Интеллектуальные и гибридные системы управления технологическими процессами: теория, методы и приложения

Предложена методика создания автоматизированных систем оптимального управления технологическими процессами, основанная на использовании современных интеллектуальных технологий. Как показал многолетний опыт, традиционные методы математического моделирования не позволяют создавать эффективные системы оптимального управления из-за низкой их адекватности. Предлагается вместо создания математических моделей технологических процессов создавать интеллектуальные модели (алгоритмы) управления ими, на основе опыта, знаний и интуиции операторов-технологов. При этом вместо общепринятых правил продукции предложено формировать матрицы планирования полного факторного эксперимента (ПФЭ). Матрицы планирования ПФЭ формируются с помощью проведения «мысленных» экспериментов, что значительно сокращает сроки и упрощает разработку системы оптимального управления.

Введение

В настоящее время все более остро встает задача разработки систем оптимального управления технологическими процессами в металлургии, химической промышленности, нефтехимии и т.д., позволяющих более рационально использовать минеральные ресурсы, экономить тепловую и электрическую энергию, снижать экологические проблемы, повышать экономическую отдачу от производства. Бурный этап в разработке систем оптимального управления различными технологическими процессами в

мире, СССР и Казахстане пришелся на 60-80 годы прошлого века. Однако до сих пор, например в Казахстане, не внедрена ни одна система оптимального управления. Это связано с чрезвычайной сложностью технологических процессов в цветной и черной металлургии, химической и др. отраслях экономики Казахстана. Попытки создать достаточно адекватные математические модели подобных сложнейших процессов, к сожалению, не увенчались успехом, и мода на разработки моделей постепенно отошла. В последние годы заметно сократились публикации в этом направлении.

Стремительное развитие современных методов разработки и создания интеллектуальных систем привело к значительному росту публикаций по практическому применению этих методов при создании систем управления [1-9]. Однако львиная доля таких исследований посвящена разработке систем локального управления, призванных решать лишь задачи стабилизации некоторых выходных переменных с помощью интеллектуальных регуляторов.

Целью настоящей работы является разработка методов и средств создания интеллектуальных и гибридных систем оптимального управления технологическими процессами.

1. Разработка методики создания интеллектуальных и гибридных систем оптимального управления технологическими процессами

В условиях рыночной экономики актуальной является задача разработки методов и средств создания интеллектуальных систем оптимального управления технологическими процессами, позволяющих значительно повысить их экономическую эффективность. Наиболее эффективно использовать интеллектуальные технологии совместно с классическими методами управления технологическими процессами. При этом удается совместить преимущества традиционных методов, приемов и алгоритмов с математическим аппаратом теории искусственного интеллекта. Такие системы назовем гибридными системами управления (ГСУ).

В разных сферах практической деятельности, связанных с решением задач управления и контроля, оптимизации и моделирования, поиска и выбора, распознавания и классификации, остро встала необходимость интеллектуальной поддержки для преодоления трудностей в слабофор- мализованных ситуациях и при ограниченных ресурсах.

Методы и средства искусственного интеллекта материализуются и доходят до потребителя в виде интеллектуальных технологий, которые практически инвариантны к той или иной проблемной области. Настоящая работа посвящена рассмотрению вопросов практического применения современных интеллектуальных технологий (ИТ). Традиционно к ИТ относят нечеткую логику (НЛ), генетические алгоритмы (ГА) и нейронные сети (НС). ИТ могут успешно использоваться при создании сложных систем управления. Современное устройство управления должно 99

обеспечивать надежное управление объектом в разных режимах его работы, быть устойчивым как к резким изменениям, так и к медленной деградации параметров системы управления, учитывать возможное наличие шумов и внешних предусмотренных и непредусмотренных влияний.

Анализ публикаций [1-9] показал, что ИТ можно использовать при разработке непосредственно модели оптимального управления процессом, а не модели самого технологического процесса. То есть рассматриваемые технологии позволяют разрабатывать сразу же алгоритмы управления, в отличие от традиционной цепочки: разработка структуры модели процесса → проведение экспериментальных исследований на объекте → идентификация модели → формулирование оптимизационной задачи → подбор метода оптимизации → разработка алгоритма оптимального управления. Традиционный подход предполагает длительный (порой несколько лет), дорогостоящий и не всегда успешный путь создания системы оптимального управления.

Использование ИТ позволяет решать аналогичные задачи сразу же, и как показал опыт достаточно успешно. Дело в том, что методы искусственного интеллекта предполагают использование знаний, опыта и интуиции людей-экспертов, хорошо знакомых с предметной областью. То есть здесь используется так называемый эффект «готовых знаний». В отличие от этого разработка математической модели (основного компонента системы) является процессом создания «новых знаний», и поэтому требует достаточно длительного времени на проведение теоретических исследований, а также больших материальных и трудовых затрат для проведения экспериментальных исследований и идентификации модели.

