CC BY
21
Организация интеллектуальных систем управления на основе нейрорегуляторов
В.Ф. Гузик, В.А. Прилип, С.А. Черный, А.В. Шестаков Южный федеральный университет, Ростов-на-Дону - Таганрог
Аннотация: Рассматриваются вопросы синтеза нейросетевых систем управления с возможностью их самоэволюционирования. В качестве аппарата, обеспечивающего работу с сетевыми моделями большой размерности, рассматривается иерархическое построение сетевых структур. В отличие от традиционного подхода, связанного с разрезанием графа уже синтезированной модели, в статье предлагаются процедуры синтеза обобщенной модели из структурных элементов. Вводимые в статье описания структурного синтеза могут служить основой для организации программных и аппаратных интерфейсов формируемых моделей. Формирование нейросетевых структур в системах управления связано с предлагаемой концепцией нейросетевых регуляторов как базовых элементов построения интеллектных автоматизированных систем. Рассматривается в качестве нейроэлемента модель динамического нейрона с памятью состояния, позволяющая реализовать механизм самоэволюционного развития сети. Ключевые слова: система регулирования\управления, динамический нейрон, нейросетевая модель, иерархическая структура, механизм самоэволюционирования.
Автоматизированные системы регулирования/управления сложными техническими объектами, в т.ч. и в энергетике достигли такого уровня, при котором простая замена компонент программно-технической базы на более новые программные или аппаратные реализации уже не позволяет добиться заметного улучшения качества управления. Это вызывает необходимость внедрения оптимизационных и адаптивных методов и моделей. В соответствии с этим все большее распространение получают системы, использующие не только традиционные формальные, но и интеллектуальные подходы. Причем, в качестве интеллектуальных моделей все более заметную роль играют нейросетевые методы и нейронные сети. Подобные модели во все большей степени находят применение на разных уровнях от нейросетевых регуляторов до комплексных систем управления сложными техническими объектами и процессами (например, - умные электросети) и решения управленческо-экономических задач (например - прогнозирование
нагрузки и сбыта электроэнергии) [1,2]. Развитие и применение нейросетевых моделей для решения широкого круга задач связано с проведением исследований по ряду направлений нейросетевой тематики. В настоящей статье рассмотрен ряд подобных проблем, решение которых позволит обеспечить повышение эффективности применения нейросетевых моделей, в т.ч. и в системах управления и регулирования. К подобным проблемам отнесем:
а) обработку нейросетей большой размерности;
б) развитие нейроэволюционных процедур;
в) обеспечение возможностей формирования нейросетевых моделей в рамках единого цикла проектирования и использования автоматизированных систем.
Исследования в области нейросетевого регулирования являются естественным продолжением работ в области нечеткого авторегулирования [3, 4]. Рассматривая проблему размерности больших сетей, прежде всего, отметим, что одним из наиболее распространенных и естественных подходов к ее решению является формирование иерархических структур [5]. Следует также отметить, что свойство иерархичности внутренне присуще как собственно техническим объектам, так и системам управления и регулирования. В автоматизированных системах широко используется концепция контуров регулирования. Проиллюстрируем это положение на основе структуры управления энергетическими котлоагрегатами большой мощности схемой, приведенной на рис. 1 [6]. Можно отметить, что подобные иерархические отношения характерны не только для технических систем. Определение нейросетевой модели как иерархической структуры позволяет развивать автономное решение локальных задач с последующей их интеграции на более высоком уровне. Это связано со следующими обстоятельствами:
:
а) декомпозицией задачи на ряд подзадач, решение которых может выполняться на объектах меньших размерностей;
б) поэтапной интеграцией отдельных задач в соответствующие конгломераты, что, например, соответствует концепции развития умных энергосетей [2].
Рис. 1. Структуры управления энергетическими котлоагрегатами большой
мощности
Структурирование нейросетевых моделей будем рассматривать с двух точек зрения. Во-первых, с точки зрения собственно свойств иерархичности; во-вторых, учитывая специфику прикладной области и функциональную направленность отдельных элементов сети. В контексте данного обстоятельства для описания связи нейросетевых структур с другими структурными составляющими автоматизированных систем вводится понятие интеллектного нейрорегулятора (далее ИНР). Схема интеллектной автоматизированной системы (далее ИАС) представлена на рисунке 2.
Рис. 2 Схема интеллектной автоматизированной системы (ИАС)
В данной схеме структура ИАС организована совокупностью элементов, которые обозначаются как регуляторы контуров или интеллектные нейрорегуляторы (далее ИНР). В свою очередь, структуру ИНР определим как структуру, включающую следующие элементы:
- нейросетевой модуль (НСМ);
- модуль предварительной обработки (далее МПО);
- выходной модуль (далее ВМ).
