Разработка процедур автоматизированного формирования лингвистических переменных в нечетком контроллере Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневскуе чтения. 2014

существенное расхождение плана с его фактическим выполнением, что при нормальном протекании процессов маловероятно.

Процедура оповещение диспетчера о событиях может быть реализована различными способами: обходом РЦ, сообщениями от рабочих данных РЦ или контролеров, принявших партию обработанных деталей, как устно, так и с помощью средств автоматизации [2]. Средства автоматизации при этом могут быть также самыми различными, начиная от сообщений по локальной сети и заканчивая обычной «кнопочной» сигнализацией. Главное - вовремя передать информацию, оповестить диспетчера.

В данной статье описаны существующие способы детализированного планирования, а также способы выполнения полученных планов.

Библиографические ссылки

1. Фролов Е. Б., Загидуллин Р. Р. MES-системы. Вид «сверху», взгляд изнутри. Критерии, которые мы выбираем. URL: http://www.mashportal.ru/

solutions_manufacturing-9513.aspx (дата обращения: 03.03.2014).

2. Асатрян С. Р. [и др.] Использование технологий «клиент-сервер» для организации управления производством. М. : САПР и Графика, 1999. 30-34 с.

3. Гончаров В. Н. Оперативное управление производством. М. : Экономика, 1987. 120 с.

References

1. Frolov E. B., Zagidullin P.P., MES-sistem. Vid "sverhu", vzgljad iznutri. Kriterii, kotorie mi vibiraem. Available at: http://www.mashportal.ru/solutions_ manufacturing-9513.aspx (accessed 03 March 2014).

2. Asatrjan S. R., Vachilo A. V., Kogan Yu. G., Rjabov D. M., Frolov E. B. Ispolzovanie tehnologiy "klient - server" dlja organizacii upravlenija proizvodstvom. Moscow, "SAPR I Grafika". 1999. 30-34 p.

3. Goncharov V. N. Operativnoe upravlenie proizvodstvom. Moscow. Economica. 1987. 120 p.

© Жуковская И. В., Щелканов С. К., 2014

УДК 004.414.23

РАЗРАБОТКА ПРОЦЕДУР АВТОМАТИЗИРОВАННОГО ФОРМИРОВАНИЯ ЛИНГВИСТИЧЕСКИХ ПЕРЕМЕННЫХ В НЕЧЕТКОМ КОНТРОЛЛЕРЕ

Ю. В. Климец1, Л. В. Липинский2, С. К. Щелканов1

1ОАО «Красноярский машиностроительный завод» Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29

E-mail: kras-sv@mail.ru

2Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

Рассмотрены основные вопросы проектирования и настройки нечеткого контроллера. Предложен подход к автоматизированному формированию и настройке лингвистических переменных в нечетком контроллере методом генетического алгоритма и градиентным спуском соответственно.

Ключевые слова: нечеткая логика, нечеткий контроллер, генетический алгоритм, метод градиентного спуска.

THE DEVELOPMENT OF PROCEDURES FOR AUTOMATED FORMATION OF LINGUISTIC VARIABLES IN FUZZY CONTROLLER

U. V. Klimetc1, L. V. Lipinskiy2, S. K. Shchelkanov1

JSC "Krasnoyarsk Machine-Building Plant" 29, Krasnoyarskiy Rabochiy, Av., Krasnoyarsk, 660014, Russian Federation. E-mail: kras-sv@mail.ru 2Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation

The basic issues of design and tuning of a fuzzy controller are studied. The approach to automated generation and tuning of linguistic variables in fuzzy controller by genetic algorithm and gradient descent is proposed.

Keywords: fuzzy logic, fuzzy controller, genetic algorithm, the method of gradient descent.

В последнее время широкое развитие получили нечеткие системы, использующие средства нечеткого управления. Типичным представителем такой системы является контроллер, работающий с базой нечет-

ких правил и реализующий операции нечеткой алгебры при формировании нечеткого вывода [4]. Преимуществами нечеткой логики являются эффективность и простота выражения неформальных знаний

человека. Но при этом на сегодняшний момент не существует формальных процедур проектирования нечетких систем, а доступные методы создания нечетких контроллеров весьма немногочисленны. Более того, оценить производительность нечеткого контроллера можно только после его создания.

Нечеткие модели находят широкое применение в таких проблемных областях, как распознавание образов, прогнозирование и моделирование, управление и принятие решений. Однако рост практического использования таких моделей в значительной мере сдерживается трудностями в их разработке. Инженер по знаниям и эксперт (чаще всего это группа экспертов) должны длительное время взаимодействовать друг с другом. Цель такого взаимодействия - это извлечение знаний из эксперта, формализация и кодирование полученных знаний. Но на практике не всегда возможно реализовать такое взаимодействие. Более того, стоимость услуг экспертов достаточно высока. В большинстве случаев именно с данной стадией проектирования НСУ связаны основные материальные и временные затраты. Поэтому на сегодняшний момент разработка методов автоматизированной настройки нечетких систем, требующих минимального вмешательства человека в процесс работы нечеткого контроллера, является актуальной исследовательской задачей.

