В якості об'єкту дослідження прийнято технологічний процес спікання агломерату. Агломераційний процес, з точки зору автоматизації, розглядається нами як взаємопов'язана технологічна система, яка перебуває під дією випадкових збурень.  При синтезі асимптотично-стійкої, адаптивної системи керування повинна вирішуватись задача забезпечення стійкості системи і максимізації цільової функції [1] в загальному випадку.

Проведений аналіз [1] принципів синтезу і результатів функціонування традиційних АСУ ТП агломерації дозволив зробити висновок про те, що синтез адаптивних структур пов'язаний із проблемою порушення умов узгодження керування і флуктуації невизначених на етапі синтезу параметрів об'єкта. Механізм підтримки заданих показників якості управління при зміні схемно-режимних умов функціонування системи відсутній. Крім того, складність математичної моделі ТП приводить до неможливості прямого контролю ряду параметрів вектору стану об'єкта.

Проведений аналіз [1] дає змогу аргументовано стверджувати про те, що розробка та впровадження гібридних інтелектуальних систем управління, які використовують динамічну базу знань для перетворення концептуальних понять, дозволить зафіксувати шляхом інтелектуального підстроювання параметрів системи задані показники якості при дії на об'єкт неконтрольованих зовнішніх збурень.

Математична постановка задачі. На основі застосування нейронечітких штучних мереж (ННШМ) необхідно побудувати відображення вхідного вектора з такого класу, щоб реакцією ННШМ на кожен вхідний сигнал, з заданого діапазону, був адекватний вихідний. Відображення задається кінцевим набором пар: вхід - відомий вихід. Кількість даних навчальної вибірки істотно менше загального числа можливих сполучень вхідних і вихідних векторів.

У задачі оптимального керування технологічним процесом агломерації в якості вхідних образів обрано набір контрольованих параметрів об'єкта (продуктивність агломашини; частка заліза, руди, вапна вуглецю в залізорудній частині шихти; вміст повернення в шихті; вологість шихти, енергетичні параметри об'єкта, до складу якого входить електромеханічне устаткування, живильна мережа і т. ін.), вихідний код відповідає поточним значенням контрольованих параметрів і визначає керуючі впливи (вологість шихти; кількість повернення; витрата газу; розрідження в загальному газопроводі; швидкість аглострічки і т. ін.). Тобто, ННШМ реалізує деяке складне багатомірне функціональне перетворення вхідного вектора у вихідний.

Окрім того, розроблена структура інтелектуальної САК вміщує адаптивну нечітку систему, котра виконує функції інверсного емулятора.

Недоліки нечітких систем:

вихідний набір нечітких правил, які постулюються, формулюється експертом і може виявитися неповним, суперечливим чи містити погрішності, що не усуваються в чисельному алгоритмі;

вид і параметри функцій приналежності, що описують вхідні і вихідні змінні стану системи, вибираються суб'єктивно.

Узагальнена система нечіткої ідентифікації технологічного процесу (ТП). Розглядається нечітка модель узагальненого багаторівневого технологічного процесу, яка побудована за принципом розгрупування вхідних впливів з метою створення ієрархічної структури дерева висновку [2].

Загальний вид елементарної системи А:

,                                                        (1)

де-n-мірний вектор котрим представлені параметри ТП, що  контролюються;  y - характеристичний параметр динамічного стану ТП.

Подібний вид системи А з багаторівневим представленням експертних знань застосовується для термінальних вершин та кореня дерева. Подібна структура дозволяє проводити урахування випадкових змінних в ТП по мірі накопичення знань про об'єкт у  режимі on-line.

Для даної системи вважається відомим:

·                    траєкторії варіації параметрів стану системи: ,  та ;

·                    базовий об'єм нечітких продукційних правил  , які пов'язують лінгвістичні оцінки факторів впливу  та цільовий вихід y;

·                    багаторівневий формат нечітких продукційних правил - "IF-AND -OR-THEN";

·                    масив () навчальних кортежів: .

