Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Основы мехатроники. Учебник для СПО

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

2 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 4 56 / 186 7 8 9 10 11 12 13 14 15 16 17 18 > Следующая >>>

П2: если е «низкий» и е «средний», то



Uк «низкий»;

П3: если е «средний» и е «средний», то



Uк «средний»;

П4: если е «средний» и е «высокий», то



Uк «высокий»;

П5: если е «средний» и е «низкий», то



Uк «низкий», где е — сигнал ошибки регулирования, е — приращение сигнала ошибки регулирования, Uк = Uк – U

к-1

— приращение

выходного сигнала регулятора.

Функции принадлежности нечетких чисел «низкий»,

«средний» и «высокий» приведены на рис. 1.3.

Выходной сигнал регулятора определяется формулой:

Uк = U

к-1

+ Uк .

По сути, рассмотренный регулятор — это нечеткий

ПИ-регулятор.

Известны также НЛР, в которых используется обычный

ПИД-регулятор (пропорционально-интегрально-дифференцирующий), а с помощью нечетких правил задается изменение его коэффициентов в зависимости от сигнала рассогласования.

Нечеткий логический регулятор может иметь несколько параметров, которые настраиваются для получения наилучшего качества регулирования, однако подавляющую часть информации, необходимой для управления, он получает априорно.

Известно большое количество примеров эффективного применения НЛР.

Существенным недостатком НЛР является то, что набор постулируемых правил формируется экспертом человеком и может оказаться неполным или даже противоречивым. Вид и параметры функции принадлежности выбираются также субъективно и могут оказаться не вполне отражающими реальную действительность. Указанные обстоятельства приводят к тому, что рассматриваемые нечеткие регуляторы в ряде случаев не позволяют получить удовлетворительного качества управления.

1.8. Регуляторы на основе нечетких нейронных сетей

Основное достоинство систем с нечеткой логикой — это способность использовать условия и методы решения задач, описанные на языке, близком к естественному. Однако классическим системам с нечеткой логикой, не способным автоматически обучаться, свойственен и определенный недостаток: набор нечетких правил, вид и параметры функций принадлежности,

описывающие входные и выходные переменные системы, а также вид алгоритма нечеткого вывода выбираются субъективно экспертом человеком и могут оказаться, как отмечалось, не вполне адекватными действительности.

Для устранения указанного недостатка был предложен аппарат нечетких нейронных сетей.

Нечеткая нейронная сеть — это многослойная нейронная сеть, в которой слои выполняют функции элементов системы нечеткого вывода. Нейроны данной сети характеризуется набором параметров, настройка которых производится в процессе обучения, как у обычных нейронных сетей.

Для примера на рис. 1.14 показана нечеткая нейронная сеть на базе алгоритма Сугэно 0-го порядка.

Слой 1 осуществляет фаззификацию, нелинейные функции

)(

jij



(где i — номер продукционного правила, j — номер

компоненты входного вектора



) соответствуют функциям

принадлежности предпосылок правил. Настраиваемые параметры данного слоя — параметры используемых функций принадлежности. Слой 2 рассматриваемой сети осуществляет вычисление результирующих функций принадлежности предпосылок нечетких правил. В данном случае этот слой не имеет настраиваемых параметров. Слой 3, состоящий из двух нейронов, осуществляет суммирование и взвешенное суммирование выходных сигналов слоя 2. Параметрами данного слоя являются весовые коэффициенты сi. Слой 4 реализует операцию деления z = f1 / f2 и не содержит настраиваемых параметров.

Если в рассматриваемой сети использовать функции принадлежности

)(

jij



гауссова типа (см. формулу (1.19а)) с па-

раметрами



, а для вычисления результирующих функций

принадлежности предпосылок правил (слой 2, см. рис. 1.12) — операцию умножение вместо операции минимизации (min), то приходим к достаточно распространенной нечеткой сети Ванга — Менделя.



