Management im Angesicht der Unsicherheit. Zusammenfassung: Intelligente Steuerungssysteme Steuerungsobjekt intelligenter Steuerungssysteme

Dieser Artikel ist auch verfügbar:

Einführung

Intelligente Kontrolle ist eine Verallgemeinerung der semiotischen, kognitiven und informationellen Kontrolle. Beim Intelligenten Verkehrsmanagement werden folgende Bereiche unterschieden: Intelligente Verkehrssysteme, Intelligente Semiotiksteuerung und Intelligente kognitive Steuerung. Intelligente semiotische Kontrolle wird mit verschiedenen Formen der Logik, Produktionssystemen und evolutionären Algorithmen in Verbindung gebracht. Intelligente kognitive Kontrolle wird als Synthese menschlicher Computerkontrolle unter Verwendung von assoziativen Kanälen und stillschweigender Wissensanalyse angesehen. Intelligente Steuerung wird als Mittel verstanden, um Entscheidungen unter Unsicherheit zu treffen. Intelligentes Informationsmanagement wird als Unterstützung des intelligenten Inangesehen.

Die Notwendigkeit einer intelligenten Steuerung

Mit der Entwicklung der Gesellschaft und der Verkomplizierung von Objekten und Managementaufgaben veränderten sich auch die Managementtechnologien. Das akuteste Problem bei der Bewältigung komplexer Situationen war das Problem der „Big Data“. Es schafft eine Informationsbarriere für "Organisationsmanagement"-Technologien. Das Anwachsen schlecht strukturierter Informationen ist charakteristisch für modernes Management. Dies führt zum Übergang zu intelligentem Management, was wiederum zur Notwendigkeit führt, Wissensmanagement-Technologien anzuwenden. Intelligente Steuerung basiert auf intelligenten Systemen und intelligenten Technologien. Ein intelligentes System ist ein technisches oder softwaretechnisches System, das in der Lage ist, kreative Lösungen für Probleme eines bestimmten Fachgebiets zu finden, deren Wissen im Speicher eines solchen Systems gespeichert ist. Vereinfacht gesagt umfasst die Struktur eines intelligenten Systems drei Hauptblöcke – eine Wissensdatenbank, einen Solver und eine intelligente Schnittstelle. Der Solver ist die dominierende Komponente eines intelligenten Systems. In der Logik erster Ordnung ist ein Solver ein Mechanismus zum Erhalten von Lösungen für logische Ausdrücke. In Multi-Agenten-Systemen, die der künstlichen Intelligenz zuzuordnen sind, wird auch das Konzept eines Solvers verwendet. Ein Agent ist ein Problemlöser, also eine Softwareeinheit, die handeln kann, um ihre Ziele zu erreichen. In der symbolischen Modellierung ist ein S-Solver ein Nachrichtenspezialisierungswert. Einer der ersten in Russland, der dieses Konzept einführte, war Efimov E.I. ... Aus dieser kurzen Liste folgt die Bedeutung des Solvers für intelligente Systeme und intelligente Technologien.

Intelligente Steuerung im Rahmen der angewandten Semiotik

Die Semiotik untersucht die Natur, Arten und Funktionen von Zeichen, Zeichensystemen und menschlicher Zeichenaktivität, Zeichenessenz natürlicher und künstlicher Sprachen, um eine allgemeine Zeichentheorie aufzubauen. Im Bereich der Semiotik gibt es eine Richtung "Angewandte Semiotik", deren Begründer D.A. Pospelow.

In der Semiotik werden zwei Anwendungsgebiete von Zeichen unterschieden: Kognition und Kommunikation. Dies teilt die Semiotik in zwei Teile: die Semiotik der Erkenntnis; Semiotik semantischer Kommunikation. Grundlage der intelligenten Steuerung ist das semiotische System. Nach Pospelov wird eine geordnete Acht von Mengen als semiotisches System W bezeichnet:

W =< T, R, A, P, τ, ρ, α, π>, (1)

wo
T - Satz von Grundsymbolen;
R - Satz syntaktischer Regeln;
A - viel Wissen über das Fachgebiet;
P ist ein Regelwerk zur Ableitung von Entscheidungen (pragmatische Regeln);
τ sind die Regeln zum Ändern der Menge T;
ρ - Regeln zum Ändern des Satzes R;
α - Regeln zum Ändern des Satzes A;
π sind die Regeln zum Ändern der Menge P.

Die ersten beiden Mengen erzeugen die Sprache des Systems W, und τ und ρ seine Änderung durchführen. Regeln α ändern viel Wissen über das Fachgebiet. Betrachten wir Wissen als Axiome des formalen Systems (das durch die ersten vier Elemente von W gebildet wird), dann gelten die Regeln α , verändern im Wesentlichen die Interpretation der Grundsymbole und damit korrekt konstruierte Formeln der Sprache des semiotischen Systems W.

Die ersten vier Mengen bilden das formale System FS, Elemente vom fünften bis zum achten bilden die Regeln für die Änderung des formalen Systems. Auf diese Weise stellen sie die Anpassung des formalen Systems sicher, indem sie es "anpassen", um Probleme und Probleme zu lösen, die innerhalb des Systems FS kann nicht gelöst werden.

Somit kann das semiotische System (1) als zusammengesetztes dynamisches System definiert werden: W = , wo FSi- bestimmt den Zustand des semiotischen Systems und MFsi- die Regel für die Änderung seines Zustands. Dabei ist zu beachten, dass, obwohl es sich um ein semiotisches System handelt, ein solches System de facto das Kontrollobjekt, also den Zustand des Kontrollobjekts und seine Dynamik beschreibt.

Daher kann das semiotische System neu interpretiert werden. Zusammengesetztes dynamisches System: W = FSi, die den Zustand in der Informationslage bzw. Informationslage bestimmt, dynamisch MFsi, das die Regeln für den Übergang des Kontrollobjekts von einer Informationsposition zu einer anderen definiert.

Regeln MFsi = (τ, ρ, α, π), diejenigen, die den Zustand des formalen Systems (Kontrollobjekt) ändern, sind durch die in den Elementen des semiotischen Dreiecks (Frege-Dreieck) bestehende Abhängigkeit verbunden. Dies bedeutet, dass die Anwendung einer der vier Regeln zur Anwendung der übrigen Regeln führt.

Diese Abhängigkeiten sind komplex, ihre analytische Repräsentation fehlt, und dies ist schwierig und wird in semiotischen Systemen der Künstlichen Intelligenz erforscht. Daher ist es einfacher, den Informationsansatz und die Informationsmodellierung zu verwenden.

Erweiterungen formaler Steuerungssysteme in Form dynamischer Komponenten MFsi bieten die Eigenschaften der Systemoffenheit. Sie schaffen die Möglichkeit, das Kontrollobjekt an Steuerungseinflüsse und sich ändernde äußere Bedingungen anzupassen.

Dadurch können insbesondere die Möglichkeiten der Entscheidungsunterstützung bei Unsicherheit, Unvollständigkeit und Inkonsistenz der Ausgangsinformationen deutlich erweitert werden.

Arten von Unsicherheiten bei der Implementierung intelligenter Steuerung

Herkömmliche Steuerungsmethoden, einschließlich einiger Arten der intelligenten Steuerung, basieren auf der Annahme, dass die Zustands- und Steuerungsmodelle eines Objekts sein Verhalten genau beschreiben. Methoden, die auf dieser Annahme basieren, sind in der klassischen Kontrolltheorie enthalten. Unter Bedingungen steigender Mengen, Zunahme unstrukturierter Informationen und des Einflusses der äußeren Umgebung sind jedoch Abweichungen von diesem Zustand charakteristisch.

Fast jedes Modell ist eine vereinfachte Beschreibung eines realen Objekts, seines Zustands und seines Verhaltens. Der Grad der Vereinfachung kann erträglich sein oder Mehrdeutigkeiten erzeugen. In der Dynamik des Verhaltens des Kontrollobjekts können sich einige Eigenschaften des Objekts im Laufe seiner Funktion erheblich ändern. All dies führt zu Mehrdeutigkeiten in verschiedenen Modellen zur Beschreibung eines Objekts und erschwert dessen Verwaltung, auch intellektuell. Das typische Regelmodell, das dem Regelalgorithmus oder einem Satz etablierter Regelregeln zugrunde liegt, wird als nominal bezeichnet.

Bei großen Unsicherheiten erweisen sich die klassischen Methoden der Kontrolltheorie als unanwendbar oder führen zu unbefriedigenden Ergebnissen. In diesen Fällen ist es notwendig, spezielle Methoden der Analyse und Synthese von Kontrollsystemen für Objekte mit unbestimmten Modellen zu verwenden. Der erste Schritt besteht darin, die Art und den Wert der Unsicherheit zu bewerten.

Die wichtigsten Arten von Unsicherheiten in Managementmodellen werden unterschieden: parametrische, funktionale, strukturelle und Signalunsicherheiten.

Parametrische Unsicherheit bedeutet, dass die konstanten Parameter des Modells unbekannt oder ungenau sind. Beispielsweise werden Intervallwerte anstelle von Punktwerten verwendet. Beim Übergang zu informationsmessenden Systemen kann man über die fehlende Informationssicherheit der Parameter sprechen. Daher können die tatsächlichen Werte der Parameter in vielen Fällen erheblich von den akzeptierten Nennwerten abweichen.

Signalunsicherheit bedeutet, dass die Regelaktion oder der Informationsfluss im Leitsystem durch Störungen beeinflusst wird, die die Nennsignale erheblich verändern. Solche Signale, die den Regelvorgang vom Sollwert abweichen, nennt man Störungen oder Rauschen. Der Unterschied besteht darin, dass die Störung passiv ist und nur das Signal-Rausch-Verhältnis ändert. Störung verändert das Signal mit der gleichen Störung.

Moderne intelligente Steuerungssysteme müssen den autonomen Betrieb vieler verwandter technischer Objekte gewährleisten. Dies gibt Anlass, von einem intelligenten Steuerungssystem (IMS) zu sprechen. Ein intelligentes System muss komplexe Probleme lösen, einschließlich Planung, Zielsetzung, Prognose usw. Für Vielseitigkeit, Anpassung und Genauigkeit der Lösungen ist es ratsam, eine intelligente Mehrzwecksteuerung zu verwenden.

Die mehrstufige Architektur eines intelligenten Steuerungssystems besteht aus drei Ebenen: konzeptionell, informativ und operativ (Abb. 1). Ein auf einer solchen Architektur basierendes System steuert das Verhalten komplexer technischer Objekte unter Bedingungen autonomer und kollektiver Interaktion. Die konzeptionelle Ebene ist für die Umsetzung höherer intellektueller Funktionen zuständig.

Abb. 1. Intelligente Steuerung auf mehreren Ebenen.

Auf der konzeptionellen Ebene wird eine semiotische (Zeichen-)Repräsentation von Wissen verwendet und Botschaften werden mit den restlichen Ebenen ausgetauscht. Die Informations- und Betriebsebene enthalten Module, die verschiedene Denk- und Informationsverfahren unterstützen und in Management umsetzen.

Die Hauptaufgabe des Managements auf konzeptioneller Ebene ist die Speicherung, der Erwerb und die Nutzung von konzeptionellem Wissen, das in semiotischer (symbolischer) Form präsentiert wird.

Zusammengesetztes dynamisches System: W = enthält zwei Komponenten: statisch FSi welches das dynamische Zeichensystem definiert MFsi, die das Regelsystem definiert (Abb. 1).

Der Wissenserwerb basiert auf einem Modell einer realen Situation in der äußeren Umgebung. Zu den höchsten intellektuellen Funktionen gehören die Funktionen, das Hauptziel und die Teilziele zu setzen, das Verhalten zu planen und die Wirkungen in einem allgemeinen Aktionsplan zu verteilen.

Auf der Ebene des Informationsmanagements werden die Aufgaben der Informationsmodellierung gelöst, im Wesentlichen: Aufbau einer Informationssituation, Informationsposition, die der Komponente entspricht FSi... Auf der Ebene des Informationsmanagements werden die Aufgaben des Aufbaus einer Informationsstruktur gelöst, die das Regelsystem der konzeptionellen Ebene widerspiegelt und der Komponente entspricht Mfsi. Die Sprachumgebung der semiotischen Kontrolle auf der Informationsebene wird durch die Verwendung verschiedener Informationseinheiten implementiert. Die als Grundlage für den Aufbau einer Informationslage, Informationslage und Informationsstruktur dienen.

