Системы автоматизированного управления (стр. 4 )

Во многих реальных ситуациях информация о свойствах объекта управления и внешних воздействиях оказывается недостаточной для построения системы с необходимыми показателями качества. Эта недостаточность может носить двоякий характер.

В первом случае на этапе проектирования структуры и расчета параметров устройства управления могут оказаться полностью или частично неизвестными свойств ОУ и внешних воздействий. Система управления в процессе функционирования сама должна автоматически восполнять недостающую информацию и по мере ее поступления изменять структуру и параметры УУ так, чтобы показатель качества или достигал экстремального значения, или соответствовал заданным ограничениям.

После восстановления всей недостающей информации при неизменных в последующем свойствах ОУ и внешних воздействий процесс изменения структуры и параметров УУ прекращается, и система работает в обычном режиме.

Во втором случае имеются исходные сведения о свойствах ОУ и внешних воздействий, позволяющие синтезировать УУ. Однако в процессе работы системы эти свойства в силу различных причин могут изменяться, поэтому заранее достоверно прогнозировать характер изменений не удается. Могут изменяться уравнение ОУ или входящие в него параметры. Внешние воздействия могут оказаться нестационарными, например, с изменяющимся спектром. В зависимости от обстановки изменяется вид задающего сигнала X(t).

Все эти изменения, если происходят в достаточно большом диапазоне, могут привести к тому, что управляющее устройство, спроектированное в ориентации на некоторую начальную информацию, в новых условиях уже не обеспечит соответствие показателя качества существующим ограничениям.

Качество может оказаться неэкстремальным, т. е. в новых условиях система не будет оптимальной или выйдет из требуемого диапазона. Чтобы достичь экстремума в изменившихся условиях или ввести показатель качества в заданный диапазон, снова одновременно с изменением свойств ОУ и внешних воздействий необходимо изменять структуру и параметры УУ. Кроме приведенных случаев изменения свойств ОУ и внешних воздействий может существовать ситуация, когда необходимая для синтеза УУ информация может быть как не известна на начальном этапе, так и подвергаться непрогнозируемым изменениям в последующем.

Общим для отмеченных случаев является то, что система управления в процессе функционирования должна реагировать на изменения свойств ОУ и внешних воздействий. На основании результатов обработки соответствующей информации система должна приспосабливаться к новым условиям путем изменения структуры и параметров УУ так, чтобы показатель качества каждый раз достигал экстремального значения или находился в заданном диапазоне.

Такие системы автоматического управления принято называть адаптивными, а процесс изменения структуры и параметров УУ, осуществляемый на основании информации о свойствах ОУ и внешних воздействий и обеспечивающий приспосабливаемость системы к изменяющимся условиям работы, адаптацией [3, 5].

Если адаптация обусловлена только отсутствием начальной информации о свойствах ОУ и внешних воздействий и после ее восполнения из-за неизменности этих свойств необходимое качество управления обеспечивается при неизменных структуре и параметрах УУ, адаптацию принято называть однократной. В остальных случаях коррекция управляющего устройства осуществляется каждый раз при изменении свойств ОУ или внешних воздействий, и адаптация называется многократной.

Адаптацией называется процесс изменения параметров, структуры системы и управляющих воздействий на основе текущей информации с целью достижения определенного, обычно оптимального, состояния системы при начальной неопределенности и изменяющихся условиях работы.

Использование принципов адаптивного управления позволяет:

- построить систему в соответствии с предъявляемыми требованиями к ее качеству при ограниченной начальной (априорной) информации о свойствах объекта управления и внешних воздействий;

- обеспечить соответствие качества управления заданным требованиям в процессе функционирования системы в условиях изменяющихся свойств ОУ и внешних воздействий путем рационального приспособления системы к изменяющимся условиям.

Принято выделять следующие классы адаптивных систем: самонастраивающиеся, самоорганизующиеся и самоалгоритмизирующиеся.

