Management în fața incertitudinii. Rezumat: Sisteme de control inteligente Obiect de control al sistemelor de control inteligente

Acest articol este, de asemenea, disponibil:

Introducere

Controlul inteligent este o generalizare a controlului semiotic, cognitiv și informațional. În managementul inteligent al transportului se disting următoarele domenii: sisteme de transport inteligente, control semiotic inteligent și control cognitiv inteligent. Controlul semiotic inteligent este asociat cu diferite forme de logică, sisteme de producție, algoritmi evolutivi. Controlul cognitiv inteligent este privit ca o sinteză a controlului computerizat uman folosind canale asociative și analiza cunoștințelor tacite. Controlul inteligent este privit ca un mijloc de luare a deciziilor în condiții de incertitudine. Managementul inteligent al informației este văzut ca susținerea managementului inteligent al tehnologiei informației.

Necesitatea unui control inteligent

Odată cu dezvoltarea societății și complicarea obiectelor și sarcinilor de management, tehnologiile de management s-au schimbat și ele. Cea mai acută problemă în gestionarea situațiilor complexe a fost problema „big data”. Creează o barieră informațională pentru tehnologiile de „management organizațional”. Creșterea informațiilor slab structurate este caracteristică managementului modern. Acest lucru duce la trecerea la managementul inteligent, care, la rândul său, duce la necesitatea aplicării tehnologiilor de management al cunoștințelor. Controlul inteligent se bazează pe sisteme inteligente și tehnologii inteligente. Un sistem inteligent este un sistem tehnic sau software-tehnic capabil să obțină soluții creative la probleme aparținând unui anumit domeniu, cunoștințele despre care sunt stocate în memoria unui astfel de sistem. Simplificată, structura unui sistem inteligent include trei blocuri principale - o bază de cunoștințe, un rezolvator și o interfață inteligentă. Rezolvatorul este componenta dominantă a unui sistem inteligent. În logica de ordinul întâi, un rezolvator este un mecanism pentru obținerea de soluții la expresii logice. În sistemele multi-agenți, care sunt clasificate ca inteligență artificială, este folosit și conceptul de rezolvator. Un agent este un rezolvator de probleme, care este o entitate software care poate acționa pentru a-și atinge obiectivele. În modelarea simbolică, un s-solver este o valoare de specializare a mesajului. Unul dintre primii din Rusia care a introdus acest concept a fost Efimov E.I. ... Din această listă scurtă rezultă importanța solutorului pentru sistemele inteligente și tehnologiile inteligente.

Controlul inteligent în cadrul semioticii aplicate

Semiotica studiază natura, tipurile și funcțiile semnelor, sistemelor de semne și a activității umane de semne, esența semnifică a limbajelor naturale și artificiale pentru a construi o teorie generală a semnelor. În domeniul semioticii există o direcție „semiotică aplicată”, al cărei fondator este D.A. Pospelov.

În semiotică se disting două domenii de aplicare a semnelor: cunoașterea și comunicarea. Aceasta împarte semiotica în două părți: semiotica cunoașterii; semiotica comunicaţiilor semantice. Baza controlului inteligent este sistemul semiotic. Potrivit lui Pospelov, un opt ordonat de mulțimi se numește sistem semiotic W:

W =< T, R, A, P, τ, ρ, α, π>, (1)

Unde
T - set de simboluri de bază;
R - set de reguli sintactice;
A - multe cunoștințe despre domeniul subiectului;
P este un set de reguli pentru derivarea deciziilor (reguli pragmatice);
τ sunt regulile de modificare a mulțimii T;
ρ - reguli pentru schimbarea multimii R;
α - reguli pentru schimbarea multimii A;
π sunt regulile de schimbare a mulțimii P.

Primele două seturi generează limbajul sistemului W și τ și ρ efectuează schimbarea acesteia. Reguli α schimba multe cunoștințe despre domeniul subiectului. Dacă considerăm cunoașterea ca axiome ale sistemului formal (care este format din primele patru elemente ale lui W), atunci regulile α , în esență, modifică interpretarea simbolurilor de bază și, în consecință, a formulelor corect construite ale limbajului sistemului semiotic W.

Primele patru seturi formează sistemul formal FS, elemente de la a cincea la a opta formează regulile de schimbare a sistemului formal. În acest fel, ei asigură adaptarea sistemului formal, „ajustându-l” pentru a rezolva problemele și problemele care în cadrul sistemului. FS nu poate fi rezolvată.

Astfel, sistemul semiotic (1) poate fi definit ca un sistem dinamic compozit: W = , Unde FSi- determină starea sistemului semiotic, şi MFsi- regula pentru schimbarea stării sale. În aceasta trebuie remarcat faptul că, deși vorbim despre un sistem semiotic, de facto un astfel de sistem descrie obiectul de control, adică starea obiectului de control și dinamica acestuia.

Prin urmare, sistemului semiotic i se poate da o nouă interpretare. Sistem dinamic compozit: W = FSi, care determină starea în situaţia informaţională sau poziţia informaţională, dinamică MFsi, care definește regulile de trecere a obiectului de control de la o poziție informațională la alta.

Reguli MFsi = (τ, ρ, α, π), cele care modifică starea sistemului formal (obiect de control) sunt legate prin dependenţa existentă în elementele triunghiului semiotic (triunghiul lui Frege). Aceasta înseamnă că aplicarea uneia dintre cele patru reguli duce la aplicarea regulilor rămase.

Aceste dependențe sunt complexe, reprezentarea lor analitică este absentă, iar acest lucru este dificil și face obiectul cercetărilor în sistemele semiotice ale inteligenței artificiale. Prin urmare, este mai ușor să utilizați abordarea informațională și modelarea informațiilor.

Extinderi ale sistemelor formale de control sub formă de componente dinamice MFsi oferă proprietățile deschiderii sistemelor. Ele creează capacitatea de a adapta obiectul de control la influențele managementului și condițiile externe în schimbare.

Acest lucru, în special, face posibilă extinderea semnificativă a posibilităților de sprijin pentru luarea deciziilor în condiții de incertitudine, incompletitudine și inconsecvență a informațiilor inițiale.

Tipuri de incertitudini în implementarea controlului inteligent

Metodele tradiționale de control, inclusiv unele tipuri de control inteligent, se bazează pe presupunerea că modelele de stare și de control ale unui obiect descriu cu acuratețe comportamentul acestuia. Metodele bazate pe această ipoteză sunt incluse în teoria clasică de control. Cu toate acestea, în condiții de creștere a volumelor, de creștere a informațiilor nestructurate și de impactul mediului extern, abaterile de la această condiție sunt caracteristice.

Aproape orice model este o descriere simplificată a unui obiect real, a stării sale și a comportamentului său. Gradul de simplificare poate fi tolerabil sau poate crea ambiguitate. În dinamica comportamentului obiectului de control, unele caracteristici ale obiectului se pot schimba semnificativ în cursul funcționării acestuia. Toate acestea creează ambiguități în diverse modele de descriere a unui obiect și îngreunează gestionarea acestuia, inclusiv intelectuală. Modelul tipic de control care stă la baza algoritmului de control sau a unui set de reguli de control stabilite se numește nominal.

În condiții de incertitudine semnificativă, metodele clasice ale teoriei controlului se dovedesc a fi inaplicabile sau dau rezultate nesatisfăcătoare. În aceste cazuri, este necesar să se utilizeze metode speciale de analiză și sinteză a sistemelor de control pentru obiecte cu modele nedefinite. Primul pas este de a evalua tipul și valoarea incertitudinii.

Se disting principalele tipuri de incertitudini în modelele de management: parametrice, funcționale, structurale și de semnal.

Incertitudinea parametrică înseamnă că parametrii constanți ai modelului sunt necunoscuți sau impreciși. De exemplu, valorile intervalului sunt folosite în loc de valorile punct. În trecerea la sistemele de măsurare a informaţiei se poate vorbi despre lipsa certitudinii informaţionale a parametrilor. Prin urmare, în multe cazuri, valorile reale ale parametrilor pot diferi semnificativ de valorile nominale acceptate.

Incertitudinea semnalului înseamnă că acțiunea de control sau fluxurile de informații din sistemul de control sunt afectate de interferențe care modifică semnificativ semnalele nominale. Astfel de semnale care deviază procesul de control de la nominal se numesc perturbări sau zgomote. Diferența este că interferența este pasivă și modifică doar raportul semnal-zgomot. Perturbația modifică semnalul cu aceeași interferență.

Sistemele moderne de control inteligent trebuie să asigure funcționarea autonomă a multor obiecte tehnice conexe. Acest lucru dă motive să vorbim despre un sistem de control inteligent (IMS). Un sistem inteligent trebuie să rezolve probleme complexe, inclusiv planificarea, stabilirea obiectivelor, prognoza și așa mai departe. Pentru versatilitatea, adaptarea și acuratețea soluțiilor, se recomandă utilizarea unui control inteligent multifuncțional.

Arhitectura pe mai multe niveluri a unui sistem de control inteligent constă din trei niveluri: conceptual, informațional și operațional (Fig. 1). Un sistem bazat pe o astfel de arhitectură controlează comportamentul obiectelor tehnice complexe în condiții de interacțiune autonomă și colectivă. Nivelul conceptual este responsabil pentru implementarea funcțiilor intelectuale superioare.

Fig. 1. Control inteligent pe mai multe niveluri.

La nivel conceptual, se folosește o reprezentare semiotică (în semn) a cunoștințelor și se fac schimb de mesaje cu restul nivelurilor. Nivelurile informaționale și operaționale conțin module care susțin diverse proceduri intelectuale și informaționale și le transformă în management.

Sarcina principală a managementului la nivel conceptual este stocarea, dobândirea și utilizarea cunoștințelor conceptuale prezentate într-o formă semiotică (simbolică).

Sistem dinamic compozit: W = include două componente: statice FSi care defineşte sistemul de semne dinamice MFsi, care definește sistemul de reguli (Fig. 1).

Însuşirea cunoştinţelor se bazează pe un model al unei situaţii reale din mediul extern. Cele mai înalte funcții intelectuale includ funcțiile de stabilire a scopului principal și a subscopurilor, planificarea comportamentului și distribuirea impacturilor într-un plan general de acțiune.