Auf operativer (exekutiver) Ebene erfolgt die Umsetzung von Managemententscheidungen (Managementeinflüssen). Managementeinflüsse verändern unbedingt die informationelle Position des kontrollierten Objekts. Managementeinflüsse können ggf. die Informationslage des kontrollierten Objekts verändern. Gleichzeitig besteht in der Regel keine Notwendigkeit, die Informationslage zu ändern. Die Hauptaufgabe dieser Ebene besteht darin, den Zustand und die Position des Kontrollobjekts zu ändern und Änderungen an die konzeptionelle Ebene zu melden.

Die geschichtete Architektur weist eine Reihe von Merkmalen auf. Es umfasst eine Reihe von menschlichen kognitiven Funktionen. Es beruht auf der Verwendung eines informationellen Ansatzes für intelligentes Management.

Der Unterschied zwischen intelligenter und Informationstechnologie ist zu beachten. Die Informationstechnologie übernimmt Funktionen zur Unterstützung der intelligenten Steuerung. Die Hauptrolle spielen dabei intelligente Entscheidungstechnologien. Sie ermöglichen neben einer Lösung oder im Zuge der Lösungsfindung die Suche nach neuem Wissen und die Ansammlung intellektueller Ressourcen. Informationstechnologien schaffen nur Informationsressourcen. Das bedeutet, dass explizit formalisiertes Wissen, einmal beherrscht, Teil der Erfahrung und Teil der Wissensbasis werden und von dieser zur Problemlösung und Entscheidungsfindung genutzt werden kann.

Abschluss

Intelligente Steuerung ist effektiv und notwendig bei der Verwaltung komplexer Objekte, für die es schwierig oder unmöglich ist, formale Funktionsmodelle zu finden. Basis intelligenter Steuerung sind in erster Linie semiotische Modelle und in zweiter Linie informationelle. Intelligente Steuerungsmethoden sind vielfältig und auf technische, kognitive und verkehrstechnische Systeme anwendbar. Intelligente Steuerung wird häufig für Mehrzwecksteuerungen verwendet. Modernes intelligentes Management wird in Cloud-Plattformen und -Dienste integriert. Beim Management verteilter Organisationen und Unternehmen ist es notwendig, räumliche Zusammenhänge und räumliches Wissen zu berücksichtigen. Ein weiteres Problem ist die begrenzte Anzahl intelligenter Technologien für die Arbeit mit implizitem Wissen. Technisch ist das Problem des Wissensmanagements mit der Umwandlung von Informationsressourcen in intellektuelle Ressourcen und deren Anwendung in intelligenten Technologien verbunden.

Bibliographische Liste

UDC 004.896

I. A. Shcherbatov

INTELLIGENTE STEUERUNG ROBOTERSYSTEME UNTER UNSICHERHEIT

Einführung

Intelligente Steuerung - die Anwendung von Methoden der künstlichen Intelligenz zur Steuerung von Objekten unterschiedlicher physikalischer Natur. Im Bereich der Steuerung von Robotersystemen werden Methoden der Künstlichen Intelligenz am häufigsten eingesetzt. Dies liegt vor allem an der Autonomie von Robotern und der Notwendigkeit, nicht formalisierte kreative Aufgaben unter Bedingungen unvollständiger Informationen und verschiedener Arten von Unsicherheit zu lösen.

Bis vor kurzem blieb die spezifizierte Klasse von Problemen das Vorrecht der natürlichen Intelligenz: ein Bediener eines Kontrollobjekts, ein Ingenieur, ein Wissenschaftler, also ein Mensch. Moderne Fortschritte auf dem Gebiet der Regelungstheorie, intelligente Methoden zur Formalisierung halbstrukturierter Aufgaben und zur Verwaltung komplexer technischer Systeme ermöglichen die Implementierung sehr komplexer Robotersysteme, zu denen mobile Roboterplattformen, flexible automatisierte Linien und Android-Roboter gehören.

Robotersysteme arbeiten unter Bedingungen unvollständiger Eingabeinformationen, wenn die grundsätzliche Unmöglichkeit, eine Reihe von Parametern zu messen, dem Steuerungsprogramm erhebliche Einschränkungen auferlegt. Daraus ergibt sich die Notwendigkeit, eine Basis von Algorithmen zu entwickeln, die es ermöglichen, auf der Grundlage indirekter Vorzeichen und messbarer Indikatoren nicht gemessene Parameter zu berechnen.

Die Unsicherheit der äußeren Umgebung, in der das Robotersystem funktioniert, macht es erforderlich, in das Steuerungssystem verschiedene Arten von Kompensatoren, Module zur Anpassung, Akkumulation und Rangordnung von Informationen aufzunehmen.

Formulierung des Problems

Ziel der Forschung war die Erarbeitung von Ansätzen zum Aufbau intelligenter Steuerungssysteme für Robotersysteme, die hinsichtlich der Spezifika der Funktionsweise invariant sind, unter Berücksichtigung der Unvollständigkeit der Eingabeinformationen und verschiedener Arten von Unsicherheiten.

Um dieses Ziel zu erreichen, müssen eine Reihe miteinander verbundener Aufgaben gelöst werden: Analyse der Architekturen intelligenter Steuerungssysteme für Robotersysteme; einen verallgemeinerten Algorithmus zur situativen Identifizierung eines Robotersystems entwickeln; ein verallgemeinertes Diagramm eines Robotersystem-Steuerungssystems zu entwickeln; intelligente Steuerungssysteme für einen Manipulationsroboter, eine mobile Roboterplattform und eine flexible automatisierte Linie zu entwickeln.

Forschungsmethoden

Im Rahmen der Forschung wurden Methoden der Allgemeinen Regelungstheorie, der Theorie der Fuzzy-Sets, der neuronalen Netze, der Systemanalyse und der Expertenbewertungstheorie verwendet.

Standort des Robotersystems in der äußeren Umgebung

Für die Implementierung intelligenter Regelalgorithmen steht die Aufgabe der aktuellen Identifikation der Situation, in der sich das Robotersystem befindet, im Vordergrund. Um dieses Problem zu lösen, wurde ein Strukturdiagramm des Situationsidentifikationssystems entwickelt (Abb. 1).

Die Einheit für technisches Sehen und Sinnessinn soll Veränderungen im Zustand der äußeren Umgebung feststellen und eine sensorische Landkarte der Umgebung für die weitere Verarbeitung darstellen. Die sensorische Karte der Umgebung ist ein Abbild der Situation, in der sich der Roboter gerade befindet. Das Zeitintervall zum Erstellen einer Sensorkarte wird basierend auf den Besonderheiten des Themenbereichs ausgewählt.

Wissensbasis

Operator

Intellektuelle

Schnittstelle

Kennung

Algorithmen

Organe des technischen Sehens und der Sinneswahrnehmung

Außenumgebung

Führungskraft

Mechanismen

Reis. 1. Blockschaltbild des Situationsidentifikationssystems

Das Arbeitsgedächtnis ist in Analogie zu Expertensystemen darauf ausgelegt, Informationen zu verarbeiten, die von Sensoren stammen und unter Verwendung der vorhandenen Algorithmenbasis und Wissensbasis (KB) des Robotersystems verarbeitet werden.

Die Basis der Algorithmen umfasst Algorithmen zur Vorverarbeitung einer Sensorkarte (digitale Signalverarbeitung, Erkennung von Tonbildern und Bildern), Berechnung von nicht gemessenen Parametern (funktionale Abhängigkeiten von gemessenen Parametern), Wiederherstellung der Vollständigkeit von Informationen (Prüfung von Wissen auf Vollständigkeit und Inkonsistenz, Anpassung von Wissen unter Berücksichtigung von Nichtstationarität und veränderlichen äußeren Bedingungen), mathematische Operationen usw.

Die Wissensbasis ist eine komplexe hierarchische Struktur, die a priori Informationen über die externe Umgebung enthält, die in der Trainingsphase festgelegt wurden, vollständiges und konsistentes Wissen, das der Roboter im Prozess der Funktionsweise und Wahrnehmung der externen Umgebung erworben hat. Das Wissen in der Wissensdatenbank wird nach Relevanzkriterien geordnet und unter Berücksichtigung von Änderungen in den Besonderheiten der Funktionsweise des Roboters basierend auf Wissensadaptionsalgorithmen aktualisiert.

Der wichtigste Block ist die Situationskennung. Dieser Block ist für die korrekte Erkennung des Situationsbildes anhand der Sensorkarte verantwortlich. Die Ergebnisinformationen dieses Blocks sind entscheidend für die Auswahl des Steuerungsprogramms des Robotersystems.

Und schließlich eine intelligente Schnittstelle, die für die Kommunikation mit dem Betreiber benötigt wird. Der Bediener steuert die Funktionsweise des Robotersystems und überwacht den Prozess, um die gesetzten Ziele zu erreichen. In der Regel soll die Kommunikation zwischen Roboter und Bediener über eine natürlichsprachliche Schnittstelle in einer begrenzten Teilmenge der natürlichen Sprache erfolgen.

Der Aufbau einer Steuerung für ein Robotersystem unter Unsicherheitsbedingungen

Die Implementierung von Algorithmen und Programmen zur intelligenten Steuerung von Robotersystemen unter Unsicherheit ist mit einer Reihe erheblicher Schwierigkeiten verbunden.

Die Komplexität der Algorithmen zur Vorverarbeitung der Eingangsinformationen und die strukturelle Unsicherheit des Verhaltensmodells des Robotersystems selbst bestimmen die Redundanz der Struktur des intelligenten Steuerungssystems.

Um das Problem der Steuerung eines Roboters unter Unsicherheitsbedingungen zu lösen, wurde die folgende Architektur eines intelligenten Steuerungssystems entworfen (Abb. 2).

Ein Situations-Identifikationssystem (SID) sollte Teil jedes intelligenten Steuerungssystems für ein Robotersystem sein. Ein intelligentes Steuergerät (IUU) enthält eine BZ und eine Steuerprogrammauswahleinheit (BVPU). Der Zweck dieses Blocks besteht darin, eine Steueraktion für das System elektrischer Antriebe (ED) zu entwickeln, die auf die Mechanik (MS) des Roboters wirken.

Reis. 2. Blockschaltbild des intelligenten Steuerungssystems des Robotersystems

Industrielle Manipulator-Steuerungssysteme

Herkömmliche industrielle Manipulatorsteuerungssysteme werden in mehrere Klassen eingeteilt. Die erste Klasse von Systemen sind programmierte Steuerungssysteme.

Das System der kontinuierlichen Kontrolle des Arbeitskörpers des Manipulators impliziert die Anpassung des Manipulators an das Referenzmodell. Dieser Regelalgorithmus berücksichtigt nicht die Verluste im Manipulator MS und es wird davon ausgegangen, dass alle von den Antrieben entwickelten Kräfte auf den Arbeitskörper übertragen werden.

Das programmierte Kraftregelsystem im Arbeitskörper dient dazu, nicht nur den Kraftvektor, sondern auch den Vektor der Arbeitskörperposition zu steuern. Das System der unabhängigen Bewegungs- und Kraftsteuerung im Arbeitskörper des Manipulators für unterschiedliche Mobilitätsgrade verfügt über zwei Regelkreise mit Feedback: Position und Kraft.

Bei dem System der gekoppelten Weg- und Kraftregelung im Arbeitskörper des Manipulators wird die Aufgabe durch den Vektor der Lage des Arbeitskörpers um den aktuellen Wert des Kraftvektors korrigiert. Dies bedeutet, dass bei einer Bewegung des Arbeitskörpers die Größe seines Hubs durch die Kraft des Aufpralls auf die äußere Umgebung korrigiert wird.

Adaptive Steuersysteme werden verwendet bei der Durchführung von: Operationen zum Aufnehmen eines willkürlich angeordneten oder sich bewegenden Objekts, Lichtbogenschweißen von Nähten mit einer variablen Position, Umgehen von beweglichen und unvorhergesehenen Hindernissen. Dazu werden adaptive Systeme mit assoziativem Gedächtnis verwendet.

Zur Steuerung industrieller Manipulatoren kommen auch robuste Steuerungssysteme zum Einsatz, die derzeit in der Praxis weit verbreitet sind.

Intelligente Steuerungsimplementierung

Das Problem der Funktionsweise eines Robotersystems unter Unsicherheitsbedingungen ist vielschichtig.

