4. ТЕХНОЛОГИИ НЕЙРОННОГО УПРАВЛЕНИЯ

4.1. Введение

Во многих реальных системах имеются нелинейные характеристики, сложные для моделирования динамические элементы, неконтролируемые шумы и помехи, множество обратных связей и другие факторы, затрудняющие реализацию стратегий управления. За последние два десятилетия новые стратегии управления в основном развивались на базе современной и классических теорий управления. Как современная (вчастности, технологии адаптивного и оптимального управления), так и классическая теория управления в значительной степени базировались на идее линеаризации систем [1]-[5].

Для практического применения данного подхода необходима прежде всего разработка математических моделей. Однако математическое моделирование, реализуемое на основе предположения о линейности системы, может не отражать ее действительных физических свойств. Даже если удается построить сложные математические модели, точно отражающие физические соотношения между входом и выходом системы, они могут оказаться бесполезными для целей управления. Практически приемлемыми могут быть только модели с низкой чувствительностью по параметрам. Обеспечить это для нелинейных систем достаточно сложно.

Вообще говоря, в качестве «хороших» математических моделей для аппроксимации реальных физических свойств систем показали себя статистические модели [2], например, модель авторегрессии (АР), модель авторегресси — скользящего среднего (АРСС), модель кристаллической решетки и т.д. Эти модели были разработаны как теоретиками, так и инженерами-практиками в области обработки сигналов. Они позволили достичь

достаточно хороших результатов в решении многих практических задач [3], связанных с распознаванием речи, анализом данных геологических исследований, распознаванием образов и т.д. Достоинство статистических моделей, кроме их простоты, состоит в том, что они допускают проверку на адекватность путем исследования частотных характеристик с использованием спектрального анализа.

Таким образом, при использовании статистических моделей имеется возможность оценить явления, происходящие в определенной полосе частот, например, посредством анализа частотных характеристик методами классической теории управления. Такой статистический подход может показаться очень эффективным, однако используемые при этом приближения часто не обеспечивают достаточной точности для целей управления. Причина этого недостатка заключается в попытке приспособить линейные модели к сложным нелинейным системам. Кроме того, данные методы основаны на моделях «черного ящика», используемые в них переменные и параметры в некоторых случаях не имеют физического смысла. Это только некоторые из причин, по которым такие подходы не находят широкого применения в практике управления [4].

Другой распространенный подход к управлению — адаптивное управление, рассмотренное в предыдущей главе [5]. При этом подходе предполагается наличие математической модели, основанной на физических явлениях, и оцениваются неизвестные параметры, включенные в эту модель. Затем определяется закон управления, направленный на достижение некоторой цели (степень достижения оценивается функцией стоимости); при этом математическая модель рассматривается как реальная система. Такой подход основывается также на теории линейных систем. При каких-либо изменениях в объекте управления или во внешних условиях требуется перестраивать модель и определять для нее новый закон управления. Таким образом, требуется «вручную» проверять, является ли модель адекватной реальной физической системе.

В связи с этим современная теория управления была не слишком популярной, ее было сложно применять для реальных задач, кроме некоторых специфических, например, для задачи управления спутниками. В Японии примерно 84% систем управления до сих пор построены на основе обычных ПИД-контроллеров [4].

Из приведенных фактов можно сделать вывод: для того чтобы алгоритмы управления могли применяться на практике, они должны быть достаточно простыми для реализации и понимания. Кроме того, они должны обладать способностью к обучению, гибкостью, устойчивостью, нелинейностью. Алгоритмы, основанные на нечеткой логике, обладают некоторыми из указанных свойств, благодаря чему они получили в настоящее время достаточно широкое распространение.

В последнее время для целей управления все шире начинают применяться нейронные сети. Они показали свою эффективность для решения задач распознавания образов. Нейронные сети способны обучаться на основе соотношений «вход-выход», поэтому они могут обеспечить более простые решения для сложных задач управления. Кроме того, нейроны — это нелинейные элементы; следовательно, нейронные сети в своей основе являются нелинейными системами, пригодными для решения задач управления, принципиально связанных с наличием нелинейных характеристик. Традиционные методы управления не обеспечивают решения подобных задач. Таким образом, в последнее время интеллектуальное управление стало достаточно подходящим для решения реальных задач [5,6].