Gestione in condizioni di incertezza. Riassunto: Sistemi di controllo intelligenti Oggetto di controllo dei sistemi di controllo intelligenti

L'articolo è anche disponibile (questo articolo disponibile anche):

introduzione

Il controllo intelligente è una generalizzazione del controllo semiotico, cognitivo e informativo. Nella gestione intelligente dei trasporti ci sono aree: sistemi di trasporto intelligenti, controllo semiotico intelligente e controllo cognitivo intelligente. Il controllo semiotico intelligente è associato a diverse forme di logica, un sistema di produzioni e algoritmi evolutivi. Il controllo cognitivo intelligente è considerato una sintesi del controllo umano del computer che utilizza canali associativi e analisi della conoscenza implicita. Il controllo intelligente è considerato un mezzo per prendere decisioni in condizioni di incertezza. La gestione intelligente delle informazioni è vista come un supporto alla gestione intelligente Tecnologie informatiche.

La necessità di un controllo intelligente

Man mano che la società si sviluppava e gli oggetti e i compiti della gestione diventavano più complessi, anche le tecnologie di gestione sono cambiate. Il problema più acuto nella gestione di situazioni complesse è stato il problema dei "big data". Crea una barriera informativa per le tecnologie" gestione organizzativa". Per gestione moderna caratterizzato dalla crescita di informazioni poco strutturate. Ciò provoca il passaggio al controllo intelligente, che, a sua volta, porta alla necessità di applicare le tecnologie di gestione della conoscenza. La base del controllo intelligente sono i sistemi intelligenti e le tecnologie intelligenti. Un sistema intellettuale è un sistema tecnico o software e hardware in grado di ottenere soluzioni creative a problemi appartenenti a una specifica area disciplinare, la cui conoscenza è archiviata nella memoria di tale sistema. Semplificata, la struttura di un sistema intelligente comprende tre blocchi principali: una base di conoscenza, un risolutore e un'interfaccia intelligente. Il risolutore è il componente dominante del sistema intelligente. Nella logica del primo ordine, un risolutore è un meccanismo per ottenere soluzioni alle espressioni logiche. Nei sistemi multi-agente, che appartengono al campo dell'intelligenza artificiale, viene utilizzato anche il concetto di risolutore. Un agente è un risolutore di problemi, ovvero un'entità software in grado di agire nell'interesse del raggiungimento degli obiettivi prefissati. Nella modellazione simbolica, un s-solver è un valore di specializzazione del messaggio. Efimov E.I. è stato uno dei primi a introdurre questo concetto in Russia. . Da questo breve elenco segue l'importanza del risolutore per i sistemi intelligenti e le tecnologie intelligenti.

Il controllo intellettuale nell'ambito della semiotica applicata

La semiotica studia la natura, i tipi e le funzioni dei segni, sistemi di segni e l'attività segnica di una persona, l'essenza segnica dei linguaggi naturali e artificiali per costruire una teoria generale dei segni. Nel campo della semiotica esiste una direzione "semiotica applicata", il cui fondatore è D.A. Pospelov.

In semiotica si distinguono due aree di applicazione dei segni: la cognizione e la comunicazione. Questo divide la semiotica in due parti: la semiotica della conoscenza; semiotica delle comunicazioni semantiche. La base del controllo intellettuale è il sistema semiotico. Secondo Pospelov, un sistema semiotico W è un otto ordinato di insiemi:

W=< T, R, A, P, τ, ρ, α, π>, (1)

dove
T è l'insieme dei simboli di base;
R è un insieme di regole sintattiche;
A - un insieme di conoscenze sull'area disciplinare;
P è l'insieme delle regole di inferenza decisionale (regole pragmatiche);
τ sono le regole per modificare l'insieme T;
ρ sono le regole per cambiare l'insieme R;
α sono le regole per cambiare l'insieme A;
π sono le regole per cambiare l'insieme P.

I primi due set generano la lingua del sistema W, e τ e ρ effettuare la sua modifica. regole α cambiare molte conoscenze sull'area tematica. Se consideriamo la conoscenza come assiomi di un sistema formale (che è formato dai primi quattro elementi di W), allora le regole α , in sostanza, cambia l'interpretazione dei simboli di base e, di conseguenza, delle formule ben formulate del linguaggio del sistema semiotico W.

I primi quattro insiemi formano il sistema formale FS, elementi dal quinto all'ottavo formano le regole per cambiare l'impianto formale. Così facendo, assicurano l'adattamento del sistema formale, "adattandolo" per risolvere problemi e problemi che sono all'interno del sistema FS non riesce a risolvere.

Pertanto, il sistema semiotico (1) può essere definito come un sistema dinamico composito: W= , dove Fsi- determina lo stato del sistema semiotico, e MFsi- la regola per cambiarne lo stato. In questo va notato che sebbene si parli di un sistema semiotico, di fatto un tale sistema descrive l'oggetto di controllo, cioè lo stato dell'oggetto di controllo e la sua dinamica.

Pertanto, il sistema semiotico può avere una nuova interpretazione. Sistema dinamico composito: W= Fsi, che definisce uno stato in una situazione informativa o una posizione informativa, dinamica MFsi, che definisce le regole per il passaggio dell'oggetto di controllo da una posizione informativa all'altra.

regole MFsi = (τ, ρ, α, π), cambiando lo stato del sistema formale (oggetto di controllo) sono collegati dalla dipendenza che esiste negli elementi del triangolo semiotico (triangolo di Frege). Ciò significa che l'applicazione di una delle regole di queste quattro comporta l'applicazione delle regole rimanenti.

Queste dipendenze sono complesse, la loro rappresentazione analitica è assente, e ciò presenta una difficoltà ed è oggetto di studio dei sistemi semiotici di intelligenza artificiale. Pertanto, è più facile applicare l'approccio informativo e la modellazione delle informazioni.

Estensioni dei sistemi di controllo formali sotto forma di componenti dinamiche MFsi fornire proprietà di apertura dei sistemi. Creano la possibilità di adattare l'oggetto di controllo alle influenze manageriali e al cambiamento delle condizioni esterne.

Questo, in particolare, consente di ampliare notevolmente le possibilità di supporto alle decisioni a fronte di incertezza, incompletezza e incoerenza delle informazioni iniziali.

Tipi di incertezze nell'implementazione del controllo intelligente

I metodi di controllo tradizionali, inclusi alcuni tipi di controllo intelligente, si basano sul presupposto che i modelli di stato e di controllo di un oggetto descrivono accuratamente il suo comportamento. I metodi basati su questa ipotesi sono inclusi nella teoria classica del controllo. Tuttavia, in condizioni di volumi crescenti, crescita di informazioni non strutturate e impatto dell'ambiente esterno, le deviazioni da questa condizione sono tipiche.

Quasi ogni modello è una descrizione semplificata di un oggetto reale, del suo stato e del suo comportamento. Il grado di semplificazione può essere accettabile o creare incertezza. Nella dinamica del comportamento dell'oggetto di controllo, alcune caratteristiche dell'oggetto possono cambiare in modo significativo nel corso del suo funzionamento. Tutto ciò crea incertezze in vari modelli di descrizione dell'oggetto e ne rende difficile la gestione, anche intellettuale. Un tipico modello di controllo alla base dell'algoritmo di controllo o di un insieme di regole di controllo stabilite è chiamato nominale.

In condizioni di significativa incertezza, i metodi classici della teoria del controllo sono inapplicabili o danno risultati insoddisfacenti. In questi casi è necessario utilizzare metodi speciali di analisi e sintesi di sistemi di controllo per oggetti con modelli incerti. Il primo passo è valutare il tipo e il valore dell'incertezza.

Esistono principali tipi di incertezze nei modelli di gestione: parametrici, funzionali, strutturali e di segnale.

Incertezza parametrica significa che i parametri costanti del modello sono sconosciuti o determinati in modo impreciso. Ad esempio, al posto dei valori in punti, ci sono valori di intervallo. Nel passaggio ai sistemi di misura delle informazioni si può parlare di assenza di certezza informativa dei parametri. Pertanto, in molti casi, i valori effettivi dei parametri possono differire in modo significativo dai valori nominali accettati.

L'incertezza del segnale significa che l'azione di controllo o i flussi di informazioni nel sistema di controllo sono influenzati da interferenze che modificano in modo significativo i segnali nominali. Tali segnali che deviano il processo di controllo da quello nominale sono chiamati disturbi o interferenze. La differenza è che l'interferenza è passiva e cambia solo il rapporto segnale-rumore. La perturbazione cambia il segnale con la stessa interferenza.

I moderni sistemi di controllo intelligenti devono garantire il funzionamento autonomo di molti oggetti tecnici correlati. Questo dà motivo di parlare di un sistema di controllo intelligente (IMS). Un sistema intelligente deve risolvere problemi complessi, tra cui pianificazione, definizione degli obiettivi, previsioni e così via. Per l'universalità, l'adattamento e l'accuratezza delle soluzioni, è consigliabile utilizzare un controllo intelligente multiuso.

L'architettura multilivello di un sistema di controllo intelligente si compone di tre livelli: concettuale, informativo e operativo (Fig. 1). Un sistema costruito secondo tale architettura controlla il comportamento di oggetti tecnici complessi in condizioni di interazione autonoma e collettiva. Il livello concettuale è responsabile dell'implementazione delle funzioni intellettuali superiori

Fig. 1. Controllo intelligente multilivello.

A livello concettuale, viene utilizzata una rappresentazione semiotica (di segno) della conoscenza e vengono scambiati messaggi con altri livelli. I livelli informativi e operativi contengono moduli che supportano varie procedure intellettuali e informative e le trasformano in controllo.

Il compito principale della gestione a livello concettuale è l'archiviazione, l'acquisizione e l'uso della conoscenza concettuale presentata in forma semiotica (simbolica).

Sistema dinamico composito: W= comprende due componenti: statico Fsi, che definisce la dinamica del sistema dei segni MFsi, che definisce il sistema di regole (Fig. 1).

L'acquisizione delle conoscenze si basa su un modello di una situazione reale nell'ambiente esterno. Le funzioni intellettuali più elevate includono le funzioni di definizione dell'obiettivo principale e dei sotto-obiettivi, di pianificazione del comportamento e di distribuzione degli impatti nel piano d'azione generale.

A livello di gestione delle informazioni, vengono risolti i compiti della modellazione delle informazioni, i principali dei quali sono: costruire una situazione informativa, posizione informativa, che corrispondono alla componente Fsi. A livello informativo di gestione, vengono risolti i compiti di costruzione di una struttura informativa, che riflette il sistema di regole del livello concettuale e corrisponde alla componente mfsi. L'ambiente linguistico del controllo semiotico a livello informativo è realizzato utilizzando varie unità informative. Che servono come base per costruire una situazione informativa, posizione informativa e costruzione dell'informazione.