Betrachten Sie das Problem der Planung des Verhaltens eines Robotersystems unter Unsicherheitsbedingungen. Um es zu lösen, ist es am zweckmäßigsten, die Technologie dynamischer Expertensysteme zu verwenden. Die Wissensbasis eines solchen Expertensystems wird im Laufe der Zeit angepasst. Kommt eine Produktionsregelbasis zur Anwendung, wird die Zusammensetzung der Produktionsregeln laufend auf Vollständigkeit und Konsistenz überprüft. Zudem werden durch Anpassungsalgorithmen veraltete und veraltete Regeln aktualisiert und ersetzt. Gleichzeitig wird den Fragen der lehrerlosen Vermittlung des Expertensystems (selbstlernend) besondere Aufmerksamkeit gewidmet, da eine Überwachung des Systems durch eine hochqualifizierte Fachkraft wirtschaftlich nicht sinnvoll ist.

Der selbstlernende oder selbstabstimmende Block der Wissensbasis des Expertensystems erfordert eine sorgfältige Untersuchung in der Entwurfsphase eines intelligenten Steuersystems für ein Robotersystem.

mein. Von der Qualität dieser Phase der Entwurfsarbeit hängt oft die Effektivität der Lösung der Aufgabe ab. Es sollte Teilsysteme zur Bewertung der Vollständigkeit und Inkonsistenz von Wissen, zur Bewertung der Qualität des Managements und zur Korrektur von Wissen umfassen.

Chronologisch gesehen kann die nächste Stufe nach der Verhaltensplanung das Problem sein, Steuerbefehle in natürlicher Sprache an ein Robotersystem zu erteilen. Um eine Schnittstelle in natürlicher Sprache zu erstellen, ist unserer Meinung nach die Theorie der Fuzzy-Sets das am besten geeignete Implementierungswerkzeug.

Mit Hilfe von linguistischen Variablen, die einen bestimmten, zuvor beschriebenen Ausdruckssatz enthalten, wird eine Beschreibung des Themenbereichs, eines begrenzten Systems von Befehlen und Objekten, die das Robotersystem beeinflussen und sich unter seiner Wirkung verändern, erstellt. Die dabei verwendeten Methoden der Fuzzifizierung und Defuzzifizierung sowie Algorithmen der Fuzzy-Inferenz haben einen erheblichen Einfluss auf die Genauigkeit der Erarbeitung von Regelaktionen und die Geschwindigkeit des Robotersystems.

Und schließlich der Einsatz neuronaler Netzsteuerungssysteme für Robotersysteme. Der Hauptvorteil eines neuronalen Netzes besteht darin, dass es nicht erforderlich ist, ein mathematisches Modell eines Objekts zu kennen oder zu erstellen, da ein neuronales Netz ein universeller Fuzzy-Approximator ist.

Das Objekt (Robotersystem) fungiert als „Black Box“. Das neuronale Netz kann als Referenzmodell für ein gesteuertes Robotersystem dienen. Es sollte beachtet werden, dass dies ein lernendes neuronales Mehrschichtnetz (Objektidentifizierer) sein sollte. Das neuronale Netzmodell wird durch die Fehlanpassung zwischen den Ausgangssignalen des Objekts und des Modells auf das Steuerobjekt abgestimmt. Es bildet auch ein Trainingsmuster zum Einstellen und Einstellen des Steuergeräts gemäß dem ausgewählten Qualitätskriterium.

Abschluss

Die Analyse ermöglichte es, die Architektur eines intelligenten Steuerungssystems für Robotersysteme zu synthetisieren, das bezüglich der Spezifika der Funktionsweise invariant ist. Der entwickelte situative Identifikationsalgorithmus ermöglicht es, hochinformative Sensorkarten der äußeren Umgebung zu erstellen. Die wichtigsten Ansätze zur Bildung intelligenter Steuerungssysteme für Robotersysteme werden beschrieben. Die Richtungen der perspektivischen Entwicklung der effektivsten Methoden der Künstlichen Intelligenz zur Implementierung von Steuergeräten werden aufgezeigt.

REFERENZLISTE

1. Yurevich EI Grundlagen der Robotik. - SPb.: BHV-Petersburg, 2007 .-- 416 S.

2. Manipulationssysteme von Robotern / hg. A. I. Korendyaseva. - M.: Mashinostroenie, 1989.-- 472 S.

3. Burdakov SF Synthese robuster Regulatoren mit elastischen Elementen: Artikelsammlung. wissenschaftlich. tr. - Nr. 443. Mechanik und Managementprozesse. - SPb.: SPbSTU, 1992.

4. Protalinsky OM Anwendung von Methoden der künstlichen Intelligenz bei der Automatisierung technologischer Prozesse: Monographie. - Astrachan: Verlag der ASTU, 2004 .-- 184 p.

Der Artikel ist am 13.01.2010 bei der Redaktion eingegangen

GEISTIGES MANAGEMENT VON ROBOTIKSYSTEMEN IN DEN BEDINGUNGEN DER UNSICHERHEIT

I. A. Shcherbatov

Der Zweck der vorliegenden Arbeit ist die Bildung von Ansätzen für die Konstruktion der geistigen Steuerungssysteme von Robotersystemen, die in Bezug auf die Spezifität der Funktionsweise invariant sind, unter Berücksichtigung der Unvollständigkeit der Eingangsinformationen und verschiedener Arten von Unsicherheit. Es wird die Analyse durchgeführt, die es erlaubt, die Architektur des intellektuellen Kontrollsystems der Robotiksysteme zu synthetisieren, die in Bezug auf die Spezifität des Funktionierens invariant ist. Der entwickelte Algorithmus der Situationsidentifikation ermöglicht es, gute Touch-Karten der Umgebung aufzubauen. Die grundlegenden Ansätze zur Bildung intellektueller Steuerungssysteme von Robotersystemen werden beschrieben. Es werden die Richtungen der perspektivischen Entwicklung der wirksamsten Methoden des künstlichen Intellekts gezeigt, die auf die Realisierung der Betätigungsvorrichtungen angewendet werden.

Schlüsselwörter: Robotiksystem, Roboter, intellektuelles Management, strukturelle Unsicherheit, Unvollständigkeit der Informationen, Touchcard, neuronales Netz, Theorie der undeutlichen Mengen, selbst ausgebildetes Expertensystem.

THEMA 13. INTELLIGENTE STEUERSYSTEME

Eine neue Generation von Systemen - Intelligente Systeme (IS) - hat andere Prinzipien der Organisation der Systemkomponenten, neue Konzepte, Begriffe, Blöcke zum Leben erweckt, die bisher in Entwicklungen und damit in der wissenschaftlichen Literatur nicht anzutreffen waren.

Intelligente Systeme sind in der Lage, ein Ziel zu synthetisieren, eine Aktionsentscheidung zu treffen, eine Aktion zum Erreichen des Ziels bereitzustellen, die Werte der Aktionsergebnisparameter vorherzusagen und mit realen zu vergleichen, ein Feedback zu bilden, das Ziel anzupassen oder zu steuern

Abbildung 13.1 zeigt ein Blockschaltbild des IS, in dem zwei große Blöcke des Systems hervorgehoben werden: die Synthese des Ziels und seine Umsetzung.

Im ersten Block wird basierend auf der aktiven Bewertung der vom Sensorsystem erhaltenen Informationen bei Vorliegen von Motivation und Wissen ein Ziel synthetisiert und eine Handlungsentscheidung getroffen. Die aktive Bewertung von Informationen erfolgt unter dem Einfluss von Triggersignalen. Die Variabilität der Umgebung und der eigene Zustand des Systems können dazu führen, dass etwas benötigt wird (Motivation), und wenn Wissen vorhanden ist, kann ein Ziel synthetisiert werden.

Das Ziel wird als ideelle, mentale Antizipation des Ergebnisses einer Aktivität verstanden. Indem Sie beim Vergleich der Optionen zur Zielerreichung weiterhin aktiv Informationen über die Umgebung und den eigenen Zustand des Systems einschließlich des Kontrollobjekts auswerten, können Sie eine Handlungsentscheidung treffen.

Weiter führt im zweiten Block ein dynamisches Expertensystem (DES) auf Basis aktueller Informationen über das Umfeld und den eigenen Zustand des IS bei Vorliegen eines Ziels und Wissens eine Expertenbewertung durch, trifft eine Entscheidung über das Management , sagt die Ergebnisse einer Handlung voraus und entwickelt Kontrolle.

Die codierte Ansteuerung wird in ein physikalisches Signal umgewandelt und den Aktoren zugeführt.

Das Steuerobjekt, das ein Signal von den Aktoren empfängt, führt die eine oder andere Aktion aus, deren Ergebnisse in Form von Parametern dem DES über die Rückkopplungsschleife 2 zugeführt werden, wo sie mit den vorhergesagten verglichen werden. Gleichzeitig können die Parameter des Handlungsergebnisses, entsprechend den Eigenschaften des Ziels interpretiert und in Block I eingegeben, für eine emotionale Bewertung des erreichten Ergebnisses herangezogen werden: zum Beispiel das Ziel ist erreicht, aber die Ergebnis ist nicht angenehm.

Wird das Ziel in allen Belangen erreicht, wird das Management verstärkt. Andernfalls wird die Steuerung korrigiert. Wenn das Ziel unerreichbar ist, wird das Ziel angepasst.

Es sollte beachtet werden, dass es bei plötzlichen Änderungen des Zustands der Umgebung oder des Steuerungsobjekts oder des Systems als Ganzes möglich ist, ein neues Ziel zu synthetisieren und seine Erreichung zu organisieren.

Die IS-Struktur enthält neben neuen Elementen traditionelle Elemente und Verbindungen, den zentralen Platz darin nimmt ein dynamisches Expertensystem ein.

Block 1 - Zielsynthese Block II - Zielrealisierung

Abbildung 13.1 - IC-Blockschaltbild

Formal wird IS durch die folgenden sechs Ausdrücke beschrieben:

T x S m T ;

T m S NS ;

C T S R T;

T NS= (A T) X T + (B T) U T;

T Y = (D T) X T;

T R Ja MIT T ,

wobei T eine Menge von Zeitpunkten ist;

X, S, M, C, R und Y - die Menge der Zustände des Systems, der Umgebung, der Motivation, des Ziels, des vorhergesagten und des tatsächlichen Ergebnisses;

А, В und D - Parametermatrizen;

Intelligente Transformationsoperatoren mit Wissen.

Diese Beschreibung kombiniert die Darstellung von Systemobjekten in Form einer Menge von Bedeutungen oder einer Menge von Anweisungen oder einigen anderen Formen.

Die dynamischen Eigenschaften des IS lassen sich im Zustandsraum beschreiben. Intelligente Operatoren, die Wahrnehmung, Repräsentation, Begriffsbildung, Urteilsbildung und Inferenz in den Erkenntnisprozess umsetzen, sind ein formales Mittel zur Informations- und Wissensverarbeitung sowie zur Entscheidungsfindung. All diese Aspekte sollten die Grundlage für den Aufbau von DES in Echtzeit und in der realen Welt bilden.

