ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

РАДІОЕЛЕКТРОНІКИ

Колодяжний Віталій Володимирович

УДК 681.513.6

КЕРУВАННЯ СТОХАСТИЧНИМИ ОБ'ЄКТАМИ В УМОВАХ НЕВИЗНАЧЕНОСТІ

НА ОСНОВІ НЕЧІТКИХ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ

05.13.03 – системи та процеси керування

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Харків – 2002

Дисертацією є рукопис.

Робота виконана в Харківському національному університеті радіоелектроніки Міністерства освіти і науки України.

Науковий керівник доктор технічних наук, професор

Бодянський Євгеній Володимирович,

Харківський національний університет радіоелектроніки,

професор кафедри штучного інтелекту.

Офіційні опоненти:

доктор технічних наук, професор Дмитрієнко Валерій Дмитрович, Національний технічний університет “Харківський політехнічний інститут”, професор кафедри обчислювальної техніки та програмування;

кандидат технічних наук, доцент Соколов Олександр Юрійович, Національний аерокосмічний університет ім. М.Є. Жуковського “Харківський авіаційний інститут”, завідувач кафедри інформатики.

Провідна установа

Національний технічний університет України “Київський політехнічний інститут”, кафедра технічної кібернетики, Міністерство освіти і науки України, м. Київ.

Захист відбудеться 25.06.2002 р. о 14 годині на засіданні спеціалізованої вченої ради Д 64.052.02 у Харківському національному університеті радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

З дисертацією можна ознайомитись у бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

Автореферат розісланий  .05.2002 р.

Вчений секретар

спеціалізованої вченої ради Безкоровайний В.В.

загальна характеристика роботи

Багато об'єктів керування характеризуються невизначеністю щодо структури і параметрів та мають нелінійні статичні та динамічні характеристики. Прикладами таких об'єктів можуть бути різноманітні гідравлічні системи, транспортні засоби, електроприводи, деякі технологічні процеси та ін. Для керування такими об'єктами методи класичної теорії керування часто виявляються недостатньо ефективними, оскільки вони ґрунтуються на припущенні про лінійність об'єкта. В останні два десятиліття в світі активно ведуться роботи з розробки інтелектуальних регуляторів на основі штучних нейронних мереж, систем нечіткого виведення та нечітких нейромережевих систем, що забезпечують можливість реалізації суттєво нелінійних законів керування.

Актуальність теми. На цей час розроблено велику кількість типів інтелектуальних систем керування, у тому числі десятки архітектур нечітких нейромережевих систем. Однак слід відзначити орієнтацію таких систем на критерії типу мінімальної дисперсії, що не дозволяє враховувати існуючі в реальних системах обмеження на фазові змінні. Крім того, процедури навчання нечітких нейромережевих систем, що традиційно використовуються, побудовані на алгоритмі зворотного поширення похибок з досить низькою швидкістю збіжності, що обмежує їхнє застосування, особливо при роботі в реальному часі. У зв'язку з цим актуальною є задача розробки методів керування стохастичними об'єктами на основі нечітких нейромережевих моделей, здатних функціонувати в умовах апріорної та поточної невизначеності щодо структури та параметрів об'єкта, з можливостями врахування обмежень на фазові змінні та з підвищеною швидкістю навчання.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційну роботу виконано відповідно до плану науково-дослідних робіт Харківського національного університету радіоелектроніки в межах держбюджетних тем "Розробка теоретичних основ та математичного забезпечення для адаптивних, нейро- і фаззі- систем керування з урахуванням обмежень на основі регуляторів, що параметрично оптимізуються" (№ДР 0197U012130), що була включена до координаційного плану Міністерства освіти і науки України, та “Розробка теоретичних основ і математичного забезпечення нейро-фаззі-систем ранньої діагностики, прогнозування і моделювання за умов апріорної та поточної невизначеності” (№ДР 0101U001762). В межах вказаних тем здобувачем у якості виконавця розроблені методи керування, нечіткі нейромережеві моделі та процедури навчання.