A livello operativo (esecutivo), avviene l'attuazione decisioni di gestione(influenza manageriale). Le influenze di gestione cambiano necessariamente la posizione informativa dell'oggetto di controllo. Le azioni di gestione possono modificare, se necessario, la situazione informativa dell'oggetto di controllo. Allo stesso tempo, non è necessario modificare la situazione delle informazioni, il più delle volte. Il compito principale di questo livello è modificare lo stato e la posizione dell'oggetto di controllo e riportare le modifiche al livello concettuale.

L'architettura multilivello ha una serie di caratteristiche. Comprende una serie di funzioni cognitive umane. Si basa sull'uso di un approccio informativo al controllo intelligente.

Va notata la differenza tra tecnologie intellettuali e dell'informazione. La tecnologia dell'informazione svolge le funzioni di supporto del controllo intelligente. Il ruolo principale è svolto dalle tecnologie decisionali intelligenti. Consentono, insieme alla soluzione o nel corso dell'ottenimento di una soluzione, di cercare nuove conoscenze e accumulare risorse intellettuali. Le tecnologie dell'informazione creano solo risorse informative. Ciò significa che la conoscenza formalizzata in modo esplicito, una volta padroneggiata, può diventare parte dell'esperienza e della base di conoscenza ed essere da essa utilizzata per risolvere problemi e prendere decisioni.

Conclusione

Il controllo intelligente è efficace e necessario nella gestione di oggetti complessi per i quali è difficile o impossibile trovare modelli formali di funzionamento. Le basi del controllo intellettuale sono i modelli semiotici in primo luogo e i modelli informativi in ​​secondo luogo. I metodi di controllo intelligente sono diversi e applicabili ai sistemi tecnici, cognitivi e di trasporto. Il controllo intelligente è ampiamente utilizzato per il controllo multiuso. Il moderno controllo intelligente viene integrato nelle piattaforme e nei servizi cloud. Quando si gestiscono organizzazioni e aziende distribuite, diventa necessario tenere conto delle relazioni spaziali e della conoscenza spaziale. Un altro problema è il numero limitato di tecnologie intelligenti per lavorare con la conoscenza implicita. Tecnicamente, il problema della gestione della conoscenza è connesso con la trasformazione delle risorse informative in risorse intellettuali e la loro applicazione nelle tecnologie intellettuali.

Elenco bibliografico

UDC 004.896

IA Shcherbatov

CONTROLLO INTELLIGENTE DI SISTEMI ROBOT IN INCERTEZZA

introduzione

Controllo intelligente: l'uso di metodi di intelligenza artificiale per controllare oggetti di varia natura fisica. Nel campo del controllo dei sistemi robotici, i metodi di intelligenza artificiale sono i più utilizzati. Ciò è dovuto, in primo luogo, all'autonomia dei robot e alla loro necessità di risolvere compiti creativi non formalizzati in condizioni di informazioni incomplete e vari tipi di incertezza.

La classe specificata di problemi fino a poco tempo fa è rimasta prerogativa dell'intelligenza naturale: l'operatore dell'oggetto di controllo, l'ingegnere, lo scienziato, cioè una persona. I progressi moderni in teoria controllo automatico, metodi intelligenti per formalizzare compiti semistrutturati e gestire sistemi tecnici complessi consentono di implementare sistemi robotici molto complessi, che includono piattaforme robotiche mobili, linee automatizzate flessibili e robot Android.

I sistemi robotici operano in condizioni di informazioni di input incomplete, quando l'impossibilità fondamentale di misurare un certo numero di parametri impone restrizioni significative al programma di controllo. Ciò porta alla necessità di sviluppare un database di algoritmi che consentano, sulla base di segni indiretti e indicatori misurati, di calcolare parametri non misurabili.

L'incertezza dell'ambiente esterno in cui opera il sistema robotico rende necessario includere vari tipi di compensatori, moduli per l'adattamento, l'accumulo e la classificazione delle informazioni nel sistema di controllo.

Formulazione del problema

L'obiettivo della ricerca è stato quello di formare approcci alla costruzione di sistemi di controllo intelligenti per sistemi robotici che siano invarianti rispetto alle specifiche di funzionamento, tenendo conto dell'incompletezza delle informazioni in ingresso e diversi tipi incertezza.

Per raggiungere questo obiettivo, è necessario risolvere una serie di compiti interconnessi: analizzare le architetture dei sistemi di controllo intelligenti per i sistemi robotici; sviluppare un algoritmo generalizzato per l'identificazione situazionale di un sistema robotico; sviluppare uno schema generalizzato del sistema di controllo del sistema robotico; sviluppare sistemi di controllo intelligenti per un robot di manipolazione, una piattaforma robotica mobile e una linea automatizzata flessibile.

Metodi di ricerca

Nel corso della ricerca sono stati utilizzati metodi della teoria generale del controllo automatico, della teoria degli insiemi fuzzy, delle reti neurali, dell'analisi dei sistemi e della teoria delle valutazioni di esperti.

Posizione del sistema robotico nell'ambiente esterno

Per l'implementazione di algoritmi di controllo intelligenti, il compito principale è l'identificazione attuale della situazione in cui si trova il sistema robotico. Per risolvere questo problema è stato sviluppato uno schema a blocchi del sistema di identificazione situazionale (Fig. 1).

Il blocco della visione tecnica e della percezione sensoriale è progettato per determinare i cambiamenti nello stato dell'ambiente esterno e presentare una mappa sensoriale dell'ambiente per un'ulteriore elaborazione. La mappa sensoriale dell'ambiente è un'immagine della situazione in cui si trova il robot in questo momento. L'intervallo di tempo per la costruzione di una mappa sensoriale viene selezionato in base alle specificità dell'area tematica.

Base di conoscenza

Operatore

Intellettuale

interfaccia

Identificatore

algoritmi

Organi della visione tecnica e della sensazione sensoriale

Ambiente esterno

Esecutivo

meccanismi

Riso. 1. Schema a blocchi del sistema di identificazione situazionale

La memoria di lavoro, per analogia con i sistemi esperti, è progettata per elaborare informazioni provenienti da sensori ed elaborate utilizzando il database esistente di algoritmi e la base di conoscenza (KB) del sistema robotico.

La base degli algoritmi comprende algoritmi per la preelaborazione delle mappe dei sensori (elaborazione del segnale digitale, riconoscimento di immagini sonore e immagini), calcolo di parametri non misurabili (dipendenze funzionali dai parametri misurati), ripristino della completezza delle informazioni (verifica della completezza e incoerenza delle conoscenze, adattamento conoscenze che tengano conto della non stazionarietà e delle condizioni esterne variabili), operazioni matematiche, ecc.

La base di conoscenza è una complessa struttura gerarchica contenente a priori informazioni sull'ambiente esterno, dettate in fase di addestramento, conoscenze complete e coerenti acquisite dal robot nel processo di funzionamento e percezione dell'ambiente esterno. La conoscenza nella base di conoscenza è classificata in base ai segni di pertinenza e aggiornata tenendo conto dei cambiamenti nelle specifiche del funzionamento del robot sulla base di algoritmi di adattamento della conoscenza.

Il blocco più importante è l'identificatore di situazione. È questo blocco che è responsabile del corretto riconoscimento dell'immagine della situazione sulla base della mappa sensoriale. Le informazioni sul risultato di questo blocco sono decisive per la scelta del programma di controllo del sistema robotico.

E infine, un'interfaccia intelligente, necessaria per la comunicazione con l'operatore. L'operatore controlla il funzionamento del sistema robotico, oltre a monitorare il processo per raggiungere gli obiettivi prefissati. Di norma, la comunicazione tra un robot e un operatore dovrebbe avvenire utilizzando un'interfaccia in linguaggio naturale in un sottoinsieme limitato di linguaggio naturale.

La struttura del sistema di controllo di un sistema robotico in incertezza

L'implementazione di algoritmi e programmi per il controllo intelligente di sistemi robotici in condizioni di incertezza è associata a una serie di difficoltà significative.

La complessità degli algoritmi per l'elaborazione preliminare delle informazioni di input e l'incertezza strutturale del modello di comportamento del sistema robotico stesso determinano la ridondanza della struttura del sistema di controllo intelligente.

Per risolvere il problema del controllo di un robot in condizioni di incertezza, è stata progettata la seguente architettura del sistema di controllo intelligente (Fig. 2).

Il sistema di identificazione situazionale (SSI) dovrebbe far parte di qualsiasi sistema di controllo intelligente per un sistema robotico. Il dispositivo di controllo intelligente (ICU) contiene nella sua composizione una CU e un'unità di selezione del programma di controllo (BVPU). Lo scopo di questo blocco è generare un'azione di controllo per il sistema di azionamenti elettrici (EA) che agiscono sul sistema meccanico (MS) del robot.

Riso. 2. Schema strutturale del sistema di controllo intelligente del sistema robotico

Sistemi di controllo per manipolatori industriali

I sistemi di controllo tradizionali per manipolatori industriali sono suddivisi in diverse classi. La prima classe di sistemi è quella dei sistemi di controllo del programma.

Il sistema di controllo continuo del corpo di lavoro del manipolatore implica l'adattamento del manipolatore al modello di riferimento. Questo algoritmo di controllo non tiene conto delle perdite nell'MC del manipolatore e si presume che tutti gli sforzi sviluppati dagli azionamenti siano trasferiti al corpo di lavoro.

Il sistema di controllo software della forza nel corpo di lavoro viene utilizzato per controllare non solo il vettore di forza, ma anche il vettore di posizione del corpo di lavoro. Il sistema di controllo indipendente dello spostamento e della forza nel corpo di lavoro del manipolatore per vari gradi di libertà ha due circuiti di controllo con feedback: per posizione e per forza.

Nel sistema di controllo accoppiato di spostamento e forza nel corpo di lavoro del manipolatore, il compito secondo il vettore di posizione del corpo di lavoro viene corretto secondo il valore corrente del vettore di forza. Ciò significa che quando il corpo di lavoro si muove, l'ampiezza della sua corsa viene regolata in base alla forza dell'impatto sull'ambiente esterno.

I sistemi di controllo adattivo vengono utilizzati quando vengono eseguite le seguenti operazioni: prelievo di un oggetto posizionato o in movimento arbitrario, saldatura ad arco di cuciture con posizione variabile, evitando ostacoli in movimento e imprevisti. A tale scopo vengono utilizzati sistemi adattivi con memoria associativa.

Per controllare i manipolatori industriali vengono utilizzati anche robusti sistemi di controllo, attualmente ampiamente utilizzati nella pratica.