11(x

)

21(x

)

m1(x

)

. . .

min



12(x

)

22(x

)

m2(x

)

. . .

min



1n(x

)

2n(x

)

mn(x

)

. . .

min



. . .





. . .

Слой 1 Слой 2 Слой 3 Слой 4

Рис. 1.14. Нечеткая нейронная сеть на базе алгоритма Сугэно

Для сети Ванга — Менделя можно в аналитическом виде выразить градиент функции ошибки от параметров сети, что позволяет для ее обучения использовать метод обратного распространения, применяющийся в многослойных персептронах. Заметим, что параметры слоя 4 входят линейно в выражение для выхода сети z и их настройка может проводиться за один шаг путем определения псевдообратной матрицы. Хорошо зарекомендовал себя гибридный алгоритм, в котором часть параметров

настраивается градиентным методом, а часть — с помощью вычисления псевдообратной матрицы.

Известны также гибридные нечеткие нейронные сети, представляющие собой последовательное соединение системы нечеткого логического вывода и обычной нейронной сети, например многослойного персептрона.

Нечеткие нейронные сети могут использоваться во многих структурах нейросетевых систем управления.

Следует отметить, что в случае, если набор постулируемых правил нечеткой нейронной сети неадекватно описывает рассматриваемую задачу, никакой настройкой параметров добиться удовлетворительного результата не удается.

Для указанного случая некоторые авторы предлагают адаптивные нечеткие системы, корректирующие в процессе работы набор продукционных правил.

В литературе описано небольшое количество идей, позволяющих строить адаптивные (самоорганизующиеся) нечеткие нейронные сети, при этом одна из наиболее распространенных базируется на аналогии между обобщенно-регрессионными нейронными сетями (GRNN) и нечеткими сетями Ванга — Менделя, состоящей в том, что нелинейные функции, реализуемые GRNN и сетями Ванга — Менделя, при принятии одинаковых обозначений совпадают. Это позволяет процесс обучения GRNN (добавление числа нейронов слоя 1) интерпретировать как процесс самоорганизации сети Ванга — Менделя.

Известны два подхода самоорганизации сети Ванга — Менделя.

В первом при поступлении очередной обучающей точки

 yx,



определяются расстояния

xcd



−=

, между центрами

предпосылок имеющихся правил и точкой



. Если

rddd

)...,,min(

, где r — постоянный параметр, то до-

бавляется еще одно правило с центрами функций принадлежно-

сти в точке



и заключением z = y. Второй подход отличается

условием добавления нового правила, которое осуществляется при выполнении неравенства

eyy −

, где

— значение вы-

хода сети при подаче на вход



, рассчитанное с использованием

уже имеющихся продукционных правил, е — постоянный параметр, характеризующий точность аппроксимации.

В настоящее время алгоритмы адаптации (самоорганизации) нечетких систем недостаточно развиты и нуждаются в дальнейшей разработке.

1.9. Регуляторы на основе экспертных систем

Наряду с нечеткой логикой, интеллектуальной технологией, использующей явное представление знаний, является технология экспертных систем, основанная на классической логике.

Экспертные системы могут использоваться в системах управления для организации обоснованного выбора необходимых воздействий и программно-аппаратных процедур контроля в зависимости от состояния объекта и среды его функционирования. В классических экспертных системах вывод заключений, анализ и преобразование знаний осуществляются на основе формальных логических методов. При этом обычно используются следующие строго структурированные формы представления знаний: продукционные правила, предикаты, семантические сети и фреймообразные структуры. Все эти формы отличает наглядность знаний, представляемых в понятном и привычном для человека виде. К факторам, ограничивающим возможности экспертных систем, можно отнести следующее: невысокое быстродействие, большие объемы необходимых знаний и памяти для их хранения.

На рис. 1.15 представлена система управления с экспертным регулятором.