Под самонастраивающимися понимают такие адаптивные системы, у которых адаптация обеспечивается только за счет изменения параметров УУ. Если же адаптация достигается за счет изменения структуры УУ или алгоритма управления, то системы принято называть соответственно самоорганизующимися или самоалгоритмизирующимися. В настоящее время наиболее разработаны самонастраивающиеся системы (СНС). Во многих современных литературных источниках этот наиболее разработанный класс систем часто называют обобщенным термином «адаптивные системы».

В зависимости от требований, предъявляемых к качеству управления, целесообразно выделить СНС со стабилизацией и с оптимизацией качества. В первом случае система обеспечивает неизменный заданный уровень качества, описываемого некоторым заранее обусловленным образом, при изменении свойств объекта управления и внешних воздействий; во втором случае качество, характеризующее или процесс управления, или процесс адаптации, должно достигать экстремального значения при всех возможных условиях работы системы.

Соответствие качества управления предъявляемым требованиям в СНС достигается за счет изменения параметров УУ. Эти изменения осуществляют на основании поиска таких значений параметров, при которых качество управления соответствует требующемуся значению, или аналитического расчета нужных значений параметров.

В первом случае, используя специальные пробные воздействия, задают отклонения параметров УУ и измеряют соответствующее изменение показателя качества. Затем, анализируя эту информацию, меняют параметры в направлении, приводящем к нужному значению показателя качества.

Во втором случае значения параметров устанавливают на основе аналитического анализа условий, при которых будут удовлетворены ограничения на качество управления. Соответственно СНС в первом случае называют поисковыми, во втором – аналитическими (беспоисковыми). Если оба случая используются одновременно, СНС принято называть комбинированными.

Кроме того, существуют СНС с настройкой по внешним воздействиям и по характеристикам ОУ. В первом случае необходимость использования принципов адаптации вызвана широким диапазоном изменения свойств внешних воздействий. Во втором случае адаптация позволяет устранить влияние изменяющихся свойств ОУ на показатели качества управления.

Обобщенная схема адаптивной системы (рис. 2.4) является двухуровневой конструкцией, нижний уровень которой представляет основную систему управления (см. рис. 2.1), а верхний – совокупность устройств, используемых для целенаправленного изменения свойств основной системы в соответствии со сформулированными целями адаптации.

Рис. 2.4. Обобщенная схема адаптивной системы

Устройство адаптации (УА), формирующее верхний уровень системы, получает необходимую информацию о внешних воздействиях, состоянии системы, управляющих сигналах на входе ОУ и, проанализировав эти данные, устанавливает степень соответствия критерия качества основной системы тем требованиям, которые к нему предъявляются.

Если критерий качества этим требованиям не удовлетворяет, в УА вырабатываются команды, под действием которых изменяются структура и параметры или только параметры УУ таким образом, что критерий качества приводится в соответствие существующим требованиям.

При проектировании адаптивных систем можно выделить несколько этапов, которые являются типовыми.

1. Методами теории автоматического управления, в том числе и оптимального, находят структуру управляющего устройства в предположении, что необходимые для этого характеристики объекта и внешних воздействий известны. Соответствующее устройство управления называют идеальным.

2. В зависимости от подхода, положенного в основу построения адаптивной системы, определяют структуру адаптивной системы.

3. Разрабатывают алгоритм адаптации, т. е. устанавливают такое правило изменения параметров и структуры (значительно чаще параметров) УУ, при котором система приобретает свойство приспосабливаемости к изменению характеристик OУ и внешних воздействий.

4. Проводят обоснование работоспособности системы, которое должно подтвердить, что заложенные в основу адаптивной системы принципы действительно приводят к ожидаемому эффекту.

Структуру адаптивной системы в настоящее время наиболее часто назначают в соответствии с прямым (безыдентификационным) и идентификационным подходами.

При безыдентификационном подходе в составе управляющего устройства предусматривается группа настраиваемых параметров, которые должны обеспечить способность системы адаптироваться к изменению свойств ОУ и внешних воздействий, а также устанавливается зависимость показателя качества управления от варьируемых параметров УУ. Если характеристики ОУ и внешних воздействий известны, настраиваемые параметры принимают значения, обеспечивающие заданный или экстремальный уровень показателя качества.