Realizzazione di controllo intelligente

Il problema del funzionamento di un sistema robotico in condizioni di incertezza è multiforme.

Si consideri il problema della pianificazione del comportamento di un sistema robotico in condizioni di incertezza. Per risolverlo, è molto opportuno utilizzare la tecnologia dei sistemi esperti dinamici. La base di conoscenze di un tale sistema esperto viene adattata nel tempo. Se viene utilizzata una base di regole di produzione, la composizione delle regole di produzione viene continuamente esaminata per verificarne la completezza e la coerenza. Inoltre, grazie agli algoritmi adattivi, le regole obsolete e obsolete vengono aggiornate e sostituite. Allo stesso tempo, viene data particolare attenzione alle problematiche della formazione di un sistema esperto senza insegnante (autoapprendimento), poiché il monitoraggio del sistema di uno specialista altamente qualificato non è economicamente fattibile.

Il blocco dell'autoapprendimento o dell'autotuning della base di conoscenza del sistema esperto richiede uno studio attento in fase di progettazione del sistema di controllo intelligente del sistema robotico.

mio. È dalla qualità di questa fase lavoro di progettazione spesso dipende dall'efficacia della risoluzione del problema. Dovrebbe includere sottosistemi per valutare la completezza e l'incoerenza delle conoscenze, valutare la qualità della gestione e correggere le conoscenze.

Cronologicamente, la fase successiva alla pianificazione del comportamento può essere il problema dell'invio di comandi di controllo a un sistema robotico in linguaggio naturale. Per creare un'interfaccia in linguaggio naturale, a nostro avviso, lo strumento di implementazione più appropriato è la teoria degli insiemi fuzzy.

Con l'aiuto di variabili linguistiche contenenti un certo insieme di termini precedentemente descritto, viene realizzata una descrizione dell'area disciplinare, un sistema limitato di comandi e oggetti che influenzano il sistema robotico e cambiano sotto la sua azione. I metodi di sfocatura e defuzzificazione utilizzati in questo caso, così come gli algoritmi di inferenza fuzzy, hanno un impatto significativo sull'accuratezza delle azioni di controllo dell'elaborazione e sulla velocità del sistema robotico.

E infine, l'uso di sistemi di controllo della rete neurale per i sistemi robotici. Il vantaggio principale di una rete neurale è che non è necessario conoscere o creare un modello matematico di un oggetto, poiché una rete neurale è un approssimatore fuzzy universale.

L'oggetto (sistema robotico) funge da "scatola nera". La rete neurale può fungere da modello di riferimento di un sistema robotico controllato. Va notato che questa dovrebbe essere una rete neurale multistrato di apprendimento (identificatore di oggetto). Il modello di rete neurale viene adattato all'oggetto di controllo non abbinando i segnali di uscita dell'oggetto e del modello. Costituisce anche un campione di addestramento per la regolazione e la correzione del dispositivo di controllo in base al criterio di qualità selezionato.

Conclusione

L'analisi svolta ha consentito di sintetizzare l'architettura di un sistema di controllo intelligente per sistemi robotici, invariante rispetto alle specificità di funzionamento. L'algoritmo di identificazione situazionale sviluppato consente di costruire mappe sensoriali altamente informative dell'ambiente esterno. Vengono descritti i principali approcci alla formazione di sistemi di controllo intelligenti per sistemi robotici. Vengono mostrate le direzioni dello sviluppo prospettico dei metodi più efficaci di intelligenza artificiale utilizzati per implementare i dispositivi di controllo.

BIBLIOGRAFIA

1. Yurevich E. I. Fondamenti di robotica. - San Pietroburgo: BHV-Pietroburgo, 2007. - 416 p.

2. Sistemi di manipolazione dei robot / ed. A. I. Korendyaseva. - M.: Mashinostroenie, 1989. - 472 pag.

3. Burdakov S. F. Sintesi di controller robusti con elementi elastici: Sat. scientifico tr. - N. 443. Meccanica e processi di controllo. - SPb.: SPbGTU, 1992.

4. Protalinsky O. M. Applicazione dei metodi di intelligenza artificiale nell'automazione dei processi tecnologici: monografia. - Astrakhan: Casa editrice di ASTU, 2004. - 184 p.

L'articolo è stato ricevuto dalla redazione il 13/01/2010

GESTIONE INTELLETTUALE DI SISTEMI ROBOTICI IN CONDIZIONI DI INCERTEZZA

IA Shcherbatov

Lo scopo del lavoro svolto è una formazione di approcci alla costruzione di sistemi di controllo intellettuale di sistemi robotici, invarianti rispetto alla specificità del funzionamento, considerando l'incompletezza delle informazioni di ingresso e vari tipi di incertezza. Viene svolta l'analisi, che ha permesso di sintetizzare l'architettura di un sistema di controllo intellettuale di sistemi robotici invariante rispetto alla specificità di funzionamento. L'algoritmo sviluppato di identificazione situazionale consente di costruire buone carte touch dell'ambiente. Vengono descritti gli approcci di base alla formazione dei sistemi di controllo intellettuale dei sistemi robotici. Vengono mostrate le direzioni di sviluppo prospettico dei metodi più efficaci dell'intelligenza artificiale applicata all'implementazione di dispositivi di attuazione.

Parole chiave: sistema robotico, robot, gestione intellettuale, incertezza strutturale, incompletezza della rete informativa, touch card, neurale, teoria degli insiemi indistinti, sistema esperto autodidatta.

TEMA 13. SISTEMI DI CONTROLLO INTELLIGENTE

Una nuova generazione di sistemi - i sistemi intelligenti (SI) - ha dato vita ad altri principi per l'organizzazione dei componenti del sistema, sono comparsi altri concetti, termini, blocchi che prima non si erano incontrati negli sviluppi e, quindi, nella letteratura scientifica.

I sistemi intelligenti sono in grado di sintetizzare un obiettivo, prendere una decisione per l'azione, fornire un'azione per raggiungere l'obiettivo, prevedere i valori dei parametri del risultato di un'azione e confrontarli con quelli reali, formare feedback, regolare l'obiettivo o controllo

La figura 13.1 mostra uno schema a blocchi dell'IS, dove sono evidenziati due grandi blocchi del sistema: la sintesi dell'obiettivo e la sua attuazione.

Nel primo blocco, basato sulla valutazione attiva delle informazioni ricevute dal sistema di sensori, in presenza di motivazione e conoscenza, viene sintetizzato un obiettivo e viene presa una decisione per l'azione. La valutazione attiva delle informazioni viene eseguita sotto l'influenza dei segnali di attivazione. La variabilità dell'ambiente e lo stato proprio del sistema possono portare a un bisogno di qualcosa (motivazione) e se la conoscenza è disponibile, un obiettivo può essere sintetizzato.

L'obiettivo è inteso come un'anticipazione mentale ideale del risultato di un'attività. Continuando a valutare attivamente le informazioni sull'ambiente e sullo stato del sistema, incluso l'oggetto di controllo, quando si confrontano le opzioni per raggiungere l'obiettivo, è possibile prendere una decisione per l'azione.

Inoltre, nel secondo blocco, il sistema dinamico esperto (DES), basato sulle informazioni attuali sull'ambiente e sul proprio stato dell'IS, in presenza di un obiettivo e di una conoscenza, esegue una valutazione esperta, prende una decisione sulla gestione, prevede i risultati di un'azione e sviluppa una gestione.

Il controllo presentato in forma codificata viene convertito in un segnale fisico e inviato agli attuatori.

L'oggetto di controllo, ricevendo un segnale dagli attuatori, esegue l'una o l'altra azione, i cui risultati, presentati sotto forma di parametri, vengono inviati attraverso il circuito di retroazione 2 al DES, dove vengono confrontati con quelli previsti. Allo stesso tempo, i parametri del risultato di un'azione, interpretati secondo le proprietà dell'obiettivo ed entrando nel blocco I, possono essere utilizzati per una valutazione emotiva del risultato raggiunto: ad esempio, l'obiettivo è stato raggiunto, ma il il risultato non è piaciuto

Se l'obiettivo viene raggiunto sotto tutti gli aspetti, la gestione viene rafforzata. In caso contrario, si verifica una correzione del controllo. Quando l'obiettivo è irraggiungibile, l'obiettivo viene corretto.

Va notato che con cambiamenti improvvisi dello stato dell'ambiente, o dell'oggetto di controllo, o del sistema nel suo insieme, è possibile sintetizzare un nuovo obiettivo e organizzarne il raggiungimento.

La struttura IS, insieme ai nuovi elementi, contiene elementi e connessioni tradizionali; un sistema esperto dinamico occupa un posto centrale in essa.

Blocco 1 - sintesi obiettivo Blocco II - realizzazione obiettivo

Figura 13.1 - Schema strutturale del PI

Formalmente, IS è descritto dalle seguenti sei espressioni:

T X S m T ;

T m S ST ;

C T S R T;

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

T Y = (D T) X T;

T R Y DA T ,

dove T è un insieme di punti temporali;

X, S, M, C, R e Y - insiemi di stati del sistema, ambiente, motivazione, obiettivo, risultato previsto e reale;

A, B e D - matrici di parametri;

Operatori di conversione intelligenti che utilizzano la conoscenza.

Questa descrizione combina le rappresentazioni di oggetti di sistema sotto forma di un insieme di valori, o un insieme di istruzioni o altre forme.

Le proprietà dinamiche dell'IS possono essere descritte nello spazio degli stati. Gli operatori intelligenti che implementano la percezione, la rappresentazione, la formazione di concetti, i giudizi e le inferenze nel processo cognitivo sono un mezzo formale per elaborare informazioni e conoscenze, oltre a prendere una decisione. Tutti questi aspetti dovrebbero costituire la base per la costruzione del DES, funzionante in tempo reale e nel mondo reale.