La nivel de management al informaţiei se rezolvă sarcinile de modelare a informaţiei, dintre care principalele sunt: ​​construirea unei situaţii informaţionale, poziţia informaţiei, care corespund componentei. FSi... La nivelul managementului informaţiei se rezolvă sarcinile de construire a unei structuri informaţionale, care este o reflectare a sistemului de reguli de nivel conceptual şi corespunde componentului Mfsi. Mediul de limbaj al controlului semiotic la nivel informaţional este implementat prin utilizarea diverselor unităţi informaţionale. Care servesc drept bază pentru construirea unei situații informaționale, a poziției informaționale și a structurii informaționale.

La nivel operațional (executiv) are loc implementarea deciziilor de management (influențe ale managementului). Managementul influențează fără greș schimbarea poziției informaționale a obiectului controlat. Influențele managementului pot modifica, dacă este necesar, situația informațională a obiectului controlat. În același timp, de obicei nu este nevoie să se schimbe situația informațională. Sarcina principală a acestui nivel este de a schimba starea și poziția obiectului de control și de a raporta modificările la nivelul conceptual.

Arhitectura stratificată are o serie de caracteristici. Include o serie de funcții cognitive umane. Se bazează pe utilizarea unei abordări informaționale a managementului inteligent.

Trebuie remarcată diferența dintre tehnologia inteligentă și cea a informației. Tehnologia informației îndeplinește funcții de sprijinire a controlului inteligent. Rolul principal îl au tehnologiile inteligente de luare a deciziilor. Ele fac posibilă, odată cu o soluție sau în cursul obținerii unei soluții, căutarea de noi cunoștințe și acumularea de resurse intelectuale. Tehnologiile informaționale creează doar resurse informaționale. Aceasta înseamnă că cunoștințele formalizate într-o formă explicită, odată stăpânite, pot deveni parte a experienței și a bazei de cunoștințe și pot fi utilizate de aceasta pentru rezolvarea problemelor și luarea deciziilor.

Concluzie

Controlul inteligent este eficient și necesar atunci când se gestionează obiecte complexe pentru care este dificil sau imposibil să se găsească modele formale de funcționare. Baza controlului inteligent o constituie modelele semiotice în primul rând și cele informaționale în al doilea rând. Metodele de control inteligente sunt diverse și aplicabile sistemelor tehnice, cognitive și de transport. Controlul inteligent este utilizat pe scară largă pentru controlul multifuncțional. Managementul inteligent modern este integrat în platformele și serviciile cloud. Atunci când gestionați organizații și corporații distribuite, devine necesar să luați în considerare relațiile spațiale și cunoștințele spațiale. O altă problemă este numărul limitat de tehnologii inteligente pentru lucrul cu cunoștințe tacite. Tehnic, problema managementului cunoștințelor este asociată cu transformarea resurselor informaționale în resurse intelectuale și aplicarea acestora în tehnologii inteligente.

Lista bibliografică

UDC 004.896

I. A. Șcerbatov

CONTROL INTELIGENT AL SISTEMELOR ROBOTICE ÎN INCERtitudine

Introducere

Control inteligent - aplicarea metodelor de inteligență artificială pentru a controla obiecte de natură fizică variată. În domeniul controlului sistemelor robotizate, metodele de inteligență artificială sunt cele mai utilizate. Acest lucru se datorează, în primul rând, autonomiei roboților și necesității ca aceștia să rezolve sarcini creative neformalizate în condiții de informare incompletă și diverse tipuri de incertitudine.

Până de curând, clasa de probleme specificată a rămas apanajul inteligenței naturale: un operator al unui obiect de control, un inginer, un om de știință, adică o persoană. Progresele moderne în domeniul teoriei controlului automat, metodele inteligente de formalizare a sarcinilor semi-structurate și gestionarea sistemelor tehnice complexe fac posibilă implementarea unor sisteme robotizate foarte complexe, care includ platforme robotice mobile, linii automate flexibile și roboți Android.

Sistemele robotizate funcționează în condițiile unei informații incomplete de intrare, când imposibilitatea fundamentală de a măsura un număr de parametri impune restricții semnificative asupra programului de control. Aceasta conduce la necesitatea dezvoltării unei baze de algoritmi care să permită, pe baza semnelor indirecte și a indicatorilor măsurabili, să se calculeze parametrii nemăsurați.

Incertitudinea mediului extern în care funcţionează sistemul robotizat face necesară includerea în sistemul de control a diferitelor tipuri de compensatoare, module de adaptare, acumulare şi ierarhizare a informaţiilor.

Formularea problemei

Scopul cercetării a fost formarea unor abordări ale construcției sistemelor de control inteligente pentru sisteme robotizate care sunt invariante în ceea ce privește specificul de funcționare, ținând cont de caracterul incomplet al informațiilor de intrare și de diferitele tipuri de incertitudine.

Pentru atingerea acestui scop, este necesară rezolvarea unui număr de sarcini interconectate: analiza arhitecturilor sistemelor inteligente de control pentru sistemele robotizate; dezvoltarea unui algoritm generalizat pentru identificarea situațională a unui sistem robotizat; să dezvolte o diagramă generalizată a unui sistem de control al unui sistem robotizat; pentru a dezvolta sisteme de control inteligente pentru un robot de manipulare, o platformă robotică mobilă și o linie automată flexibilă.

Metode de cercetare

Pe parcursul cercetării au fost utilizate metodele teoriei generale a controlului automat, teoria mulțimilor fuzzy, rețelele neuronale, analiza sistemelor și teoria evaluărilor experților.

Amplasarea sistemului robotizat în mediul extern

Pentru implementarea algoritmilor de control inteligent, prioritatea este sarcina identificării curente a situației în care se află sistemul robotizat. Pentru a rezolva această problemă, a fost elaborată o diagramă structurală a sistemului de identificare situațională (Fig. 1).

Unitatea de viziune tehnică și simț senzorial este concepută pentru a determina schimbările în starea mediului extern și pentru a prezenta o hartă senzorială a mediului pentru prelucrare ulterioară. Harta senzorială a mediului este o imagine a situației în care se află robotul în momentul actual. Intervalul de timp pentru construirea unei hărți cu senzori este selectat în funcție de specificul domeniului subiectului.

Bază de cunoștințe

Operator

Intelectual

interfata

Identificator

algoritmi

Organele vederii tehnice și percepției senzoriale

Mediul extern

Executiv

mecanisme

Orez. 1. Schema bloc a sistemului de identificare situațională

Memoria de lucru, prin analogie cu sistemele expert, este concepută pentru a procesa informațiile provenite de la senzori și procesate folosind baza de algoritm existentă și baza de cunoștințe (KB) a sistemului robotizat.

Baza algoritmilor include algoritmi pentru preprocesarea unei hărți a senzorilor (prelucrarea semnalului digital, recunoașterea imaginilor sonore și a imaginilor), calcularea parametrilor nemăsurați (dependențe funcționale de parametrii măsurați), restabilirea completității informațiilor (verificarea cunoştinţelor pentru completitudine și inconsecvenţă, adaptarea cunoştinţelor). ținând cont de nestaționaritate și condiții externe variabile), operații matematice etc.

Baza de cunoștințe este o structură ierarhică complexă care conține informații a priori despre mediul extern, stabilite în etapa de pregătire, cunoștințe complete și consistente dobândite de robot în procesul de funcționare și percepție a mediului extern. Cunoștințele din baza de cunoștințe sunt clasificate în funcție de criteriile de relevanță și sunt actualizate ținând cont de modificările în specificul funcționării robotului pe baza algoritmilor de adaptare a cunoștințelor.

Cel mai important bloc este identificatorul de situație. Acest bloc este responsabil pentru recunoașterea corectă a imaginii situației pe baza hărții senzorilor. Informațiile de rezultat ale acestui bloc sunt decisive pentru selectarea programului de control al sistemului robotizat.

Și, în sfârșit, o interfață inteligentă, care este necesară pentru comunicarea cu operatorul. Operatorul controlează funcționarea sistemului robotizat, precum și monitorizează procesul pentru atingerea obiectivelor stabilite. De regulă, comunicarea dintre robot și operator ar trebui să aibă loc folosind o interfață în limbaj natural într-un subset limitat al limbajului natural.

Structura unui sistem de control pentru un sistem robotizat în condiții de incertitudine

Implementarea algoritmilor și programelor de control inteligent al sistemelor robotizate în condiții de incertitudine este asociată cu o serie de dificultăți semnificative.

Complexitatea algoritmilor de prelucrare preliminară a informațiilor de intrare și incertitudinea structurală a modelului de comportament al sistemului robotic însuși determină redundanța structurii sistemului de control inteligent.

Pentru a rezolva problema controlului unui robot în condiții de incertitudine, a fost proiectată următoarea arhitectură a unui sistem de control inteligent (Fig. 2).

Un sistem de identificare situațională (SID) ar trebui să facă parte din orice sistem de control inteligent pentru un sistem robotizat. Un dispozitiv de control inteligent (IUU) conține un BZ și o unitate de selecție a programului de control (BVPU). Scopul acestui bloc este de a dezvolta o acțiune de control pentru sistemul de acționări electrice (ED) care acționează asupra sistemului mecanic (MS) al robotului.

Orez. 2. Schema bloc a sistemului de control inteligent al sistemului robotizat

Sisteme de control al manipulatorului industrial

Sistemele tradiționale de control al manipulatorului industrial sunt împărțite în mai multe clase. Prima clasă de sisteme este sistemele de control programat.

Sistemul de control continuu al corpului de lucru al manipulatorului presupune ajustarea manipulatorului la modelul de referinta. Acest algoritm de control nu ia în considerare pierderile din manipulatorul MS și se presupune că toate eforturile dezvoltate de unități sunt transferate corpului de lucru.

Sistemul de control al forței programat în corpul de lucru este utilizat pentru a controla nu numai vectorul forță, ci și vectorul poziției corpului de lucru. Sistemul de control independent al mișcării și forței în corpul de lucru al manipulatorului pentru diferite grade de mobilitate are două bucle de control cu ​​feedback: poziție și forță.

În sistemul de control cuplat al deplasării și forței în corpul de lucru al manipulatorului, sarcina de către vectorul poziției corpului de lucru este corectată de valoarea curentă a vectorului forță. Aceasta înseamnă că atunci când corpul de lucru se mișcă, amploarea cursei sale este corectată de forța impactului asupra mediului extern.

Sistemele de control adaptiv sunt utilizate atunci când se efectuează: operațiuni de preluare a unui obiect situat sau în mișcare arbitrar, sudarea cu arc a cusăturilor cu poziție variabilă, ocolirea obstacolelor în mișcare și neprevăzute. În acest scop se folosesc sisteme adaptive cu memorie asociativă.

Pentru controlul manipulatoarelor industriale se folosesc și sisteme de control robuste, care în prezent sunt utilizate pe scară largă în practică.