В рамках данной структуры реализуется следующий функциональный механизм обработки информации:
10: Получение информации от датчиков и ввод значения измеряемых параметров в цифровой форме в МПО;
20: Предварительная обработка информации и ее преобразование для ввода в нейросеть:
В(г ) ^ [МПО] ^ Х(г
Здесь ) - сигналы от датчиков (измеренные значения параметров управляемого объекта (процесса));
[МПО] - процедура обработки в модуле МПО;
Х(1) - входы нейросети. Данный этап состоит из нескольких, описываемых ниже, подэтапов.
2.1.0 Логическая фильтрация и сжатие параметров. Заключается в определении одного значения из группы - выбор среднего, максимального или минимального значения из группы. Например, выбор среднего значения температуры по группе датчиков. К данной группе функций относится также определение единственного значения на основе показаний группы "логических" датчиков. Таким образом, для выработки сигнала "отрыв факела" считается достаточным наличие подобного сигнала хотя бы на одном в группе из четырех датчиков. Таким образом, на данном подэтапе осуществляется преобразование:
В(Х) ^В (и),
где В '(I ) - массив преобразованных параметров.
2.2.0 Формирование производных параметров.
На данном подэтапе из массива В (1) формируются в дополнение к нему производные массивы УВ^) и которые определяем как массив
изменений и массив отклонений.
2.2.10 Формирование массива изменений УВ(Х).
Данный массив определяется в соответствии с соотношением
УВ(Х). = В >(1)-В
Здесь к - произвольно выбираемый интервал сравнения.
2.2.20. Формирование массива отклонений
Заключается в определении величины отклонения каждого из параметров от некоторого, ранее определенного стандартного значения или шаблона. Если обозначить массив шаблонов как Б0, то
В~(Х) = Б (X) -Б0.
Введение во входы нейросети параметров отклонений и изменений, с одной стороны, увеличивает число входов нейросети, но, с другой стороны, повышает информативность входной информации и даже позволяет осуществлять предварительный анализ без использования НСМ.
2.2.30. Нормализация параметров.
Заключается в приведении параметров к единой шкале [-1, +1], что может быть описано соотношением
{Б '(X), УО(Х),В~(Х)} —Х(Х).
30. Решение задачи с использованием нейронной сети.
Часть регулятора, которую определим как нейросетевой модуль (НСМ), обеспечивает решение задачи обучающего классификатора, которая формулируется следующим образом:
Х(и) — [НСМ] — т.
Здесь т - результат решения задачи обучающего классификатора на НСМ, который можно интерпретировать как идентификатор/номер ситуации на объекте, который однозначно определяет номер конфигурации системы исполнительных модулей противодействия.
40. Формирование в ВМ управляющих воздействий с использованием формально-алгоритмических моделей.
Обозначим основные особенности предлагаемой схемы.
Во-первых, приведенное выше описание механизма функционирования ИАС и ее структурная схема предполагают наличие двух частей. Определим
их как интеллектуально-аналитическую и формально-исполнительную. Задачей интеллектуально-аналитической части представляемой НСМ является анализ и идентификация состояния объекта/процесса, которые вырабатывают (классифицируют) характеристики данного состояния и, по сути, являются некоторым номером (классом). С идентифицирующим подобным образом номером однозначно связана конфигурация выходных модулей.
Во-вторых, можно указать два типа регуляторов, которые определим как регулятор с непосредственным нейросетевым воздействием и регулятор с установочным нейросетевым воздействием. В первом типе регуляторов выходы нейросети используются как управляющие воздействия на объект/процесс управления. В этом случае формально-исполнительная часть в составе регулятора не требуется. Во втором случае выходы нейросети рассматриваются как установочные значения и/или коэффициенты, настраивающие формальные модели ВМ.
В-третьих, предусматривается иерархическое представление общей нейросетевой структуры. Задача представления нейросетевой модели в виде совокупности частей графа не является новой [7, 8, 9], однако сама постановка отличается от формулируемой здесь задачи. В традиционной постановке исследуется представление уже сформированной нейросетевой модели в виде частей для автономной обработки каждой части с целью снижения размерности общей модели. В нашем случае рассматривается обратная задача синтеза обобщенной модели из определенных структурных элементов в соответствии с вышерассмотренной концепцией представления объектов или процессов в виде системы контуров.
Структуру нейросети ИБ можно представить следующим образом:
^^ = (№о; {ИБ}; и}.
Здесь NS0 - нейросеть, соответствующая главному контуру; {NSj} -множество нейросетей рабочих контуров; U - межконтурные дуги, отображающие связи между нейронами различных контуров.
В свою очередь, множество U можно представить двумя подмножествами:
U = {Uoj, Uj!j2}.
Здесь U0j - множество дуг, отображающих синаптические связи между вершинами (нейронами) главного и рабочих контуров; Ujij2 - множество дуг, отображающие синаптические связи между вершинами (нейронами) рабочих контуров.