Un sistema esperto dinamico è una sorta di entità complessa in grado di valutare lo stato del sistema e dell'ambiente, confrontare i parametri dei risultati desiderati e reali di un'azione, prendere una decisione e sviluppare un controllo che contribuisce al raggiungimento dell'obiettivo . Per fare questo, DES deve avere un bagaglio di conoscenze e metodi per risolvere i problemi. Le conoscenze trasferite a un sistema esperto possono essere suddivise in tre categorie:

1) la conoscenza concettuale (a livello di concetti) è la conoscenza incarnata nelle parole del linguaggio umano o, più specificamente, in termini scientifici e tecnici e, naturalmente, nelle classi e proprietà degli oggetti ambientali dietro questi termini. Ciò include anche connessioni, relazioni e dipendenze tra concetti e loro proprietà, e connessioni astratte, espresse anche in parole e termini. La conoscenza concettuale è la sfera, principalmente, delle scienze fondamentali, dato che il concetto è il prodotto più alto del prodotto più alto della materia: il cervello;

2) la conoscenza fattuale e disciplinare è un insieme di informazioni sulle caratteristiche qualitative e quantitative di oggetti specifici. È a questa categoria di conoscenza che sono associati i termini "informazione" e "dati", sebbene un tale uso di questi termini ne sminuisca in qualche modo il significato. Qualsiasi conoscenza porta informazioni e può essere rappresentata come dati; la conoscenza dei fatti è ciò che è sempre stato affrontato macchine informatiche e di cosa si occupano di più finora. La forma moderna di accumulo di dati è solitamente chiamata database. Naturalmente, per organizzare le banche dati, per cercare in esse le informazioni necessarie, bisogna fare affidamento sulla conoscenza concettuale;

3) conoscenza algoritmica e procedurale: questo è ciò che viene comunemente chiamato le parole "abilità", "tecnologia", ecc. Nell'informatica, la conoscenza algoritmica viene implementata sotto forma di algoritmi, programmi e subroutine, ma non tutti, ma quelli che possono essere trasferito dalle mani alle mani e utilizzato senza la partecipazione degli autori. Tale implementazione della conoscenza algoritmica è chiamata prodotto software. Le forme più comuni di un prodotto software sono pacchetti software applicativi, sistemi software e altri incentrati su un'area specifica dell'applicazione DES. L'organizzazione e l'uso dei pacchetti applicativi si basano su conoscenze concettuali.

È chiaro che la conoscenza concettuale è una categoria di conoscenza più elevata e determinante, sebbene, dal punto di vista della pratica, altre categorie possano sembrare più importanti.

Questo è probabilmente il motivo per cui la conoscenza concettuale è raramente incarnata in una forma accessibile per l'elaborazione su computer. E se è incarnato, il più delle volte è incompleto e unilaterale. Nella maggior parte dei casi, la persona rimane portatrice di conoscenza concettuale. Questo rallenta l'automazione di molti processi.

Le rappresentazioni della conoscenza concettuale, o meglio, i sistemi che implementano tutte e tre le categorie di conoscenza, ma mettono in primo piano la conoscenza concettuale e funzionano sulla base del suo uso intensivo, sono chiamate basi di conoscenza.

La creazione e l'uso diffuso delle basi di conoscenza nell'IS è uno dei compiti più urgenti. La parte concettuale della base di conoscenza sarà chiamata modello di dominio, la parte algoritmica - il sistema software e la parte fattuale - il database.

La prossima funzione di DES è la risoluzione dei problemi. Un problema può essere risolto da una macchina solo se è formalmente dichiarato, se per essa è scritta una specifica formale. Quest'ultimo dovrebbe basarsi su una base di conoscenza. Il modello di dominio descrive l'ambiente generale in cui è sorta l'attività e la specifica descrive il contenuto dell'attività. Presi insieme, consentono di stabilire quali connessioni e dipendenze astratte, in quali combinazioni e in quale sequenza dovrebbero essere utilizzate per risolvere il problema.

I programmi applicativi sono gli strumenti concreti dietro queste dipendenze e contengono anche algoritmi per risolvere le equazioni risultanti. Infine, il database fornisce in tutto o in parte i dati iniziali per l'esecuzione di questi algoritmi; i dati mancanti devono essere contenuti nella specifica.

Queste tre parti delle basi di conoscenza corrispondono a tre fasi di risoluzione del problema:

1) costruzione di un programma astratto di soluzione (comprendente l'emergere di un problema, la sua formulazione e specificazione);

2) traduzione dell'incarico in un linguaggio macchina adeguato;

3) trasmissione ed esecuzione del programma.

La costruzione di un programma astratto è associata alla rappresentazione e all'elaborazione della conoscenza concettuale in IS e, per definizione, è proprietà dell'intelligenza artificiale.

L'intelligenza artificiale è associata all'elaborazione di testi, messaggi orali in linguaggio naturale, all'analisi e all'elaborazione di informazioni (riconoscimento di tutti i tipi di immagini, dimostrazione di teoremi, inferenza logica, ecc.).

Le funzioni DES sono anche la valutazione dei risultati della risoluzione del problema, la formazione dei parametri del risultato futuro dell'azione, la decisione di controllare, lo sviluppo del controllo e il confronto dei parametri dei risultati desiderati ed effettivi. Prevede la modellizzazione dei processi per valutare le possibili conseguenze e la correttezza della soluzione del problema.

Si noti che nei casi reali c'è un problema nel descrivere gli oggetti in studio. Tale descrizione non dovrebbe essere considerata parte della specificazione del compito, poiché, di norma, molti compiti sono assegnati a un oggetto, che, ovviamente, deve essere preso in considerazione quando si forma la base di conoscenza. Inoltre, può risultare che il problema che si è presentato non può essere risolto completamente in automatico, ad esempio a causa dell'incompletezza delle specifiche o della descrizione dell'oggetto.

Pertanto, nell'IS, in determinate fasi, è opportuno un modo di operare interattivo con DES. Va ricordato che il modello di dominio descrive l'ambiente generale (conoscenza) e la specifica descrive il contenuto dell'attività. Problemi molto importanti sono la creazione di un ambiente software unificato e la sintesi di algoritmi direttamente in base all'affermazione del problema.

A seconda dell'obiettivo che l'IS deve affrontare, la base di conoscenza, gli algoritmi per risolvere un problema, prendere una decisione, sviluppare il controllo possono, ovviamente, avere una rappresentazione diversa, che, a sua volta, dipende dalla natura della risoluzione dei problemi. Di conseguenza, si possono vedere tre tipi di DES. La struttura del DES del primo tipo è mostrata in Figura 13.2.

Figura 13.2 - La struttura del DPP del primo tipo

Si presume qui che la conoscenza concettuale e fattuale rifletta accuratamente i processi e le informazioni relative a una determinata area disciplinare.

Quindi la soluzione del problema che si pone in quest'area sarà ottenuta sulla base di rigorosi metodi matematici, in accordo con la formulazione e la specificazione. I risultati dello studio decisionale e della previsione vengono utilizzati per ottenere un parere di esperti e decidere sulla necessità della gestione. Quindi, sulla base di un opportuno algoritmo di controllo disponibile nella knowledge base, si forma un'azione di controllo.

L'efficacia e la consistenza di questo impatto, prima che entri nell'oggetto di controllo, viene valutata utilizzando un modello matematico di simulazione. La valutazione dovrebbe essere più veloce dei processi reali in IS.

Tuttavia, i processi decisionali di implementazione dei DES sono sistemi software complessi progettati per il processo decisionale automatico o per assistere i responsabili delle decisioni e nella gestione operativa di sistemi e processi complessi, di norma, operano con severi vincoli di tempo.

A differenza dei DES del primo tipo, progettati per trovare la soluzione ottimale e basati su metodi matematici rigorosi e modelli di ottimizzazione, i DES del secondo tipo sono principalmente focalizzati sulla risoluzione di problemi difficili da formalizzare in assenza di informazioni complete e affidabili (Fig. 13.3). Qui vengono utilizzati modelli esperti, costruiti sulla base delle conoscenze di esperti - specialisti in questa area problematica e metodi euristici per trovare una soluzione.

Uno dei problemi principali nella progettazione di un DES di secondo tipo è la scelta di un apparato formale per descrivere i processi decisionali e costruire sulla base un modello decisionale adeguato all'area problematica (semanticamente corretto). I sistemi di produzione sono solitamente utilizzati come tali apparati. Tuttavia, la ricerca principale viene svolta nel contesto di un'interpretazione algoritmica (deterministica) di un sistema di produzione con il suo schema sequenziale intrinseco per trovare una soluzione.

I modelli risultanti sono spesso inadeguati per aree problematiche reali caratterizzate da non determinismo nel processo di ricerca di una soluzione. La via d'uscita da questa situazione è il parallelismo nella ricerca.

In realtà, ci si dovrebbe concentrare sulla combinazione di DES del primo e del secondo tipo in un DES computazionale e logico del terzo tipo, in cui la base di conoscenza combina la descrizione sotto forma di rigorose formule matematiche con informazioni di esperti e, di conseguenza, anche metodi matematici per trovare una soluzione con metodi euristici non rigorosi, e il peso dell'uno o dell'altro il componente è determinato dalla possibilità di un'adeguata descrizione dell'area disciplinare e del metodo per trovare una soluzione (Fig. 13.4).

Figura 13.3 - La struttura del DES di secondo livello

Durante lo sviluppo di DES, sorgono i seguenti problemi:

1. determinazione della composizione della base di conoscenze e sua formazione;

2. sviluppo di nuove teorie e metodi noti per descrivere i processi informativi nell'IS;

3. sviluppo di modalità per rappresentare e organizzare l'uso della conoscenza;

4. sviluppo di algoritmi e software con parallelizzazione e utilizzo di “logiche flessibili”;

1. trovare ambienti informatici adatti per l'implementazione di algoritmi paralleli nella formazione di DES.

Figura 13.4 - Struttura del DES di terzo livello

Insieme a quanto sopra, è importante notare che il DES dovrebbe avere la proprietà di adattarsi a un'area problematica dinamica, la capacità di introdurre nuovi elementi e relazioni nella descrizione delle situazioni, cambiare le regole e le strategie per il funzionamento degli oggetti nella processo decisionale e sviluppo del controllo, lavoro con informazioni incomplete, confuse e contraddittorie, ecc.

I sistemi esperti dinamici funzionano come parte degli IS con feedback, pertanto è importante garantire il funzionamento stabile di tali IS.

Dalle posizioni tradizionali, possiamo supporre che la durata della risposta DES alle azioni di input, ad es. il tempo impiegato per elaborare le informazioni di input e generare l'azione di controllo è un puro ritardo. Sulla base dell'analisi della frequenza, è possibile stimare la variazione delle proprietà di fase del sistema e quindi determinare il margine di stabilità. Se necessario, il sistema può essere corretto per mezzo di filtri.

Tuttavia, dal punto di vista della teoria classica del controllo, gli IS sono sistemi multi-oggetto multipli connessi, la cui analisi di stabilità con metodi convenzionali è molto difficile.

Attualmente, la teoria del controllo robusto (-teoria del controllo, -controllo) è una delle branche in via di sviluppo intensivo della teoria del controllo. Relativamente giovane (i primi lavori sono apparsi all'inizio degli anni '80), nasce da problemi pratici urgenti nella sintesi di sistemi di controllo lineare multidimensionali operanti in condizioni di vario genere di disturbo e di variazione dei parametri.

