CC BY
28
УДК 621
DOI: 10.24412/2071-6168-2023-3-106-112
СОВРЕМЕННОЕ СОСТОЯНИЕ ПРИМЕНЕНИЯ И РАЗВИТИЯ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ПРОМЫШЛЕННЫХ РЕГУЛЯТОРАХ И ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ
УПРАВЛЕНИЯ
С.Л. Горобченко, Б.М. Шифрин, С.В. Алексеева, А.С. Гоголевский, А.С. Кривоногова, Ю.Л. Пушков, С.А. Войнаш
Рассмотрено современное состояние применения и развития методов искусственного интеллекта в промышленных регуляторах и интеллектуальных системах управления. Приведен обзор некоторых работ, дающих представление о достижениях и продвижении в применении искусственного интеллекта. Показаны основные направления применения нейромоделей и моделей искусственного интеллекта на основе нечеткой логики. Определены основные отраслевые направления и сферы деятельности, где внедрение управления на основе искусственного интеллекта наиболее целесообразно и востребовано.
Ключевые слова. Искусственный интеллект, нейромодели, нейросети, модели нечеткой логики, применение искусственного интеллекта, промышленные регуляторы, интеллектуальные системы управления.
В настоящее время широко применяются достижения интеллектуальных искусственного интеллекта (ИИ) для повышения уровня автоматизации промышленных регуляторов и интеллектуальных систем управления (ИСУ). Эти системы призваны оказывать содействие в управлении при эксплуатации АСУТП. При этом используются современные достижения информационных технологий (ИТ) в области интеллектуальных технологий управления.
Преимущества использования нейромоделей и методов нечёткой логики активно обсуждаются в течение последних лет. Плюсы внедрения этих методов в ИСУ связываются с эффективностью функционирования инженерных систем и оборудования, ростом производительности работы ИСУ по сравнению с системами, использующими классические регуляторы.
Управление на основе нечеткой логики и нейросетей используются для эксплуатации объектов управления (ОУ), в том числе для АСУ ТП [11]. Контроллеры нечеткой логики (КНЛ) имеют лучшие результаты по многим исследуемым показателям и практическим приложениям. Они широко используются в системах со сложными нелинейными характеристиками, например, при управлении мобильными роботами на основе нечётких моделей в военном деле, управлении дронами в мирных и военных целях, при использовании роботов, в быту и пр.
Достижения в области применения нечеткой логики. Обратимся к некоторым достижениям в области ИИ по данной теме, описанным в литературе в последние годы.
В статье Н.М. Зайцевой дается описание программной реализации оценки уровня электробезопасности электроустановок на основе определения удельного электрического сопротивления слоев грунта р в интересующей исследователя зоне в конкретных климатических условиях. Значение р грунта зависит от множества факторов, которые могут значительно изменяться в течение года. В виду этого все расчеты выполнялись с большим успехом на основе нечеткой логики [9]. Эти же подходы были применены к анализу реакций в реакторах, где определить точные характеристики протекания реакций невозможно, рис.1 [10].
в зависимости от температуры, концентрации реагента и катализатора на основе использования
методов нечеткой логики [10] 106
Статья М.В. Бобыря и др. [1] посвящена разработке системы управления интеллектуальным светофором на основе нечеткой логики с возможностью корректировки временных интервалов сигналов светофора в зависимости от дорожной ситуации. В качестве применяемых методов для определения входных переменных для нечеткой логической системы управления интеллектуальным светофором используется система технического зрения.
Предложенный способ управления устройством регулирования дорожным движением основан на системе нечеткого вывода и содержит несколько этапов:
- определение четких входных переменных,
- фаззификация значений входных переменных,
- агрегирование данных на основе нечетких правил,
- дефаззификация значений и определение времени задержки разрешающего сигнала светофора
По предложенной нечеткой модели разработано устройство, имитирующее работу системы управления интеллектуальным светофором. Устройство собрано на базе контроллера Arduino Uno. Создана специализированная программная модель, которая была запатентована. Результаты экспериментальных исследований показали высокую эффективность работы интеллектуального светофора в суточном цикле. Программа успешно справляется с оценкой плотности потока автомобилей и пешеходов, пропорционально регулируя время работы ламп светофора.
Доказано, что внедрение разработанной системы управления интеллектуальным светофором позволяет обеспечить безопасность и удобство дорожного движения для всех участников.