Ein dynamisches Expertensystem ist eine komplexe Ausbildung, die in der Lage ist, den Zustand des Systems und der Umgebung zu beurteilen, die Parameter der gewünschten und tatsächlichen Ergebnisse einer Aktion zu vergleichen, eine Entscheidung zu treffen und eine Kontrolle zu entwickeln, die zur Erreichung des Ziels beiträgt. Dazu muss DES über einen Wissensvorrat und Methoden zur Problemlösung verfügen. Das an das Expertensystem übertragene Wissen lässt sich in drei Kategorien einteilen:

1) konzeptionelles (auf der Ebene der Konzepte) Wissen ist Wissen, das in den Worten der menschlichen Sprache oder genauer gesagt in wissenschaftlichen und technischen Begriffen und natürlich in den Klassen und Eigenschaften von Umweltobjekten hinter diesen Begriffen enthalten ist. Dazu gehören auch Verbindungen, Beziehungen und Abhängigkeiten zwischen Konzepten und ihren Eigenschaften, und die Verbindungen sind abstrakt, auch in Worten und Worten ausgedrückt. Begriffswissen ist die Sphäre hauptsächlich der Grundlagenwissenschaften, wenn wir berücksichtigen, dass der Begriff das höchste Produkt des höchsten Produkts der Materie ist – das Gehirn;

2) faktisches, fachliches Wissen ist eine Sammlung von Informationen über die qualitativen und quantitativen Eigenschaften bestimmter Objekte. Mit dieser Wissenskategorie werden die Begriffe "Informationen" und "Daten" in Verbindung gebracht, obwohl eine solche Verwendung dieser Begriffe ihre Bedeutung etwas schmälert. Jedes Wissen trägt Informationen und kann in Form von Daten präsentiert werden; Faktenwissen ist das, womit sich Computer schon immer beschäftigt haben und womit sie sich bisher am meisten beschäftigt haben. Die moderne Form der Datensammlung wird üblicherweise als Datenbank bezeichnet. Um Datenbanken zu organisieren und die notwendigen Informationen in ihnen zu finden, muss man sich natürlich auf konzeptionelles Wissen verlassen;

3) algorithmisches, prozedurales Wissen - dies wird normalerweise als "Fähigkeit", "Technologie" usw. bezeichnet. In der Informatik wird algorithmisches Wissen in Form von Algorithmen, Programmen und Unterprogrammen implementiert, aber nicht irgendwelche, sondern solche, die es können von Händen in die Hände übertragen und ohne Mitwirkung der Autoren verwendet werden. Diese Implementierung algorithmischen Wissens wird als Softwareprodukt bezeichnet. Die gängigsten Formen eines Softwareprodukts sind Softwarepakete, Softwaresysteme und andere, die sich auf einen bestimmten Bereich der DES-Anwendung konzentrieren. Die Organisation und Nutzung von Anwendungspaketen basiert auf konzeptionellem Wissen.

Es ist klar, dass konzeptionelles Wissen eine höhere, definierende Wissenskategorie ist, obwohl aus praktischer Sicht andere Kategorien wichtiger erscheinen mögen.

Dies ist wahrscheinlich der Grund, warum konzeptionelles Wissen selten in einer Form verkörpert wird, die auf Computern verarbeitet werden kann. Und wenn es verkörpert ist, dann ist es meistens unvollständig und einseitig. In den meisten Fällen bleibt eine Person der Träger des begrifflichen Wissens. Dies verlangsamt die Automatisierung vieler Prozesse.

Als Wissensbasen bezeichnet man Repräsentationen von konzeptionellem Wissen, bzw. Systeme, die alle drei Wissenskategorien implementieren, aber konzeptionelles Wissen in den Vordergrund stellen und auf Basis seiner intensiven Nutzung arbeiten.

Der Aufbau und die breite Nutzung von Wissensdatenbanken im IP ist eine der dringendsten Aufgaben. Der konzeptionelle Teil der Wissensbasis wird als Domänenmodell bezeichnet, der algorithmische Teil – das Softwaresystem und der sachliche Teil – die Datenbank.

Die nächste Funktion von DES ist die Problemlösung. Ein Problem kann von einer Maschine nur dann gelöst werden, wenn es formal gestellt ist – wenn dafür eine formale Spezifikation geschrieben wurde. Letzteres sollte auf einer gewissen Wissensbasis basieren. Das Domänenmodell beschreibt den allgemeinen Rahmen, in dem die Aufgabe entstanden ist, und die Spezifikation beschreibt den Inhalt der Aufgabe. Zusammengenommen ermöglichen sie es festzustellen, mit welchen abstrakten Zusammenhängen und Abhängigkeiten, in welchen Kombinationen und in welcher Reihenfolge das Problem gelöst werden soll.

Anwendungsprogramme stellen die spezifischen Werkzeuge dieser Abhängigkeiten dar und enthalten auch Algorithmen zur Lösung der entstehenden Gleichungen. Schließlich liefert die Datenbank alle oder einen Teil der Ausgangsdaten, um diese Algorithmen auszuführen, die fehlenden Daten müssen in der Spezifikation enthalten sein.

Diese drei Teile der Wissensdatenbank entsprechen drei Phasen der Problemlösung:

1) Aufbau eines abstrakten Lösungsprogramms (einschließlich der Entstehung des Problems, seiner Formulierung und Spezifikation);

2) Übersetzung des Problems in eine geeignete Maschinensprache;

3) Sendung und Ausführung des Programms.

Die Konstruktion eines abstrakten Programms ist mit der Darstellung und Verarbeitung von konzeptionellem Wissen in der IS verbunden und per Definition Eigentum der Künstlichen Intelligenz.

Künstliche Intelligenz wird mit der Verarbeitung von Texten, mündlichen Botschaften in natürlicher Sprache, mit der Analyse und Verarbeitung von Informationen (Erkennung aller Arten von Bildern, Beweis von Theorem, logische Inferenz usw.) in Verbindung gebracht.

Die Funktionen von DES sind auch die Bewertung der Ergebnisse der Problemlösung, die Bildung der Parameter des zukünftigen Ergebnisses der Handlung, die Entscheidungsfindung über das Management, die Entwicklung der Steuerung und der Vergleich der Parameter von Soll und Ist Ergebnisse. Es sieht die Modellierung von Prozessen vor, um die möglichen Konsequenzen und die Korrektheit der Lösung des Problems zu bewerten.

Beachten Sie, dass es in realen Fällen ein Problem gibt, die untersuchten Objekte zu beschreiben. Es ist unangemessen, eine solche Beschreibung als Teil der Aufgabenspezifikation zu betrachten, da in der Regel viele Aufgaben relativ zu einem Objekt gestellt werden, was natürlich bei der Bildung der Wissensbasis berücksichtigt werden muss. Zudem kann sich herausstellen, dass das aufgetretene Problem beispielsweise aufgrund der Unvollständigkeit der Spezifikation oder Beschreibung des Objekts nicht automatisch zu Ende gelöst werden kann.

Daher empfiehlt es sich im IS an bestimmten Stellen, eine interaktive Arbeitsweise mit DES zu haben. Es sei daran erinnert, dass das Domänenmodell die allgemeine Umgebung (Wissen) beschreibt und die Spezifikation den Inhalt der Aufgabe beschreibt. Sehr wichtige Probleme sind die Schaffung einer einheitlichen Softwareumgebung und die Synthese von Algorithmen direkt nach der Formulierung des Problems.

Je nach Zielsetzung der IS können die Wissensbasis, Algorithmen zur Problemlösung, Entscheidungsfindung, Steuerungsentwicklung natürlich unterschiedliche Repräsentationen haben, was wiederum von der Art der Problemlösung abhängt. Dementsprechend können drei Arten von DES gesehen werden. Die Struktur eines DES des ersten Typs ist in Abbildung 13.2 dargestellt.

Abbildung 13.2 - Struktur von DES des ersten Typs

Dabei wird davon ausgegangen, dass konzeptionelles und faktisches Wissen die Prozesse und Informationen zu einem bestimmten Themengebiet zutreffend widerspiegelt.

Dann wird die Lösung des in diesem Bereich auftretenden Problems auf der Grundlage strenger mathematischer Methoden gemäß der Formulierung und Spezifikation gewonnen. Die Ergebnisse der Entscheidungsstudie und der Prognose dienen der Einholung eines Gutachtens und der Entscheidung über den Managementbedarf. Dann wird basierend auf einem geeigneten, in der Wissensdatenbank verfügbaren Regelalgorithmus eine Regelaktion gebildet.

Die Wirksamkeit und Konsistenz dieser Wirkung wird, bevor sie am Kontrollobjekt ankommt, mit Hilfe eines mathematischen Simulationsmodells bewertet. Die Auswertung soll schneller erfolgen als reale Prozesse im IS.

Entscheidungsimplementierende DES sind jedoch komplexe Softwaresysteme, die für die automatische Entscheidungsfindung oder Entscheidungshilfe konzipiert sind und in der Betriebsführung komplexer Systeme und Prozesse in der Regel unter starken Zeitdruck arbeiten.

Im Gegensatz zu DES des ersten Typs, der darauf ausgelegt ist, die optimale Lösung zu finden und auf strengen mathematischen Methoden und Optimierungsmodellen basiert, konzentrieren sich DES des zweiten Typs hauptsächlich darauf, schwierige formalisierte Probleme ohne vollständige und zuverlässige Informationen zu lösen (Abb. 13.3). Es verwendet Expertenmodelle, die auf dem Wissen von Experten basieren - Spezialisten in diesem Problembereich, und heuristische Methoden zur Lösungsfindung.

Eines der Hauptprobleme beim Entwurf eines DES zweiten Typs ist die Wahl eines formalen Apparates zur Beschreibung von Entscheidungsprozessen und auf dessen Grundlage ein dem Problemfeld adäquates (semantisch korrektes) Entscheidungsmodell aufzubauen. Als solche Vorrichtungen werden üblicherweise Produktionsanlagen verwendet. Die Hauptforschung wird jedoch im Kontext einer algorithmischen (deterministischen) Interpretation eines Produktionssystems mit seinem inhärenten sequentiellen Lösungssuchschema durchgeführt.

Die resultierenden Modelle reichen oft nicht aus für reale Problembereiche, die durch den Nichtdeterminismus des Lösungsprozesses gekennzeichnet sind. Der Ausweg aus dieser Situation ist die Suchparallelität.

In Wirklichkeit sollte man sich darauf konzentrieren, DES ersten und zweiten Typs zu einem rechenlogisch-logischen DES dritten Typs zu kombinieren, wobei die Wissensbasis eine Beschreibung in Form strenger mathematischer Formeln mit Informationen von Experten kombiniert und dementsprechend auch mathematische Methoden zur Lösungsfindung mit nicht strengen heuristischen Methoden, und das Gewicht der einen oder anderen Komponente wird durch die Möglichkeit einer adäquaten Beschreibung des Themengebietes und der Methode der Lösungsfindung bestimmt (Abb. 13.4).

Abbildung 13.3 - Struktur des Dieselkraftwerks der zweiten Ebene

Bei der Entwicklung eines DES treten folgende Probleme auf:

1.Bestimmung der Zusammensetzung der Wissensbasis und ihrer Bildung;

2. Entwicklung neuer und Anwendung bekannter Theorien und Methoden zur Beschreibung von Informationsprozessen in der IS;

3. Entwicklung von Möglichkeiten zur Darstellung und Organisation der Wissensnutzung;

4. Entwicklung von Algorithmen und Software mit Parallelisierung und Einsatz von „flexibler Logik“;

1. Finden geeigneter Rechenumgebungen für die Implementierung paralleler Algorithmen bei der Bildung von DES.

Abbildung 13.4 - Die Struktur des Dieselkraftwerks der dritten Ebene

Darüber hinaus ist zu beachten, dass DES die Eigenschaft haben sollte, sich an ein dynamisches Problemfeld anzupassen, neue Elemente und Zusammenhänge in die Beschreibung von Situationen einzubringen, die Regeln und Strategien für das Funktionieren von Objekten in der Prozess der Entscheidungsfindung und Entwicklung von Kontrolle, Arbeiten mit unvollständigen, unscharfen und widersprüchlichen Informationen usw.

Dynamische Expertensysteme arbeiten als Teil von IS mit Feedback, und daher ist es wichtig, den stabilen Betrieb solcher IS zu gewährleisten.

Aus traditioneller Sicht ist davon auszugehen, dass die Dauer der DES-Antwort auf Inputeinflüsse, d.h. die Zeit, die für die Verarbeitung von Eingabeinformationen und die Entwicklung einer Kontrollmaßnahme aufgewendet wird, ist reine Verzögerung. Basierend auf der Frequenzanalyse ist es möglich, die Änderung der Phaseneigenschaften des Systems abzuschätzen und dadurch die Stabilitätsreserve zu bestimmen. Bei Bedarf können Sie das System mit Hilfe von Filtern korrigieren.

Aus Sicht der klassischen Regelungstheorie sind IS jedoch Mehrobjekt-Mehrfachverbundsysteme, deren Stabilität mit konventionellen Methoden nur sehr schwer zu analysieren ist.

Gegenwärtig ist die Theorie der robusten Kontrolle (-Kontrolltheorie, -Kontrolle) einer der sich intensiv entwickelnden Zweige der Kontrolltheorie. Relativ jung (die ersten Arbeiten erschienen Anfang der 80er Jahre) entstand aus den dringenden praktischen Problemen der Synthese mehrdimensionaler linearer Regelsysteme, die unter Bedingungen verschiedener Arten von Störungen und Parameteränderungen arbeiten.