È possibile affrontare il problema della progettazione del controllo di un oggetto reale complesso operante in condizioni di incertezza in un modo diverso: non cercare di utilizzare un tipo di controllo: adattivo o robusto. Ovviamente si dovrebbe scegliere il tipo che corrisponde allo stato dell'ambiente e del sistema, determinato dalle informazioni a disposizione del sistema. Se è possibile organizzare la ricezione delle informazioni durante il funzionamento del sistema, è consigliabile utilizzarle nel processo di gestione.

Ma l'attuazione di un tale controllo combinato, fino a poco tempo fa, incontrava difficoltà insormontabili nel determinare l'algoritmo per la scelta del tipo di controllo. I progressi compiuti nello sviluppo di problemi di intelligenza artificiale consentono di sintetizzare un tale algoritmo.

In effetti, fissiamoci il compito: progettare un sistema che utilizzi un controllo adattivo e robusto e selezioni il tipo di controllo basato su metodi di intelligenza artificiale. Per fare ciò, considereremo le caratteristiche di entrambi i tipi e, tenendo conto delle loro qualità specifiche, determineremo come costruire un sistema di controllo combinato.

Uno dei concetti di base nella teoria del controllo robusto è il concetto di incertezza. L'incertezza di un oggetto riflette l'imprecisione del modello a oggetti, sia parametrico che strutturale.

Consideriamo più in dettaglio le forme di impostazione dell'incertezza nella teoria del controllo robusto utilizzando un sistema semplice, con un input e un output (Figura 13.5).

I segnali hanno la seguente interpretazione: r - impostazione del segnale di ingresso; u - segnale di ingresso (ingresso) dell'oggetto; d - disturbo esterno; y - segnale di uscita (uscita) dell'oggetto, misurato.

Figura 13.5 - Sistema con un ingresso e un'uscita

Nella teoria del controllo, è conveniente specificare l'incertezza nel dominio della frequenza. Assumiamo che la funzione di trasferimento di una pianta normale sia P, e consideriamo una pianta perturbata la cui funzione di trasferimento,

dove W è una funzione di trasferimento fissa (funzione peso);

è una funzione di trasferimento stabile arbitraria che soddisfa la disuguaglianza.

Tale perturbazione sarà chiamata ammissibile. Di seguito sono riportate alcune opzioni per i modelli di incertezza:

Devono essere fatte ipotesi appropriate per le quantità e W in ogni caso.

L'incertezza dei segnali di ingresso d riflette la diversa natura dei disturbi esterni che agiscono sull'oggetto e sul controllore. Un oggetto indefinito può quindi essere visto come un insieme di oggetti.

Scegliamo alcune caratteristiche dei sistemi con feedback, ad esempio la stabilità. Il regolatore C è robusto rispetto a questa caratteristica se ce l'ha uno qualsiasi dell'insieme di oggetti definiti dall'incertezza.

Pertanto, il concetto di robustezza implica la presenza di un controller, un insieme di oggetti e la fissazione di una certa caratteristica del sistema.

In questo lavoro, non toccheremo l'intera serie di problemi risolti nell'ambito della teoria del controllo. Toccheremo solo il problema della minima sensibilità: la costruzione di un tale controllore C che stabilizzi il sistema chiuso e minimizzi l'influenza di disturbi esterni sull'uscita y, in altre parole, minimizza la norma della matrice delle funzioni di trasferimento dall'esterno disturbi all'uscita y.

Una delle caratteristiche per risolvere questo, e in effetti l'intera serie di robusti problemi di controllo, è il fatto che nel processo di progettazione del controller, impostiamo in anticipo restrizioni sulle azioni di input e l'incertezza dell'oggetto sotto forma di disuguaglianze .

Durante il funzionamento di un sistema robusto, le informazioni sulle incertezze nel sistema non vengono utilizzate per il controllo.

Naturalmente, questo porta al fatto che i sistemi robusti sono conservativi e la qualità dei processi transitori a volte non soddisfa gli sviluppatori di questi sistemi.

Come un robusto sistema di controllo adattivo, è costruito per oggetti, informazioni su quali o sugli impatti sui quali non sono disponibili all'inizio del funzionamento del sistema. Molto spesso, la proprietà di adattamento si ottiene attraverso la formazione in forma esplicita o implicita di un modello matematico di un oggetto o di un'azione di input.

Questa è la differenza tra sia il controllo adattivo esplorativo, che si basa sulla ricerca e la ritenzione dell'estremo dell'indice di qualità del controllo, sia il controllo senza ricerca, che si basa sulla compensazione per la deviazione dei cambiamenti effettivi nelle coordinate controllate dai cambiamenti desiderati corrispondente al livello richiesto dell'indice di qualità. Inoltre, secondo il modello raffinato, il controller adattivo viene regolato.

Pertanto, la caratteristica principale dei sistemi di controllo adattivi è la capacità di ottenere informazioni nel processo operativo e di utilizzare queste informazioni per il controllo.

Inoltre, nei sistemi adattivi, vengono sempre utilizzate informazioni a priori sull'incertezza nel sistema. Questa è la differenza fondamentale tra l'approccio adattivo e quello robusto.

Si consideri il più semplice sistema di controllo adattativo che fornisce il tracciamento del segnale di ingresso in presenza di rumore all'ingresso dell'oggetto (Figura 13.6).

Foto. 13.6 - Sistema di controllo adattativo

La differenza formale dal circuito di Figura 13.5 è il blocco di adattamento A, che, in base al segnale di uscita dell'oggetto e al segnale che caratterizza la qualità data, genera un segnale per la regolazione dei coefficienti del controller adattativo.

Tenendo presente le carenze di ciascuno dei regolatori, è opportuno cercare di sfruttarne i vantaggi proponendo uno schema combinato di gestione dell'oggetto. Un sistema adattivo, con l'aiuto di un blocco di adattamento, genera alcune informazioni sullo stato dell'ambiente esterno. In particolare, nel caso in esame, si possono ottenere informazioni sulla perturbazione esterna d. L'algoritmo di controllo C a corrisponde allo stato attuale dell'ambiente esterno, secondo il criterio previsto nel blocco di adattamento. Ma il sistema adattativo richiede che il segnale di ingresso r abbia un intervallo di frequenza sufficientemente ampio e impone severe restrizioni al valore e allo spettro di frequenza del segnale di disturbo esterno d. Pertanto, i sistemi adattativi possono funzionare solo in gamme ristrette del segnale di ingresso r e del disturbo esterno d. Al di fuori di questi intervalli, il sistema adattivo ha una bassa qualità di controllo e può persino perdere stabilità.

Le proprietà di cui sopra del controllo robusto e adattivo portano alla conclusione che nel processo di funzionamento del sistema, in alcuni casi è vantaggioso utilizzare un controllo robusto, in altri - adattivo, ad es. essere in grado di combinare il controllo a seconda dello stato dell'ambiente esterno.

Gestione combinata. La questione principale nella progettazione di sistemi di controllo combinati è come, sulla base di quali conoscenze (informazioni) selezionare l'uno o l'altro tipo di controllo.

Le maggiori opportunità per questo sono i metodi dell'intelligenza artificiale. Il loro vantaggio rispetto ai semplici algoritmi di commutazione è l'uso di un'ampia gamma di dati e conoscenze per formare un algoritmo per la scelta del tipo di controllo.

Se combiniamo formalmente i circuiti mostrati nelle Figure 13.5, 13.6, otteniamo un circuito di controllo combinato (Figura 13.7).

Come si può vedere dalla figura, il segnale di controllo e deve passare da un controllore robusto ad uno adattivo e viceversa - poiché l'ambiente cambia durante il funzionamento del sistema. Utilizzando i metodi della teoria dei sistemi intelligenti, è possibile garantire il passaggio da un tipo di controllo all'altro, a seconda delle condizioni operative del sistema.

Figura 13.6 - Schema di controllo combinato

Consideriamo innanzitutto quali informazioni possono essere utilizzate per il funzionamento dell'unità intelligente del sistema. Come è noto, i sistemi con un ingresso e un'uscita sono ben descritti nel dominio della frequenza. Pertanto, è naturale utilizzare le caratteristiche di frequenza per organizzare il processo decisionale nella scelta del tipo di controllo.

Come accennato in precedenza, la risposta in frequenza di un sistema con controllo robusto corrisponde alla peggiore combinazione di parametri nella regione di incertezza. Pertanto, il controllo robusto può essere considerato uno dei limiti del controllo selezionato.

Un altro limite è determinato dalle capacità del sistema in esame (velocità dell'azionamento, rapporto peso/potenza, ecc.). Tra questi due confini c'è l'area in cui è ragionevole utilizzare il controllo adattivo.

Figura 13.7 - Schema di controllo combinato

Poiché l'algoritmo adattivo è sensibile alla fase iniziale del funzionamento del sistema, è consigliabile utilizzare in questa fase un controllo robusto, che è sufficientemente insensibile alla velocità di variazione dell'interferenza esterna. Ma il suo svantaggio è la lunga durata dei processi transitori e gli ampi valori consentiti della coordinata di output sotto l'influenza dell'interferenza.

Dopo un po' di tempo, ha senso passare dal controllo robusto al controllo adattivo.

Il controllo adattivo consente di tracciare con maggiore precisione il segnale di ingresso in presenza di informazioni sull'interferenza. Il controllo adattivo richiede la ricchezza dello spettro del segnale di ingresso e, ad esempio, con segnali che cambiano lentamente, i processi di adattamento possono essere interrotti o possono essere gravemente rallentati. In una situazione del genere, è necessario tornare a un controllo robusto, che garantisce la stabilità del sistema.

Ne consegue che per il funzionamento del sistema è necessario disporre di informazioni sullo spettro di frequenza del segnale di disturbo utile e sul rapporto segnale/rumore.

Inoltre, sono richieste informazioni preliminari sullo spettro di frequenza su cui opera il sistema adattativo e sulle caratteristiche particolari dell'oggetto di controllo ai confini della regione di incertezza. Da queste informazioni è possibile formare un database in cui vengono preventivamente inserite informazioni, individuali per ogni classe di oggetti. Le informazioni sullo spettro di frequenza del segnale utile, sulle interferenze e sul rapporto segnale/rumore entrano nel database durante il funzionamento del sistema e vengono costantemente aggiornate.

I contenuti del database possono essere utilizzati nella base di conoscenza, che è formata sotto forma di regole. A seconda delle proprietà specifiche del sistema, è possibile impostare due tipi di commutazione di controllo. Le regole richieste sono formate in uno dei sistemi logici adatti al caso in esame.

Disponendo di banche dati e conoscenze, è possibile sviluppare un meccanismo decisionale che assicuri la corretta scelta del tipo di controllo in funzione delle condizioni operative del sistema.