Регулятор

ОУ

БИЭС

Рис. 1.15. Система управления с экспертным регулятором

В системе на рис. 1.15, кроме основного контура управления, включающего регулятор и объект управления ОУ, присутствует также интеллектуальный контур, содержащий блок идентификации объекта управления БИ и экспертную систему ЭС, которая автоматически подстраивает алгоритмы работы регулятора и идентификатора в зависимости от характеристик окружающей среды и объекта управления.

Основной проблемой при создании экспертных регуляторов является разработка базы знаний о предметной области — теории автоматического управления.

Недостаток классических экспертных систем — их низкое быстродействие. Выходом из положения может служить применение гибридных интеллектуальных технологий, сочетающих различные методы. Известен двухуровневый экспертный регулятор, в котором на верхнем уровне находится традиционная экспертная система, работающая в режиме offline, а на более низком — нейросетевые идентификатор и интеллектуальная надстройка над регулятором, работающие в оперативном режиме

online.

Отдельный класс экспертных регуляторов — самообучающиеся, способные сами организовывать и пополнять базу знаний экспертной системы. В классических самообучающихся экспертных системах выделение аналогий происходит на структурно понятийном уровне. Инструментом для анализа сложных структурированных представлений служат методы правдоподобного вывода, основанные на использовании индуктивной логики Дж. Милля и позволяющие выдвигать обоснованные гипотезы о причинно-следственных связях между наличием некоторых фактов и сопутствующих им явлений.

В настоящее время наиболее перспективным представляется подход к самообучению экспертных систем, состоящий в использовании алгоритмов кластеризации на базе нейронных сетей, нечеткой логики или генетических алгоритмов.

1.10. Интеллектуальные гибридные системы управления

Системы управления, выполненные по традиционным принципам, не использующим современные информационные

технологии, хотя и являются в настоящее время наиболее распространенными, в ряде случаев не позволяют осуществлять качественное управление сложными объектами.

Появившиеся сравнительно недавно интеллектуальные системы управления, в которых применяются указанные выше технологии, такие как нейронные сети, генетические алгоритмы, нечеткая логика и экспертные системы, показали свою высокую эффективность на практике.

Каждая из информационных технологий имеет свои преимущества и недостатки. Так, нейронные сети и генетические алгоритмы способны автоматически обучаться и находить новые решения, не заложенные в них при разработке. В то же время данные технологии не позволяют использовать априорные знания людей-экспертов. Традиционные нечеткие и экспертные системы используют явное представление знаний, выраженное в удобной для человека форме, однако у них отсутствует механизм автоматического приобретения знаний.

Указанное обстоятельство стимулирует разработку интеллектуальных гибридных систем управления, использующих сочетание нескольких информационных технологий. Например, в качестве базовой технологии при создании таких систем можно выбрать нечеткую логику, а остальные технологии рассматривать как надстройку, позволяющую осуществлять процесс автоматической адаптации системы управления.

В свете изложенного актуальной научно-технической проблемой представляется разработка методов анализа и синтеза гибридных систем управления на базе методов нечеткой логики.

Данная цель может быть достигнута решением следующих задач:

1) разработкой адаптивных систем нечеткого логического

вывода для моделирования сложных динамических объектов;

2) разработкой адаптивных структур систем управления на

основе нечеткой логики;

3) разработкой методов аналитического исследования си-

стем управления на основе нечеткой логики;

4) разработкой эффективных алгоритмов численного ис-

следования интеллектуальных систем управления.

Сравнительный анализ различных интеллектуальных технологий позволяет выделить ряд общих для них черт, главная из которых связана с использованием классификации тех или иных понятий в качестве средства для установления связей между отдельными явлениями рассматриваемой предметной области. Эта особенность имеет ключевое значение для разработки принципов организации интеллектуального управления на основе применения современных технологий обработки знаний. Свойства интеллектуальных технологий показаны в табл. 1.2.