Implementarea controlului inteligent

Problema funcționării unui sistem robotizat în condiții de incertitudine este multifațetă.

Luați în considerare problema planificării comportamentului unui sistem robotizat în condiții de incertitudine. Pentru a o rezolva, este cel mai oportun să folosiți tehnologia sistemelor expert dinamice. Baza de cunoștințe a unui astfel de sistem expert este ajustată în timp. Dacă se aplică o bază de reguli de producție, atunci compoziția regulilor de producție este examinată în mod continuu pentru completitudine și coerență. În plus, datorită algoritmilor de adaptare, regulile învechite și depășite sunt actualizate și înlocuite. În același timp, se acordă o atenție deosebită problemelor predării sistemului expert fără un profesor (auto-învățare), deoarece monitorizarea sistemului unui specialist înalt calificat este inadecvată din punct de vedere economic.

Blocul de auto-învățare sau auto-ajustare a bazei de cunoștințe a sistemului expert necesită un studiu atent în faza de proiectare a unui sistem de control inteligent pentru un sistem robotizat.

Ale mele. De calitatea acestei etape a lucrărilor de proiectare depinde adesea eficacitatea rezolvării sarcinii. Ar trebui să includă subsisteme pentru evaluarea completității și inconsecvenței cunoștințelor, evaluarea calității managementului și corectarea cunoștințelor.

Cronologic, următoarea etapă după planificarea comportamentului poate fi problema emiterii comenzilor de control către un sistem robotizat în limbaj natural. Pentru a crea o interfață în limbaj natural, în opinia noastră, cel mai potrivit instrument de implementare este teoria mulțimilor fuzzy.

Cu ajutorul variabilelor lingvistice care conțin un anumit set de termeni, descris anterior, se realizează o descriere a domeniului subiectului, un sistem limitat de comenzi și obiecte care afectează sistemul robotic și se modifică sub acțiunea acestuia. Metodele de fuzzificare și defuzzificare utilizate în acest caz, precum și algoritmii de inferență fuzzy, au un impact semnificativ asupra preciziei elaborării acțiunilor de control și asupra vitezei sistemului robotizat.

Și, în sfârșit, utilizarea sistemelor de control al rețelei neuronale pentru sistemele robotice. Principalul avantaj al unei rețele neuronale este că nu este nevoie să cunoașteți sau să creați un model matematic al unui obiect, deoarece o rețea neuronală este un aproximator fuzzy universal.

Obiectul (sistemul robotic) acționează ca o „cutie neagră”. Rețeaua neuronală poate acționa ca model de referință pentru un sistem robotizat controlat. Trebuie remarcat faptul că aceasta ar trebui să fie o rețea neuronală multistrat de învățare (identificator de obiect). Modelul rețelei neuronale este reglat la obiectul de control prin nepotrivirea dintre semnalele de ieșire ale obiectului și ale modelului. De asemenea, formează un eșantion de antrenament pentru reglarea și reglarea dispozitivului de control în conformitate cu criteriul de calitate selectat.

Concluzie

Analiza a făcut posibilă sintetizarea arhitecturii unui sistem de control inteligent pentru sisteme robotizate care este invariant în raport cu specificul de funcționare. Algoritmul de identificare situațională dezvoltat face posibilă construirea de hărți cu senzori foarte informative ale mediului extern. Sunt descrise principalele abordări ale formării sistemelor de control inteligente pentru sistemele robotizate. Sunt prezentate direcțiile de dezvoltare în perspectivă a celor mai eficiente metode de inteligență artificială utilizate pentru implementarea dispozitivelor de control.

BIBLIOGRAFIE

1. Yurevich EI Fundamentele roboticii. - SPb .: BHV-Petersburg, 2007 .-- 416 p.

2. Sisteme de manipulare a robotilor / ed. A.I. Korendyaseva. - M .: Mashinostroenie, 1989 .-- 472 p.

3. Burdakov SF Sinteză de regulatoare robuste cu elemente elastice: colecție de articole. științific. tr. - Nr. 443. Mecanica si procese de management. - SPb .: SPbSTU, 1992.

4. Protalinsky OM Aplicarea metodelor inteligenței artificiale în automatizarea proceselor tehnologice: monografie. - Astrakhan: Editura ASTU, 2004 .-- 184 p.

Articolul a fost primit la redacție 13.01.2010

MANAGEMENTUL INTELECTUAL AL ​​SISTEMELOR ROBOTICE ÎN CONDIȚII DE INCERTITUDINE

I. A. Șcerbatov

Scopul lucrării prezentate este o formare de abordări ale construcției sistemelor de control intelectual al sistemelor robotice, invariante în raport cu specificul funcționării, având în vedere incompletitudinea informațiilor de intrare și diverse tipuri de incertitudine. Se efectuează analiza, care a permis sintetizarea arhitecturii unui sistem de control intelectual al sistemelor robotice invariante în raport cu specificitatea funcționării. Algoritmul dezvoltat de identificare situațională permite construirea unor cărți tactile bune ale mediului. Sunt descrise abordările de bază ale formării sistemelor de control intelectual al sistemelor robotice. Sunt prezentate direcţiile de dezvoltare în perspectivă a celor mai eficiente metode ale intelectului artificial aplicate la realizarea dispozitivelor de acţionare.

Cuvinte cheie: sistem robotic, robot, management intelectual, incertitudine structurală, incompletitudine a informațiilor, cartelă tactilă, rețea neuronală, teoria mulțimilor indistincte, sistem expert autoformat.

TEMA 13. SISTEME DE CONTROL INTELIGENTE

O nouă generație de sisteme - sisteme inteligente (IS) - a adus la viață și alte principii de organizare a componentelor sistemelor, au apărut noi concepte, termeni, blocuri care nu au fost întâlnite anterior în dezvoltări și, prin urmare, în literatura științifică.

Sistemele inteligente sunt capabile să sintetizeze un obiectiv, să ia o decizie de acțiune, să ofere o acțiune pentru atingerea scopului, să prezică valorile parametrilor rezultatului acțiunii și să le compare cu cei reali, formând feedback, ajustează obiectivul sau controlul

Figura 13.1 prezintă o diagramă bloc a SI, unde sunt evidențiate două blocuri mari ale sistemului: sinteza scopului și implementarea acestuia.

În primul bloc, pe baza evaluării active a informațiilor primite de la sistemul senzorial, în prezența motivației și cunoștințelor, se sintetizează un scop și se ia o decizie de acțiune. Evaluarea activă a informațiilor se realizează sub influența semnalelor de declanșare. Variabilitatea mediului și starea proprie a sistemului pot duce la o nevoie de ceva (motivație), iar dacă există cunoștințe, se poate sintetiza un scop.

Scopul este înțeles ca o anticipare ideală, mentală, a rezultatului unei activități. Continuând să evaluăm în mod activ informațiile despre mediu și starea proprie a sistemului, inclusiv obiectul de control, atunci când comparăm opțiunile pentru atingerea scopului, puteți lua o decizie de acțiune.

Mai mult, în al doilea bloc, un sistem expert dinamic (DES), bazat pe informații actuale despre mediu și starea proprie a SI, în prezența unui scop și a cunoștințelor, efectuează o evaluare de specialitate, ia o decizie privind managementul , prezice rezultatele unei acțiuni și dezvoltă controlul.

Comanda codificată este convertită într-un semnal fizic și transmisă actuatoarelor.

Obiectul de control, primind un semnal de la actuatoare, efectuează una sau alta acțiune, ale cărei rezultate, prezentate sub formă de parametri, prin bucla de feedback 2 intră în DES, unde sunt comparate cu cele prezise. În același timp, parametrii rezultatului acțiunii, interpretați în conformitate cu proprietățile scopului și cu intrarea în blocul I, pot fi utilizați pentru o evaluare emoțională a rezultatului obținut: de exemplu, scopul este atins, dar rezultatul nu este placut.

Dacă scopul este atins din toate punctele de vedere, atunci managementul este întărit. În caz contrar, controlul este corectat. Când obiectivul este de neatins, atunci obiectivul este ajustat.

Trebuie remarcat faptul că, odată cu schimbări bruște în starea mediului, sau a obiectului de control, sau a sistemului în ansamblu, este posibilă sintetizarea unui nou scop și organizarea realizării acestuia.

Structura IS, împreună cu elemente noi, conține elemente și conexiuni tradiționale, locul central în ea este ocupat de un sistem expert dinamic.

Blocul 1 - sinteza scopului Blocul II - realizarea scopului

Figura 13.1 - Diagrama bloc IC

Formal, IS este descris prin următoarele șase expresii:

T X S M T ;

T M S SF ;

C T S R T;

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

T Y = (D T) X T;

T R Y CU T ,

unde T este un set de puncte în timp;

X, S, M, C, R și Y - ansamblul de stări ale sistemului, mediu, motivație, scop, rezultat prezis și real;

А, В și D - matrice de parametri;

Operatori inteligenți de transformare folosind cunoștințe.

Această descriere combină reprezentarea obiectelor de sistem sub forma unui set de semnificații, sau a unui set de declarații sau a altor forme.

Proprietățile dinamice ale IS pot fi descrise în spațiul stărilor. Operatorii inteligenți care implementează percepția, reprezentarea, formarea conceptelor, judecata și inferența în procesul de cunoaștere sunt un mijloc formal de procesare a informațiilor și cunoștințelor, precum și de luare a unei decizii. Toate aceste aspecte ar trebui să formeze baza construirii DES care funcționează în timp real și în lumea reală.