В соответствии с этим U0j- = {U0j, Uj 0}, где U0j - множество дуг, ориентированных из вершин, принадлежащих сетям рабочих контуров в вершины, принадлежащие главному контуру; Ujj0 - множество дуг, ориентированных из вершин, принадлежащих главному контуру в вершины, принадлежащие рабочим контурам.
Подобным образом можно рассмотреть и структуру моделей NS0 и
{NSj}:
NSj = (Vj, U)
Здесь Vj - множество вершин, соответствующих нейроэлементам j-ого контура; Uj - множество межсетевых дуг, соответствующих синаптическим связям между элементами.
Структуру множества Uj представим следующим образом:
Uj = {UIL, UjC, UjOUT, UjIN}, где UIL = { UjIL -°ut, UjLLjn} - межконтурные (interloop) связи, которые, в свою
/т tIL out \ "
очередь, можно разделить на выходящие (Uj ), т.е. воздействующие на другие контуры, и входящие (UjLLjn), воспринимающие воздействия от других контуров; UjC - внутриконтурные связи (contour); UjOUT - выходы
нейросети контура, определяющие воздействия на исполнительную часть; Цт - входы нейросети контура, связанные с выходом МПО, т.е. с Х^).
Следует заметить, что во многих случаях может быть организована централизованная структура, в соответствии с которой все взаимодействия осуществляются через главный контур и отсутствуют межконтурные взаимодействия рабочих контуров.
Вышеописанное структурирование множества и, в свою очередь определяет соответствующее структурирование множества V/.
V = { у/", У°ит, /}.
Здесь ¥/" = {У/Г1-Х, у/1"-11}- множество вершин входного слоя, включающих у/1"-х - вершины входного слоя, воспринимающие сигналы ); у/11-11 -вершин входного слоя, связанные синаптическими связями с вершинами
тгйиГ птйиТУ тгйиГ ЬЬ)
других контуров; V/ = {У/ ~ , V/ ~ } - множество вершин выходного слоя, включающих У°иТ-¥ - вершины, формирующие выходные ^талы сети; У°иТ-ЬЬ - вершины выходного слоя, формирующие выходы для других контуров сети; у - множество внутренних вершин контура.
Описанные выше соотношения определяют схемотехнические структуры формирования и соединений аппаратных реализаций или интерфейсные связи модулей программных реализаций.
В-четвертых, учитывая, что в системах управления сложными объектами моделируются динамические процессы, имеющие определенное развитие во времени, в качестве сетевых нейроэлементов предлагается введение специализированных моделей нейронов, построенных на базе динамического нейрона [10] с введением дополнительного параметра состояния нейрона (далее ДНПС). Рассмотрим указанное положение более подробно.
Покажем отличия вводимой модели ДНПС от базовой модели динамического нейрона.
Первая особенность - в новой модели вводится дополнительный параметр памяти состояния, который накапливает данные о степени активности нейрона в процессе функционирования сети и, таким образом, учитывает предысторию функционирования сети. В рассматриваемой здесь модели ДНПС выход нейрона определяется в соответствии со следующей зависимостью:
Здесь Рм/Ь) - мембранный потенциал, зависимый от входов и определяемый также, как и в модели динамического нейрона; Яп - порог срабатывания нейрона (также определяется аналогично модели динамического нейрона);
- вводимый в дополнении к параметрам традиционной модели параметр памяти состояния. Данный параметр определяется следующим образом:
где 8жр-/Х-1) - множество состояний соседних нейронов.
Вторая особенность - введение параметров состояний нейронов в общую сетевую модель обеспечивает процесс эволюционирования сети за счет соответствующего изменения параметров состояний в процессе функционирования нейросети.
Предлагаемый в настоящей статье подход к построению нейросетевой модели позволяет обеспечить:
а) возможность поэтапного развития систем, включая интеграцию нейросетей;
б) возможность самоэволюционирования нейросетевых моделей в процессе их функционирования за счет использования нейроэлементов на базе ДНПС.
Реализация предложенных моделей и процедур планируется к осуществлению в среде ПЛИС, в том числе и с учетом методов формирования отказоустойчивых схем [11, 12, 13].
Исследование выполнено при финансовой поддержке РФФИ в рамках научных проектов № 19-07-00570 и № 19-01-00412.
Литература
1. Каменев А.С., Королев С.Ю., Сокотущенко В.Н. Нейромоделирование как инструмент интеллектуализации энергоинформационных сетей / Под ред. В.В. Бушуева М.: ИЦ «Энергия», 2012. 124 с.
2. Бушуев В.В. Умная» энергетика на базе новых организационно-технологических принципов управления инфраструктурными системами // XI Межд. научно-техн. конф. «Интеллектуальная электроэнергетика, автоматика и высоковольтное коммутационное оборудование». 2011. 22 с.