Sie können das Problem des Entwurfs der Steuerung eines realen komplexen Objekts, das unter Unsicherheit arbeitet, auf andere Weise angehen: Versuchen Sie nicht, eine Art von Steuerung zu verwenden - adaptiv oder robust. Offensichtlich sollte man den Typ wählen, der dem Zustand der Umgebung und des Systems entspricht, wie durch die dem System zur Verfügung stehenden Informationen bestimmt. Wenn es im Laufe des Funktionierens des Systems möglich ist, den Erhalt von Informationen zu organisieren, empfiehlt es sich, diese im Kontrollprozess zu verwenden.

Die Implementierung einer solchen kombinierten Steuerung stieß jedoch bis vor kurzem auf unüberwindbare Schwierigkeiten bei der Bestimmung des Algorithmus zur Auswahl der Steuerungsart. Die Fortschritte bei der Entwicklung von Problemen der künstlichen Intelligenz machen es möglich, einen solchen Algorithmus zu synthetisieren.

Stellen wir uns in der Tat die Aufgabe: ein System zu entwerfen, das eine adaptive und robuste Steuerung verwendet und die Art der Steuerung auf der Grundlage von Methoden der künstlichen Intelligenz auswählt. Dabei betrachten wir die Eigenschaften beider Typen und legen unter Berücksichtigung ihrer spezifischen Eigenschaften fest, wie eine kombinierte Steuerung aufgebaut werden kann.

Eines der grundlegenden Konzepte in der Theorie der robusten Steuerung ist das Konzept der Unsicherheit. Die Unsicherheit des Objekts spiegelt die Ungenauigkeit des Objektmodells wider, sowohl parametrisch als auch strukturell.

Betrachten wir die Formen der Spezifizierung von Unsicherheit in einer robusten Kontrolltheorie unter Verwendung eines einfachen Systems - mit einem Eingang und einem Ausgang (Abbildung 13.5) genauer.

Signale haben die folgende Interpretation: r - Einstellen des Eingangssignals; u - Eingangssignal (Eingang) des Objekts; d - externe Störung; y ist das Ausgangssignal (Ausgang) des Messobjekts.

Abbildung 13.5 - System mit einem Eingang und einem Ausgang

In der Regeltheorie ist es zweckmäßig, die Unsicherheit im Frequenzbereich festzulegen. Nehmen Sie an, dass die Übertragungsfunktion einer normalen Anlage P ist, und betrachten Sie eine gestörte Anlage, deren Übertragungsfunktion

wobei W eine feste Übertragungsfunktion (Gewichtsfunktion) ist;

- eine beliebige stabile Übertragungsfunktion, die die Ungleichung erfüllt.

Diese Empörung wird als zulässig bezeichnet. Nachfolgend sind einige Varianten von Unsicherheitsmodellen aufgeführt:

Für die Mengen und W sind jeweils entsprechende Annahmen zu treffen.

Die Unsicherheit der Eingangssignale d spiegelt die unterschiedliche Natur externer Störungen wider, die auf die Anlage und den Regler einwirken. Ein unbestimmtes Objekt kann daher als eine Art Menge von Objekten betrachtet werden.

Wählen wir einige Eigenschaften von Systemen mit Feedback, zum Beispiel Stabilität. Regulator C ist in Bezug auf diese Eigenschaft robust, wenn irgendeine der durch Unsicherheit definierten Menge von Objekten sie besitzt.

Somit impliziert das Konzept der Robustheit das Vorhandensein eines Controllers, einer Menge von Objekten und die Fixierung einer bestimmten Eigenschaft des Systems.

In dieser Arbeit werden wir nicht auf die Gesamtheit der im Rahmen der Kontrolltheorie gelösten Probleme eingehen. Lassen Sie uns nur das Problem der minimalen Empfindlichkeit berühren: Konstruieren eines Reglers C, der das geschlossene System stabilisiert und den Einfluss externer Störungen auf den Ausgang y minimiert, mit anderen Worten, die Norm der Matrix der Übertragungsfunktionen aus externen Störungen minimiert zum Ausgang y.

Eines der Merkmale der Lösung dieses und der ganzen Reihe robuster Regelungsprobleme ist die Tatsache, dass wir im Vorfeld des Entwurfs des Reglers den Eingabeaktionen und der Unsicherheit des Objekts in die Form der Ungleichheit.

Während des Betriebs eines robusten Systems werden Informationen über Unsicherheiten im System nicht zur Steuerung verwendet.

Dies führt natürlich dazu, dass robuste Systeme konservativ sind und die Qualität instationärer Prozesse manchmal die Entwickler dieser Systeme nicht zufrieden stellt.

Ähnlich einem robusten adaptiven Kontrollsystem wird ein adaptives Kontrollsystem für Objekte konstruiert, deren Informationen oder deren Auswirkungen zu Beginn der Systemfunktion nicht verfügbar sind. Am häufigsten wird die Anpassungseigenschaft durch die Bildung eines mathematischen Modells eines Objekts oder einer Eingabeaktion in expliziter oder impliziter Form erreicht.

Dies unterscheidet sowohl eine suchadaptive Steuerung, die auf der Suche und Beibehaltung des Extremums des Regelgüteindikators basiert, als auch eine nicht suchende Steuerung, die auf der Kompensation der Abweichung der tatsächlichen Änderungen der gesteuerten Koordinaten von den gewünschten Änderungen basiert entsprechend der geforderten Stufe des Qualitätsindikators. Ferner wird gemäß dem verfeinerten Modell der adaptive Regler angepasst.

Das Hauptmerkmal adaptiver Regelsysteme ist daher die Fähigkeit, Informationen im Funktionsprozess zu erhalten und diese Informationen zur Steuerung zu verwenden.

Darüber hinaus werden in adaptiven Systemen immer a priori Informationen über die Unsicherheit im System verwendet. Dies ist der grundlegende Unterschied zwischen dem adaptiven und dem robusten Ansatz.

Betrachten Sie ein einfaches adaptives Steuerungssystem, das das Eingangssignal bei Vorhandensein von Störungen am Eingang des Objekts überwacht (Abbildung 13.6).

Zeichnung. 13.6 – Adaptives Kontrollsystem

Der formale Unterschied zur Schaltung in Bild 13.5 ist der Adaptionsblock A, der aus dem Ausgangssignal des Objekts und dem die gegebene Güte charakterisierenden Signal ein Signal zur Anpassung der Koeffizienten des adaptiven Reglers erzeugt.

Angesichts der Nachteile der einzelnen Regulierungsbehörden ist es ratsam, deren Vorteile zu nutzen, indem ein kombiniertes Kontrollschema für das Objekt vorgeschlagen wird. Das adaptive System erzeugt mit Hilfe der Adaptionseinheit einige Informationen über den Zustand der äußeren Umgebung. Insbesondere kann man im betrachteten Fall Informationen über die externe Störung d erhalten. Der Regelalgorithmus С à entspricht dem aktuellen Zustand der äußeren Umgebung gemäß dem im Adaptionsblock festgelegten Kriterium. Das adaptive System erfordert jedoch, dass das Eingangssignal r einen ausreichend breiten Frequenzbereich hat, und erlegt dem Wert und dem Frequenzspektrum des externen Störsignals d starke Beschränkungen auf. Daher können adaptive Systeme nur in engen Bereichen des Eingangssignals r und der externen Störung d arbeiten. Außerhalb dieser Bereiche hat das adaptive System eine schlechte Regelqualität und kann sogar instabil werden.

Die oben betrachteten Eigenschaften der robusten und adaptiven Steuerung führen zu dem Schluss, dass es im Prozess der Systemfunktion in einigen Fällen vorteilhaft ist, eine robuste Steuerung zu verwenden, in anderen - eine adaptive Steuerung, d. in der Lage sein, die Steuerung abhängig vom Zustand der äußeren Umgebung zu kombinieren.

Kombinierte Kontrolle. Die zentrale Frage bei der Gestaltung kombinierter Regelungssysteme ist, wie aufgrund welcher Kenntnisse (Informationen) die eine oder andere Regelungsart auszuwählen ist.

Die breitesten Möglichkeiten hierfür bieten Methoden der Künstlichen Intelligenz. Ihr Vorteil gegenüber einfachen Schaltalgorithmen ist die Verwendung einer breiten Palette von Daten und Wissen, um einen Algorithmus zur Auswahl eines Steuerungstyps zu bilden.

Wenn wir die in den Abbildungen 13.5, 13.6 gezeigten Schaltungen formal kombinieren, erhalten wir einen kombinierten Regelkreis (Abbildung 13.7).

Wie aus der Abbildung ersichtlich, sollte das Steuersignal von einem robusten Regler auf einen adaptiven umschalten und umgekehrt – wenn sich die Umgebung während des Systembetriebs ändert. Mit den Methoden der Theorie intelligenter Systeme ist es möglich, in Abhängigkeit von den Betriebsbedingungen des Systems von einer Regelungsart zu einer anderen überzugehen.

Abbildung 13.6 - Kombiniertes Kontrollschema

Betrachten wir zunächst, mit welchen Informationen die intelligente Einheit des Systems betrieben werden kann. Wie Sie wissen, sind Systeme mit einem Eingang und einem Ausgang im Frequenzbereich gut beschrieben. Daher ist es naheliegend, Frequenzcharakteristiken zu verwenden, um den Entscheidungsfindungsprozess bei der Auswahl der Steuerungsart zu organisieren.

Wie oben erwähnt, entspricht der Frequenzgang eines robust geregelten Systems der schlechtesten Parameterkombination im Unsicherheitsbereich. Daher kann eine robuste Steuerung als eine der Grenzen der ausgewählten Steuerung angesehen werden.

Eine weitere Grenze wird durch die Fähigkeiten des untersuchten Systems (Antriebsgeschwindigkeit, Leistungsgewicht usw.) bestimmt. Zwischen diesen beiden Grenzen liegt ein Bereich, in dem eine adaptive Steuerung sinnvoll ist.

Abbildung 13.7 - Kombiniertes Kontrollschema

Da der adaptive Algorithmus auf die Anfangsstufe des Funktionierens des Systems empfindlich ist, ist es in dieser Stufe ratsam, eine robuste Steuerung zu verwenden, die gegenüber der Änderungsrate des externen Rauschens ausreichend unempfindlich ist. Nachteilig ist jedoch die lange Dauer der Einschwingvorgänge und die großen zulässigen Werte der Ausgangskoordinate bei Störeinwirkung.

Nach einiger Zeit ist es sinnvoll, die robuste Steuerung auf adaptiv umzustellen.

Die adaptive Steuerung ermöglicht es Ihnen, das Eingangssignal bei Vorhandensein von Informationen über die Störung genauer zu verfolgen. Die adaptive Regelung stellt hohe Anforderungen an die Reichhaltigkeit des Eingangssignalspektrums, und beispielsweise bei langsam veränderlichen Signalen können Anpassungsprozesse gestört oder stark verlangsamt werden. In einer solchen Situation muss wieder auf eine robuste Regelung umgeschaltet werden, die die Stabilität des Systems garantiert.

Aus dem Obigen folgt, dass für die Funktion des Systems Informationen über das Frequenzspektrum des Nutzstörsignals und über das Signal-Rausch-Verhältnis erforderlich sind.

Außerdem sind Vorabinformationen über das Frequenzspektrum, mit dem das adaptive System arbeitet, und über die besonderen Eigenschaften des Kontrollobjekts an den Grenzen des Unsicherheitsbereichs erforderlich. Aus diesen Informationen kann eine Datenbank gebildet werden, in die vorab für jede Objektklasse individuelle Informationen eingetragen werden. Informationen über das Frequenzspektrum des Nutzsignals, Störungen und Signal-Rausch-Verhältnis werden im laufenden Betrieb in die Datenbank eingetragen und ständig aktualisiert.

Der Inhalt der Datenbank kann in der Wissensbasis verwendet werden, die in Form von Regeln gebildet ist. Abhängig von den spezifischen Eigenschaften des Systems kann die Umschaltung von zwei Steuerungsarten eingestellt werden. Die erforderlichen Regeln werden in einem der für den betrachteten Fall geeigneten logischen Systemen gebildet.

Mit Datenbanken und Kenntnissen ist es möglich, einen Entscheidungsfindungsmechanismus zu entwickeln, der die richtige Wahl der Steuerungsart in Abhängigkeit von den Bedingungen des Funktionierens des Systems gewährleistet.