Для ефективного функціонування нечіткої системи запропоновано [1] метод динамічного настроювання параметрів функцій приналежності. Даний метод ґрунтується на застосуванні модифікації генетичного алгоритму для проведення параметричного синтезу асимптотично-стійких, інтелектуальних систем керування технологічними процесами. Дана модифікація включає обґрунтований перехід до схеми простого кодування дискретного діапазону параметрів функцій приналежності зі штучним динамічним зменшенням бітності коду. Додаткова модифікація базового генетичного алгоритму полягає в статистичному визначенні коефіцієнта концентрації на базі статистичної оцінки колективного рішення експертів або інформаційних систем. Запропонований метод не знижує показники ефективності алгоритму при підвищенні швидкодії алгоритму на 7% від загального часу.

В результаті проведеного аналізу [1] існуючих адаптивних систем автоматичного керування, котрі використовують в якості блоків ідентифікації класичні нейронні мережі або нечіткі нейронні мережі з алгоритмами навчання на базі методу зворотного розподілу похибки, не можуть навчатися в форматі реального часу, що робить вимогу квазістаціонарності об'єкту, при застосуванні нечіткого алгоритму, що доповнює, значно менш жорсткими.

Враховуючи вищевикладене, нами запропоновано структуру інтелектуальної системи управління з нечітким адаптивним емулятором, котра забезпечує урахування закону адаптації отриманого на базі методу аналітичного конструювання інтелектуальних систем управління з нечіткими і нейронними структурами.

Метод аналітичного конструювання інтелектуальних систем управління з нечіткими і нейронними структурами базується на вирішенні задач аналітичного синтезу закону управління, котрий забезпечує оптимізацію обраного функціоналу якості управління технологічними процесом та аналітичного синтезу закону адаптації.

Задача синтезу закону управління динамічними багатовимірними об'єктами n-го порядку ґрунтується на розгляді нелінійного диференційного рівняння n-го порядку:

                     (2)

де - вектор стану об'єкту керування; - вихідна змінна; - сигнал керування;  та  - нелінійні неперервно диференціюємі  функції; - зовнішнє збурення, яке не підлягає контролю.

Рівняння (2) дає можливість записати в форматі системи n нелінійних диференційних рівнянь першого порядку:

                               (3)

Синтезована інтелектуальна система  повинна володіти асимптотичною стійкістю та забезпечувати мінімізацію критерію оптимізації в формі функціонала (4). В якості показового прикладу використано функціонал для одновимірного об'єкту n-го порядку:

                                                        (4)

де - довільна однозначно диференціюєма або кусково-неперервна функція змінних стану керованого об'єкту. Умова - .

При відсутності обмежень на довільну функцію , оптимізація функціоналу (4) може бути проведена на базі рівняння Ейлеру. В цьому випадку оптимальне керування  при виконанні умови  та  може бути записано в форматі:

                                     (5)

Оптимальний закон керування забезпечує перехід точки  в просторі станів системи з довільного початкового стану в діапазон .

При використанні в якості контролеру,  блоку нечіткого логічного висновку з алгоритмом Такагі-Сугено-Канга (TSK) значення вихідної змінної розраховується згідно формули:

 .                                                                               (6)

В загальному випадку вихідний сигнал нечіткого контролеру визначається співвідношенням:

                                                                                     (7)

де  - вектор параметрів нечіткого контролеру, які підлягають настроюванню.

Оскільки при вирішенні задачі аналітичного синтезу закону управління передбачається визначати параметри нечіткого контролеру, за умови рівності сигналу нечіткого регулятора і еталонного оптимального сигналу, повинна додатково вирішуватись задача аналітичного синтезу закону адаптації. 

Закон адаптації запропоновано [1] базувати з урахуванням умови забезпечення стійкості адаптивної системи управління на основі другого методу Ляпунова, з функцію в формі:

                                                       (8)

де  - похибка фактичного вектору параметрів нечіткого контролеру, - довільний коефіцієнт.

Розроблений метод аналітичного конструювання інтелектуальних систем управління з нечіткими і нейронними структурами [1], дає змогу при застосуванні базової структури інтелектуальної системи управління багатовимірним технологічним процесом (об'єктом) (рис.1) виконати синтез ефективного алгоритму функціонування інтелектуальних систем управління з нечіткими і нейронними структурами.