В статье М.М. Родыгиной и др. [23] рассматриваются конструкция, принцип действия и динамические характеристики элементов нечеткой логики. Получена математическая модель гидромеханических характеристик двухмембранного элемента нечеткой логики, реализующего логическую функцию «ИЛИ». Рассчитанные частотные характеристики подтвердили адекватность математической модели, что дает основание ее использования для оптимизации геометрических размеров элемента.
В работе Л.Р. Кашаповой и др. представлены основные этапы работы автоматизированной системы технологической подготовки производства процесса листовой штамповки и ее реализация на примере детали лонжерон автомобиля КАМАЗ. Система, основанная на формализованных знаниях экспертов в области обработки металлов давлением, позволяет получать высококачественные изделия с учетом технико-экономических показателей предприятия [12].
В статье В.М. Буянкина рассматривается проектирование регулятора с нечеткой логикой. В последние годы резко повысился интерес к новым научным направлениям с использованием нейронных сетей. Нейронные сети позволяют эффективно обрабатывать полученные результаты, проводить достаточно глубокий анализ статических и динамических характеристик, отслеживать появление ошибок и нежелательных режимов технических объектов, имеющих нелинейные нечеткие характеристики (ТОННХ). Преимущество идеи использования нейронных сетей, элементов искусственного интеллекта заключается в оптимизации сложных законов математических моделей ТОННХ с переменными параметрами.
Управление ТОННХ классическими методами требует большее количество дифференциальных уравнений, приводящих к увеличению объемов расчетов, увеличению времени их обработки, поэтому классические методы управления неэффективны и не могут существенно повысить быстродействие и точность работы ТОННХ. Проблему улучшения работы ТОННХ возможно решить, разрабатывая новые системы управления нейрорегуляторами с нечеткой логикой [2]. Схема метода синтеза системы нечеткого управления нейрорегулятором на базе нейронной сети показана на рис.2.
>("тоннх~ 1
Нейрсцилггифншии
_i пру _
Цмфошце ютетюй гибридной «ги
(Ьромггр éfi¡[wpfí) ttrupi
« [Цшпри
< у нгпдапяпгсся)
4 W1MKAUI
CNyKmr шптЛ 1я6(чимв спи
ULI ДИ ÍKICI -ЬиыЦ «HUI iK^'teBHl
Ф^фСЖШСJMtCpUlÚCTlr IKYIUM0 lumvii _
ли язддап и шлсдныл переменных
Формирование обучающей шборки _дли iwwpoficTy.wpfa
(Члжтк MdfropgyunBpa
Нечеткий bu X, -
шш i Ж1-
TBffl
Обучающая М , / \ jpjn cpi ктнка.
Вшйсхййс crjírtcnrikoii и зиюмркоэл цршсристь »^тртивгикм* пгагчмт
ibUlKLHVCKHt И ДИНПКПа
' Кл-k-HllU.I
iidtpopfiyniup
дацчк
Рис. 2. Схема метода синтеза системы нечеткого управления нейрорегулятором
на базе нейронной сети [2] 107
Еще одна статья Н.В. Буянкина посвящена разработке системы искусственного интеллекта для токового регулятора электродвигателя с использованием нечеткой логики. Параметры электродвигателей цифровых следящих приводов (ЦСП) при сложных критических нагрузках могут меняться непредсказуемо и нечетко, что осложняет создание математических моделей, необходимых для разработки классических регуляторов тока. Поэтому для обеспечения желаемых характеристик предлагается использовать интеллектуальные регуляторы с нечеткой логикой. В переходных процессах с различными нагрузками токи в электродвигателях могут достигать больших аварийных значений. Поэтому возникает проблема управления и ограничения токов регуляторами. Обмотки электродвигателей в процессе работы нагреваются, изменяется их сопротивление Ял, индуктивность Lя, что приводит к расстройке параметров регулятора тока и, как следствие, к ухудшению статических и динамических характеристик ЦСП. Игнорирование этих изменений может привести к ухудшению работы и потере устойчивости.