К тому же опытные операторы-технологи за время длительной работы научились вести технологический процесс в оптимальных режимах при различных исходных ситуациях (и у них зачастую это получается). Передача «готовых знаний» от людей-экспертов в базу знаний интеллектуальной системы (ИС) значительно упрощает и удешевляет создание системы. Кроме того, в ИС исключается влияние «человеческого фактора» (это такие свойства человеческого организма как: усталость, недостаточно быстрая реакция, недостоточная психологическая устойчивость, сонливость при монотонной работе, незначительный опыт работы молодых операторов и другие причины).

Используя основную идею работы (разработка вместо модели технологического процесса модели процесса управления им) и развивая имеющиеся методы ИТ, мы предлагаем следующую трехэтапную процедуру создания систем оптимального управления технологическими процессами (см. рисунок 1).

На первом этапе производятся априорные исследования технологических особенностей объекта управления по литературным источникам, публикациям в периодических изданиях и заводской технической документации. Как правило, действующие технологические процессы должны были пройти длительный этап научных исследований, опытно-промышленных и промышленных испытаний, прежде чем они были внедрены в производство. Наверняка остались материалы этих

101 исследований, а также попытки создания математических моделей данного процесса. Необходим тщательный анализ всей этой информации с тем, чтобы использовать ее при разработке интеллектуальных систем управления. Особенно это важно при возможном создании гибридных систем управления (ГСУ).

На этом же этапе необходимо проанализировать исследуемый процесс как объект управления с выявлением входных и выходных, контролируемых и неконтролируемых, управляемых и неуправляемых переменных. При этом необходимо оценить инерционность объекта по различным каналам, класс объекта (непрерывный или дискретный), степень полноты информации о переменных объекта, рабочий диапазон изменения переменных объекта и т.д.

После тщательного анализа имеющейся информации необходимо составить структуру будущей системы управления, что значительно облегчит дальнейшую работу.

На втором этапе разрабатывается модель процесса управления. С помощью опытных экспертов (операторы-технологи, либо ИТР цеха или завода) определяется основная цель управления (аналог целевой функции в оптимизационных задачах), которая, как правило, известна и которую обычно стремятся достичь опытные операторы. Затем методом ранжирования из общего перечня всех типов переменных определяются те, которые, по мнению экспертов, являются основными для данного объекта (процесса).

Основной задачей второго этапа является составление матрицы планирования полного факторного эксперимента (ПФЭ). С помощью матрицы планирования ПФЭ создается модель (алгоритм) управления объектом (процессом). При этом, например, для трехуровневых факторов полное число возможных сочетаний числа факторов при двух входных переменных равно N=3²=9, для трех переменных - 3³=27 и т.д.

Например, при двух входных переменных составляется матрица планирования ПФЭ, приведенная в таблице 1.

Таблица 1 - Матрица планирования ПФЭ

Таблицы вида 1 являются основой для разработки интеллектуальных систем, так как в них сосредоточен многолетний опыт, знания и интуиция людей-экспертов в конкретной предметной области. От качества матрицы ПФЭ будет зависеть эффективность работы всей системы управления.

Величины: 0,0; 0,5; 1,0 означают минимальное, среднее и максимальное значения входных переменных X₁ и X₂. Эксперту остается лишь с учетом своего опыта, знаний и интуиции проставить значения выходной переменной Y³ (управляющего воздействия) в диапазоне от 0,0 до 1,0. Нормализация в диапазоне от 0 до 1 входных и выходных переменных производится по формуле:

Составление матрицы планирования экспериментов гораздо более удобно для экспертов, нежели рекомендуемое во всех учебниках и публикациях составление правил нечетких продукций. При этом эксперту нет необходимости выдумывать бесконечные термы: («очень много», «очень-очень мало», «вполне нормально» и т.д.) - он просто ставит значение выходной (управляющей) переменной в диапазоне от 0,0 до 1,0. При этом матрица планирования ПФЭ может быть использована для четырех разных методов создания модели управления: планирования эксперимента, экспертные системы, нейронные сети, нейро-нечеткие алгоритмы.

В отличие от хорошо известного классического метода планирования эксперимента составление матрицы планирования ПФЭ с помощью экспертов значительно ускоряет и удешевляет эту процедуру. Эксперты проводят так называемые «мысленные эксперименты» вместо дорогостоящих, реально проводимых активных экспериментов. Кроме того, нужно учитывать, что проведение активных экспериментов в условиях действующего производства нереально из-за возможного возникновения аварийных ситуаций при изменении переменных процесса от минимальных их значений к максимальным значениям, и обратно. К тому же на многих предприятиях просто нет возможности изменять переменные, согласно матрице планирования ПФЭ.

