пакете Fuzzy Logic Toolbox системы MatLAB. В пакете Fuzzy Logic Toolbox гибридные сети реализованы в форме адаптивных систем нейронечеткого вывода ANFIS (см. рисунок 2) [3]. Основное понятие теории нечетких множеств заключается в том, что имея А- некоторое подмножество универсального множества Е и х-элемент множества Е, функция принадлежности элемента х подмножеству А может принимать любые значения на отрезке
m А W О [0,1]
[0,1], т.е.
в то время как в обычной (четкой) логике теории множеств функция
принадлежности элемента х подмножеству А может принимать два значения
m А (x) =1
, если
xA
m л (x) =0
xA
и если . Настройка параметров систем нейронечеткого вывода,
визуализация её структуры и отдельных компонентов ведется в интерактивном режиме с помощью графических средств редактирования.
Моделирование систем нейронечеткого вывода можно осуществлять также в режиме команд с помощью ввода соответствующих функций с необходимыми аргументами непосредственно в окно команд системы MatLAB.
График зависимости ошибки обучения зависит также от количества циклов обучения, метода обучения гибридной сети (backpropa, hybrid) и установленного уровня ошибки обучения, который по умолчанию устанавливается равным нулю (см. рисунок 3).
*) Anfis Editor Untitled
File Edit View
Jn|*l
Training Error
Г- ANFIS Info. ■
tt of inputs: 1 tt of outputs:
1
tt of input mfs:
Structure Clear Plot
Load data Type: From: (* Training r Testing p dl!k C Checkin r worksp. C Demo Generate FIS O Load from disk f Load from worksp (* Grid partition O Sub. clustering Train FIS Optim. Method: imijj Error lo Epochs: I 100 Test FIS “I Plot against: t* T raining data C T esting data C Checking dat.:
Load Data,.] Clear Data | Generate FIS ... | Train Now | Test Now |
Epoch 100:error= 0.08G478 Help Close
Рисунок 3 - График зависимости ошибки обучения для системы нечеткого вывода.
Графический редактор функции принадлежности позволяет выполнять контроль и настройку параметров функции принадлежности входных переменных и правил нечетких продукций (см. рисунок 4).
Система Simulink содержит специальный блок Fuzzy Logic Controller (контроллер нечеткой логики), который позволяет просматривть правила в ходе моделирования. Идея работы нечеткого логического регулятора состоит в аппроксимации нелинейного оператора регулятора системой нечеткого вывода с базой данных в виде продукционных правил, определяемых специалистами в области управления данным объектом. Существенным недостатком систем с нечеткой логикой является то, что набор нечетких правил, вид и параметры функций принадлежности, описывающие входные и выходные переменные системы, а также вид алгоритма нечеткого вывода выбираются субъективно и могут оказаться не вполне адекватными действительности.
В результате моделирования получен график переходного процесса, из которого видно, что нечеткая САР не уступает по качеству регулирования САР, реализуемой классическим способом.
Современные нейросетевые технологии дают возможность создавать интеллектуальные системы, которые могут исключить влияние человеческого фактора на этапах анализа, диагностики и контроля технического состояния изделия. Однако следует отметить тот факт, что нейронные сети в то же время просто адаптируются к изменяющимся условиям окружающей среды и менее требовательны к точности априорной информации о характере сигналов и величине дефекта. Мощные возможности нейросетевой вычислительной архитектуры позволяют создавать многопараметрические имитационные математические модели сложных технических систем и на их основе строить оптимизационную стратегию проектирования и модернизации систем диагностики.
Рисунок 5 - График переходного процесса нечеткой САР
К преимуществам нечеткого регулирования систем можно отнести, что при наличии современных систем программирования ПЛК со встроенными библиотеками нечеткого управления, имеющих хороший графический интерфейс, очень легко и наглядно представляется и корректируется вид функций принадлежности, это ведет к упрощению построения и настройки САР.
Библиографический список
1. Н.Г. Ярушкина. Основы теории нечетких и гибридных систем. - М.: Финансы и
статистика, 2004. - 319 с.
2. А.А. Усков, А.В. Кузьмин. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. - М.: Горячая линия-Телеком, 2004. -143 с.: ил.
3. Л.А. Демидова, В.В. Кираковский, А.Н. Пылькин. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций в среде MATLAB. - М.: Радио и связь, 2005. - 365 с.