Abbildung 13.8 - Blockschaltbild eines Systems mit einer intelligenten Einheit (IS)

Der intellektuelle Teil des Systems arbeitet diskret in festgelegten Zeitintervallen. Abbildung 13.8 zeigt ein Blockschaltbild eines Systems mit einer intelligenten IS-Einheit, die eine Auswahl der Steuerungsart ermöglicht.

Der Eingang des Bausteins empfängt das Signal r und der gemessene das Ausgangssignal des Objekts y. Im Block der vorläufigen Informationsverarbeitung BPOI, entsprechend den zeitlichen Eigenschaften der Signale r (t), y (t), den Frequenzeigenschaften des Eingangssignals r (w) und der externen Störung d (w), der relativen Position von die Spektren r (w) und d (w) und die Kennwerte des Signal-Rausch-Verhältnisses r (w) / d (w). Alle diese Informationen gehen an die DB-Datenbank. Der Entscheidungsblock des BPR entwickelt unter Verwendung der generierten Wissensbasis der Wissensbasis und der Datenbankdaten eine Entscheidung, gemäß der eine der Steuerungsarten eingeschaltet wird. Im nächsten Intervall wird der Vorgang unter Verwendung neuer Daten wiederholt.

EINLEITUNG

Die Betriebsbedingungen moderner technologischer Komplexe führen zur Notwendigkeit einer Abrechnung im Überwachungs- und Kontrollprozess. die folgenden Arten von Unsicherheit:

1. Geringe Genauigkeit der von Kontrollobjekten empfangenen Betriebsinformationen, aufgrund des großen Fehlers von Sensoren zur Messung technologischer Parameter (Durchfluss, Druck usw.), ihrer geringen Zuverlässigkeit, Ausfällen von Kommunikationskanälen, einer großen Verzögerung bei der Übertragung von Informationen über Steuerungsebenen, der Unfähigkeit, Parameter an allen Stellen zu messen des technologischen Prozesses, der für die Modelle erforderlich ist.

2. Ungenauigkeit der Modelle von Kontroll- und Managementobjekten verursacht durch: Nicht-Äquivalenz von Lösungen von mehrstufigen hierarchischen Systemmodellen und in der Praxis verwendeten individuellen lokalen Problemen; falsche Zerlegung des allgemeinen Steuerungsproblems, übermäßige Idealisierung des technologischen Prozessmodells, Aufbrechen wesentlicher Verbindungen im technologischen Komplex, Linearisierung, Diskretisierung, Ersetzen der tatsächlichen Eigenschaften der Ausrüstung durch Passmerkmale, Verletzung der Annahmen bei der Ableitung von Gleichungen ( Stationarität, Isothermalität, Homogenität usw.).

3. Unscharfe Entscheidungsfindung in mehrstufigen hierarchischen Systemen aufgrund der Tatsache, dass das Vorhandensein klarer (genauer) Ziele und koordinierender Entscheidungen auf jeder Kontroll- und Managementebene und für jede lokale Regulierungseinrichtung den Koordinierungsprozess erschwert und den langen iterativen Charakter der Koordination von Entscheidungen.

4. Die Anwesenheit eines menschlichen Operators, einschließlich eines Dispatchers, im Regelkreis und die Durchführung des Abstimmungsprozesses in einem realen Produktionssystem in natürlicher Sprache, führt dazu, dass die Schwierigkeiten bei der Darstellung des Wissens des Disponenten in Form von Algorithmen und die Konsistenz der vom Computer erhaltenen Lösung mit seiner Bewertung berücksichtigt werden müssen.

„Übermäßiges Streben nach Genauigkeit begann eine Wirkung zu haben, die die Kontrolltheorie und die Systemtheorie zunichte macht, da sie dazu führt, dass sich die Forschung auf diesem Gebiet auf solche und nur auf solche Probleme konzentriert, die sich für genaue Lösungen eignen. Viele Klassen wichtiger Probleme, bei denen die Daten, Ziele und Beschränkungen zu komplex oder schlecht definiert sind, um eine genaue mathematische Analyse zu ermöglichen, wurden und bleiben an der Seitenlinie, einfach weil sie sich für eine mathematische Behandlung nicht eignen.“

L.Zadeh

Unter modernen Produktionsverfahren gibt es viele, die einen Komplex von Eigenschaften aufweisen, die für die klassische Theorie der automatischen Steuerung (TAU) unerwartet sind. Diese "unbequeme" oder, wie sie auch genannt werden, "Halbstrukturiert" oder "schlecht definiert" Objekte haben Eigenschaften wie Einzigartigkeit, Fehlen eines formalisierten Daseinszwecks und der Optimalität, Nichtstationarität von Struktur und Parametern, Unvollständigkeit oder fast vollständiges Fehlen einer formalen Beschreibung des Objekts.

Konzeptioneller Rahmen

Management unter Unsicherheit

Unsicherheiten die als Unsicherheitsquellen verstanden werden, werden eher bedingt in die folgenden drei großen Gruppen unterteilt:

1. Unsicherheit und Unvollständigkeit der Informationen über die Situation, die verwendet wird, um eine Entscheidung über die Beurteilung der Funktionsqualität oder die Bildung der Kontrolle über die Funktionsfähigkeit des Systems zu treffen - Unsicherheitsfaktor für System und Umgebung;

2. Faktoren, die durch Unsicherheit, Unschärfe des Denkens und Wissen über eine Person erzeugt werden- Unsicherheit, die sich in der Interaktion einer Person mit dem System und seiner Umgebung manifestiert;

3. Unsicherheitsfaktoren, Unschärfe(Ungenauigkeit) angesammeltes Wissen, konzentriert auf die Wissensgrundlagen künstlicher intelligenter Systeme, Unsicherheit, dieses Wissen im Implementierungsprozess anzuwenden bestimmte logische und logisch-algebraische Verfahren zum Sammeln und Verarbeiten von Informationen, zum Entwickeln, Auswählen und Treffen von Managemententscheidungen.

Klassifizierung von Faktoren (Quellen) der Unsicherheit die bei der Untersuchung komplexer Systeme berücksichtigt werden müssen, ist in Abbildung B.1 dargestellt.

Abbildung B.1. Klassifizierung von Unsicherheiten

Methodik zur Analyse und Berücksichtigung von Unsicherheitsfaktoren in

Management in komplexen organisatorischen und technischen Systemen ...

(ACS mit DSS und DSS-Entscheidungsunterstützungs- und Entscheidungssystemen)

1. Probleme und verallgemeinerte Formalisierung von Aufgaben für die Entwicklung und

Managemententscheidungen unter unsicheren Bedingungen treffen….

2. Deterministischer Spielansatz zur Entscheidungsfindung unter Bedingungen

Unsicherheit ………… .. …………… .. …………………… ..

3. Ein stochastischer Ansatz zur Lösung von Entscheidungsproblemen in

Bedingungen der Unsicherheit… .. ………………………………………

4. Probabilistisch - statistischer Ansatz zur Entscheidungsfindung in uns-

im Angesicht der Unsicherheit …………………………………………… ..

5. Der probabilistische Ansatz zur Entscheidungsfindung unter Bedingungen der Unsicherheit

Faulheit… .. ……………………………………………………………

6. Fuzzy – stochastischer Ansatz zur Entscheidungsfindung unter Bedingungen

Unsicherheiten …………………………… .. ……………………… ..

7. Chancentheorie und das Problem der Entscheidungsfindung unter Bedingungen

Unsicherheiten …………………………………………………………

8. Fuzzy – ein möglicher Ansatz zur Entscheidungsfindung unter Bedingungen

Unsicherheiten ……………………………………………………….

9. Der linguistische Ansatz zur Entscheidungsfindung unter Bedingungen der Unsicherheit

Teilungen .. ……………………… .. ………………………………….

Die Verwaltung semistrukturierter Objekte aus Sicht der klassischen TAU ist ein eher schwieriges, praktisch unlösbares Problem. Dies liegt daran, dass es beim Aufbau eines traditionellen automatischen Kontrollsystems (ACS) erforderlich ist, das Kontrollobjekt im Voraus formal zu beschreiben und Kontrollkriterien auf der Grundlage eines mathematischen Apparats zu bilden, der in quantitativen Kategorien arbeitet. Ist eine exakte mathematische Beschreibung des Objekts und der Kriterien seiner quantitativen Kontrolle nicht möglich, erweist sich die traditionelle TAU als unanwendbar.

Zum Beispiel wird das klassische ACS durch deterministische und stochastische Systeme erfolgreich verwendet, um ACS durch Flugzeuge, Kraftwerke usw usw. lieferten trotz der immer komplizierter werdenden mathematischen Methoden ihrer Beschreibung keine greifbaren praktischen Ergebnisse.

In der Praxis werden solche halbstrukturierten Objekte jedoch recht erfolgreich von einem menschlichen Bediener gesteuert, der durch die Fähigkeit gerettet wird, Informationen zu beobachten, zu analysieren und sich zu merken, bestimmte Schlussfolgerungen zu ziehen usw. und als Ergebnis die richtigen Entscheidungen zu treffen in einer Umgebung unvollständiger und unscharfer Informationen. Dank seines Intellekts eine Person kann nicht nur mit quantitativen(was eine Maschine bis zu einem gewissen Grad kann), aber auch mit qualitativen informellen Konzepten, wodurch die Unsicherheit und Komplexität des Managementprozesses sehr erfolgreich bewältigt wird. Daher ist die Konstruktion von Modellen des ungefähren Denkens einer Person und deren Verwendung in ACS heute eine der wichtigsten Richtungen in der Entwicklung von TAU.

Es besteht kein Zweifel, dass eine signifikante Steigerung der Effizienz der Verwaltung komplexer Objekte in der Schaffung eines intelligenten ACS besteht, das in der Lage ist, bestimmte intellektuelle menschliche Handlungen im Zusammenhang mit dem Erwerb, der Analyse und der Klassifikation von Wissen im Themenbereich ​​technologische Prozesssteuerung, sowie Betriebswissen, das durch den menschlichen Bediener oder die Anlage selbst im Rahmen praktischer Tätigkeiten zur Steuerung des Objekts angesammelt wird.

Die Notwendigkeit, unter diesen Bedingungen zu arbeiten, erschwert den Einsatz von Standardautomatisierungssystemen und APCS... Besonders schwierig ist es, die Bereiche zulässiger Betriebsweisen von Anlagen unter solchen Bedingungen zu beschreiben, wenn die Vorgabe strenger (klarer) Restriktionen für das Prozessleitsystem und Automatisierungssysteme zu einer automatischen oder manuellen Abschaltung dieser Systeme führt. Daher ist es äußerst wichtig, für die Beschreibung und Formalisierung von Bereichen zulässiger Betriebsmodi von Geräten zu verwenden Theorien der künstlichen Intelligenz (KI) und intelligenten Systeme (IS).

Aufgrund der rasanten Entwicklung der Computertechnologie in den letzten Jahren der Einsatz neuer Methoden des intelligenten Managements in der Industrie begann... Und obwohl die ersten Anwendungen des intelligenten ACS in Europa stattgefunden haben, werden solche Systeme in Japan am intensivsten eingeführt. Ihr Anwendungsspektrum ist breit gefächert: von der Steuerung von Industrierobotern, Rektifizieranlagen und Hochöfen bis hin zu Waschmaschinen, Staubsaugern und Mikrowellenherden. Gleichzeitig kann intelligentes ACS die Qualität der Produkte verbessern, den Ressourcen- und Energieverbrauch reduzieren und im Vergleich zu herkömmlichen ACS eine höhere Widerstandsfähigkeit gegen Störeinflüsse bieten.

Ein intelligentes System bedeutet(KA Pupkov) eine Reihe von technischen Mitteln und Software, die durch einen Informationsprozess kombiniert werden, in Verbindung mit einer Person (einer Gruppe von Personen) oder autonom arbeiten, in der Lage sind, ein Ziel auf der Grundlage von Informationen und Wissen zu synthetisieren, mit Motivation, Handlungsentscheidungen treffen und rationale Wege finden, um Ziele zu erreichen.

Das architektonische Hauptmerkmal, das unterscheidet Intelligente Steuerungssysteme (IMS) von "traditionell""Ist ein Mechanismus zur Gewinnung, Speicherung und Verarbeitung von Wissen zur Umsetzung seiner Funktionen.