Необходимо подчеркнуть, что выходные значения Y_i являются на самом деле управляющими переменными, поэтому матрица планирования отображает модель управления процессом для всех запланированных экспертами сочетаний входных переменных. Для расчета значений в промежуточных сочетаниях входных переменных (например, для X₁=0,21

103

и Х₂=0.74) необходимо синтезировать модель управления процессом, что является главной задачей второго этапа.

Необходимо отметить, что наиболее эффективно совместно с интеллектуальными моделями использовать известные математические зависимости, выявленные на первом этапе исследований. При этом необходимо быть уверенным в том, что такие зависимости адекватно отражают те или иные физико-химические закономерности конкретного процесса.

На третьем этапе производится исследование созданных моделей управления. При этом производятся следующие мероприятия.

Полученные модели подвергаются тщательному исследованию и анализу их чувствительности, устойчивости, однозначности. Для чего проводится моделирование процесса управления при различных изменениях входных переменных, строятся кривые изменения выходных переменных при изменении входных переменных, и производится их анализ совместно с экспертами.

После завершения исследования моделей, полученных разными методами, производится сравнительный анализ на их адекватность. Для чего с помощью моделей рассчитываются выходные переменные при значениях входных переменных, взятых из матрицы планирования ПФЭ и сравниваются с оценками, данными экспертом. После чего формируется матрица сравнения (см. таблицу 2), которая позволяет рассчитать величину ошибки моделирования различными способами. Например, абсолютная ошибка в процентах рассчитывается по формуле:

S = 100 ɪ У | Y^э - Y ^р |

N^y |,

(2)

где Y^э и Y^р - соответственно экспериментальные и расчетные значения выходных переменных.

Абсолютная ошибка рассчитывается для моделей, полученных четырьмя разными способами, а затем производится их сравнительный анализ. Модель с наименьшей абсолютной ошибкой считается наиболее адекватной.

Наиболее адекватная модель должна пройти имитационные испытания в условиях действующего производства. При этом на вход модели подают действительные входные переменные, снятые с измерительной аппаратуры промышленного агрегата, а результаты моделирования (выходная управляющая переменная) сравнивается со значением управления, реально осуществляемым опытным оператором- технологом. В случае удовлетворительного результата имитационных испытаний производится интеграция модели в промышленный контроллер. В противном случае, все начинается сначала – возврат к первому этапу, и уточнение всех параметров модели.

Выводы

Предложенная методика была с успехом опробована нами при разработке интеллектуальных и гибридных систем оптимального управления технологическими процессами в цветной металлургии, химической и атомной промышленности Казахстана [10-11].

ЛИТЕРАТУРА

1. Леоненков А.В. 2003. Нечеткое моделирование в среде MATLAB и fuzzTECH. - Санкт-Петербург.: БХВ-Петербург. - С.736: ил.
2. Гаврилова Т.А., Хорошевский В.Ф., 2000 Базы знаний интеллектуальных систем. - Санкт-Петербург.: Питер. - С.348.
3. Рутковский Л. 2010 Методы и технологии искусственного интеллекта. - Москва: Горячая линия-Телеком., С. 202-279.
4. F. Bobillo, U. Straccia. FuzzyDL: An expressive fuzzy cescription logic reasonec. // 2008 IEEE International Conference on Fuzzy Systems (IEEE Worlc Congress on Computational Intelligence)-2008.
5. S. Russell, P. Norvig. 2009. Artificial Intelligence: A Mocern Approach, 3^rc ecition. // Prentice Hall.
6. A. Mayrhauser, R. France, M. Scheetz, E. Dahlman, -2000. Generating test-cases from an object-orientec mocel with an artifical- intelligence planning system.// IEEE Transactions on Reliability. #49
7. J. Gonzalez, S. DesJarcins. Artifical Neural Networks: A New Approach to Precicting Application Behavior.// Research in Higher Ecucation.#43-2002., 235-258
8. C. Ramos, J. Augusto, D. Shapiro. Ambient Intelligence—the Next Step for Artificial Intelligence.// IEEE Intelligent Systems. #23. 2008. 15-18.
9. Ponce-Cruz P., Ramirez – Figueroa F.D., 2010. Intelligent control systems with Lab VIEW. – Berlin:Springer Verglad..
10. Сулейменов Б. А. 2009. Интеллектуальные и гибридные системы управления технологическими процессами. - Алматы. С.207-304.
11. Сулейменов Б.А.,Мутанов Г.М., Сулейменов А.Б. 2010. Интеллектуальные системы управления : теория, методы, средства. – Алматы; Издательство КазНУ им.Аль Фараби , С.235.