Un sistem expert dinamic este un fel de educație complexă capabilă să evalueze starea sistemului și a mediului, să compare parametrii rezultatelor dorite și reale ale unei acțiuni, să ia o decizie și să dezvolte un control care să contribuie la atingerea scopului. Pentru a face acest lucru, DES trebuie să aibă un stoc de cunoștințe și să aibă metode de rezolvare a problemelor. Cunoștințele transferate către sistemul expert pot fi împărțite în trei categorii:

1) cunoașterea conceptuală (la nivel de concepte) este cunoașterea întruchipată în cuvintele vorbirii umane sau, mai precis, în termeni științifici și tehnici și, firesc, în clasele și proprietățile obiectelor din mediu din spatele acestor termeni. Aceasta include și conexiunile, relațiile și dependențele dintre concepte și proprietățile lor, iar conexiunile sunt abstracte, exprimate de asemenea în cuvinte și termeni. Cunoașterea conceptuală este sfera, în principal a științelor fundamentale, dacă ținem cont de faptul că conceptul este produsul cel mai înalt al celui mai înalt produs al materiei - creierul;

2) cunoștințele faptice, subiectului reprezintă o colecție de informații despre caracteristicile calitative și cantitative ale obiectelor specifice. Cu această categorie de cunoștințe sunt asociați termenii „informații” și „date”, deși o astfel de utilizare a acestor termeni le diminuează oarecum sensul. Orice cunoaștere poartă informații și poate fi prezentată sub formă de date; cunoștințele faptice sunt ceea ce computerele s-au confruntat întotdeauna și cu ceea ce s-au confruntat cel mai mult până acum. Forma modernă de acumulare de date este de obicei numită baze de date. Desigur, pentru a organiza baze de date, pentru a găsi în ele informațiile necesare, trebuie să se bazeze pe cunoștințele conceptuale;

3) cunoștințele algoritmice, procedurale sunt ceea ce se numește de obicei cuvintele „deprindere”, „tehnologie” etc. În calcul, cunoștințele algoritmice sunt implementate sub formă de algoritmi, programe și subrutine, dar nu oricare, ci cele care pot fi transmise. din mâini în mâini și utilizate fără participarea autorilor. Această implementare a cunoștințelor algoritmice se numește produs software. Cele mai comune forme ale unui produs software sunt pachetele software, sistemele software și altele, concentrate pe o anumită zonă a aplicației DES. Organizarea și utilizarea pachetelor de aplicații se bazează pe cunoștințe conceptuale.

Este clar că cunoștințele conceptuale reprezintă o categorie superioară, definitorie a cunoștințelor, deși din punct de vedere practic, alte categorii pot părea mai importante.

Acesta este probabil motivul pentru care cunoștințele conceptuale sunt rareori întruchipate într-o formă care poate fi procesată pe computere. Și dacă este întruchipat, atunci cel mai adesea este incomplet și unilateral. În cele mai multe cazuri, o persoană rămâne purtătoarea cunoștințelor conceptuale. Acest lucru încetinește automatizarea multor procese.

Reprezentările cunoștințelor conceptuale, sau mai bine zis, sistemele care implementează toate cele trei categorii de cunoștințe, dar evidențiază cunoștințele conceptuale în prim-plan și lucrează pe baza utilizării intensive a acesteia, sunt numite baze de cunoștințe.

Crearea și utilizarea pe scară largă a bazelor de cunoștințe în PI este una dintre sarcinile cele mai urgente. Partea conceptuală a bazei de cunoștințe va fi numită model de domeniu, partea algoritmică - sistemul software, iar partea faptică - baza de date.

Următoarea funcție a DES este rezolvarea problemelor. O problemă poate fi rezolvată de o mașină numai dacă este pusă formal - dacă a fost scrisă o specificație formală pentru ea. Acesta din urmă ar trebui să se bazeze pe o bază de cunoștințe. Modelul de domeniu descrie cadrul general în care a apărut sarcina, iar specificația descrie conținutul sarcinii. Luate împreună, ele fac posibilă stabilirea ce conexiuni și dependențe abstracte, în ce combinații și în ce secvență ar trebui utilizate pentru a rezolva problema.

Programele de aplicație reprezintă instrumentele specifice din spatele acestor dependențe și, de asemenea, conțin algoritmi pentru rezolvarea ecuațiilor care apar. În cele din urmă, baza de date furnizează toate sau o parte din datele inițiale pentru a executa acești algoritmi, datele lipsă trebuie să fie conținute în specificație.

Aceste trei părți ale bazei de cunoștințe corespund celor trei etape ale rezolvării problemei:

1) construirea unui program abstract de soluție (inclusiv apariția problemei, formularea și specificarea acesteia);

2) traducerea problemei într-un limbaj automat adecvat;

3) difuzarea și execuția programului.

Construcția unui program abstract este asociată cu reprezentarea și procesarea cunoștințelor conceptuale în SI și, prin definiție, este proprietatea inteligenței artificiale.

Inteligența artificială este asociată cu prelucrarea textelor, a mesajelor orale în limbaj natural, cu analiza și prelucrarea informațiilor (recunoașterea tuturor tipurilor de imagini, demonstrarea teoremei, inferența logică etc.).

Funcțiile DES sunt, de asemenea, evaluarea rezultatelor rezolvării problemei, formarea parametrilor rezultatului viitor al acțiunii, luarea deciziilor privind managementul, dezvoltarea controlului și compararea parametrilor dorit și real. rezultate. Acesta prevede modelarea proceselor pentru a evalua consecințele posibile și corectitudinea soluției problemei.

Rețineți că în cazuri reale există o problemă de descriere a obiectelor studiate. Este nepotrivit să se considere o astfel de descriere ca parte a specificației sarcinii, deoarece, de regulă, multe sarcini sunt prezentate în raport cu un singur obiect, care, desigur, trebuie luate în considerare atunci când se formează baza de cunoștințe. În plus, se poate dovedi că problema care a apărut nu poate fi rezolvată automat până la capăt, de exemplu, din cauza incompletității specificației sau descrierii obiectului.

Prin urmare, în IS, este indicat în anumite etape să existe un mod interactiv de operare cu DES. Trebuie amintit că modelul de domeniu descrie mediul general (cunoștințe), iar specificația descrie conținutul sarcinii. Probleme foarte importante sunt crearea unui mediu software unificat și sinteza algoritmilor direct conform formulării problemei.

În funcție de scopul cu care se confruntă SI, baza de cunoștințe, algoritmii pentru rezolvarea unei probleme, luarea unei decizii, dezvoltarea controlului pot avea, desigur, o reprezentare diferită, care, la rândul ei, depinde de natura rezolvării problemelor. În consecință, pot fi observate trei tipuri de DES. Structura unui DES de primul tip este prezentată în Figura 13.2.

Figura 13.2 - Structura DES de primul tip

Se presupune aici că cunoștințele conceptuale și faptice reflectă cu acuratețe procesele și informațiile legate de un anumit domeniu.

Apoi rezolvarea problemei apărute în acest domeniu va fi obținută pe baza unor metode matematice riguroase, în conformitate cu formularea și precizarea. Rezultatele studiului de decizie și previziunii sunt utilizate pentru a obține o opinie de specialitate și a lua o decizie cu privire la necesitatea managementului. Apoi, pe baza unui algoritm de control adecvat disponibil în baza de cunoștințe, se formează o acțiune de control.

Eficacitatea și consistența acestui impact, înainte de a ajunge la obiectul de control, este evaluată folosind un model de simulare matematică. Evaluarea ar trebui să fie efectuată mai rapid decât procesele reale în IS.

Cu toate acestea, DES care implementează procesul decizional sunt sisteme software complexe concepute pentru luarea automată a deciziilor sau pentru a ajuta factorii de decizie, iar în managementul operațional al sistemelor și proceselor complexe, de regulă, funcționează în constrângeri severe de timp.

Spre deosebire de DES de primul tip, concepute pentru a găsi soluția optimă și bazate pe metode matematice riguroase și modele de optimizare, DES de al doilea tip sunt axate în principal pe rezolvarea unor probleme formalizate dificile în absența unei informații complete și de încredere (Fig. 13.3). Folosește modele expert bazate pe cunoștințele experților - specialiști în acest domeniu problematic și metode euristice pentru găsirea unei soluții.

Una dintre principalele probleme în proiectarea unui DES de al doilea tip este alegerea unui aparat formal pentru descrierea proceselor de luare a deciziilor și construirea pe baza acestuia a unui model decizional adecvat zonei problemei (corect din punct de vedere semantic). Sistemele de producție sunt de obicei utilizate ca astfel de aparate. Cu toate acestea, cercetarea principală este efectuată în contextul unei interpretări algoritmice (deterministe) a unui sistem de producție cu schema sa inerentă de căutare a soluțiilor secvențiale.

Modelele rezultate sunt adesea inadecvate zonelor problematice reale caracterizate de nedeterminismul procesului de găsire a unei soluții. Calea de ieșire din această situație este paralelismul de căutare.

În realitate, ar trebui să se concentreze pe combinarea DES din primul și al doilea tip într-un DES computațional-logic de al treilea tip, în care baza de cunoștințe combină o descriere sub formă de formule matematice stricte cu informații de la experți și, de asemenea, în consecință, metode matematice pentru găsirea unei soluții cu metode euristice nestrictive, iar ponderea uneia sau a celeilalte componente este determinată de posibilitatea unei descrieri adecvate a domeniului subiectului și a metodei de găsire a unei soluții (Fig. 13.4).

Figura 13.3 - Structura centralei diesel de nivelul doi

La dezvoltarea unui DES, apar următoarele probleme:

1.determinarea componenței bazei de cunoștințe și formarea acesteia;

2. dezvoltarea de noi și utilizarea unor teorii și metode binecunoscute pentru descrierea proceselor informaționale în SI;

3. dezvoltarea modalităților de reprezentare și organizare a utilizării cunoștințelor;

4. dezvoltarea de algoritmi și software cu paralelizare și utilizarea „logicii flexibile”;

1. găsirea unor medii de calcul adecvate pentru implementarea algoritmilor paraleli în formarea DES.

Figura 13.4 - Structura centralei diesel de nivelul trei

Alături de cele de mai sus, este important de remarcat faptul că DES ar trebui să aibă proprietatea de a se adapta la o zonă problematică dinamică, capacitatea de a introduce elemente și conexiuni noi în descrierea situațiilor, de a schimba regulile și strategiile de funcționare a obiectelor din proces de luare a unei decizii și de dezvoltare a controlului, lucrul cu informații incomplete, neclare și contradictorii etc.

Sistemele expert dinamice funcționează ca parte a IS-urilor cu feedback și, prin urmare, este important să se asigure funcționarea stabilă a unor astfel de IS.

Din punct de vedere tradițional, se poate presupune că durata răspunsului DES la intrare influențează, i.e. timpul petrecut cu procesarea informațiilor de intrare și dezvoltarea unei acțiuni de control este pură întârziere. Pe baza analizei de frecvență, este posibil să se estimeze modificarea proprietăților de fază ale sistemului și, prin urmare, să se determine marja de stabilitate. Dacă este necesar, puteți corecta sistemul folosind filtre.

Totuși, din punctul de vedere al teoriei clasice de control, IS-urile sunt sisteme multi-obiect multiconectate, a căror analiză a stabilității prin metode convenționale este foarte dificilă.