Figura 13.8 - Schema strutturale di un sistema con un'unità intelligente (IB)

La parte intellettuale del sistema opera in modo discreto, a intervalli di tempo specificati. La Figura 13.8 mostra uno schema a blocchi di un sistema con un blocco IS intelligente che fornisce una scelta del tipo di controllo.

L'ingresso del blocco riceve il segnale r e il segnale di uscita misurato dell'oggetto y. Nel blocco di pre-elaborazione dell'informazione del BPOI, le caratteristiche di frequenza del segnale di ingresso r(w) e del disturbo esterno d(w), la posizione relativa degli spettri r(w) e d(w) e il rapporto segnale/rumore caratteristico r(w)/d(w). Tutte queste informazioni entrano nel database del database. Il blocco decisionale BPR, utilizzando la knowledge base KB generata e i dati DB, sviluppa una decisione in base alla quale viene attivato uno dei tipi di controllo. All'intervallo successivo, il processo viene ripetuto utilizzando nuovi dati.

INTRODUZIONE

Le condizioni operative dei moderni complessi tecnologici portano alla necessità di tenerne conto nel processo di controllo e gestione i seguenti tipi di incertezza:

1. Bassa accuratezza delle informazioni operative ricevute dagli oggetti di controllo, derivanti dal grande errore dei sensori per la misurazione dei parametri tecnologici (flusso, pressione, ecc.), dalla loro bassa affidabilità, dai guasti dei canali di comunicazione, dal grande ritardo nella trasmissione delle informazioni attraverso i livelli di controllo, dalla mancanza della possibilità di misurare i parametri punti del processo tecnologico richiesto per i modelli.

2. Inesattezza dei modelli degli oggetti di controllo e di gestione, causato da: non equivalenza di soluzioni di modelli gerarchici sistemici multilivello e singoli problemi locali utilizzati nella pratica; scomposizione errata del compito di controllo generale, eccessiva idealizzazione del modello di processo tecnologico, rottura dei collegamenti essenziali nel complesso tecnologico, linearizzazione, discretizzazione, sostituzione delle caratteristiche effettive dell'apparecchiatura con quelle del passaporto, violazione delle ipotesi fatte nella derivazione delle equazioni (stazionarietà, isotermia, omogeneità, ecc.).

3. Fuzziness nel processo decisionale nei sistemi gerarchici multilivello, per il fatto che la presenza di obiettivi chiari (accurati) e decisioni di coordinamento ad ogni livello di controllo e gestione, e per ogni dispositivo di controllo locale, complica il processo di coordinamento e predetermina la lunga natura iterativa delle decisioni di coordinamento.

4. La presenza di un operatore umano, incluso uno spedizioniere nel circuito di controllo e condurre il processo di coordinamento in un vero e proprio sistema produttivo in linguaggio naturale, porta alla necessità di tenere conto delle difficoltà di rappresentare le conoscenze del dispatcher sotto forma di algoritmi e della coerenza della soluzione ottenuta dal computer con la sua valutazione.

“L'eccessivo desiderio di precisione ha iniziato ad avere un effetto che annulla la teoria del controllo e la teoria dei sistemi, poiché porta al fatto che la ricerca in questo settore si concentra su quei e solo quei problemi che si prestano a una soluzione esatta. Molte classi di problemi importanti in cui dati, obiettivi e vincoli sono troppo complessi o mal definiti per consentire un'analisi matematica accurata sono stati e rimangono esclusi per il solo motivo che non sono suscettibili di trattamento matematico.

L.Zadeh

Tra moderno processi di produzione ce ne sono molti che hanno un complesso di qualità inaspettate per la teoria classica del controllo automatico (TAU). Questo "scomodo" o, come vengono comunemente chiamati, "debolmente strutturato" o "mal definito" gli oggetti hanno proprietà come unicità, mancanza di un obiettivo formalizzato di esistenza e ottimalità, non stazionarietà della struttura e dei parametri, incompletezza o quasi totale assenza di una descrizione formale dell'oggetto.

Fondamenti concettuali

gestione in condizioni di incertezza

Fattori di incertezza, che sono intese come fonti di incertezza, sono piuttosto convenzionalmente suddivise nei seguenti tre grandi gruppi:

1. incertezza e informazioni incomplete sulla situazione, che viene utilizzato per prendere una decisione sulla valutazione della qualità del funzionamento o formare la gestione del funzionamento del sistema - fattore di incertezza del sistema e dell'ambiente;

2. fattori generati dall'incertezza, dal pensiero sfocato e dalla conoscenza umana- incertezza che si manifesta nell'interazione di una persona con il sistema e il suo ambiente;

3. incertezze, sfocatura(imprecisione) conoscenza accumulata, concentrato nelle basi di conoscenza dei sistemi intelligenti artificiali, l'incertezza di far funzionare questa conoscenza nel processo di attuazione quelle o altre procedure logiche e logico-algebriche per la raccolta e l'elaborazione delle informazioni, lo sviluppo, la scelta e l'assunzione di decisioni gestionali.

Classificazione dei fattori (fonti) di incertezza, che richiedono la loro considerazione nello studio di sistemi complessi, è mostrato in Fig. B.1.

Fig.B.1. Classificazione dei fattori di incertezza

Metodologia per l'analisi e la contabilizzazione dei fattori di incertezza in

gestione in complessi sistemi organizzativi e tecnici...

(ACS con sistemi di supporto alle decisioni DSS e DSS e sistemi decisionali)

1. Problemi e formalizzazione generalizzata dei compiti di sviluppo e applicazione

prendere decisioni manageriali in condizioni di incertezza….

2. Approccio deterministico del gioco al processo decisionale in condizioni

di fronte all'incertezza …………..……………..……………………..

3. Approccio stocastico alla risoluzione dei problemi del processo decisionale

condizioni di incertezza …………………………………………………

4. Probabilità - approccio statistico al processo decisionale negli Stati Uniti

condizioni di incertezza …………………………………………………..

5. Approccio probabilistico al processo decisionale in condizioni di incertezza

pigrizia …………………………………………………………………………

6. Fuzzy - approccio stocastico al processo decisionale in condizioni

incertezza ………………………………..…………………………..

7. Teoria della possibilità e problema del processo decisionale in condizioni

incertezze …………………….………………………………………

8. Fuzzy: approccio possibilistico al processo decisionale in condizioni

incertezze …………………………………………………………….

9. Approccio linguistico al processo decisionale in condizioni di incertezza

divisioni..…………………………..…………………………………….

Il controllo di oggetti semistrutturati è, dal punto di vista del TAU classico, un compito piuttosto complesso, praticamente irrisolvibile. Ciò è dovuto al fatto che quando si costruisce un sistema di controllo automatico tradizionale (ACS), è necessario prima descrivere formalmente l'oggetto del controllo e formare criteri di controllo basati sull'apparato matematico che opera con categorie quantitative. Se non è possibile fornire una descrizione matematica esatta dell'oggetto ei criteri per gestirlo in termini quantitativi, il TAU tradizionale risulta inapplicabile.

Ad esempio, il classico TAU con sistemi deterministici e stocastici viene utilizzato con successo per costruire ACS per aerei, centrali elettriche, ecc., ma tenta di estendere i metodi tradizionali ad aree come la biosintesi, i processi chimici e tecnologici multifase associati alla tostatura, alla fusione , catalisi ecc., non hanno dato risultati pratici tangibili, nonostante i metodi matematici sempre più complicati della loro descrizione.

Tuttavia, in pratica, tali oggetti semistrutturati sono gestiti con successo da un operatore umano, che è aiutato dalla capacità di osservare, analizzare e ricordare informazioni, trarre determinate conclusioni, ecc. e, di conseguenza, fare le giuste decisioni in un ambiente di informazioni incomplete e confuse. Grazie al tuo intelletto, una persona può operare non solo con il quantitativo(che in una certa misura la macchina può), ma anche con concetti qualitativi non formalizzati, per cui affronta con successo l'incertezza e la complessità del processo di gestione. Pertanto, la costruzione di modelli di ragionamento umano approssimativo e il loro utilizzo in ACS è oggi una delle direzioni più importanti nello sviluppo della TAU.

Non c'è dubbio che un aumento significativo dell'efficienza nella gestione di oggetti complessi risiede nella creazione di ACS intelligenti in grado di riprodurre in una certa misura determinate azioni intellettuali di una persona relative all'acquisizione, analisi, classificazione delle conoscenze nell'area disciplinare di ​​controllo di processo, nonché le conoscenze operative accumulate dall'operatore umano o dal sistema stesso nel corso delle attività pratiche di gestione dell'oggetto.

La necessità di lavorare in queste condizioni rende difficile l'utilizzo di sistemi di automazione standard e sistemi di controllo di processo. Particolarmente difficile è la descrizione delle aree delle modalità di funzionamento consentite delle apparecchiature in tali condizioni quando l'impostazione di restrizioni rigorose (chiare) per i sistemi di controllo del processo e i sistemi di automazione porta allo spegnimento automatico o manuale di questi sistemi. Pertanto, è estremamente importante poter utilizzare per la descrizione e la formalizzazione delle aree delle modalità operative consentite delle apparecchiature teorie dell'intelligenza artificiale (AI) e dei sistemi intelligenti (IS).

A causa del rapido sviluppo della tecnologia informatica negli ultimi tempi iniziò l'uso di nuovi metodi di controllo intelligente nell'industria. E sebbene le prime applicazioni dell'ACS intelligente siano avvenute in Europa, tali sistemi sono implementati in modo più intensivo in Giappone. La gamma delle loro applicazioni è ampia: dal controllo robot industriali, impianti di distillazione e altiforni a lavatrici, aspirapolvere e forni a microonde. Allo stesso tempo, i sistemi di controllo automatico intelligenti consentono di migliorare la qualità del prodotto riducendo i costi di risorse ed energia e offrono una maggiore resistenza ai fattori di disturbo rispetto ai tradizionali sistemi di controllo automatico.

Un sistema intelligente lo è(K.A. Pupkov) un insieme di mezzi tecnici e software uniti da un processo informativo, lavorando in collaborazione con una persona (un team di persone) o autonomamente, in grado di sintetizzare un obiettivo, prendere una decisione per l'azione e trovare modi razionali per raggiungere gli obiettivi .

La principale caratteristica architettonica che la contraddistingue sistemi di controllo intelligenti (IMS) da "traditional"è un meccanismo per ottenere, archiviare ed elaborare la conoscenza per implementare le sue funzioni.

La creazione di sistemi di controllo intelligenti si basa su due principi: il controllo situazionale (controllo basato sull'analisi di situazioni o eventi esterni) e l'uso delle moderne tecnologie informatiche per l'elaborazione della conoscenza (sistemi esperti, reti neurali artificiali, logica fuzzy, algoritmi genetici, e molti altri).