На сегодняшний день существуют различные методы настройки нечеткого контроллера. Настройке подвергаются и база правил, и лингвистические переменные.

База правил систем нечеткого вывода предназначена для формального представления эмпирических знаний или знаний экспертов в той или иной проблемной области. В системах нечеткого вывода используются правила нечетких продукций, в которых условия и заключения сформулированы в терминах нечетких лингвистических высказываний. Совокупность таких правил называется базами правил нечетких продукций [1].

Одним из видов автоматической настройки базы правил нечеткого контроллера является такой оптимизационный метод, как метод перехода по первому улучшению. Другим видом формирования базы правил является нейросетевой. Он заключается в интегрировании интеллектуальной нечеткой системы в нечеткую систему управления с последующим ее обучением [5]. Еще одним способом настройки базы правил нечеткого контроллера является метод, основанный на генетическом алгоритме.

Как было сказано выше, для эффективной работы нечеткого контроллера необходимо производить настройку не только базы правил, но и лингвистических переменных. Выделяют следующие основные методы настройки лингвистических переменных [2; 3]:

- прямые методы одного эксперта (определяются тем, что эксперт непосредственно задает правила определения значений функции принадлежности, характеризующей данное понятие. Примером прямых методов является задание экспертом правил определе-

ния значений функции принадлежности таблицей, формулой, перечислением);

- прямые методы группы экспертов (оцениваемое состояние предъявляется большому числу экспертов, и каждый имеет один голос. Он должен однозначно отдать предпочтение одному из классов заранее известного перечня);

- косвенные методы одного эксперта (в косвенных методах значения функции принадлежности выбираются таким образом, чтобы удовлетворять заранее сформулированным условиям. Экспертная информация является только исходными данными для дальнейшей обработки);

- косвенные методы группы экспертов (данный метод применяется для формализованного представления задач выбора, в которых отсутствует четкая грань между допустимым и недопустимым в пространстве неуправляемых параметров и между идеальным и неудовлетворительным состояниями в пространстве критериев);

- сочетание прямых и косвенных методов (возможно сочетание преимуществ косвенных методов в их простоте и стойкости к искажениям ответов экспертов и преимущества прямых методов, позволяющих получить непосредственно значения степени принадлежности);

- идентификация лингвистического терма по максимуму функции принадлежности в случае дискретного выхода (адекватность моделей, которые описываются нечеткими базами знаний, данным эксперимента определяется типом и качеством настройки функций принадлежности, с помощью которых лингвистические оценки параметров модели превращаются в количественную форму);

- настройка лингвистических переменных с помощью искусственных нейронных сетей (искусственные нейронные сети могут настраивать свои параметры (весовые коэффициенты) на основе выборки данных);

- настройка лингвистических переменных методом генетического алгоритма (в этом случае данному оптимизационному алгоритму необходимо найти массив точек, которые представляют собой вершины термов лингвистических переменных).

Рассмотренные способы настройки лингвистических переменных достигают поставленных целей -производят настройку лингвистических переменных. Но каждый из этих методов имеет свои недостатки: сложная реализуемость, длительность выполнения и др.

Анализ методов настройки лингвистических переменных и базы правил позволил установить, что оптимизация только базы правил при фиксированных значениях термов, либо только настройка лингвистических переменных при фиксированной базе правил не позволяют в достаточной степени настроить нечеткую систему управления на решаемую задачу. Возникает необходимость одновременной настройки термов лингвистических переменных и базы правил.

Решетневские чтения. 2014

В данной работе предложено сначала производить настройку лингвистических переменных генетическим алгоритмом. Результатом данного этапа является структура нечеткого контроллера. Следующим этапом является настройка базы правил при имеющихся лингвистических переменных. И завершающим этапом настройки нечеткого контроллера является оптимизация полученных термов лингвистических переменных. На рис. 1 представлен предложенный алгоритм настройки нечеткого контроллера.

Результатами данного алгоритма являются: значение контроллера и величины ошибки, автоматизировано подобранная структура лингвистических переменных и улучшенные их значения, подобранная БП под сформированные переменные.

Предложенные в работе методы и алгоритмы автоматизированной настройки нечеткого контроллера реализованы средствами МаНаЪ. На рис. 2 представлена схема взаимодействия разработанных модулей.