În prezent, teoria controlului robust (-teoria controlului, -controlului) este una dintre ramurile în dezvoltare intensă ale teoriei controlului. Relativ tânăr (primele lucrări au apărut la începutul anilor 80), a apărut din problemele practice urgente ale sintezei sistemelor de control liniar multidimensional care funcționează în condiții de diferite tipuri de perturbări și modificări ale parametrilor.

Puteți aborda problema proiectării controlului unui obiect complex real care funcționează în condiții de incertitudine într-un mod diferit: nu încercați să utilizați un singur tip de control - adaptiv sau robust. Evident, ar trebui să alegeți tipul care corespunde stării mediului și sistemului, așa cum este determinat de informațiile disponibile sistemului. Daca in cursul functionarii sistemului este posibila organizarea primirii informatiilor, este indicat sa le folosesti in procesul de control.

Dar implementarea unui astfel de control combinat până de curând a întâmpinat dificultăți insurmontabile în determinarea algoritmului de alegere a tipului de control. Progresele realizate în dezvoltarea problemelor de inteligență artificială fac posibilă sintetizarea unui astfel de algoritm.

Într-adevăr, să stabilim sarcina: să proiectăm un sistem care să folosească un control adaptiv și robust și să selecteze tipul de control pe baza metodelor de inteligență artificială. Pentru aceasta, vom lua în considerare caracteristicile ambelor tipuri și, ținând cont de calitățile lor specifice, vom determina cum poate fi construit un sistem de control combinat.

Unul dintre conceptele de bază în teoria controlului robust este conceptul de incertitudine. Incertitudinea obiectului reflectă inexactitatea modelului obiectului, atât parametric, cât și structural.

Să luăm în considerare mai detaliat formele de specificare a incertitudinii într-o teorie de control robustă folosind un sistem simplu - cu o intrare și o ieșire (Figura 13.5).

Semnalele au următoarea interpretare: r - setarea semnalului de intrare; u - semnal de intrare (intrare) al obiectului; d - tulburare externă; y este semnalul de ieșire (ieșire) al obiectului măsurat.

Figura 13.5 - Sistem cu o intrare și o ieșire

În teoria controlului, este convenabil să se stabilească incertitudinea în domeniul frecvenței. Să presupunem că funcția de transfer a unei plante normale P și să considerăm o plantă perturbată, a cărei funcție de transfer,

unde W este o funcție de transfer fixă ​​(funcție de greutate);

- o funcție de transfer stabilă arbitrară care satisface inegalitatea.

Această indignare va fi numită admisibilă. Mai jos sunt câteva variante ale modelelor de incertitudine:

Trebuie făcute ipoteze adecvate pentru mărimile și W în fiecare caz.

Incertitudinea semnalelor de intrare d reflectă natura diferită a perturbațiilor externe care acționează asupra instalației și controlerului. Un obiect nedefinit, astfel, poate fi considerat ca un fel de ansamblu de obiecte.

Să alegem unele caracteristici ale sistemelor cu feedback, de exemplu, stabilitatea. Regulatorul C este robust în ceea ce privește această caracteristică dacă oricare din setul de obiecte definit de incertitudine o posedă.

Astfel, conceptul de robustețe presupune prezența unui controler, a unui set de obiecte și fixarea unei anumite caracteristici a sistemului.

În această lucrare, nu vom atinge întregul set de probleme rezolvate în cadrul teoriei controlului. Să atingem doar problema sensibilității minime: construirea unui astfel de controler C care stabilizează sistemul în buclă închisă și minimizează influența perturbațiilor externe asupra ieșirii y, cu alte cuvinte, minimizează norma matricei funcțiilor de transfer de la exterior. perturbări la ieșirea y.

Una dintre caracteristicile soluționării acestui lucru, și într-adevăr a întregului set de probleme de control robust, este faptul că în procesul de proiectare a regulatorului, în prealabil, în procesul de proiectare a controlerului, impunem restricții asupra intrării. acţiunile şi incertitudinea obiectului sub formă de inegalităţi.

În timpul funcționării unui sistem robust, informațiile despre incertitudinile din sistem nu sunt utilizate pentru control.

Desigur, acest lucru duce la faptul că sistemele robuste sunt conservatoare și calitatea proceselor tranzitorii uneori nu îi satisface pe dezvoltatorii acestor sisteme.

Similar unui sistem de control adaptiv robust, un sistem de control adaptiv este construit pentru obiecte, informații despre care sau despre efectele asupra cărora nu sunt disponibile la începutul funcționării sistemului. Cel mai adesea, proprietatea de adaptare se realizează prin formarea, într-o formă explicită sau implicită, a unui model matematic al unui obiect sau a unei acțiuni de intrare.

Aceasta distinge atât controlul adaptiv al căutării, care se bazează pe căutarea și reținerea extremumului indicatorului de calitate a controlului, cât și controlul non-căutare, care se bazează pe compensarea abaterii modificărilor reale ale coordonatelor controlate de la modificările dorite. corespunzător nivelului cerut al indicatorului de calitate. În plus, conform modelului rafinat, controlerul adaptiv este ajustat.

Astfel, principala caracteristică a sistemelor de control adaptiv este capacitatea de a obține informații în procesul de funcționare și de a utiliza aceste informații pentru control.

Mai mult, în sistemele adaptive, se folosesc întotdeauna informații a priori despre incertitudinea din sistem. Aceasta este diferența fundamentală dintre abordarea adaptivă și cea robustă.

Luați în considerare un sistem de control adaptiv simplu care monitorizează semnalul de intrare în prezența interferenței la intrarea obiectului (Figura 13.6).

Desen. 13.6 – Sistem de control adaptiv

Diferența formală față de circuitul din Figura 13.5 este blocul de adaptare A, care, pe baza semnalului de ieșire al obiectului și a semnalului care caracterizează calitatea dată, generează un semnal pentru reglarea coeficienților controlerului adaptiv.

Ținând cont de dezavantajele fiecăruia dintre regulatori, este recomandabil să încercați să folosiți avantajele acestora propunând o schemă de control combinată pentru obiect. Sistemul adaptativ cu ajutorul unitatii de adaptare genereaza unele informatii despre starea mediului extern. În special, în cazul în cauză, se pot obține informații despre perturbația externă d. Algoritmul de control С а corespunde stării curente a mediului extern, conform criteriului stabilit în blocul de adaptare. Dar sistemul adaptiv necesită ca semnalul de intrare r să aibă o gamă de frecvență suficient de largă și impune restricții severe asupra valorii și spectrului de frecvență al semnalului de perturbare extern d. Prin urmare, sistemele adaptive pot funcționa numai în domenii înguste ale semnalului de intrare r și perturbații externe d. În afara acestor intervale, sistemul adaptiv are o calitate slabă a controlului și poate deveni chiar instabil.

Proprietățile controlului robust și adaptiv luate în considerare mai sus conduc la concluzia că în procesul de funcționare a sistemului, în unele cazuri este avantajoasă utilizarea controlului robust, în altele - control adaptiv, i.e. să poată combina controlul în funcție de starea mediului extern.

Control combinat. Principala întrebare în proiectarea sistemelor de control combinate este cum, pe baza ce cunoștințe (informații), să selectați unul sau altul tip de control.

Cele mai largi posibilități pentru aceasta sunt prezentate prin metodele inteligenței artificiale. Avantajul lor față de algoritmii simpli de comutare este utilizarea unei game largi de date și cunoștințe pentru a forma un algoritm pentru alegerea unui tip de control.

Dacă combinăm în mod formal circuitele prezentate în figurile 13.5, 13.6, obținem un circuit de control combinat (Figura 13.7).

După cum se poate observa din figură, semnalul de control ar trebui să treacă de la un controler robust la unul adaptiv și invers - pe măsură ce mediul se schimbă în timpul funcționării sistemului. Folosind metodele teoriei sistemelor inteligente, se poate asigura o tranziție de la un tip de control la altul, în funcție de condițiile de funcționare ale sistemului.

Figura 13.6 - Schema de control combinat

Să luăm în considerare mai întâi ce informații pot fi folosite pentru a opera unitatea inteligentă a sistemului. După cum știți, sistemele cu o intrare și o ieșire sunt bine descrise în domeniul frecvenței. Prin urmare, este firesc să folosim caracteristicile de frecvență pentru a organiza procesul decizional atunci când alegeți tipul de control.

După cum sa menționat mai sus, răspunsul în frecvență al unui sistem controlat robust corespunde celei mai proaste combinații de parametri din regiunea de incertitudine. Prin urmare, controlul robust poate fi considerat una dintre limitele controlului selectat.

O altă limită este determinată de capacitățile sistemului studiat (viteza de acționare, raportul putere-greutate etc.). Între aceste două granițe se află o zonă în care are sens să folosești controlul adaptiv.

Figura 13.7 - Schema de control combinat

Deoarece algoritmul adaptiv este sensibil la stadiul inițial de funcționare a sistemului, în această etapă este recomandabil să se utilizeze un control robust, care este suficient de insensibil la rata de modificare a zgomotului extern. Dar dezavantajul său este durata lungă a proceselor tranzitorii și valorile mari permise ale coordonatei de ieșire sub acțiunea interferenței.

După ceva timp, este logic să comutați controlul robust pe adaptiv.

Controlul adaptiv vă permite să urmăriți mai precis semnalul de intrare în prezența informațiilor despre interferență. Controlul adaptiv necesită bogăția spectrului semnalului de intrare și, de exemplu, cu semnale care variază lent, procesele de adaptare pot fi întrerupte sau încetinite sever. Într-o astfel de situație, este necesar să treceți din nou la control robust, ceea ce garantează stabilitatea sistemului.

Din cele de mai sus rezultă că pentru ca sistemul să funcționeze, este necesar să existe informații despre spectrul de frecvență al semnalului de interferență util și despre raportul semnal-zgomot.

În plus, sunt necesare informații preliminare despre spectrul de frecvență pe care funcționează sistemul adaptiv și despre caracteristicile particulare ale obiectului de control la limitele regiunii de incertitudine. Din aceste informații, este posibil să se formeze o bază de date în care informațiile, individuale pentru fiecare clasă de obiecte, sunt introduse în prealabil. Informațiile despre spectrul de frecvență al semnalului util, interferența și raportul semnal-zgomot sunt introduse în baza de date pe măsură ce sistemul funcționează și sunt actualizate în mod constant.

Conținutul bazei de date poate fi utilizat în baza de cunoștințe, care se formează sub formă de reguli. În funcție de proprietățile specifice ale sistemului, se poate seta comutarea a două tipuri de control. Regulile necesare sunt formate într-unul dintre sistemele logice potrivite pentru cazul în cauză.