Programmi №14 ricerca fondamentale OEMMPU RAS

"ANALISI E OTTIMIZZAZIONE DEL FUNZIONAMENTO DEI SISTEMI DI CONTROLLO MULTILIVELLO, INTELLIGENTE E DI RETE IN INCERTEZZA"

1. Motivazione del Programma

1.1. Scientifico e significato pratico

L'intenso sviluppo della tecnologia (rete, miniaturizzazione dei computer, aumento della loro velocità, ecc.) impone nuovi requisiti ai moderni sistemi di controllo e apre nuove opportunità sia a livello di sistemi di controllo embedded (a livello di grandi centri di spedizione) che a livello di l'interazione a livello di rete (rete di comunicazione, gruppo) di sistemi multi-agente decentralizzati. I sistemi di controllo stanno acquisendo sempre più il carattere di sistemi di informazione e controllo e vengono studiati all'intersezione tra le teorie del controllo, dell'informatica e della comunicazione. Pertanto, è necessario tenere conto delle proprietà dei canali di comunicazione (comunicazioni), ad esempio nei sistemi decentralizzati (multi-agente) e le caratteristiche del computer integrato sono importanti quando si implementano tali funzioni intellettuali nei sistemi di controllo multilivello come tecnici visione, pianificazione dell'azione, formazione, processo decisionale multi-criterio, riflessione, ecc. In particolare, l'intellettualizzazione del controllo è finalizzata ad aumentare il grado di autonomia del funzionamento dei sistemi, quando l'assenza di modelli quantitativi di dinamiche o disturbi nel funzionamento dell'oggetto di controllo, provocando la perdita dell'adeguatezza dei modelli quantitativi (ad esempio, equazioni che descrivono l'evoluzione di un sistema complesso), valorizzano il ruolo di qualitativo (la cosiddetta "conoscenza", ad esempio logico-linguistica) modelli dell'oggetto e dell'ambiente utilizzati ai livelli superiori del sistema di controllo.

Il programma mira a risolvere i problemi fondamentali che sorgono nelle aree prioritarie della scienza, della tecnologia e dell'ingegneria Federazione Russa. Il compito è di ottenere nuovi risultati fondamentali e applicati nel campo della teoria del controllo per sistemi tecnici complessi, uomo-macchina e altri, tenendo conto dell'incertezza e della mancanza di informazioni iniziali, tra cui: la teoria dell'analisi e della sintesi dei sistemi stocastici, la teoria della creazione di sistemi di controllo del movimento e processi tecnologici, con la diagnostica corrente e il controllo della condizione tecnica, nonché la teoria della creazione di sistemi di progettazione automatizzati e di controllo intelligente basati sulle moderne tecnologie dell'informazione.

A causa della varietà di utilizzo della teoria del controllo, dell'analisi e dell'ottimizzazione in varie applicazioni (trasporti, logistica, produzione, sistemi aeronautici e spaziali, sottomarini e navi di superficie, ecc.), è necessario tenere conto di un gran numero di fattori di complessità , come:

gestione multilivello,

decentramento,

non linearità

La molteplicità

Distribuzione dei parametri

variabilità dei processi nello spazio e nel tempo,

alta dimensione,

Eterogeneità della descrizione dei sottosistemi,

multimodalità,

La presenza di influenze impulsive,

la presenza di perturbazioni coordinate-parametriche, strutturali, regolari e singolari,

l'uso di modelli deterministici e probabilistici per descrivere l'incertezza delle informazioni sul vettore di stato e sui parametri di sistema, sulle proprietà degli errori di misura e sull'ambiente,

la presenza di effetti di ritardo nel controllo o nell'oggetto,

· complessità strutturale generale dei moderni sistemi di controllo.

Per raggiungere l'obiettivo prefissato e risolvere i compiti principali, il Programma prevede attività di ricerca e sviluppo nelle seguenti aree principali:

1. Analisi e ottimizzazione del funzionamento in diverse scale temporali di sistemi di controllo multilivello con informazione incompleta.

2. Gestione e ottimizzazione in sistemi multilivello e decentrati di natura organizzativa e tecnica.

2.1. Controllo e ottimizzazione in sistemi network-centric.

2.2. Controllo intelligente degli oggetti in movimento.

2.3. Modellazione e ottimizzazione di sistemi informativi e di controllo multilivello in tempo reale.

Direzione 1. Analisi e ottimizzazione del funzionamento in diverse scale temporali di sistemi di controllo multilivello con informazioni incomplete

La complessità di molti moderni sistemi di controllo spesso non consente di ottenere in anticipo una descrizione completa dei processi che avvengono all'interno del sistema e della sua interazione con l'ambiente. Di norma, i sistemi reali sono descritti da equazioni dinamiche non lineari e molto spesso i modelli matematici dei sistemi di controllo tengono conto solo degli intervalli consentiti di modifica dei parametri e delle caratteristiche dei singoli elementi senza specificare questi parametri e caratteristiche stessi.

Inoltre, in alcuni sistemi, in particolare micromeccanici e quantistici, l'uso dei metodi classici di descrizione a tempo continuo o discreto è difficile perché le forze di interazione interne e/o esterne emergenti, così come le azioni di controllo, sono transitorie, impulsive in natura e non possono essere calcolati con precisione. Il sistema sembra operare su scale temporali diverse: reale (lento) e veloce (impulso). Tale multiscalabilità temporale è una proprietà interna di molti sistemi di controllo moderni, compresi i sistemi con controllo multilivello, in cui i livelli superiori utilizzano modelli qualitativi e discreti, mentre i livelli inferiori utilizzano più spesso modelli quantitativi a tempo continuo.

Per questo motivo, lo sviluppo di metodi per la formalizzazione matematica della descrizione del funzionamento di tali sistemi in tempo ibrido (continuo-discreto), lo studio delle loro proprietà di controllabilità e stabilità in condizioni di informazione incompleta, contrasto e restrizioni non standard sui controlli e sulle variabili di fase è un compito urgente. Lo stesso compito urgente è lo sviluppo di metodi per la sintesi del controllo ottimo di tali sistemi continuo-discreti, sia deterministici che stocastici.

Inoltre, in condizioni di incertezza e mancanza di informazioni a priori, sono molto rilevanti i problemi di ottimizzazione del processo di raccolta ed elaborazione delle informazioni (gestione dell'osservazione e filtraggio ottimale).

Direzione 2. Gestione e ottimizzazione in sistemi multilivello e decentralizzati di natura organizzativa e tecnica

2.1. Controllo e ottimizzazione in sistemi network-centric

I moderni sistemi organizzativi e tecnici complessi sono caratterizzati da elevata dimensionalità, decentramento, gestione multilivello, necessità di un'efficace pianificazione delle attività, tenendo conto della formazione, della multicriteria delle decisioni prese e del riflesso delle entità controllate.

I problemi di pianificazione e controllo di sistemi multiconnessi distribuiti discreti e continui di grande dimensione sono caratterizzati anche da processi a diverse scale non solo nel tempo, ma anche nella distribuzione e scala nello spazio e rappresentano una delle classi più complesse e dispendiose in termini di tempo di problemi di ottimizzazione. Per questo motivo, è opportuno sviluppare metodi e approcci di ricerca per trovare soluzioni esatte e approssimative, nonché strumenti di simulazione da utilizzare nei sistemi di supporto alle decisioni per la pianificazione, la progettazione e la gestione di sistemi tecnici, organizzativi (compresi trasporti e logistica) e informativi complessi .

Gestire l'interazione di gruppo di componenti di sistemi organizzativi e tecnici decentralizzati (sistemi incentrati sulla rete, sistemi di produzione, informatica, telecomunicazioni e altre reti, ecc.) In condizioni di restrizioni sui canali di comunicazione e complessità dei calcoli, caratteristiche dell'elaborazione delle informazioni processi, nonché restrizioni sui tempi decisionali, capacità di calcolo e velocità di trasmissione dei canali di comunicazione. Pertanto, è rilevante sviluppare metodi per ottimizzare (tenendo conto dei limiti di cui sopra) la struttura di sistemi organizzativi e tecnici complessi, anche tenendo conto di molti criteri contemporaneamente: il dettaglio dei dati iniziali, l'efficienza della raccolta delle informazioni , pianificazione e processo decisionale riflessivo, le prestazioni limitate dei singoli computer, riducendo la duplicazione del lavoro, nonché la proporzione di calcoli ausiliari associati al mantenimento della trasmissione dei dati.

I sistemi multilivello e decentralizzati sono caratterizzati da un processo decisionale distribuito in tempo reale di fronte alla controreplica informativa, nonché da incompletezza ed eterogeneità delle informazioni, spesso di natura qualitativa e soggettiva multi-criterio. Per questo è necessario sviluppare modalità per realizzare adeguati sistemi di supporto informativo e supportare l'adozione di decisioni strategiche e operative in condizioni di incompletezza informativa e di contrasto. Per questo, è opportuno, in particolare, sviluppare: modelli multi-agente di sistemi organizzativi e tecnici dinamici, inclusi modelli di rete con agenti in conflitto, modelli di comportamento di gruppo e sua previsione, valutazione dell'equilibrio degli interessi e formazione di coalizioni in questi sistemi, così come lo sviluppo di tecnologie dell'informazione e strumenti di presentazione delle informazioni sull'ambiente esterno e la conoscenza degli agenti intelligenti.

2.2. Controllo intelligente degli oggetti in movimento

Per risolvere i compiti assegnati, è tutt'altro che sempre possibile creare modelli quantitativi, pertanto, insieme ai metodi tradizionali, il Programma utilizza metodi di intelligenza artificiale. L'intelligenza artificiale, come campo della conoscenza, ha compiuto negli ultimi cinquant'anni un enorme balzo in avanti sia nello sviluppo e nell'affinamento del concetto stesso di intelligenza, sia nel campo dell'applicazione pratica dell'intelligenza artificiale in vari campi dell'attività umana: in tecnologia, economia, affari, medicina, istruzione, ecc. Molte disposizioni teoriche e metodi dell'intelligenza artificiale sono stati trasformati in tecnologie intelligenti applicate basate sulla conoscenza.

La particolarità della moderna generazione di sistemi intelligenti è che si basano su un modello complesso dell'ambiente esterno, che tiene conto sia delle informazioni quantitative che dei modelli qualitativi: la conoscenza del possibile comportamento di vari oggetti dell'ambiente esterno e delle loro interconnessioni. L'uso di tali modelli è diventato possibile grazie allo sviluppo di metodi per rappresentare la conoscenza, metodi per integrare dati da diverse fonti, un aumento significativo della velocità e della memoria dei computer.