Необхідно зазначити, що більшість схем інтелектуального керування динамічними об'єктами відрізняються складністю і досить високими вимогами котрі пред'являються до обчислювальних ресурсів. В запропонованій структурі (рис.1), за рахунок застосування блоків нечіткої інверсної моделі, досягається простота проектування, відсутність проблем зі стійкістю, незначні вимоги до обчислювальних ресурсів, і підвищена швидкодія адаптаційних процесів при використанні ефекту поділу руху в нейромережевих системах управління.

Рис. 1 Базова структура інтелектуальних систем управління
з нечіткими і нейронними структурами

Алгоритм функціонування інтелектуальної системи управління багатовимірними об'єктами має наступний вид.

Шаг 0. Приймається базова структура ІСУ  рис.1.

Шаг 1. Вибір лінгвістичних значень.

Шаг 2. Задається помилка апроксимації оптимального сигналу керування. Встановлюється номер поточної навчальної точки i=1.

Шаг 3. Проводиться вибір наступної точки . В випадку, коли формована база знань порожня, перехід до шагу 4, інакше за допомогою алгоритму нечіткого висновку Такагі-Сугено-Канга і з використанням сформованих продукційних правил розраховується прогнозне значення сигналу керування.

Шаг 4. Розраховується помилка. Якщо помилка менша заданої помилки апроксимації, перехід до наступного шагу, інакше виконуються процедури поповнення бази знань правилами і параметричного синтезу функцій приналежності згідно методу [4].

Шаг 5. Встановлюється номер навчальної точки.

За рахунок використання ефекту поділу руху в адаптивних нейромережевих системах управління, паралельно з шагами 3-5, виконується адаптація ННШМ:

Шаг П1. Вибір початкових значень .

Шаг П2. Проведення процедури адаптації шляхом застосування методу аналітичного конструювання інтелектуальних систем управління з нечіткими і нейронними структурами [1].

Аналіз ефективності запропонованого методу аналітичного конструювання інтелектуальних систем управління з нечіткими і нейронними структурами проведено на імітаційних моделях при застосуванні системи Matlab 6.5. При імітаційному моделюванні був розглянутий об'єкт який реалізований послідовним з'єднанням лінійної динамічної ланки і нелінійної ланки . Для on-line настроювання нечіткого емулятора використано 5 реалізацій реакції об'єкта на східчастий вхідний вплив з випадковою амплітудою, котра розподілена за рівномірним законом на відрізку [0,2]. Термін кожної реалізації Т/10. Число базисних функції n=5. Для тестування розглянуто реакція об'єкта і системи на одиничний вплив.

В результаті моделювання, похибка системи по множині експериментів склала . Максимальний час параметричного синтезу ФП нечіткого емулятору 3,432 с.

Висновок. Запропонована методика синтезу може бути використана при проектуванні складних інтелектуальних систем керування технологічними процесами, а також бути базою для розробки більш ефективних алгоритмів інтелектуального керування.

1.                  Розроблення методології синтезу та обґрунтування доцільності впровадження інтелектуальних гібридних систем автоматичного управління технологічними процесами на основі нейромережевих структур та методів нечіткої логіки: Звіт з першого етапу НДДКР/ Криворізький техн. університет. – 5.04.3; № ДЗ/30-2004;  № ДР0104U004720. –К.,2004.-100 с.

2.                  Ротштейн О.П., Ларюшкін Є.П., Катєльніков Д.І. Багатофакторний аналіз технологічного процесу біоконверсії на основі лінгвістичної інформації // Вісник ВПІ. - №3. - 1997. -С.38-45.

3.                  Лозинський А.О. Електромеханічні системи автоматизації технологічних об'єктів з інтелектуальним керуванням: Автореф. дисертації д-ра техн. наук: 05.09.03 / Національний університет "Львівська політехніка". -Львів, 2004.-41 с.

4.                  Сидоренко В.Д., Щокін В.П., Щокіна О.В. Спосіб формалізації функцій приналежності нечітких емуляторів і контролерів нелінійних динамічних об'єктів. / Заявка на корисну модель № 20041008300 від 13.10.04.