Пред.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
1. ВВЕДЕНИЕ1.1. Общие сведения об интеллектуальном управленииВ последнее время интеллектуальное управление становится широко распространенным средством для многих технических и промышленных приложений [1], [2]. Такие системы управления обладают способностью к пониманию и обучению в отношении объекта управления, возмущений, внешней среды, условий работы [3], [4]. Примеры факторов, которым могут обучаться такие системы — характеристики объекта (статические и динамические), некоторые характеристики возмущений и внешней среды, методы управления оборудованием [1], [2]. Рис. 1.1.1 и 1.1.2 иллюстрируют количество статей из INSPEC (Информационная служба физических и инженерных обществ) и патентов из CASSIS (Классификатор для информационно-поисковых систем) [5] соответственно. На них видны тенденции и соотношения в объеме исследований по различным направлениям искусственного интеллекта. Можно убедиться, что исследования по экспертным системам, традиционно считавшиеся основным инструментом интеллектуальных систем, медленно сокращаются, а исследования по нейронным сетям стабильно нарастают. Благодаря своим способностям к самоорганизации и обучению, искусственные нейронные сети сейчас рассматриваются как перспективные средства для интеллектуальных систем [3], [4]. Архитектура и функции таких сетей строятся на основе биологических структур мозга. В нейронных сетях используется архитектура вычислений, отличная от фон-неймановской. Характерные черты нейронных сетей — параллельность, распределенность, самоорганизация, в то время как обычные компьютеры характеризуются последовательностью, локальностью, работой по алгоритму [3], [4]. «Параллельная архитектура» означает, что обработка информации выполняется несколькими центральными процессорами (ЦП), в то время как в обычных компьютерах, имеющих только один ЦП, информация обрабатывается последовательно, по шагам. Распределенная память означает, что информация хранится по многим адресам, распределенным образом, так что каждый элемент данных представляется шаблоном активности, распределенным по многим вычислительным элементам, и каждый вычислительный элемент участвует в представлении многих различных элементов данных. В обычных компьютерах реализуется локальная память, или локальное представление, в котором используется один вычислительный элемент для каждого элемента данных. На основе распределенной архитектуры представления информация в нейронных сетях может дробиться и обрабатываться по частям [3]. Последнее из характерных свойств нейронных сетей — самоорганизация — называется также способностью к обучению
Рис. 1.1.1. Количество статей и других работ по различным областям искусственного интеллекта, зарегистрированных в базе данных INSPEC [5] (©1994 IEEE Press) [1]. Это означает, что нейронные сети могут автономно «изучать» статические и динамические свойства управляемого объекта на основе результатов измерений, производившихся в прошлом, а затем действовать таким образом, чтобы принять лучшее решение при неизвестном состоянии внешней среды. Обычные компьютеры должны быть предварительно запрограммированы, чтобы иметь возможность обрабатывать данные; они не могут работать за пределами решений, задаваемых программой. Таким образом, инженерия знаний не может быть в полной мере реализована на обычных компьютерах, так как они не могут принимать решения в новых внешних условиях [1]. Рис. 1.1.2. (см. скан) Количество патентов, зарегистрированных в базе данных GASSIS [5] (© 1994 IEEE Press) Нейронные схемы управления — это схемы управления, в которых используется архитектура нейронных сетей и способности к обучению. Нейронная сеть состоит из нейроноподобных вычислительных элементов, которые являются нелинейными преобразователями. Такие свойства нейронных сетей делают возможным нелинейное преобразование данных, что, в свою очередь, позволяет реализовать новые нелинейные схемы управления. На практике могут быть реализованы различные виды схем нейронного управления для решения некоторых задач управления, являющихся пока неразрешимыми. В настоящее время нейронному управлению уделяется большое внимание. Одна из причин такого явления заключается в том, что традиционные методы управления в основном опираются на теорию линейных систем, в то время как реальные объекты управления являются по своей природе нелинейными. Проектировщики оборудования разрабатывают системы не с той или иной точки зрения теории управления, а с позиции осуществимости проекта. Поэтому специалисты по управлению должны вырабатывать стратегию управления так, чтобы достигать максимальной эффективности при многих ограничениях, действующих на реальном объекте управления. В действительности часто сложно сделать работу оборудования полностью автоматической; управление должно осуществляться людьми-операторами. Даже если будет разработана сложная схема управления, структура и принципы работы которой будут недоступны для понимания оператором оборудования, надежность и безопасность такой схемы окажутся низкими, так как в процессе реальной работы возможны непредсказуемые явления. Это может привести к нежелательным потерям сырья, а также к авариям и несчастным случаям. По этой причине широкое распространение получили пропорциональные-интегрально-дифференциаль-ныерегуляторы (PID-контроллеры). Факторами, обусловившими широкое распространение последних, стали простота их структуры и высокая надежность. По последним данным [6], на 84% японских предприятий все еще используются обычные PID-контроллеры. В контроллерах этого типа оператор может управлять тремя параметрами, добиваясь улучшения показателей качества. Благодаря своей простоте и надежности PID-контроллеры являются подходящими для промышленного управления. Однако эти контроллеры имеют ряд недостатков. Например, при изменении рабочих точек требуется перенастройка контроллеров. На крупных предприятиях с непрерывным режимом работы при использовании таких контроллеров необходим тщательный контроль, что требует большой численности персонала. Таким образом, для лучшего решения задач управления требуется разработка новых схем управления. Кроме того, новые схемы управления должны быть достаточно просты по принципам организации и функционированию, чтобы промышленность восприняла их легко и в широком масштабе. По-видимому, может оказаться сложным разработать схемы управления для крупномасштабных систем, обеспечивающие высокую эффективность и при этом использующие только простые принципы управления. Однако желательно, чтобы в новых системах управления манипуляция параметрами была сведена к минимуму. В связи с этим, важным фактором разработки интеллектуальных систем управления является простой, но эффективный человеко-машинный интерфейс. В инженерном контексте интеллектуальное управление должно обладать следующими свойствами: а) способность к обучению и адаптивность; Ь) живучесть; с) простой алгоритм управления и «дружественный к пользователю» человеко-машинный интерфейс; d) способность к включению новых компонентов, обеспечивающих лучшие решения в условиях ограничений, накладываемых техническими средствами. Сейчас имеется ряд методов, которые могут использоваться в качестве основы для разработки интеллектуальных систем. Наиболее распространенные из них — экспертные системы (системы, основанные на знаниях), нечеткая логика, генетические алгоритмы, нейронные сети, искусственная жизнь. Для разработки интеллектуальных систем управления методы искусственного интеллекта (ИИ) должны быть объединены с достижениями современной теории управления. В этой книге рассматривается концепция нейронных сетей и их применение в системах управления. Рассмотрение нейронных систем управления здесь основывается в основном на алгоритме обратного распространения (backpropagation algorithm). Этот алгоритм широко и успешно применяется во многих инженерных приложениях. Именно поэтому он выбран авторами в качестве алгоритма обучения нейронных сетей. Сначала излагается концепция нейронного управления, затем — различные типы парадигм нейронного управления. Для демонстрации эффективности нейронных систем управления приводятся данные о сравнении их с традиционными подходами к управлению. Традиционные подходы (PID-контроллеры, самонастраивающиеся контроллеры, обобщенные прогнозирующие контроллеры, атакже контроллеры на основе нечеткой логики) рассматриваются в следующей главе. Их можно сравнить с нейронными схемами управления, применяемыми к тем же системам управления; такое применение рассматривается в последней главе.
|
1 |
Оглавление
|