Die Schaffung intelligenter Steuerungssysteme basiert auf zwei Prinzipien: der situativen Steuerung (Steuerung anhand der Analyse externer Situationen oder Ereignisse) und dem Einsatz moderner Informationstechnologien zur Wissensverarbeitung (Expertensysteme, künstliche neuronale Netze, Fuzzy-Logik, genetische Algorithmen, und einige andere).

Programm Nr. 14 der Grundlagenforschung an der OEMMPU RAS

"ANALYSE UND OPTIMIERUNG DER FUNKTION VON MEHRSTUFENIGEN, INTELLIGENTEN UND NETZWERKSTEUERUNGSSYSTEMEN UNTER UNSICHERHEIT"

1. Begründung des Programms

1.1. Wissenschaftliche und praktische Bedeutung

Die intensive Entwicklung der Technik (Netzwerkinteraktion, Miniaturisierung von Rechnern, Geschwindigkeitserhöhung etc.) stellt neue Anforderungen an moderne Leitsysteme und eröffnet neue Möglichkeiten sowohl auf der Ebene eingebetteter Leitsysteme (auf der Ebene großer Leitstellen) als auch auf Netzwerkebene (Kommunikationsnetz, Gruppe) Zusammenspiel von dezentralen Multiagentensystemen. Kontrollsysteme nehmen zunehmend den Charakter informationstechnischer Kontrollsysteme an und werden an der Schnittstelle von Kontroll-, Rechen- und Kommunikationstheorien untersucht. Die Berücksichtigung der Eigenschaften von Kommunikationskanälen (Kommunikation) ist beispielsweise in dezentralen (Multi-Agenten-)Systemen erforderlich, und die Eigenschaften des eingebauten Computers sind wichtig, wenn in mehrstufigen Steuerungssystemen solche intellektuellen Funktionen implementiert werden wie technische Vision, Aktionsplanung, Training, multikriterielle Entscheidungsfindung, Reflexion usw. usw. Insbesondere soll die Intellektualisierung der Kontrolle den Grad der Autonomie des Funktionierens von Systemen erhöhen, wenn quantitative Modelle von Dynamik oder Funktionsstörungen des Kontrollobjekts, die den Verlust der Angemessenheit quantitativer Modelle (z B. logisch-linguistische) Modelle des Objekts und der Umgebung, die auf den oberen Ebenen des Kontrollsystems verwendet werden.

Das Programm zielt auf die Lösung grundlegender Probleme in den Schwerpunktbereichen Wissenschaft, Technologie und Technologie der Russischen Föderation ab. Die Aufgabe besteht darin, unter Berücksichtigung der Unsicherheit und fehlenden Ausgangsinformationen neue grundlegende und angewandte Ergebnisse auf dem Gebiet der Regelungstheorie für komplexe technische, Mensch-Maschine- und andere Systeme zu gewinnen, darunter: Theorie der Analyse und Synthese stochastischer Systeme, die Theorie der Erstellung von Steuerungssystemen für Bewegungen und technologische Prozesse mit aktueller Diagnose und Kontrolle des technischen Zustands sowie die Theorie der Erstellung automatisierter Konstruktionssysteme und intelligenter Steuerung auf der Grundlage moderner Informationstechnologien.

Aufgrund der vielfältigen Anwendungsmöglichkeiten von Regelungstheorie, Analyse und Optimierung in verschiedenen Anwendungen (Transport, Logistik, Produktion, Luft- und Raumfahrtsysteme, U- und Überwasserschiffe etc.) ist es notwendig, eine Vielzahl von Komplexitätsfaktoren zu berücksichtigen , wie zum Beispiel:

Mehrstufiges Management,

Dezentralisierung,

Nichtlinearität,

Mehrfachverbindung,

Verteilung der Parameter,

Unterschiedliche Skalen von Prozessen in Raum und Zeit,

Hohe Abmessung,

Heterogenität der Beschreibung von Teilsystemen,

Multimode,

Das Vorhandensein von Impulseinflüssen,

Vorhandensein von koordinatenparametrischen, strukturellen, regelmäßigen und singulären Störungen,

Verwendung deterministischer und probabilistischer Modelle zur Beschreibung der Unsicherheit von Informationen über Zustandsvektor und Systemparameter, über die Eigenschaften von Messfehlern und der Umgebung,

Das Vorhandensein von Verzögerungseffekten in Steuerung oder Objekt,

· Allgemeine strukturelle Komplexität moderner Steuerungssysteme.

Um dieses Ziel zu erreichen und die Hauptaufgaben zu lösen, umfasst das Programm Forschung und Entwicklung in den folgenden Hauptbereichen:

1. Analyse und Optimierung der Funktionsweise in verschiedenen Zeitskalen von mehrstufigen Kontrollsystemen mit unvollständigen Informationen.

2. Management und Optimierung in mehrstufigen und dezentralen Systemen organisatorischer und technischer Natur.

2.1. Management und Optimierung in netzwerkzentrierten Systemen.

2.2. Intelligente Steuerung von sich bewegenden Objekten.

2.3. Modellierung und Optimierung von mehrstufigen Echtzeit-Informations- und Steuerungssystemen.

Richtung 1. Analyse und Optimierung der Funktionsweise in unterschiedliche Zeitskalen von mehrstufigen Kontrollsystemen mit unvollständigen Informationen

Die Komplexität vieler moderner Steuerungssysteme erlaubt es oft nicht, vorab eine vollständige Beschreibung der im System ablaufenden Prozesse und seiner Interaktion mit der Umgebung zu erhalten. Reale Systeme werden in der Regel durch nichtlineare Dynamikgleichungen beschrieben und nicht selten berücksichtigen die mathematischen Modelle von Regelungssystemen nur die zulässigen Schwankungsbreiten der Parameter und Eigenschaften einzelner Elemente, ohne diese Parameter und Eigenschaften selbst zu spezifizieren.

Darüber hinaus wird in einigen Systemen, insbesondere mikromechanischen und Quantensystemen, die Anwendung klassischer Beschreibungsmethoden in kontinuierlicher oder zeitdiskreter Zeit dadurch erschwert, dass die auftretenden inneren und/oder äußeren Wechselwirkungskräfte, sowie Regeleinwirkungen, sind vorübergehender, impulsiver Natur und können nicht genau berechnet werden. ... Das System scheint in verschiedenen Zeitskalen zu funktionieren: real (langsam) und schnell (impuls). Eine solche zeitliche Variabilität der Skalen ist eine intrinsische Eigenschaft vieler moderner Kontrollsysteme, einschließlich Systemen mit Mehrebenensteuerung, bei denen die oberen Ebenen qualitative und diskrete Modelle verwenden und die unteren eher quantitative Modelle mit kontinuierlicher Zeit.

Aus diesem Grund ist die Entwicklung von Methoden zur mathematischen Formalisierung der Beschreibung der Funktionsweise solcher Systeme in hybrider (kontinuierlich-diskreter) Zeit, die Untersuchung ihrer Eigenschaften für Kontrollierbarkeit und Stabilität unter Bedingungen unvollständiger Information, Opposition und Nicht-Standard Beschränkungen von Kontrollen und Phasenvariablen ist eine dringende Aufgabe. Die Entwicklung von Methoden zur Synthese einer optimalen Steuerung solcher kontinuierlich-diskreten Systeme, sowohl deterministischer als auch stochastischer, ist eine ebenso dringende Aufgabe.

Darüber hinaus sind die Aufgaben der Optimierung des Prozesses der Sammlung und Verarbeitung von Informationen (Überwachung von Beobachtungen und optimale Filterung) unter Bedingungen der Unsicherheit und eines Mangels an a priori Informationen sehr relevant.

Richtung 2. Management und Optimierung in mehrstufigen und dezentralen Systemen organisatorischer und technischer Natur

2.1. Management und Optimierung in netzwerkzentrierten Systemen

Moderne komplexe organisatorische und technische Systeme zeichnen sich durch hohe Dimensionalität, Dezentralisierung, mehrstufiges Management, die Notwendigkeit einer effektiven Planung der Aktivitäten unter Berücksichtigung von Schulungen, Multikriterien der getroffenen Entscheidungen und Reflexion kontrollierter Subjekte aus.

Planungs- und Steuerungsprobleme diskreter und kontinuierlicher verteilter mehrfach zusammenhängender Systeme großer Dimension sind zudem durch unterschiedliche Prozessskalen nicht nur zeitlich, sondern auch durch Verteilung und unterschiedliche Skalen im Raum gekennzeichnet und stellen eine der komplexesten und aufwendigsten Klassen der Optimierung dar Probleme. Aus diesem Grund empfiehlt es sich, Forschungsmethoden und -ansätze zur Findung genauer und näherungsweiser Lösungen sowie Simulationswerkzeuge für den Einsatz in Entscheidungsunterstützungssystemen zur Planung, Gestaltung und Steuerung komplexer technischer, organisatorischer (einschließlich Transport und Logistik) und Informationssysteme zu entwickeln Systeme.

Um die Gruppeninteraktion der Komponenten dezentraler organisatorischer und technischer Systeme (netzzentrierte Systeme, Produktionssysteme, Computer-, Telekommunikations- und andere Netze usw.) Isowie Beschränkungen der Entscheidungszeit, der Rechenkapazitäten und der Bandbreite der Kommunikationskanäle. Daher ist es relevant, Optimierungsmethoden (unter Berücksichtigung der aufgeführten Restriktionen) der Struktur komplexer organisatorischer und technischer Systeme zu entwickeln, auch unter gleichzeitiger Berücksichtigung vieler Kriterien: Detaillierung der Ausgangsdaten, Effizienz der Informationsbeschaffung, Planung und reflexive Entscheidungsfindung, die begrenzte Leistung einzelner Computer und die Reduzierung von Doppelarbeit sowie der Anteil der Zusatzberechnungen im Zusammenhang mit Datenübertragungsdiensten.

Für mehrstufige und dezentralisierte Systeme ist eine verteilte Entscheidungsfindung in Echtzeit unter Bedingungen von Informationsabwehrmaßnahmen charakteristisch, ebenso wie Unvollständigkeit und Heterogenität der Informationen, oft von multikriterieller qualitativer und subjektiver Natur. Aus diesem Grund ist es notwendig, Methoden zu entwickeln, um angemessene Informationsunterstützungssysteme zu schaffen und die Annahme strategischer und operativer Entscheidungen bei unvollständiger Information und Opposition zu unterstützen. Hierzu empfiehlt es sich insbesondere zu entwickeln: Multiagentenmodelle dynamischer organisatorischer und technischer Systeme, einschließlich Netzwerkmodelle mit widersprüchlichen Agenten, Modelle des Gruppenverhaltens und seiner Prognose, Interessenausgleich und Koalitionsbildung in dieser Systeme sowie die Entwicklung von Informationstechnologien und Mitteln zur Präsentation von Informationen über die äußere Umgebung und das Wissen intelligenter Agenten.

2.2. Intelligente Steuerung von sich bewegenden Objekten

Quantitative Modelle können nicht immer erstellt werden, um die gestellten Aufgaben zu lösen, daher verwendet das Programm neben traditionellen Methoden Methoden der künstlichen Intelligenz. Künstliche Intelligenz als Wissensgebiet hat in den letzten fünfzig Jahren einen großen Sprung gemacht, sowohl in der Entwicklung und Verfeinerung des Intelligenzbegriffs als auch im Bereich der praktischen Anwendung der Künstlichen Intelligenz in verschiedenen Bereichen des menschlichen Handelns: in Technik, Wirtschaft, Wirtschaft, Medizin, Bildung etc. Viele theoretische Positionen und Methoden der Künstlichen Intelligenz wurden in angewandte, wissensbasierte intelligente Technologien umgewandelt.

Die Besonderheit der modernen Generation intelligenter Systeme besteht darin, dass sie auf ein komplexes Modell der äußeren Umgebung zurückgreifen, das sowohl quantitative Informationen als auch qualitative Modelle berücksichtigt – Wissen über das mögliche Verhalten verschiedener Objekte in der äußeren Umgebung und deren Zusammenhänge. Die Verwendung solcher Modelle wurde durch die Entwicklung von Methoden zur Darstellung von Wissen, Methoden zur Integration von Daten aus verschiedenen Quellen, einer deutlichen Erhöhung der Geschwindigkeit und des Speichers von Computern möglich.