Avand baze de date si cunostinte, se poate dezvolta un mecanism decizional care sa asigure alegerea corecta a tipului de control, in functie de conditiile de functionare a sistemului.

Figura 13.8 - Schema bloc a unui sistem cu o unitate inteligentă (IS)

Partea intelectuală a sistemului funcționează discret, la intervale de timp specificate. Figura 13.8 prezintă o diagramă bloc a unui sistem cu o unitate IS inteligentă care oferă o alegere a tipului de control.

Intrarea blocului primește semnalul r și cel măsurat, semnalul de ieșire al obiectului y. În blocul de prelucrare preliminară a informațiilor BPOI, în funcție de caracteristicile temporale ale semnalelor r (t), y (t), de caracteristicile de frecvență ale semnalului de intrare r (w) și de perturbarea externă d (w), poziția relativă a spectrele r (w) și d (w) și valorile caracteristice ale raportului semnal-zgomot r (w) / d (w). Toate aceste informații merg în baza de date DB. Blocul decizional al BPR, folosind baza de cunoștințe generată a bazei de cunoștințe și datele bazei de date, elaborează o decizie în conformitate cu care unul dintre tipurile de control este pornit. La următorul interval, procesul se repetă folosind date noi.

INTRODUCERE

Condițiile de funcționare ale complexelor tehnologice moderne duc la necesitatea contabilității în procesul de monitorizare și control. următoarele tipuri de incertitudine:

1. Precizie scăzută a informațiilor operaționale primite de la obiectele de control, apărute din cauza erorii mari a senzorilor pentru măsurarea parametrilor tehnologici (debit, presiune etc.), fiabilitatea scăzută a acestora, defecțiunile canalului de comunicație, întârzierea mare în transmiterea informațiilor peste nivelurile de control, incapacitatea de a măsura parametrii în toate punctele. a procesului tehnologic necesar modelelor.

2. Inexactitatea modelelor de obiecte de control și management cauzate de: neechivalența soluțiilor modelelor ierarhice de sistem multinivel și a problemelor locale individuale utilizate în practică; descompunerea incorectă a problemei generale de control, idealizarea excesivă a modelului procesului tehnologic, ruperea conexiunilor esențiale în complexul tehnologic, liniarizarea, discretizarea, înlocuirea caracteristicilor efective ale echipamentului cu cele de pașaport, încălcarea ipotezelor făcute la derivarea ecuațiilor ( staționaritate, izotermitate, omogenitate etc.).

3. Luare a deciziilor neclareîn sistemele ierarhice cu mai multe niveluri, datorită faptului că prezența unor obiective clare (precise) și a deciziilor de coordonare la fiecare nivel de control și management, și pentru fiecare dispozitiv de control local, complică procesul de coordonare și predetermină natura iterativă îndelungată a coordonarea deciziilor.

4. Prezența unui operator uman, inclusiv a unui dispecer, în bucla de control iar desfășurarea procesului de coordonare într-un sistem real de producție în limbaj natural, conduce la necesitatea luării în considerare a dificultăților de reprezentare a cunoștințelor dispecerului sub formă de algoritmi și a consistenței soluției obținute de calculator cu ea. evaluare.

„Cumpărarea excesivă a preciziei a început să aibă un efect care anulează teoria controlului și teoria sistemelor, deoarece duce la faptul că cercetarea în acest domeniu se concentrează asupra acelor și numai asupra acelor probleme care se pretează la soluții exacte. Multe clase de probleme importante, în care datele, scopurile și constrângerile sunt prea complexe sau prost definite pentru a permite o analiză matematică precisă, au fost și rămân pe margine pur și simplu pentru că nu se pretează la un tratament matematic.”

L.Zadeh

Printre procesele de producție moderne, există multe care au un complex de calități care sunt neașteptate pentru teoria clasică a controlului automat (TAU). Acest „incomod” sau, cum se mai numesc, "Semi-structurat" sau „Prost definit” obiectele au proprietăți precum unicitatea, lipsa unui scop oficial al existenţei şi optimităţii, nestaționaritatea structurii și a parametrilor, incompletitudinea sau absenţa aproape completă a unei descrieri formale a obiectului.

Cadrul conceptual

management în condiții de incertitudine

Incertitudini care sunt înțelese ca surse de incertitudine, sunt mai degrabă subdivizate condiționat în următoarele trei grupuri mari:

1. incertitudinea și incompletitudinea informațiilor despre situație, care este utilizat pentru a lua o decizie privind evaluarea calității funcționării sau formarea controlului asupra funcționării sistemului - factor de incertitudine a sistemului și a mediului;

2. factori generați de incertitudine, neclaritate a gândirii și cunoașterea unei persoane- incertitudinea care se manifestă în interacțiunea unei persoane cu sistemul și mediul său;

3. factori de incertitudine, neclaritate(inexactitate) cunoștințe acumulate, concentrat în bazele de cunoștințe ale sistemelor inteligente artificiale, incertitudinea operarii acestor cunostinte in procesul de implementare anumite proceduri logice și logico-algebrice de colectare și prelucrare a informațiilor, elaborarea, alegerea și luarea deciziilor manageriale.

Clasificarea factorilor (surselor) de incertitudine care trebuie luate în considerare în studiul sistemelor complexe este prezentat în Figura B.1.

Figura B.1. Clasificarea incertitudinilor

Metodologia de analiză și contabilizare a factorilor de incertitudine în

management în sisteme organizatorice și tehnice complexe...

(ACS cu DSS și DSS-sisteme de sprijin și sisteme decizionale)

1. Probleme și formalizarea generalizată a sarcinilor pentru dezvoltarea și

luarea deciziilor de management în condiții de incertitudine….

2. Abordarea jocului deterministă a luării deciziilor în condiții

incertitudine ………… .. …………… .. …………………… ..

3. Abordare stocastică a rezolvării problemelor de luare a deciziilor în

condiții de incertitudine… .. ………………………………………

4. Abordarea probabilistică - statistică a luării deciziilor în

în fața incertitudinii ……………………………………………………… ..

5. Abordarea probabilistică a luării deciziilor în condiţii de incertitudine

lenea… .. ……………………………………………………………………

6. Fuzzy - abordare stocastică a luării deciziilor în condiții

incertitudini …………………………… .. ……………………… ..

7. Teoria oportunităților și problema luării deciziilor în condiții

incertitudini ………………………………………………………………………

8. Fuzzy - o posibilă abordare a luării deciziilor în condiții

incertitudini ……………………………………………………….

9. Abordarea lingvistică a luării deciziilor în condiții de incertitudine

diviziuni .. ……………………………… .. …………………………………………….

Managementul obiectelor semistructurate din punctul de vedere al TAU-ului clasic este o problemă destul de dificilă, practic insolubilă. Acest lucru se datorează faptului că atunci când se construiește un sistem de control automat tradițional (ACS), este necesar să se descrie mai întâi în mod formal obiectul de control și să se formeze criteriile de control pe baza unui aparat matematic care funcționează în categorii cantitative. Dacă este imposibil să se ofere o descriere matematică exactă a obiectului și a criteriilor de control al acestuia în termeni cantitativi, tradiționalul TAU se dovedește a fi inaplicabil.

De exemplu, ACS clasic prin sisteme deterministe și stocastice este folosit cu succes pentru a construi ACS de către avioane, centrale electrice etc., dar încearcă să extindă metodele tradiționale la domenii precum biosinteza, procesele tehnologice chimice multifazice asociate cu prăjire, topire, cataliză etc. ., nu au dat rezultate practice tangibile, în ciuda metodelor matematice din ce în ce mai complicate ale descrierii lor.

Cu toate acestea, în practică, astfel de obiecte semistructurate sunt controlate cu succes de către un operator uman, care este salvat de capacitatea de a observa, analiza și memora informații, de a trage anumite concluzii etc. și, ca urmare, de a lua deciziile corecte. într-un mediu de informații incomplete și neclare. Datorită intelectului său, o persoană poate opera nu numai cu cantitativ(pe care, într-o anumită măsură, o mașină o poate), dar şi cu concepte informale calitative, drept care face față cu succes incertitudinii și complexității procesului de management. Prin urmare, construirea modelelor de raționament aproximativ al unei persoane și utilizarea lor în ACS este astăzi una dintre cele mai importante direcții în dezvoltarea TAU.

Nu există nicio îndoială că o creștere semnificativă a eficienței managementului obiectelor complexe constă în crearea unui ACS inteligent capabil, într-o măsură sau alta, să reproducă anumite acțiuni umane intelectuale asociate cu achiziționarea, analiza, clasificarea cunoștințelor în domeniul ​​controlul procesului tehnologic, precum și cunoștințele de operare.cumulate de operatorul uman sau de sistemul însuși în cursul activităților practice de control al obiectului.

Necesitatea de a lucra în aceste condiții face dificilă utilizarea sistemelor standard de automatizare și APCS... Este deosebit de dificil de descris zonele modurilor de funcționare permise ale echipamentelor în astfel de condiții atunci când stabilirea de restricții stricte (clare) pentru sistemul de control al procesului și sistemele de automatizare duce la oprirea automată sau manuală a acestor sisteme. Prin urmare, este extrem de important să se utilizeze pentru descrierea și oficializarea zonelor modurilor de funcționare permise ale echipamentelor teorii ale inteligenței artificiale (AI) și ale sistemelor inteligente (IS).

Datorită dezvoltării rapide a tehnologiei de calcul în ultimii ani a început utilizarea unor noi metode de management inteligent în industrie... Și deși primele aplicații ale ACS inteligente au avut loc în Europa, astfel de sisteme sunt introduse cel mai intens în Japonia. Gama lor de aplicații este largă: de la controlul roboților industriali, instalațiilor de rectificare și furnalelor la mașini de spălat, aspiratoare și cuptoare cu microunde. În același timp, ACS inteligent poate îmbunătăți calitatea produsului, reducând în același timp consumul de resurse și energie și oferă o rezistență mai mare la factorii perturbatori în comparație cu ACS tradițional.

Un sistem inteligent înseamnă(KA Pupkov) un set de mijloace tehnice și software combinate printr-un proces de informare, lucrând împreună cu o persoană (un grup de oameni) sau în mod autonom, capabil să sintetizeze un scop bazat pe informații și cunoștințe cu motivație, luând o decizie de acțiune și găsirea unor modalități raționale de atingere a obiectivelor.

Principala caracteristică arhitecturală care distinge sisteme de control inteligente (IMS) de la „tradițional„Este un mecanism de obținere, stocare și prelucrare a cunoștințelor pentru implementarea funcțiilor sale.