La presenza di un modello dell'ambiente esterno consente ai moderni sistemi di controllo intelligente per oggetti in movimento di prendere decisioni in condizioni di multicriteri, incertezza e rischio, e la qualità di queste decisioni può superare la qualità delle decisioni prese da una persona che si trova in condizioni di sovraccarico di informazioni, tempo limitato e stress.

A questo proposito, un compito urgente è quello di sviluppare nuovi strumenti e metodi per lo sviluppo del controllo intelligente degli oggetti in movimento in presenza dei fattori sopra elencati.

2.3. Modellazione e ottimizzazione di sistemi informativi e di controllo multilivello in tempo reale

La rilevanza della ricerca in questa direzione è dovuta alla necessità di sviluppare metodi per l'analisi e la sintesi di sistemi di informazione e controllo in tempo reale modulari multilivello aperti (IMS RT) di oggetti multimodali e multiuso operanti in condizioni di incertezza, disturbi strutturali e situazioni di emergenza (ESS). Tra questi oggetti di controllo ci sono oggetti critici e sistemi di uso responsabile che determinano la sicurezza dello stato.

È ovvio che i problemi e i compiti della creazione di sistemi di questa classe possono essere risolti con successo sulla base dello sviluppo di una teoria unificata e di metodi applicativi orientati al software di analisi dinamica e di scenario e sintesi della struttura di tali sistemi, dei loro algoritmi , software e supporto informativo e meccanismi per lo sviluppo di azioni di gestione efficaci. Questi, in primo luogo, includono lo sviluppo di una metodologia formalizzata per la progettazione di sistemi informativi e di controllo aperti, inclusi modelli e metodi per sintetizzare una struttura modulare ottimale, secondo vari criteri di efficienza, di IMS RT orientato agli oggetti con un'architettura aperta. Sulla base dei risultati ottenuti nella fase dell'analisi dinamica, viene sintetizzata la struttura modulare funzionale ottimale dell'elaborazione e del controllo dei dati, ovvero viene determinata la composizione ottimale e il numero di moduli RT IMS, viene sintetizzata l'interfaccia del sistema e la struttura della sua viene determinato il supporto software e informativo per l'elaborazione dei flussi di input delle applicazioni.

Per pianificare le azioni e supportare il processo decisionale in condizioni di incertezza, disturbi strutturali e situazioni di emergenza, è opportuno utilizzare le modalità di analisi di scenario e sintesi di azioni di controllo efficaci nell'IMS RT. In questo caso, il modello matematico della propagazione dei disturbi strutturali e delle situazioni di emergenza sarà formato nel linguaggio dei grafici dei segni pesati o funzionali. Sulla base di questo modello verranno sintetizzati scenari razionali per la gestione degli oggetti utilizzando i concetti di potenziale di operabilità, stabilità e sopravvivenza dei loro elementi costitutivi. La sintesi di scenari per eliminare le cause e le conseguenze delle NSS in strutture target multimodali sarà effettuata tenendo conto dei vincoli di tempo e risorse determinati dinamicamente. È inoltre necessario sviluppare formulazioni e metodi per risolvere problemi inversi di gestione della sopravvivenza di oggetti multimodali e multiuso operanti in condizioni di incertezza, disturbi strutturali e situazioni di emergenza.

La specificità dei sistemi di controllo e degli oggetti sopra indicati, il significato scientifico e pratico della risoluzione dei problemi di controllo, analisi e ottimizzazione per essi consentono di formulare i seguenti obiettivi principali e obiettivi del Programma.

1.2. Principali obiettivi e obiettivi

L'obiettivo principale del Programma è risolvere i problemi fondamentali della teoria del controllo che ostacolano l'attuazione di promettenti progetti di importanza nazionale nel campo del controllo di sistemi complessi dinamici e intelligenti con applicazioni per controllare il movimento di oggetti e processi tecnici in ambito tecnologico e sistemi organizzativi.

La ricerca sarà condotta sui seguenti argomenti generali.

Direzione 1

· Sviluppo di metodi per la stabilizzazione di sistemi non lineari in situazioni di misura incompleta delle coordinate e vincoli sulla struttura ammissibile delle forze di controllo.

· Sviluppo di metodi per il monitoraggio e il controllo robusti e adattativi in ​​condizioni di modelli deterministici, probabilistici e altri di incertezza dei parametri dell'oggetto di controllo e dell'ambiente operativo.

· Sviluppo di metodi e algoritmi per l'analisi qualitativa e quantitativa di modelli dinamici continuo-discreti continui, discreti e multilivello e sintesi dei controlli basati sul metodo di riduzione con funzioni di confronto di vettori e matrici e trasformazioni di modelli.

· Indagine sul problema del controllo ottimo di una nuova classe di sistemi meccanici che si muovono in mezzi resistenti modificando la configurazione o il movimento dei corpi interni.

· Sviluppo di metodi per la formalizzazione matematica e soluzione di problemi di interazione d'urto di sistemi meccanici in presenza di attrito secco.

· Sviluppo di metodi di controllo ottimo per sistemi dinamici a continuum discreti e impulsivi.

· Sviluppo di metodi per il controllo garantito di oggetti non lineari esposti a disturbi incontrollati sotto forma di giochi dinamici.

· Sviluppo della teoria del controllo dei sistemi quantistici.

· Sviluppo di metodi e algoritmi per l'analisi di proprietà dinamiche quali stabilità, invarianza, dissipatività per la stima dello stato e sintesi di sistemi di controllo multilivello con descrizione eterogenea della dinamica dei processi a diversi livelli.

Direzione 2.1

· Metodi per la risoluzione di problemi di controllo per sistemi network-centric su larga scala con parametri distribuiti e processi multiscala (nello spazio e nel tempo).

· Modelli e metodi di controllo intelligente decentralizzato della rete di comunicazione di progetti e programmi distribuiti.

· Metodi per ottimizzare la struttura dei sistemi multilivello e decentralizzati.

· Metodi e strutture di implementazione informatica del controllo network-centrico in uno spazio matematicamente omogeneo di calcolo distribuito e parallelo.

· Modelli e metodi di decisione di gruppo basati su informazioni incomplete, eterogenee, qualitative e soggettive.

· Modelli e metodi di pianificazione e gestione di complessi di operazioni interconnesse in complessi sistemi tecnici e di trasporto e logistica.

· Sviluppo di principi, architetture, metodi e algoritmi per la realizzazione di sistemi intelligenti software distribuiti basati su tecnologie multi-agente.

· Sviluppo di modelli e metodi di gestione delle informazioni in strutture di rete multi-agente.

Direzione2.2

· Sviluppo di modelli generalizzati di controllo situazionale, che riflettano le caratteristiche dell'inclusione nella struttura di modelli di fuzzy, reti neurali ed elementi logico-dinamici.

· Sviluppo di un metodo di pianificazione del percorso che fornisca la proprietà della stabilità comunicativa di un gruppo di oggetti dinamici controllati, eterogenei (quantitativo-qualitativo) nella loro rappresentazione del modello.

· Sviluppo di metodi per l'analisi e la sintesi di piattaforme di modellazione adattativa in tempo reale che tengano conto della non linearità, della multiconnettività, dell'elevata dimensionalità degli oggetti di controllo con applicazione agli oggetti marini in movimento.

· Ottimizzazione di sistemi intelligenti per il controllo multilivello di oggetti in movimento in un ambiente di conflitto, tenendo conto della loro interazione di gruppo, multicriteri, incertezza e rischio.

· Sviluppo di metodi per fornire una visione tecnica per sistemi di controllo intelligenti.

· Sviluppo di metodi per il controllo intelligente di oggetti dinamici che effettuano manovre complesse basate sull'organizzazione del movimento forzato nello spazio degli stati del sistema.

Direzione2.3

· Modelli e metodi per l'analisi e l'ottimizzazione della struttura modulare di sistemi informativi e di controllo in tempo reale multilivello orientati agli oggetti ad architettura aperta in condizioni di incertezza e disturbi strutturali.

· Metodi di analisi e ottimizzazione delle modalità dei sistemi elettrici e della loro gestione.

· Modelli e metodi dell'approccio indicatore di scenario alla ricerca dei punti di vulnerabilità per le attività di gestione.

· Metodi di modellazione, analisi e ottimizzazione dei processi di controllo multimodali per oggetti in movimento.

· Sviluppo di metodi e algoritmi per l'identificazione intelligente di oggetti non stazionari non lineari per migliorare l'efficienza gestionale formando una base di conoscenza tecnologica basata su informazioni a priori sull'oggetto di controllo.

· Tecnologie della geoinformazione per la modellazione di complessi naturali e tecnogenici nei problemi di gestione degli ecosistemi delle megalopoli.

· Analisi e ottimizzazione del supporto informativo per i sistemi di navigazione e controllo.

· Modelli e modalità di gestione dei processi produttivi.

I risultati della teoria sviluppata e dei metodi di analisi e sintesi dei sistemi di controllo saranno utilizzati nelle seguenti aree:

· controllo del traffico in aviazione e astronautica, strutture terrestri e marittime, veicoli;

· sistemi multi-agente incentrati sulla rete, sistemi di produzione, informatica, telecomunicazioni e altre reti ;

· sistemi di trasporto e logistica ;

· energia globale, trasporto del gas e altri sistemi infrastrutturali su larga scala;

· sistemi di supporto informativo per i compiti di gestione e supporto per l'adozione di decisioni strategiche e operative in condizioni di informazione incompleta e di contrasto.

I problemi fondamentali della teoria della costruzione dei sistemi di controllo richiedono un loro intenso sviluppo. Lo sviluppo della ricerca in questa direzione consentirà:

Lo sviluppo dei fondamenti teorici per la soluzione del complesso problema trino del controllo-informatica-comunicazione (problema - " controllo- Calcolo- comunicazione") per sistemi informativi e di controllo complessi, anche in condizioni di restrizioni sui canali di comunicazione e guasti dei sottosistemi;

Risolvere i problemi di gestione di oggetti e processi fondamentalmente nuovi relativi a oggetti in movimento, oggetti speciali, sistemi tecnologici e organizzativi;

Creare metodi efficaci diagnostica funzionale e garanzia della tolleranza ai guasti dei sistemi di controllo degli aeromobili e di altri oggetti in movimento, nonché della stabilità dinamica dei sistemi di alimentazione elettrica;

Migliorare la qualità, accelerare e ridurre i costi di sviluppo di soluzioni progettuali attraverso l'algoritmizzazione e l'automazione del processo di sviluppo dei sistemi di controllo.

Di seguito, il controllo è inteso in senso lato, includendo la rete di comunicazione, il gruppo, il controllo distribuito (nella letteratura inglese - controllo nelle reti, controllo sulle reti, controllo distribuito, ecc.)