Das Vorhandensein eines Modells der äußeren Umgebung ermöglicht es modernen intelligenten Steuerungssystemen für sich bewegende Objekte, Entscheidungen unter Bedingungen von Multikriterium, Unsicherheit und Risiko zu treffen, und die Qualität dieser Entscheidungen kann die Qualität der Entscheidungen einer Person unter Bedingungen der Informationsüberflutung übertreffen , begrenzte Zeit und Stress.

Diesbezüglich besteht eine dringende Aufgabe darin, neue Mittel und Verfahren zur Entwicklung einer intelligenten Steuerung von sich bewegenden Objekten bei Vorliegen der oben genannten Faktoren zu entwickeln.

2.3. Modellierung und Optimierung von mehrstufigen Echtzeit-Informations- und Steuerungssystemen

Die Relevanz der Forschung in dieser Richtung ergibt sich aus der Notwendigkeit, Methoden für die Analyse und Synthese von mehrstufigen offenen modularen Echtzeit-Informations- und Kontrollsystemen (IMS RT) von Mehrmoden- und Mehrzweckobjekten zu entwickeln, die unter Bedingungen von Unsicherheit, strukturellen Störungen arbeiten und Notfallsituationen (NSS). Zu diesen Verwaltungsgegenständen zählen kritische Gegenstände und Systeme der verantwortungsvollen Nutzung, die die Sicherheit des Staates bestimmen.

Es liegt auf der Hand, dass die Probleme und Aufgaben der Erstellung von Systemen dieser Klasse erfolgreich gelöst werden können auf der Grundlage der Entwicklung einer einheitlichen Theorie und angewandter softwareorientierter Methoden der dynamischen und Szenarioanalyse und Synthese der Struktur solcher Systeme, ihrer algorithmischen , Software- und Informationsunterstützung, Mechanismen zur Entwicklung wirksamer Managementeinflüsse. Dazu gehört zunächst die Entwicklung einer formalisierten Methodik zum Entwurf offener Informations- und Steuerungssysteme, einschließlich Modellen und Methoden zur Synthese des modularen Aufbaus objektorientierter Leittechnik-RW mit offener Architektur, die nach verschiedenen Effizienzgraden optimal ist Kriterien. Basierend auf den Ergebnissen der dynamischen Analyse wird eine optimale funktionale modulare Struktur der Datenverarbeitung und Steuerung synthetisiert, dh die optimale Zusammensetzung und Anzahl der MSR-RV-Module wird bestimmt, die Systemschnittstelle synthetisiert und der Aufbau ihrer Software- und Informationsunterstützung für die Verarbeitung von Eingabeströmen von Anwendungen wird bestimmt.

Zur Maßnahmenplanung und Entscheidungsunterstützung bei Unsicherheiten, baulichen Störungen und Notfallsituationen empfiehlt es sich, die Methoden der Szenarioanalyse und Synthese wirksamer Maßnahmen im IMS RV einzusetzen. Dabei wird ein mathematisches Modell der Ausbreitung von Strukturstörungen und Notsituationen in der Sprache gewichteter oder funktionaler Zeichengraphen gebildet. Auf der Grundlage dieses Modells werden rationale Szenarien für die Verwaltung von Objekten unter Verwendung der Konzepte der Arbeitsfähigkeit, Widerstandsfähigkeit und Überlebensfähigkeit ihrer Bestandteile synthetisiert. Die Synthese von Szenarien zur Beseitigung der Ursachen und Folgen von NSS in multimodalen Zielobjekten erfolgt unter Berücksichtigung dynamisch ermittelter Zeit- und Ressourcenbeschränkungen. Es ist auch notwendig, Formulierungen und Methoden zur Lösung inverser Probleme der Überlebensfähigkeitskontrolle für Mehrmoden- und Mehrzweckobjekte zu entwickeln, die unter Bedingungen von Unsicherheit, strukturellen Störungen und Notfallsituationen betrieben werden.

Die oben erwähnte Spezifität von Systemen und Objekten des Managements, die wissenschaftliche und praktische Bedeutung der Lösung von Managementproblemen, deren Analyse und Optimierung ermöglichen es, die folgenden Hauptziele und Ziele des Programms zu formulieren.

1.2. Hauptziele und Ziele

Das Hauptziel des Programms ist die Lösung der grundlegenden Probleme der Regelungstheorie, die die Umsetzung vielversprechender Projekte von wichtiger staatlicher Bedeutung im Bereich des Managements komplexer dynamischer und intelligenter Systeme mit Anwendungen zur Steuerung der Bewegung technischer Objekte und Prozesse in technologischen und organisatorische Systeme.

Die Forschung wird zu den folgenden allgemeinen Themen durchgeführt.

Richtung 1

· Entwicklung von Methoden zur Stabilisierung nichtlinearer Systeme bei unvollständiger Koordinatenmessung und Einschränkungen des zulässigen Aufbaus von Regelkräften.

· Entwicklung von Methoden der robusten und adaptiven Beobachtung und Kontrolle unter Bedingungen deterministischer, probabilistischer und anderer Unsicherheitsmodelle der Parameter des Kontrollobjekts und der Funktionsumgebung.

· Entwicklung von Methoden und Algorithmen zur qualitativen und quantitativen Analyse kontinuierlicher, diskreter und mehrstufiger kontinuierlich-diskreter dynamischer Modelle und Kontrollsynthese auf Basis der Reduktionsmethode mit Vektor- und Matrixvergleichsfunktionen und Modelltransformationen.

· Untersuchung des Problems der optimalen Steuerung einer neuen Klasse mechanischer Systeme, die sich in widerstandsfähigen Medien aufgrund von Änderungen in der Konfiguration oder Bewegung innerer Körper bewegen.

· Entwicklung von Methoden zur mathematischen Formalisierung und Lösung von Problemen der Stoßwechselwirkung mechanischer Systeme bei Trockenreibung.

· Entwicklung von Methoden zur optimalen Steuerung diskret-kontinuierlicher und impulsdynamischer Systeme.

· Entwicklung von Methoden zur garantierten Kontrolle von nichtlinearen Objekten, die unkontrollierten Störungen in Form von dynamischen Spielen ausgesetzt sind.

· Entwicklung der Theorie der Kontrolle von Quantensystemen.

· Entwicklung von Methoden und Algorithmen zur Analyse dynamischer Eigenschaften wie Stabilität, Invarianz, Dissipativität zur Zustandsbewertung und Synthese einer mehrstufigen Regelung von Systemen mit einer heterogenen Beschreibung der Dynamik von Prozessen auf unterschiedlichen Ebenen.

Richtung 2.1

· Methoden zur Lösung von Steuerungsproblemen netzwerkzentrischer Systeme großer Dimension mit verteilten Parametern und Prozessen unterschiedlicher Größenordnung (in Raum und Zeit).

· Modelle und Methoden des Kommunikationsnetzes dezentralisiertes intelligentes Management von verteilten Projekten und Programmen.

· Methoden zur Optimierung der Struktur mehrstufiger und dezentraler Systeme.

· Methoden und Strukturen der Computerimplementierung netzwerkzentrischer Steuerung in einem mathematisch homogenen Raum des verteilten und parallelen Rechnens.

· Modelle und Methoden der Gruppenentscheidung basierend auf unvollständigen, heterogenen, qualitativen und subjektiven Informationen.

· Modelle und Methoden zur Planung und Steuerung von Komplexen zusammenhängender Operationen in komplexen technischen und Transport- und Logistiksystemen.

· Entwicklung von Prinzipien, Architektur, Methoden und Algorithmen zur Erstellung verteilter intelligenter Softwaresysteme basierend auf Multi-Agent-Technologien.

· Entwicklung von Modellen und Methoden des Informationsmanagements in Multi-Agenten-Netzwerkstrukturen.

Richtung2.2

· Entwicklung von generalisierten Modellen des Situationsmanagements, die die Merkmale der Einbeziehung in die Struktur von Modellen von Fuzzy, neuronalen Netzen und logisch-dynamischen Elementen widerspiegeln.

· Entwicklung einer Methode zur Routenplanung, die die Eigenschaft der Kommunikationsstabilität einer Gruppe von kontrollierten dynamischen Objekten bietet, die in ihrer Modelldarstellung heterogen (quantitativ und qualitativ) sind.

· Entwicklung von Methoden zur Analyse und Synthese adaptiver Echtzeit-Modellierungsplattformen unter Berücksichtigung von Nichtlinearität, Multikonnektivität und hoher Dimensionalität von Kontrollobjekten mit einer Anwendung auf mobile Meeresobjekte.

· Optimierung intelligenter Systeme zur mehrstufigen Steuerung von bewegten Objekten in einer Konfliktumgebung unter Berücksichtigung ihrer Gruppeninteraktion, Multikriterien, Unsicherheit und Risiko.

· Entwicklung von Methoden zur Bereitstellung technischer Visionen für intelligente Steuerungssysteme.

· Entwicklung von Methoden zur intelligenten Steuerung dynamischer Objekte, die komplexe Manöver durchführen, basierend auf der Organisation der erzwungenen Bewegung im Zustandsraum des Systems.

Richtung2.3

· Modelle und Methoden zur Analyse und Optimierung des modularen Aufbaus von objektorientierten mehrstufigen Informationsmanagementsystemen der Echtzeit mit offener Architektur unter Bedingungen von Unsicherheit und strukturellen Störungen.

· Methoden zur Analyse und Optimierung der Modi elektrischer Energiesysteme und ihrer Steuerung.

· Modelle und Methoden des Szenario-Indikator-Ansatzes zur Suche nach Schwachstellen für Managementaufgaben.

· Methoden zur Modellierung, Analyse und Optimierung von Multimode-Steuerungsprozessen von bewegten Objekten.

· Entwicklung von Methoden und Algorithmen zur intelligenten Identifizierung von nichtlinearen instationären Objekten zur Verbesserung der Steuerungseffizienz durch Bildung einer technologischen Wissensbasis basierend auf a-priori-Informationen über das Steuerungsobjekt.

· Geoinformationstechnologien zur Modellierung natürlicher und technogener Komplexe bei den Aufgaben des Managements von Ökosystemen von Megalopolen.

· Analyse und Optimierung der Informationsunterstützung für Navigations- und Kontrollsysteme.

· Modelle und Methoden zur Steuerung von Produktionsprozessen.

Die Ergebnisse der entwickelten Theorie und Methoden der Analyse und Synthese von Regelsystemen werden in folgenden Bereichen verwendet:

· Verkehrskontrolle in der Luft- und Raumfahrt, Land- und Seeobjekte, Fahrzeuge;

· Multi-Agent-Netzwerk-zentrierte Systeme, Produktionssysteme, Computer, Telekommunikation und andere Netzwerke ;

· Transport- und Logistiksysteme ;

· Globale Energie-, Gastransport- und andere große Infrastruktursysteme;

· Informationsunterstützungssysteme für Managementaufgaben und Unterstützung bei strategischen und operativen Entscheidungen bei unvollständiger Information und Opposition.

Grundlegende Probleme der Theorie des Steuerungsbaus bedürfen ihrer intensiven Weiterentwicklung. Die Entwicklung der Forschung in diese Richtung wird Folgendes ermöglichen:

Entwicklung der theoretischen Grundlagen zur Lösung des komplexen Dreieinigkeitsproblems Steuerung-Rechen-Kommunikation (das Problem ist " Steuerung- Berechnung- Kommunikation") für komplexe Informations- und Kontrollsysteme, auch unter Bedingungen von Beschränkungen der Kommunikationskanäle und Ausfällen von Teilsystemen;

Um die Probleme der Verwaltung grundlegend neuer Objekte und Prozesse im Zusammenhang mit beweglichen Objekten, Spezialobjekten, technologischen und organisatorischen Systemen zu lösen;

Schaffung effektiver Methoden der Funktionsdiagnostik und Gewährleistung der Fehlertoleranz von Steuersystemen von Flugzeugen und anderen sich bewegenden Objekten sowie der dynamischen Stabilität von elektrischen Energiesystemen;

Verbesserung der Qualität, Beschleunigung und Kostensenkung der Entwicklung von Designlösungen durch Algorithmen und Automatisierung des Entwicklungsprozesses von Steuerungssystemen.

Im Folgenden wird Kontrolle in einem weiten Sinne verstanden, einschließlich Kommunikationsnetzwerk, Gruppe, verteilte Kontrolle (in der englischsprachigen Literatur - Kontrolle in Netzwerken, Kontrolle über Netzwerke, verteilte Kontrolle usw.)