Как показывает анализ многочисленных работ по развитию методов обработки знаний, одна из передовых тенденций в этой области связана с попытками интеграции различных интеллектуальных технологий в целях сочетания присущих им преимуществ. Так, например, одновременное обеспечение высокой функциональной гибкости и быстродействия может достигаться за счет комплексного применения технологии экспертных систем и нейросетевых структур. В то же время для увеличения быстродействия ассоциативной памяти предлагаются нейросетевые способы ее реализации. Совмещение технологии экспертных систем и нечеткой логики позволяет не только повысить быстродействие интеллектуальной системы, но и сократить объемы базы знаний (по верхней оценке — от одного до двух порядков). Другой подход к проблеме оптимизации интеллектуальных систем и их обучению связан с разработкой комбинированных технологий нечетких нейросетевых структур. Результаты поисковых исследований по развитию интегрированных технологий обработки знаний имеют большую актуальность для решения задач проектирования системы интеллектуального управления с учетом противоречивости предъявляемых к ним требований.

Современные специализированные программно-инструментальные средства позволяют не только подробно промоделировать создаваемые системы управления, но и оценить эффективность принятых при этом решений при различных вариантах реализации на основе той или иной интеллектуальной технологии. В частности, пакет прикладных программ WinFACT (Window Fuzzy and Control Tools) обеспечивает возможность перехода к нейросетевому варианту реализации, синтезируемой с помощью модели нечеткого управления.

Таблица 1.2

Свойства интеллектуальных технологий

Технол

огия

Представление знаний

Формиро-

вание

начальных

знаний

Организация

логического вы-

вода

Возможность

пополнения

Объяснение

принимае-

мых решений

Способ

реа-

лизации и

быстроде

й-

ствие

экспертных систем

В явном виде с помощью продукционных правил, семантических сетей, предикатов и фреймообразованных структур

С помощью эксперта в интерактивном режиме

Обеспечивается путем явного сопоставления начальной посылки с категориями многоуровневой классификации, заданной иерархией продукционных правил или других представлений

Обеспечивается путем изменения продукционных правил, семантических сетей и других представлений

Может быть обеспечено за счет анализа активированной цепи логического вывода

Программный, низкое

нейросе

тевых

структур

В неявном виде в архитектуре сети, параметрах нейронов и связей на примере обучающей выборки с помощью алгоритмических процедур настройки в автоматическом режиме

Обеспечивается логикой работы сети

Обеспечивается путем изменения топологий, структуры и параметров

Обеспечивается путем изменения продукционных правил, семантических сетей и других представлений

Отсутствует, но может быть обеспечено за счет введения дополнительной объясняющей нейросети

Аппаратный,

высокое

ассоциативной п

амяти

В неявном виде в форме гиперповерхности в многомерном пространстве признаков и архитектуре ассоциативной памяти

Путем автоматического формирования ассоциативных связей по заданному алгоритму

Обеспечивается проецированием рабочей точки гиперповерхности на оси выбранной системы координат

Обеспечивается путем изменения пространства параметров и формы соответствующей гиперповерхности

Отсутствует, но может быть обеспечено введением дополнительной координаты с объяснением

Программный и

аппаратный, в

ысокое

нечеткой логики

В полускрытом виде с помощью продукционных правил и функций принадлежности, отражающих взаимосвязь входных и выходных лингвистических переменных и их физическую значимость

С помощью эксперта в интерактивном или автоматическом режиме на основе анализа статистических данных о функционировании системы

Обеспечивается выполнением продукционных правил и выбранным методом обработки функции принадлежности

Обеспечивается за счет изменения системы правил, формы и относительного размещения функции принадлежности на базовых осях

Отсутствует, но может быть обеспечено за счет анализа срабатывающих правил

Программный, аппаратный,

высокое и низкое соотве

тственно

<<< < Предыдущая 1 2 3 4 56 / 186 7 8 9 10 11 12 13 14 15 16 17 18 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]