Crearea sistemelor inteligente de control se bazează pe două principii: controlul situațional (control bazat pe analiza situațiilor sau evenimentelor externe) și utilizarea tehnologiilor informaționale moderne pentru procesarea cunoștințelor (sisteme expert, rețele neuronale artificiale, logica fuzzy, algoritmi genetici, etc.). și un număr de altele).

Programul nr. 14 de cercetare fundamentală al OEMMPU RAS

„ANALIZA ŞI OPTIMIZAREA FUNCŢIONĂRII SISTEMELOR MULTI-NIVELURI, INTELIGENTE ŞI DE CONTROL ÎN REŢEA, ÎN INCERtitudine”

1. Motivația programului

1.1. Semnificație științifică și practică

Dezvoltarea intensivă a tehnologiei (interacțiunea în rețea, miniaturizarea calculatoarelor, creșterea vitezei acestora etc.) impune noi cerințe sistemelor moderne de control și deschide noi oportunități atât la nivelul sistemelor de control încorporate (la nivelul marilor centre de dispecerat), cât și la nivel de rețea (comunicare-rețea, grup) interacțiunea sistemelor multi-agent descentralizate. Sistemele de control capătă tot mai mult caracterul sistemelor de control al informației și sunt studiate la intersecția teoriilor de control, calcul și comunicare. Deci, luarea în considerare a proprietăților canalelor de comunicare (comunicare) este necesară, de exemplu, în sistemele descentralizate (multi-agent), iar caracteristicile unui computer încorporat sunt importante atunci când se implementează astfel de funcții intelectuale în sistemele de control pe mai multe niveluri, precum viziune, planificare a acțiunii, instruire, luare a deciziilor multicriteriale, reflecție etc. etc. În special, intelectualizarea controlului este menită să crească gradul de autonomie a funcționării sistemelor, atunci când lipsa modelelor cantitative de dinamică sau tulburări în funcționarea obiectului de control, care determină pierderea adecvării modelelor cantitative (de exemplu, ecuații care descriu evoluția unui sistem complex), sporesc rolul celor calitative (așa-numitele „cunoștințe”, de exemplu, logico-lingvistice) modele ale obiectului şi mediului utilizate la nivelurile superioare ale sistemului de control.

Programul are ca scop rezolvarea problemelor fundamentale care apar în domeniile prioritare ale științei, tehnologiei și tehnologiei Federației Ruse. Sarcina este de a obține noi rezultate fundamentale și aplicate în domeniul teoriei controlului pentru sisteme complexe tehnice, om-mașină și alte sisteme, ținând cont de incertitudinea și lipsa informațiilor inițiale, inclusiv: teoria analizei și sintezei sistemelor stocastice, teoria creării sistemelor de control al mișcării și proceselor tehnologice, cu diagnosticare actuală și control asupra stării tehnice, precum și teoria creării sistemelor automatizate de proiectare și control inteligent bazat pe tehnologii informaționale moderne.

Datorită varietatii de utilizare a teoriei controlului, analizei și optimizării în diverse aplicații (transport, logistică, producție, sisteme aviatice și spațiale, submarine și nave de suprafață etc.), este necesar să se țină cont de un număr mare de factori de complexitate , precum:

management pe mai multe niveluri,

Descentralizare,

neliniaritate,

Multiconexiune,

Distribuția parametrilor,

Scale diferite de procese în spațiu și timp,

Dimensiune mare,

Eterogenitatea descrierii subsistemelor,

multimod,

Prezența influențelor de impuls,

Prezența perturbațiilor coordonate-parametrice, structurale, regulate și singulare,

Utilizarea modelelor deterministe și probabiliste pentru descrierea incertitudinii informațiilor despre vectorul de stare și parametrii sistemului, despre proprietățile erorilor de măsurare și ale mediului,

Prezența efectelor de întârziere în control sau obiect,

· Complexitatea structurală generală a sistemelor moderne de control.

Pentru a atinge acest obiectiv și a rezolva principalele sarcini, Programul include cercetare și dezvoltare în următoarele domenii principale:

1. Analiza si optimizarea functionarii pe diferite scale de timp a sistemelor de control multinivel cu informatii incomplete.

2. Management si optimizare in sisteme multinivel si descentralizate de natura organizationala si tehnica.

2.1. Management și optimizare în sisteme centrate pe rețea.

2.2. Control inteligent al obiectelor în mișcare.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri.

Direcția 1. Analiza si optimizarea functionarii in diferite scări de timp ale sistemelor de control pe mai multe niveluri cu informații incomplete

Complexitatea multor sisteme moderne de control nu permite adesea obținerea în prealabil a unei descrieri complete a proceselor care au loc în cadrul sistemului și a interacțiunii acestuia cu mediul. De regulă, sistemele reale sunt descrise prin ecuații neliniare ale dinamicii și destul de des modelele matematice ale sistemelor de control iau în considerare doar intervalele admisibile de modificări ale parametrilor și caracteristicilor elementelor individuale, fără a specifica acești parametri și caracteristici în sine.

În plus, în unele sisteme, în special sistemele micromecanice și cuantice, utilizarea metodelor clasice de descriere în timp continuu sau discret este împiedicată de faptul că forțele interne și/sau externe de interacțiune care apar, precum și acțiunile de control, sunt de natură tranzitorie, impulsivă și nu pot fi calculate cu exactitate... Sistemul pare să funcționeze în diferite scale de timp: real (lent) și rapid (impuls). O astfel de variabilitate temporală a scalelor este o proprietate intrinsecă a multor sisteme de control moderne, inclusiv sisteme cu control pe mai multe niveluri, în care nivelurile superioare folosesc modele calitative și discrete, iar cele inferioare, mai des modele cantitative cu timp continuu.

Din acest motiv, dezvoltarea metodelor de formalizare matematică a descrierii funcționării unor astfel de sisteme în timp hibrid (continuu-discret), studiul proprietăților lor de controlabilitate și stabilitate în condiții de informație incompletă, opoziție și non-standard. constrângerile asupra controalelor și variabilelor de fază este o sarcină urgentă. Dezvoltarea metodelor de sinteză a controlului optim al unor astfel de sisteme continuu-discrete, atât deterministe cât și stocastice, este o sarcină la fel de urgentă.

În plus, în condiții de incertitudine și de deficit de informații a priori, sarcinile de optimizare a procesului de colectare și prelucrare a informațiilor (monitorizarea observațiilor și filtrarea optimă) sunt foarte relevante.

Direcția 2. Management si optimizare in sisteme multinivel si descentralizate de natura organizationala si tehnica

2.1. Management și optimizare în sisteme centrate pe rețea

Sistemele organizatorice și tehnice moderne complexe se caracterizează prin dimensionalitate ridicată, descentralizare, management pe mai multe niveluri, nevoia de planificare eficientă a activităților, luând în considerare pregătirea, multicriteria de decizii luate și reflectarea subiecților controlați.

Problemele de planificare și control ale sistemelor multiconectate distribuite discrete și continue de dimensiuni mari sunt, de asemenea, caracterizate prin diferite scări ale proceselor nu numai în timp, ci și prin distribuție și scări diferite în spațiu și reprezintă una dintre cele mai complexe și laborioase clase de optimizare. Probleme. Din acest motiv, este recomandabil să se dezvolte metode și abordări de cercetare pentru găsirea de soluții exacte și aproximative, precum și instrumente de simulare pentru utilizarea în sistemele de sprijinire a deciziilor pentru planificarea, proiectarea și managementul complexului de informații tehnice, organizatorice (inclusiv transport și logistică) și sisteme.

Să gestioneze interacțiunea de grup a componentelor sistemelor organizaționale și tehnice descentralizate (sisteme centrate pe rețea, sisteme de producție, rețele de calcul, telecomunicații și alte rețele etc.) în contextul restricțiilor asupra canalelor de comunicație și al complexității calculelor, caracteristicile procesele de procesare a informațiilor, precum și restricțiile privind timpul de luare a deciziilor, capacitățile de calcul și lățimea de bandă a canalelor de comunicație. Prin urmare, este relevant să se dezvolte metode de optimizare (ținând cont de restricțiile enumerate) a structurii sistemelor organizatorice și tehnice complexe, inclusiv cu luarea în considerare simultană a mai multor criterii: detaliul datelor inițiale, eficiența colectării informațiilor, planificarea. și luarea deciziilor reflexive, performanța limitată a computerelor individuale și reducerea dublării muncii, precum și a ponderii calculelor auxiliare asociate cu serviciile de transmisie de date.

Pentru sistemele cu mai multe niveluri și descentralizate este caracteristică luarea deciziilor distribuite în timp real în condiții de contramăsuri informaționale, precum și incompletitudinea și eterogenitatea informațiilor, adesea de natură calitativă și subiectivă multicriterială. Din acest motiv, este necesar să se elaboreze metode de creare a unor sisteme adecvate de suport informațional și de sprijinire a adoptării deciziilor strategice și operaționale în condiții de informare incompletă și de opoziție. Pentru aceasta, este recomandabil, în special, să se dezvolte: modele multi-agenți ale sistemelor organizaționale și tehnice dinamice, inclusiv modele de rețea cu agenți conflictuali, modele de comportament de grup și prognoza acestuia, evaluarea echilibrului de interese și formarea de coaliții în aceste sisteme, precum și dezvoltarea tehnologiilor informaționale și a mijloacelor de prezentare a informațiilor.despre mediul extern și cunoașterea agenților inteligenți.

2.2. Control inteligent al obiectelor în mișcare

Modelele cantitative nu pot fi create întotdeauna pentru a rezolva sarcinile stabilite, prin urmare, alături de metodele tradiționale, Programul utilizează metode de inteligență artificială. Inteligența artificială, ca domeniu de cunoaștere, a suferit un salt uriaș în ultimii cincizeci de ani atât în ​​dezvoltarea și clarificarea însuși conceptului de inteligență, cât și în domeniul aplicării practice a inteligenței artificiale în diverse domenii ale activității umane: în tehnologie, economie, afaceri, medicină, educație etc. Multe poziții teoretice și metode ale inteligenței artificiale au fost transformate în tehnologii inteligente aplicate bazate pe cunoaștere.

Particularitatea generației moderne de sisteme inteligente este că se bazează pe un model complex al mediului extern, care ia în considerare atât informații cantitative, cât și modele calitative - cunoștințe despre comportamentul posibil al diferitelor obiecte în mediul extern și interrelațiile dintre acestea. Utilizarea unor astfel de modele a devenit posibilă datorită dezvoltării metodelor de reprezentare a cunoștințelor, metodelor de integrare a datelor din diferite surse, creșterii semnificative a vitezei și memoriei computerelor.