При изменении характеристики внешних воздействий будут меняться значения показателя качества и отличаться или от предписанного значения, или от экстремального уровня. При безыдентификационном подходе настраиваемые параметры отслеживают изменения характеристик OУ и внешних воздействий и сами меняются таким образом, что при изменении этих характеристик снова устанавливается соответствие между значением показателя качества и требованиями к нему.

Цель адаптации в данном случае совпадает с целью управления: обеспечить на всех режимах работы системы неизменный или оптимальный уровень показателя качества управления.

При идентификационном подходе обычно предполагается, что характеристики ОУ и внешних воздействий известны с точностью до группы параметров, которые в процессе работы системы могут изменяться. В соответствии с общими положениями теории автоматического управления устанавливают зависимость варьируемых параметров идеального УУ от параметров ОУ и внешних воздействий, которые в последующем каким-либо образом оценивают (идентифицируют).

Полученные оценки этих параметров подставляют в выражение для настраиваемых параметров УУ, чем и достигают эффекта приспосабливаемости. Для проведения этапа идентификации вводится специальный критерий, который может совпадать, а может и отличаться от критерия, характеризующего качество управления в соответствии с общей целью управления. Реализация идентификационного подхода часто приводит к адаптивным системам с настраиваемой моделью, в то время как реализация безыдентификационного подхода приводит к адаптивным системам с эталонной моделью.

При построении адаптивных систем управления следует учитывать условия применимости принципов адаптации.

Прежде всего, процесс изменения характеристик ОУ и внешних воздействий должен быть более медленным, чем процессы в каналах адаптации. Это необходимо для того, чтобы при работе системы в реальном масштабе времени настраиваемые параметры успевали отслеживать изменения неконтролируемых характеристик. Это означает, что за время, необходимое для перестройки параметров УУ, характеристики ОУ и внешних воздействий практически не изменяются. Данное положение известно как гипотеза о квазистационарности характеристик ОУ и внешних воздействий.

Кроме того, должны быть обеспечены условия согласованности устройства управления, с одной стороны, и ОУ и внешних воздействий – с другой. Эта согласованность необходима для того, чтобы во всем диапазоне изменения параметров объекта управления и внешних воздействий установить такие значения параметров УУ, при которых достигается основная цель управления, определяемая требованиями к качеству управления.

2.2. Формализация процессов принятия решений
в условиях автоматизированного управления

Математическая поддержка процессов принятия решений является важным фактором автоматизированных систем, предназначенных для обслуживания пользователей [8].

Альтернатива принимаемых решений приводит к необходимости использования разнообразных математических моделей. В зависимости от степени информированности о состоянии управляемого процесса, полноты и точности моделей объекта и системы управления, взаимодействия с окружающей средой, процесс принятия решения протекает в различных условиях.

1. Принятие решений в условиях определенности. В этой задаче модели объекта и системы управления считаются заданными, а влияние внешней среды – несущественным. Поэтому между выбранной стратегией использования ресурсов и конечным результатом существует однозначная связь, откуда следует, что в условиях определенности достаточно использовать решающее правило для оценки полезности вариантов решений, принимая в качестве оптимального то, которое приводит к наибольшему эффекту. Если таких стратегий несколько, все они считаются эквивалентными. Для поиска решений в условиях определенности используют методы математического программирования.

2. Принятие решений в условиях риска. В отличие от предыдуще­го случая для принятия решений в условиях риска необходимо учитывать влияние внешней среды, которое не поддается точному прогнозу. Известно только вероятностное распределение состояний внешней среды. В этих условиях использование одной и той же стратегии может привести к различным исходам, вероятности появления которых считаются заданными или могут быть определены. Оценку и выбор стратегий проводят с помощью решающего правила, учитывающего вероятность достижения конечного результата.