В связи с этим приходится решать задачу разработки новых методов управления, создания токовых интеллектуальных регуляторов с нечеткой логикой. Проверка разработанной системы искусственного интеллекта для ЦСП, смоделированного среде Matlab Fuzzy tech показала, что система с регулятором нечеткой логики обеспечивает необходимые желаемые статические и динамические характеристики работы ЦСП. Разработана адаптивная система с нечеткой моделью на базе гибридной нейронной сети для токового контура ЦСП. В качестве исходных данных используется информация диаграмма устойчивости токового контура от значения входных переменных: индуктивность, сопротивление якоря электродвигателя и выходной переменной интегрального коэффициента ПИ-регулятора с постоянным пропорциональным коэффициентом. Нечеткая модель гибридной нейронной сети содержит 2 входные переменные и одну выходную переменную [3].
В работе А.Е. Котова выполнено сравнение эффективности алгоритмов классификации, встроенных в систему RapidMiner, и авторской программной системы для систем управления, реализованных на нечеткой логике [15]. Применение метода нечеткой логики к задачам классификации дает существенный эффект для пользователей программы.
В статье И.В. Дорожко и др. ведется решение задачи определения и коррекции периодичности контроля, исходя из текущего состояния объекта, в целях обеспечения предъявляемых требований к коэффициенту готовности сложных технических комплексов. Предлагается имитационная модель, разработанная с помощью среды моделирования Stateflow программного продукта Matlab, содержащая нечеткий логический контроллер, в котором периодичность контроля и требования к коэффициенту готовности заданы как лингвистические переменные [7].
В статье В.В. Макеенко и др. рассматриваются возможности автоматизации процессов технического обслуживания, если быть точнее процесса распределения заявок при поступлении их от пользователей сервиса до специалистов, которые выполняют работу по технических работам [18]. Использование лингвистических переменных позволяют задавать приоритеты в организации обработки заявок.
В статье Н.В. Гридиной и др. рассмотрены вопросы использования элементов нечеткой логики при построении и обучении гибридных нейронных сетей для работы в условиях неопределенности. Приведен вариант реализации нечетких отношений и алгоритм, осуществляющий процедуру нечеткого композиционного вывода, на основе нейросетевого подхода. Представлена нейросетевая модель нечеткой системы в роли универсального аппроксиматора, а также случай, при котором нечеткость проявляется на этапе обучения [4].
В работе П.В. Дикарева и др. приведена структурная схема системы диагностирования аварийных ситуаций воздушных линий электропередачи (ВЛЭП), основанная на использовании нечеткой логики. Составлены функциональные принадлежности напряжений.
Принцип работы системы основан на регистрации изменения электромагнитного поля вокруг линии и опоры при аварийных режимах. Измеренные сигналы анализируются с помощью компьютера, который обладает блоком обработки информации с нечеткой логикой, позволяющим определить аварийный режим и его вид. Информация о работе сети с компьютера передается по каналам GSM/GPRS связи на диспетчерский пункт [6].
В статье А.В. Кашникова задача оптимального управления проветриванием при наличии нескольких вентиляторных установок предполагает необходимость определения, в какой степени каждый из вентиляторов должен изменять частоту своего вращения для обеспечения заданных расходов воздуха на регуляторах на каждом шаге управления. При этом необходимо учитывать не только степень влияния вентилятора на конкретный регулятор, но и его текущую частоту вращения. Для учета данных факторов предлагается использование нечетких множеств второго порядка интервального типа для определения входной переменной недостатка/избытка воздуха, в которых функции принадлежности определяют границы оптимальности для каждого вентилятора. Также в статье вводится понятие зоны влияния вентилятора, используемое для обобщения требования наличия полностью открытого регулятора на случай нескольких вентиляторных установок. Приведены результаты моделирования работы алгоритма управления и их сравнение с применением подхода, основанного на нечеткой логике первого порядка [13].
В работе В.Е. Чумакова рассматриваются алгоритмы использования нечеткой логики. Проводится анализ и преобразование больших данных посредством машинного обучения для нахождения наиболее важных и полносвязных атрибутов. Приводится пример создания архитектуры системы. Иллюстрируется практическая работа с существующим датасетом. Описываются преимущества использования нечеткой логики по сравнению с другими системами обнаружения аномалий сетевого трафика [25].
В статье А.Ю. Лабинского рассмотрено использование аппарата нечеткой логики в оценке эффективности теплообменных аппаратов. Приведены результаты моделирования влияния массового расхода на тепловую эффективность [17].