Prezența unui model al mediului extern permite sistemelor moderne de control inteligent al obiectelor în mișcare să ia decizii în condiții de multicriteria, incertitudine și risc, iar calitatea acestor decizii poate depăși calitatea deciziilor luate de o persoană în condiții de supraîncărcare informațională. , timp limitat și stres.

În acest sens, o sarcină urgentă este dezvoltarea de noi mijloace și metode pentru dezvoltarea controlului inteligent al obiectelor în mișcare în prezența factorilor de mai sus.

2.3. Modelarea și optimizarea sistemelor de informare și control în timp real pe mai multe niveluri

Relevanța cercetării în această direcție se datorează necesității de a dezvolta metode de analiză și sinteză a sistemelor de informare și control în timp real modulare deschise multinivel (IMS RT) ale obiectelor multimodale și multifuncționale care funcționează în condiții de incertitudine, perturbări structurale. și situații de urgență (NSS). Printre aceste obiecte de management se numără obiectele critice și sistemele de utilizare responsabilă care determină securitatea statului.

Este evident că problemele și sarcinile de creare a sistemelor din această clasă pot fi rezolvate cu succes pe baza dezvoltării unei teorii unificate și a metodelor aplicate orientate spre software de analiză dinamică și de scenariu și sinteza structurii unor astfel de sisteme, algoritmic al acestora. , suport software și informațional, mecanisme de dezvoltare a influențelor eficiente de management. Acestea includ, în primul rând, dezvoltarea unei metodologii formalizate pentru proiectarea sistemelor de informare și control deschise, inclusiv modele și metode de sinteză a structurii modulare a I&C RT orientate pe obiecte cu o arhitectură deschisă, care este optimă în funcție de diverse eficiențe. criterii. Pe baza rezultatelor obținute în etapa de analiză dinamică, se sintetizează o structură modulară funcțională optimă a procesării și controlului datelor, adică se determină compoziția și numărul optim de module I&C RV, se sintetizează interfața sistemului și structura acestuia. se determină suportul software și informațional pentru procesarea fluxurilor de intrare ale aplicațiilor.

Pentru planificarea acțiunilor și sprijinirea luării deciziilor în condiții de incertitudine, perturbări structurale și situații de urgență, este recomandabil să se utilizeze metodele de analiză a scenariilor și sinteza acțiunilor de control eficiente în IMS RV. În acest caz, se va forma un model matematic de propagare a perturbațiilor structurale și a situațiilor de urgență în limbajul graficelor cu semne ponderate sau funcționale. Pe baza acestui model vor fi sintetizate scenarii raționale de gestionare a obiectelor folosind conceptele de capacitate de lucru, rezistență și supraviețuire a elementelor lor constitutive. Sinteza scenariilor pentru eliminarea cauzelor și consecințelor NSS în obiectele țintă multimodale va fi realizată ținând cont de constrângerile de timp și resurse determinate dinamic. De asemenea, este necesar să se elaboreze formulări și metode pentru rezolvarea problemelor inverse de control al supraviețuirii pentru obiecte multimodale și multifuncționale care funcționează în condiții de incertitudine, perturbări structurale și situații de urgență.

Specificul sus-menționat al sistemelor și obiectelor de management, semnificația științifică și practică a soluționării problemelor de management, analiză și optimizare pentru acestea fac posibilă formularea următoarelor scopuri și obiective principale ale Programului.

1.2. Scopuri și obiective principale

Scopul principal al Programului este de a rezolva problemele fundamentale ale teoriei controlului care împiedică implementarea proiectelor promițătoare de importanță statală importantă în domeniul managementului sistemelor complexe dinamice și inteligente cu aplicații de control al mișcării obiectelor și proceselor tehnice în domeniul tehnologic și sisteme organizatorice.

Cercetările vor fi efectuate pe următoarele teme generalizate.

Direcția 1

· Dezvoltarea metodelor de stabilizare a sistemelor neliniare în situaţii de măsurare incompletă a coordonatelor şi restricţii asupra structurii admisibile a forţelor de control.

· Dezvoltarea unor metode de observare si control robuste si adaptative in conditii de modele deterministe, probabiliste si alte modele de incertitudine a parametrilor obiectului de control si a mediului de functionare.

· Dezvoltarea de metode și algoritmi de analiză calitativă și cantitativă a modelelor dinamice continue, discrete și multinivel continuu-discrete și sintezei de control bazate pe metoda reducerii cu funcții de comparație vectorială și matrice și transformări de model.

· Investigarea problemei controlului optim al unei noi clase de sisteme mecanice care se deplasează în medii rezistente din cauza modificărilor configurației sau mișcării corpurilor interne.

· Dezvoltarea metodelor de formalizare matematică și rezolvare a problemelor de interacțiune șoc a sistemelor mecanice în prezența frecării uscate.

· Dezvoltarea metodelor de control optim al sistemelor discret-continue și dinamice de impuls.

· Dezvoltarea metodelor de control garantat al obiectelor neliniare expuse la perturbări necontrolate sub formă de jocuri dinamice.

· Dezvoltarea teoriei controlului sistemelor cuantice.

· Dezvoltarea de metode și algoritmi de analiză a proprietăților dinamice precum stabilitatea, invarianța, disipatitatea pentru evaluarea stării și sinteza controlului multinivel al sistemelor cu o descriere eterogenă a dinamicii proceselor la diferite niveluri.

Direcția 2.1

· Metode de rezolvare a problemelor de control al sistemelor centrate pe rețea de mare dimensiune cu parametri distribuiți și procese de diferite scări (în spațiu și timp).

· Modele și metode de comunicare-rețea de management inteligent descentralizat al proiectelor și programelor distribuite.

· Metode de optimizare a structurii sistemelor multinivel și descentralizate.

· Metode și structuri de implementare computerizată a controlului centrat pe rețea într-un spațiu matematic omogen de calcul distribuit și paralel.

· Modele și metode de luare a deciziilor de grup bazate pe informații incomplete, eterogene, calitative și subiective.

· Modele și metode de planificare și gestionare a complexelor de operațiuni interconectate în sisteme complexe tehnice și de transport și logistică.

· Dezvoltarea de principii, arhitectură, metode și algoritmi pentru crearea de sisteme inteligente software distribuite bazate pe tehnologii multi-agent.

· Dezvoltarea de modele și metode de management al informațiilor în structuri de rețea multi-agenți.

Direcţie2.2

· Dezvoltarea unor modele generalizate de management situațional, care să reflecte trăsăturile de includere în structura modelelor de elemente fuzzy, rețele neuronale și logico-dinamice.

· Dezvoltarea unei metode de planificare a rutelor care asigură proprietatea de stabilitate a comunicării unui grup de obiecte dinamice controlate, eterogene (cantitative și calitative) în reprezentarea lor pe model.

· Dezvoltarea de metode de analiză și sinteză a platformelor adaptive de modelare în timp real, ținând cont de neliniaritate, multi-conectivitate, dimensionalitate mare a obiectelor de control cu ​​o aplicație la obiectele mobile marine.

· Optimizarea sistemelor inteligente de control pe mai multe niveluri al obiectelor în mișcare într-un mediu conflictual, ținând cont de interacțiunea lor de grup, multi-criterii, incertitudine și risc.

· Dezvoltarea metodelor de furnizare a viziunii tehnice pentru sistemele de control inteligente.

· Dezvoltarea unor metode de control inteligent al obiectelor dinamice care efectuează manevre complexe, bazate pe organizarea mișcării forțate în spațiul de stare al sistemului.

Direcţie2.3

· Modele și metode de analiză și optimizare a structurii modulare a sistemelor de management al informațiilor multinivel orientate obiect în timp real cu arhitectură deschisă în condiții de incertitudine și perturbări structurale.

· Metode de analiză și optimizare a modurilor de sisteme de energie electrică și controlul acestora.

· Modele și metode de abordare scenariu-indicator pentru căutarea punctelor de vulnerabilitate pentru sarcinile de management.

· Metode de modelare, analiză și optimizare a proceselor de control multimodal al obiectelor în mișcare.

· Dezvoltarea de metode și algoritmi de identificare inteligentă a obiectelor neliniare nestaționare pentru îmbunătățirea eficienței controlului prin formarea unei baze de cunoștințe tehnologice bazate pe informații a priori despre obiectul de control.

· Tehnologii de geoinformație pentru modelarea complexelor naturale și tehnogene în sarcinile de gestionare a ecosistemelor megalopolelor.

· Analiza si optimizarea suportului informatic pentru sistemele de navigatie si control.

· Modele si metode de gestionare a proceselor de productie.

Rezultatele teoriei dezvoltate și metodele de analiză și sinteză a sistemelor de control vor fi utilizate în următoarele domenii:

· controlul traficului în aviație și astronautică, obiecte terestre și maritime, vehicule;

· sisteme multi-agenți centrate pe rețea, sisteme de producție, computere, telecomunicații și alte rețele ;

· sisteme de transport și logistică ;

· Energie globală, transport de gaze și alte sisteme de infrastructură la scară largă;

· Sisteme informatice suport pentru sarcinile de management si suport pentru deciziile strategice si operationale in conditii de informare incompleta si opozitie.

Problemele fundamentale ale teoriei construcției sistemelor de control necesită dezvoltarea lor intensivă. Dezvoltarea cercetării în această direcție va permite:

Dezvoltarea fundamentelor teoretice pentru rezolvarea problemei complexe triune de control-calcul-comunicare (problema este " Control- Calcul- Comunicare„) pentru sisteme complexe de informare și control, inclusiv în condiții de restricții asupra canalelor de comunicații și defecțiuni ale subsistemelor;

Să rezolve problemele de gestionare a obiectelor și proceselor fundamental noi legate de obiecte în mișcare, obiecte cu destinație specială, sisteme tehnologice și organizaționale;

Să creeze metode eficiente de diagnosticare funcțională și să asigure toleranța la erori a sistemelor de control a aeronavelor și a altor obiecte în mișcare, precum și stabilitatea dinamică a sistemelor de energie electrică;

Îmbunătățirea calității, accelerarea și reducerea costurilor dezvoltării soluțiilor de proiectare prin algoritmizarea și automatizarea procesului de dezvoltare a sistemelor de control.

În continuare, controlul este înțeles într-un sens larg, incluzând comunicații-rețea, grup, control distribuit (în literatura de limba engleză - control în rețele, control asupra rețelelor, control distribuit etc.)