3. Принятие решений в условиях неопределенности. Как и в предыдущей задаче, между выбором стратегии и конечным результатом отсутствует однозначная связь. Кроме того, неизвестны также значения вероятностей появления конечных результатов, которые не могут быть определены. В этом случае наиболее распространенным является использование критерия получения максимального гарантированного выигрыша.

4. Принятие решений в условиях многокритериальности. Многокритериальность возникает в случае наличия нескольких самостоятельных, не сводимых одна к другой целей. Наличие большого количества решений усложняет выбор оптимальной стратегии. Одним из возможных путей решения является использование методов моделирования.

При решении задач сокращается выбор вариантов в поиске решения, если при этом средствами вычислительной техники реализуются те же принципы, которыми пользуется в процессе мышления человек.

Для того, чтобы ограничить поиск решения задачи путем постепенного уменьшения количества вариантов, необходимо использовать формализованные знания, которые имеются в предметной области. При решении задач с помощью интеллектуальных технологий (см. раздел 2.3) используются следующие методы:

- метод логического вывода, основанный на технике доказательств, называемой методом резолюций и использующей опровержение отрицания (доказательство «от противного»);

- метод структурной индукции, основанный на построении дерева принятия решений для различения объектов из большого количества данных на входе;

- метод эвристических правил, основанный на перенимании опыта у экспертов-людей, а не на абстрактных правилах формальной логики;

- метод машинной аналогии, основанный на представлении информации о сравниваемых объектах в удобном виде, например, в виде структур данных, называемых фреймами.

Процесс выработки решения на основе первичных данных можно разбить на два этапа: выработка допустимых вариантов решений путем математической формализации с использованием разнообразных моделей и выбор оптимального решения на основе субъективных факторов
(рис. 2.5).

Рис. 2.5 Процесс принятия решения на основе информации

о состоянии объекта управления

Информационные потребности лиц, принимающих решение, во многих случаях ориентированы на интегральные технико-экономические показатели, которые могут быть получены в результате обработки первичных данных, отражающих текущую деятельность предприятия. Анализируя функциональные взаимосвязи между итоговыми и первичными данными, можно построить так называемую информационную схему, которая отражает процессы агрегирования информации. Первичные данные, как правило, разнообразны, интенсивность их поступления высока, а общий объем на интересующем интервале велик. С другой стороны, состав интегральных показателей относительно мал, а требуемый период их актуализации может быть значительно ниже периода изменения первичных данных – аргументов.

Для поддержки принятия решений необходимым является обобщающий анализ, прогнозирование и ситуационное моделирование.

В настоящее время принято выделять два типа информационных систем поддержки принятия решений.

1. Системы поддержки принятия решений DSS (Decision Support System), осуществляющие отбор и анализ данных, включают средства доступа к базам данных и моделирования правил и стратегии деловой деятельности.

2. Системы оперативной аналитической обработки OLAP (On Linе Analysis Processing) для принятия решений используют многопроцессорную вычислительную технику и специальные методы многомерного анализа.

При внедрении автоматизированного управления процесс должен быть описан математически. К математическим моделям предъявляются требования достаточной полноты и гибкости описания с возможностью воспроизведения различных ситуаций при варьировании параметров и структуры, а также простоты проверки и тестирования полученных результатов.

2.3. Принятие решений на основе технологий
искусственного интеллекта

В последнее время особое внимание уделяется изучению процедур поддержки принятия решений в АСУ различных видов. Рассматривается процедура выработки решений с объяснениями (по запросу пользователя) последовательности выработки решений. Для этого привлекаются возможности экспертных систем, искусственных нейронных сетей и генетических алгоритмов.

В условиях резкого увеличения объемов информации переход к работе со знаниями на основе искусственного интеллекта становится одним из наиболее важных направлений автоматизированного управления.