В статье С.А. Манцерова и др. отмечается, что для обеспечения надёжного функционирования сложных технических объектов необходимо проводить диагностику и прогнозирование их состояния. Значительное влияние при прогнозировании имеет случайная составляющая процесса. Перспективным направлением является создание комплексной системы управления технической системой, основанной на использовании нейро-нечетких методов. В статье рассмотрено применение адаптивной нейро-нечеткой интерференционной системы (ANFIS), предложенной Джангом в 1993 году, при прогнозировании случайной величины отказа автомобильного электронного блока питания [19].
В статье Д.Р. Канторе отмечается, что современные интеллектуальные системы и технологии позволяют получать решения на основе нечетких правил, нечетких выводов и нечеткого контроля. Классические методы управления хорошо работают в полностью детерминированном объекте управления (ОУ) или в детерминированной среде. Для интеллектуальных систем с неполной информацией и высокой сложностью системы управления эффективны нечеткие методы управления. Процесс принятия решений человеком по анализу и контролю моделируется и имитируется нечетким контроллером с формулируемой базой правил. Целью данной статьи является описание возможностей использования класса нечетких логических контроллеров в автоматизированной системе управления процессами в самых различных областях, описание решения задачи адаптации моделей и алгоритмов к различным ОС (например, задача сохранения параметров микроклимата здания или синтеза параметров использования нечетких логических контроллеров в системе управления). Весомым плюсом данной статьи является краткое, но достаточно емкое изложение теоретических основ нечеткой логики, алгоритм Мамдани и многое другое [11].
В статье Б.Я. Советова предлагается алгоритм размещения файлов по уровням иерархического хранилища данных. Суть алгоритма заключается в учете метрик, указывающих на требования к хранению и выбору уровня системы хранения данных, соответствующего выполнению требований. Алгоритм реализуется в виде контроллера нечеткой логики, который интегрируется в работу системы хранения данных до процесса записи нового файла. Показан пример работы контроллера нечеткой логики для файлов с разными метрическими характеристиками [24].
В статье М.П. Немцова рассматриваются теоретические основы и практическое применение нечеткой логики. Дано описание двух наиболее популярных программных пакетов. Решены две практические задачи - управление теплообменником и распознавание контура фигур [20].
В статье И.Д. Ратмановой и др. [22], отмечается, что в настоящее время показатели энергоэффективности региональной инфраструктуры представляются, как правило, в количественном виде. Однако для лиц, принимающих решения, необходима оценка в удобочитаемом виде с переходом от ряда количественных значений к качественному значению, позволяющему в целом оценить динамику изменения энергопотребления в регионе. В связи с этим разработка метода оценки эффективности энергопотребления с лингвистическим распознаванием полученных результатов представляется весьма актуальной. В основу анализа положены ретроспективные значения показателей региональных топливно-энергетических балансов. Сводный баланс включает порядка 500 значений показателей по всем используемым топливно-энергетическим ресурсам за год. Для получения оценки рассматриваемой многофакторной системы целесообразно применение известной матричной схемы агрегирования, где по строкам расположены факторы, а по столбцам - их качественные уровни.
В качестве шкалы для перехода от количественных значений показателей балансов к качественным значениям используется стандартный пятиуровневый нечеткий 01-классификатор. Предложен метод оценки динамики изменения энергопотребления посредством лингвистического распознавания определенной совокупности относительных показателей топливно-энергетических балансов. Апробация результатов анализа в ряде регионов на реальных ретроспективных данных показала актуальность и достоверность полученных результатов. Оценки динамики изменения энергопотребления проверены методами анализа и визуализации многомерных данных, а также экспертами. Предложенный подход к оценке эффективности использования топливно-энергетических ресурсов может быть применен в региональной практике энергосбережения в целях повышения эффективности принятия решений, рис.3.
В статье В.С. Олейникова и др. рассматривается историческая справка и общая информация о развитии нечеткой логики. Рассмотрены различные методы и подходы нечеткой логики. Описана реализация достаточного функционала для разработки нечетких регуляторов автоматизированных систем управления в трех средах программирования ПЛК: Uity Pro, CoDeSys, Owen Logic, на языках ST и FBD (CFC) [21].
Таким образом, в последнее время определенное продвижение в развитии и применении методов искусственного интеллекта было достигнуто как в традиционных направлениях, таких как автоматика и АСУТП, электропривод [2, 3, 5, 10, 13, 17], так и в новых технических системах, которые ранее не рассматривались как перспективные для использования искусственного интеллекта в малом. К ним можно отнести, например, системы управления дорожным движением, где уровень требований к искусственному интеллекту был достаточно высок, но в тоже время требовались экономически целесообразные решения [1].