Анализ эффективности алгоритмов производился на основе тестовой и обучающей выборки. Исходная выборка делится на тестовую и обучающую случайным образом с некоторой заданной вероятностью. Обучение контроллера происходит исключительно на обучающей выборке. Анализ адекватности полученной модели производится на тестовой выборке. С точки зрения анализа результата важны обе ошибки. Если тестовая ошибка большая, а обучающая маленькая - значит модель вообще не отражает зависимости, а просто «запоминает» данные. Если ошибка на обучающей и тестовой выборке большая, это означает, что оптимизационные процедуры не справляются с задачей и необходимо отвести больше вычислительных ресурсов на решение.

Задать начальные настройки

Запустить ГА для настройки структуры лингвистических переменных

Построить контроллер (БЬ) по сформированным лингвистическим переменным

Запустить ГА для настройки базы правил

Произвести улучшение

лингвистических переменных при помощи градиентного спуска

Количество популяций

Рис. 1. Алгоритм настройки нечеткого контроллера

Рис. 2. Схема взаимодействия модулей

Библиографические ссылки

1. Дащенко А. Ф., Кириллов В. Х., Коломиец Л. В., Оробей В. Ф. Matlab в инженерных и научных расчетах : монография. М. ; Одесса : Астропринт, 2003. 214 с.

2. Леоненков А. В. Нечеткое моделирование в среде Matlab и fuzzyTECH. СПб. : БХВ-Петербург, 2005. 736 с.

3. Митюшин Ю. И., Мокин Б. И., Ротштейн А. П., Митюшин Ю. И. Soft Computing идентификация закономерностей нечеткими базами знаний. М. : Универ-сум-Виниция, 2002. 145 с.

4. Яхъева Г. Э. Нечеткие множества и нейронные сети : учеб. пособие. М. : Интернет-Университет информационных технологий : БИНОМ, Лаборатория знаний, 2006. 316 с.

5. Настройка параметров адаптивного контроллера с использованием нечеткой нейронной сети. URL: http://www.swsys.ru/print/article_print.php7id = 837 (Дата обращения: 24.04.2013).

References

1. Dashenko A. F., Kirillov V. H., Kolomiec L. V., Orobey V. F. Matlab v inzhenernih i nauchnih raschetah: Monografija. Odessa : Astroprint, 2003 214 p.

2. Leonenkov A. V. Nechetkoe modelirovanie v crede MATLAB ifuzzyTECH. Spb. : BVH-Peterburg, 2005. 736 p.

3. Mitushin Ju. I., Monik B. I., Rotshtein A. P., Mitushin Ju. I. Soft Computing identifikacia zakonomernostey nechetkimi bazami znaniy. Moscow : Universum-Vinicia, 2002. 145 p.

4. Jahewa G. E. Nechetkie mnozhestwa I neyronnie seti: Uchebnoe posobie. M. : Internet - Universitet Informacionnich technologiy ; BINOM, Laboratoria znaniy, 2006. 316 p.

5. Nastroiki parametrov adaptivnogo kontrollera s ispolzovanem nechetkoy neironnoy seti. Avaible at: http://www.swsys.ru/print/article_print.php7id = 837 (accessed 24 Aprel 2013).

© Кflнмец ro. B., HnnHHCKHH .H. B., ^emaHOB C. K., 2014

УДК 621.791.722

ГЕНЕРАТОР СКАНИРОВАНИЯ ДЛЯ ЭЛЕКТРОННО-ЛУЧЕВОЙ СВАРКИ

Р. В. Липатов, Е. Ю. Меньщиков

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: lipatov_roman@ymail.com

Приводится описание блока генератора. Выделяется основная цель разработки генератора. Приводится описание элементной базы. Выделяются основные преимущества элементов. Предложены методы моделирования блока генератора. Предлагается собрать генератор.

Ключевые слова: электронно-лучевая сварка, КР1533, КР531, моделирование.

SCANNING GENERATOR FOR ELECTRON-BEAM WELDING R. V. Lipatov, E. Yu. Men'shchikov

Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: lipatov_roman@ymail.com

The generator block is described. The main objective of the generator development is highlighted. The components are characterised. The main advantages of the elements are focused on. The methods of modeling the generator block are presented. It is proposed to fabricate the generator.

Keywords: electron beam welding, KR1533, KR531 modeling.

Одним из основных и начальных элементов электронно-лучевой установки является генератор сканирования. Он генерирует такие волны, как синусоида, меандр, пилообразная волна с определённой частотой [2]. Структурная схема представлена ниже (см. рисунок).

На сегодняшний день генератор был собран на элементной базе серии К155. Но на данный момент времени он не удовлетворяет потребности ввиду своей медленной работы. Для увеличения скорости необ-

ходимо пересмотреть актуальность использования элементной базы. Ввиду специфичности блока генерации необходимо учитывать различные помехи со стороны электромагнитных волн.

Для реализации блока генератора необходимо использовать более скоростные микросхемы, при этом необходимо учитывать помехи, а для этого нужно рассмотреть элементную базу на основе серии КР1533, КР531 и сравнить их с К155.