По определению интеллектуальной системы [9, 10]: система называется интеллектуальной, если в ней реализованы следующие основные функции:

- накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;

- пополнять поступившие знания с помощью логического вывода, отражающего закономерности в окружающем систему мире или в накопленных ею ранее знаниях, получать обобщенные знания на основе более частных знаний и логически планировать свою деятельность;

- общаться с человеком на языке, максимально приближенном к естественному человеческому языку, и получать информацию от каналов, аналогичных тем, которые использует человек при восприятии окружающего мира, уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятельности, оказывать пользователю помощь за счет тех знаний, которые хранятся в памяти, и тех логических средств рассуждений, которые присущи системе.

Перечисленные функции можно назвать функциями представления и обработки знаний, рассуждения и общения.

В зависимости от решаемых задач и области применения в конкретной системе эти функции могут быть реализованы в различной степени, что определяет индивидуальность архитектуры [8]. На рис. 2.6 представлена структура интеллектуальной системы в виде взаимосвязанных функциональных блоков.

База знаний представляет собой совокупность сред, хранящих знания различных типов, т. е. в состав базы знаний входят база данных, которая хранит конкретные данные, и база правил, которая хранит элементарные выражения, называемые в теории искусственного интеллекта продукциями. Кроме того, база процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления над данными. База закономерностей включает различные сведения, относящиеся к особенностям той среды, в которой действует система. База метазнаний (база знаний о себе) содержит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы информации различного типа, как взаимодействуют различные компоненты системы, как было получено решение задачи. База целей содержит целевые структуры, называемые сценариями, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая поступила в систему от пользователя либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и организацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, управляемых системой управления решателя. Часть из блоков реализует логический вывод. Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого, данный блок реализует эвристические процедуры поиска решений задач, как поиск путей решения задачи по сценариям при заданной конечной цели.

Рис. 2.6. Структура интеллектуальной системы

Для реализации рассуждений, которые не носят дедуктивный характер, т. е. поиск по аналогии, по прецеденту и пр., используется блок индуктивного вывода. Блок планирования применяется в задачах планирования решений совместно с блоком дедуктивного вывода. Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция – функция общения, реализуется с помощью компонентов естественно-языкового интерфейса.

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

- интеллектуальные информационно-поисковые системы;

- экспертные системы (ЭС);

- расчетно-логические системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными базами данных на естественном, точнее ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области, характерно использование лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали применяться в математически слабо формализованных областях науки и техники, таких как медицина, геология, биология и др. Для ЭС характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечиваются автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы. ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, которые требуют проведения экспертизы и позволяют дать объяснение полученным результатам. ЭС обладают способностями к накоплению знаний, выдаче рекомендаций и объяснению полученных результатов, возможностями модификации правил, подсказки пропущенных экспертом условий, «ведение» целью или данными. ЭС отличают следующие характеристики: интеллектуальность; простота общения с компьютером; возможность наращивания модулей; интеграция неоднородных данных (способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения); работа в реальном времени; унифицированная форма знаний; способность объяснения результатов.

В настоящее время можно выделить следующие основные сферы применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офисная деятельность.

Решаемые задачи с точки зрения разработчика экспертной системы можно разделить на статические и динамические. Принято, что ЭС решают динамическую или статическую задачу, если процесс решения задачи изменяет или не изменяет исходные данные о текущем состоянии предметной области. В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают статические задачи.

Решаемые задачи, кроме того, могут характеризоваться числом и сложностью правил, используемых в задаче; связностью правил; пространством поиска; классом решаемых задач.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет современного подхода к хранению и использованию знаний проектировщиков.

Основной принцип данного подхода заключается в том, что задачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки принятия решений – логический вывод и лишь одно средство представления знаний – правила. В последнее время активно развивается новое поколение ЭС – гибридные экспертные системы (ГЭС). Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица, принимающего решение (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема логического вывода, а поддержка принятия решений должна осуществляться в соответствии с конкретной аналитической моделью пользователя.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний. Одним из основных этапов решения задачи многокритериального выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсистемы выявления предпочтений ЛПР. Найденные таким образом характеристики ЛПР сохраняются в базе характеристик ЛПР. Банк моделей должен содержать широкий набор решающих правил, выражающих различные стратегии поведения пользователя.