Многие технические решения, которые удалось сформировать разработчикам, были связаны с комплексным использованием методов искусственного интеллекта, например, ПИД регулятор + нейросетевая модель или модель нечеткой логики. Эти решения ложились в основу более сложных задач, например, прогнозирования ТО [6], или расчета процессов сложных аппаратов [20]. Развитие более совершенных нейромоделей и моделей нечеткой логики позволило применять их для задач программирования [21, 24] и к задачам, для которых свойственно использование больших данных, большой неопределенности, задачи с трудностями распознавания объектов, задачи с использованием укрупненных массивов данных [22].
- Выработка: 523
Ввоз: 35 362
Запасы; 34 Вывез: 2 162
Баланс: 35 095
Потребление: 33 Э-14
Производство ЭЭ: 2 359 :
Производство тепла: 3 031 |
Преобразование топлива: 572 • Собственные нужды: 5S2 * Потери в earn* t 9421
Конечное лстребление; 25 558
- Статистическая погрешность: 275
Рис. 3. Диаграмма визуализации потоков ТЭР (Sankey diagram) в топливно-энергетическом балансе за 2019 г. (тыс. тонн у. т.), построенная на основе использования методов нечеткой логики [22]
Учитывая большой объем статей, раскрывающих особенности приложения нечеткой логики и нейромоделей в различных отраслях, стало возможным обобщить опыт их разработки и использования различных моделей, выразившихся в монографиях и учебниках по искусственному интеллекту [11, 20, 21]. Определенную роль в развитии работ по теории и применению моделей искусственного интеллекта сыграло удешевление и широкое распространение нейромодулей и модулей нечеткой логики в традиционно используемых в образовательных центрах программных пакетов типа Mathlab [3] или языков низкого уровня [21], что позволило исследователям шире применять методы искусственного интеллекта на имеющихся вычислительных и программных средствах.
Список литературы
1. Бобырь М.В. Система управления интеллектуальным светофором на основе нечеткой логики / М.В. Бобырь, Н.И. Храпова, М.А. Ламонов // Известия Юго-Западного государственного университета.
2021. Т.25. № 4. С. 162-176.
2. Буянкин В.М. Синтез системы искусственного нейроэлектротехнического интеллекта для токового регулятора электродвигателя с использованием нечеткой логики // Тенденции развития науки и образования. 2020. № 64-1. С. 20-30.
3. Буянкин В.М. Элементы искусственного интеллекта в системах управления электроприводом с нечеткой логикой // Тенденции развития науки и образования. 2020. № 60-2. С. 8-13.
4. Гридина Н.В. Построение гибридных нейронных сетей с использованием элементов нечеткой логики / Н.В. Гридина, И.А. Евдокимов, В.И. Солодовников // Искусственный интеллект и принятие решений. 2019. № 2. С. 91-97.
5. Джалолов У.Х. Построение адаптивного регулятора на основе принципов нечеткой логики и метода интегральной модуляции / У.Х. Джалолов, Р.М. Бандишоева, Н.И. Юнусов, У.А. Турсунбадалов // Политехнический вестник. Серия: Интеллект. Инновации. Инвестиции. 2021. № 4 (56). С. 48-53.
6. Дикарев, П.В. система распознавания аварийных режимов воздушных линий электропередачи / П.В. Дикарев, С Шилин, С.Ю. Юдин // Энерго- и ресурсосбережение: промышленность и транспорт.
2022. № 1 (38). С. 6-12.
7. Дорожко И.В. Модель определения периодичности контроля технического состояния сложных технических комплексов с использованием нечеткой логики / И.В. Дорожко, А.Б. Петухов, О.А Салун // Интеллектуальные технологии на транспорте. 2019. № 3 (19). С. 27-34.
8. Загибин Н.О. Программная реализация нечеткой логики с лингвистическими переменными / Н.О. Загибин, С.В. Ульянов // Системный анализ в науке и образовании. 2021. № 1. С. 45-57.
9. Зайцева Н.М. Программная реализация определения уровня электробезопасности электротехнических комплексов с использованием нечеткой логики // Политехнический вестник. Серия: Инженерные исследования. 2019. № 4 (48). С. 39-42.