3. Cox E. Adaptive fuzzy systems. Spectrum // IEEE, 1993, Vol. 30:2. pp. 7-31.
4. Abuelenin S. M. Decomposed Interval Type-2 Fuzzy Systems with Application to Inverted Pendulum // Engineering and Technology (ICET), 2014 International Conference, 2014, pp. 1-5.
5. Масарович М., Мано Д., Такахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973, 344 с.
6. Паршин А.А., Безгрешнов А.Н., Шлейфер Б.М. Тепловые схемы котлов. М.: Машиностроение, 1987, 220 с.
7. Гаврилович Е.В., Данилов Д.Ч., Шевченко Д.Ю. «Умные сети» Smart Cried - перспективное будущее энергетической отрасли России // Молодой ученый, 2016, № 28. с. 55-59.
8. Баскакова Т.Ф., Ланкин Ю.П., Комиссаров С.В. Иерархические нейронные сети как средство решения трудноформализуемых задач искусственного интеллекта. // Искусственный интеллект, 2008, № 1, с. 100111.
9. Rodzin S., Rodzina L., Rodzina O. Neuroevolution: problems, algorithms, and experiments // Proc. of the 10th IEEE Int. Conf. Application of Information and Communication Technologies (AICT'2016), 2016, pp. 469-472.
10. Чернухин Ю.В. Искусственный интеллект и нейрокомпьютеры. Таганрог: Изд-во ТРТУ, 1997, 273 с.
11. Тельпухов В., Рухлов В.С., Рухлов И.С. Исследование и разработка методов оценки сбоеустойчивости комбинационных схем, реализованных в базисе ПЛИС // Инженерный вестник Дона, 2016, № 1. URL: ivdon.ru/ru/magazine/archive/n1y2016/3504.
12. Rodzin S. Designing of Test Generator for Embedded Self-testing // Proc. of the 15th IEEE East-West Design&Test Symposium (EWDTS'2015), 2015. pp. 343-346.
13. Царинжапов А. А., Кошевенко А.В. Разработка и отладка модели микропроцессора архитектуры MIPS и ее реализация на программируемых логических интегральных схемах (ПЛИС) // Инженерный вестник Дона, 2018, №2. URL: ivdon.ru/ru/magazine/archive/N2y2018/5019
References
1. Kamenev A.S., Korolev S.Yu., Sokotushhenko V.N. Nejromodelirovanie kak instrument intellektualizacii e'nergoinformacionny'x setej [Neuro modeling as a tool for the intellectualization of energy information networks] / Pod red. V.V. Bushueva. M.: ICz «E'nergiya», 2012. 124 p.
2. Bushuev V.V. XI Mezhdunarodnoj nauchno-texnicheskoj konferencii «Intellektuafnaya e'lektroe'nergetika, avtomatika i vy'sokovoftnoe kommutacionnoe oborudovanie». M., 2011. 22 p.
3. Cox, E. (Feb. 1993) Adaptive fuzzy systems. Spectrum, IEEE, 30:2. pp. 7-31.
4. S. M. Abuelenin, 2014 International Conference on, 2014, pp. 1-5.
5. Masarovich M., Mano D., Takaxara I. Teoriya ierarxicheskix mnogourovnevyx system [Theory of Hierarchical Multilevel Systems]. M.: «Mir», 1973, 344 p.
6. Parshin A.A., Bezgreshnov A.N., Shlejfer B.M. Teplovy'e sxemy' kotlov [Boiler Heat Schemes]. M.: «Mashinostroenie», 1987, 220 p.
7. Gavrilovich E.V., Danilov D.Ch. Shevchenko D.Yu. Molodoj uchenyj. 2016 № 28.ch pp.55-59.
8. Baskakova T.F., Lankin Yu.P., Komissarov S.V. Iskusstvenny'j intellekt. 2008, №1, pp. 100-111.
9. Rodzin S., Rodzina L., Rodzina O. Proc. of the 10th IEEE Int. Conf. Application of Information and Communication Technologies (AICT'2016), 2016, pp. 469-472.
10. Chernuxin Yu.V. Iskusstvenny'j intellekt i nejrokomp'yutery' [Artificial Intelligence and Neurocomputers]. Taganrog: Izd-vo TRTU, 1997, 273 p.
11. V. Telpuxov, V. S. Ruxlov, I. S. Inzenernyj vestnik Dona (Rus), 2016, №1. URL: ivdon.ru/ru/magazine/archive/n1y2016/3504.
12. Rodzin S. Proc. of the 15th IEEE East-West Design&Test Symposium (EWDTS'2015), 2015. pp. 343-346.
13. A. A. Caringapov, A. V. Koshevenko. Inzenernyj vestnik Dona (Rus), 2018, №2. ivdon.ru/ru/magazine/archive/N2y2018/5019.