10. Зайцева, Н.М. Развитие теории моделирования электротехнических комплексов непрерывных производств на основе методов искусственного интеллекта. Автореферат диссертации на соискание учёной степени доктора технических наук. Кемерово, 2022. 346 с.
11. Канторе, Д.Р. Возможности контроллера нечеткой логики в АСУ ТП // Синергия Наук. 2020. № 54. С. 743-753.
12. Кашапова, Л.Р. Автоматизация технологической подготовки производства листовой штамповки на основе нечеткой логики / Л.Р. Кашапова, Д.Л. Панкратов, Л.А Симонова // Научно-технический вестник Поволжья. -2020. № 5. С. 57-59.
13. Кашников А.В. Оптимальное управление параллельными вентиляторными установками на основе нечеткой логики второго порядка // Горное эхо. 2019. № 1 (74). С. 88-91.
14. Кондратьева Е.В. Анализ эффективности прогнозирования успеваемости на основе fuzzy logic / Е.В. Кондратьева, О.Ю. Кондратьева // Математическое и компьютерное моделирование в экономике, страховании и управлении рисками. 2018. № 3. С. 79-82.
15. Котов А.Е. Автоматизированное формирование базы правил для систем управления на нечеткой логике // Решетневские чтения. 2018. Т. 2. С. 128-129.
16. Лабинский А.Ю. О применимости нечеткой логики в решении задач оптимизации // Природные и техногенные риски (физико-математические и прикладные аспекты). 2022. № 3 (43). С. 29-37.
17. Лабинский А.Ю. Оценка тепловой эффективности теплообменных аппаратов с помощью нечеткой логики // Проблемы управления рисками в техносфере. 2020. № 2 (54). С. 56-60.
18. Макеенко В.В. Автоматизация технического обслуживания с использованием алгоритмов нечеткой логики и распознавания текста / В.В. Макеенко, А.Д. Похабов, Я.И. Шамлиций // Научный электронный журнал Меридиан. 2020. № 13 (47). С. 45-47.
19. Манцеров С.А. Прогнозирование работы сложного технического оборудования методами нечеткой логики / С.А. Манцеров, А.В. Окунев, А.В. Кочеров // Journal of Advanced Research in Technical Science. 2021. № 27. С. 43-45.
20. Немцов М.Л. Нечеткая логика (fuzzy logic) в системах принятия решений // Наука настоящего и будущего. 2022. Т. 2.С. 121-125.
21. Олейников В.С. Реализация нечеткой логики на программируемых логических контроллерах / В.С. Олейников, К.Д. Коновалов, Е Тен // Modern Science. 2022. № 2-2. С. 255-260.
22. Ратманова И.Д. Подход к оценке динамики изменения энергопотребления в регионе на основе использования нечеткой логики / И.Д. Ратманова, Е.Е. Булатова // Вестник Ивановского государственного энергетического университета. 2022. № 3. С. 64-72.
23. Родыгина М.М. Пневматические элементы нечеткой логики для систем управления приводов / М.М. Родыгина, И.К. Максюк, И.Н. Рожков // Вестник Луганского государственного университета имени Владимира Даля. 2022. № 5 (59). С. 85-88.
24. Советов Б.Я. Контроллер нечеткой логики для размещения данных в многоуровневом хранилище / Б.Я. Советов, Т.М. Татарникова // Инновационное приборостроение. 2023. Т. 2. № 1. С. 37-42.
25. Чумаков В.Е. Анализ сетевого потока инфраструктуры посредством алгоритмов fuzzy logic // Modern Science. 2019. № 12-4. С. 368-372.
Горобченко Станислав Львович, канд. техн. наук, sgorobchenko@yandex.ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный университет промышленных технологий и дизайна, КЦ Промконсалт,
Шифрин Борис Маркович, канд. техн. наук, доцент, shifrinb @mail. ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова,
Алексеева Светлана Владимировна, канд. техн. наук, доцент, pum222@mail.ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный архитектурно-строительный университет,
Гоголевский Анатолий Сергеевич, канд. техн. наук, старший научный сотрудник, gogolevski@bk. ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Кривоногова Александра Станиславовна, канд. техн. наук, доцент, kas.spb.lta@mail.ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова,
Пушков Юрий Леонидович, канд. техн. наук, доцент, pushkov_yura@mail. ru, Россия, Санкт-Петербург, Санкт-Петербургский государственный лесотехнический университет им. С.М.Кирова,
Войнаш Сергей Александрович, младший научный сотрудник, sergey_voi@mail.ru, Россия, Рубцовск, Рубцовский индустриальный институт (филиал) Алтайский государственный технический университет им. И.И. Ползунова
CURRENT STATUS OF APPLICATION AND DEVELOPMENT OF ARTIFICIAL INTELLIGENCE METHODS IN INDUSTRIAL CONTROLLERS AND INTELLIGENT CONTROL SYSTEMS
S.L. Gorobchenko, B.M. Shifrin, S.V. Alekseeva, A.S. Gogolevsky, A.S. Krivonogova, Yu.L. Pushkov, S.A. Voinash
The current state of the application and development of artificial intelligence methods in industrial controllers and intelligent control systems is considered. A review of some of the works that give an idea of the achievements and progress in the application of artificial intelligence is given. The main directions of application of neuromodels and artificial intelligence models based on fuzzy logic are shown. The main industry directions and areas of activity are identified, where the introduction of management based on artificial intelligence is most appropriate and in demand.
Key words. artificial intelligence, neuromodels, neural networks, fuzzy logic models, application of artificial intelligence, industrial controllers, intelligent control systems.
Gorobchenko Stanislav Lvovich, candidate of technical sciences, sgorobchenko@yandex.ru, Russia, St. Petersburg, St. Petersburg State University of Industrial Technologies and Design, Consulting Center Promconsult,
Shifrin Boris Markovich, candidate of technical sciences, docent, shifrinb@mail.ru, Russia, St. Petersburg State Forest Technical University,
Alekseeva Svetlana Vladimirovna, candidate of technical sciences, docent, pum222@mail.ru, Russia, St. Petersburg, St. Petersburg State University of Architecture and Civil Engineering,
Gogolevskiy Anatoly Sergeevich, candidate of technical sciences, senior researcher, gogolev-ski@bk.ru, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Krivonogova Aleksandra Stanislavovna, candidate of technical sciences, docent, kas.spb. lta@mail.ru, St. Petersburg State Forest Technical University,
Pushkov Yury Leonidovich, candidate of technical sciences, docent, pushkov_yura@mail. ru, Russia, St. Petersburg, St. Petersburg State Forest Technical University,
Voinash Sergey Alexandrovich, junior researcher, sergey_voi@mail.ru, Russia, Rubtsovsk, Rubtsovsk Industrial Institute (branch) of Polzunov Altai State Technical University
УДК 519.87:004.94
DOI: 10.24412/2071-6168-2023-3-112-120
МОДЕЛИРОВАНИЕ ПОЛУМАРКОВСКОЙ СИСТЕМЫ С УЧЕТОМ НЕПРОСТОГО ПОТОКА ВОССТАНОВЛЕНИЯ
М.В. Заморёнов, В.Я. Копп, Н.И. Чаленков
В работе приводится и доказывается теорема о функциях распределения времени пребывания в подмножестве непрерывных состояний с учетом непростого процесса восстановления. С использованием приведенной теоремы проводится моделирование функционирования однокомпонентной системы, при использовании стратегии календарной профилактики с отключением рабочего элемента на период профилактики. При построении модели снимается ограничение на количество наработок на профилактику за время восстановления рабочего элемента. Проводится укрупнение системы с непрерывным фазовым пространством состояний. Определяются вероятности переходов и стационарное распределение вложенной цепи Маркова. При использовании метода траекторий определяются функции распределения времен пребывания системы в подмножествах работоспособных и неработоспособных состояний. Результаты моделирования сравниваются с данными, полученными с использованием теоремы о среднестатистическом времени пребывания системы в подмножестве состояний.
Ключевые слова: полумарковская система, алгоритм фазового укрупнения, стационарное распределение, функция распределения, метод траекторий.
В настоящее время, когда страна стоит на пути больших вызовов и импортозамещения, наиболее актуальными вопросами становятся вопросы разработки нового технологического оборудования. Одним из важнейших этапов разработки является этап стохастического моделирования проектируемых объектов [1-5]. На данном этапе появляется возможность обоснованно оценивать экономическую эффективность проекта. В то же время, ошибки, допущенные на этапе моделирования, могут привести к значительным временным и финансовым потерям, связанным с необходимостью заново проходить все этапы разработки от моделирования до внедрения.