Мета і задачі дослідження. Метою роботи є розробка методів керування стохастичними об'єктами в умовах невизначеності щодо структури та параметрів об'єкта за наявності обмежень на фазові змінні на основі нечітких нейромережевих моделей з підвищеною швидкістю навчання. Досягнення поставленої мети здійснюється розв'язанням таких основних задач:– 

аналіз існуючих методів керування стохастичними об'єктами в умовах невизначеності;– 

синтез законів керування стохастичними об'єктами з урахуванням обмежень на основі моделей, що настроюються;– 

синтез нечітких нейромережевих моделей нелінійних динамічних стохастичних об'єктів;– 

синтез процедур навчання нечітких нейромережевих моделей з підвищеною швидкістю збіжності;– 

синтез процедури самоорганізації нечітких нейромережевих моделей;– 

синтез законів керування нелінійними стохастичними об'єктами на основі нечітких нейромережевих моделей;– 

імітаційне моделювання розроблених алгоритмів і моделей і розв'язання з їхньою допомогою реальних практичних задач.

Об'єкт дослідження: динамічні стохастичні об'єкти, що описуються нелінійними рівняннями авторегресії – ковзного середнього, що функціонують в умовах апріорної та поточної невизначеності.

Предмет дослідження: нечіткі нейромережеві моделі та методи керування.

Методи дослідження: теорія штучних нейронних мереж, що дозволила синтезувати нові алгоритми навчання в багатошарових мережах; теорія нечітких систем, що дозволила синтезувати нечіткі моделі нелінійних стохастичних об'єктів керування; нелінійне програмування, що забезпечило відшукання особливих точок лагранжіанів та функцій похибок; рекурентна ідентифікація, що дозволила синтезувати методи настроювання параметрів нечітких нейромережевих моделей у реальному часі; теорія випадкових процесів, що дозволила дослідити збіжність запропонованих методів; теорія стохастичних систем керування, що дозволила синтезувати закони керування стохастичними об'єктами; імітаційне моделювання, що підтвердило вірогідність отриманих теоретичних результатів.

Наукова новизна отриманих результатів:– 

вдосконалено методи керування стохастичними об'єктами, що дозволяє враховувати наявні обмеження на величину похибки керування та динаміку керуючого впливу;– 

вперше запропоновано адаптивні процедури навчання для нечітких нейромережевих моделей з довільним типом розбиття простору входів, що характеризуються більш високою швидкістю збіжності у порівнянні з відомою процедурою зворотного поширення похибок на основі методу найшвидшого спуску та меншою обчислювальною складністю у порівнянні з відомими процедурами нелінійної оптимізації другого порядку;– 

вперше запропоновано процедуру самоорганізації нечіткої нейромережевої моделі в реальному часі, яка відзначається високою швидкодією та низькою обчислювальною складністю;– 

модифіковано метод керування на основі оберненої нечіткої моделі, що дозволило синтезувати нечіткі регулятори, які є нелінійними узагальненнями регуляторів зниженого порядку;– 

вперше запропоновано методи керування нелінійними стохастичними об'єктами на основі локальної лінеаризації нечітких моделей Такагі-Сугено та процедур навчання з підвищеною швидкістю збіжності та самоорганізації в реальному часі.

Практичне значення отриманих результатів полягає в тому, що розроблені алгоритми та моделі можуть бути використані для керування широким класом динамічних стохастичних об'єктів в умовах апріорної та поточної невизначеності щодо їхньої структури та параметрів. Розв'язані актуальні задачі регулювання витрати робочої рідини гідрофікованих мобільних машин та керування швидкістю пересувної дорожньої лабораторії. Результати досліджень впроваджено в корпорації "Гідроелекс", м. Харків, у Північно-східному науковому центрі Транспортної Академії України, а також у навчальний процес у Харківському національному університеті радіоелектроніки, що підтверджено відповідними актами.

Особистий внесок здобувача. Всі основні результати, що виносяться на захист, отримані здобувачем особисто. У роботах, написаних у співавторстві, здобувачу належить: у роботі [1] – вибір алгоритму ідентифікації; [2, 3] – метод керування з урахуванням обмежень; [4, 5] – структура підсистеми керування; [6, 13, 15] – архітектура нечіткої нейромережевої моделі та градієнтна процедура навчання; [7] – процедура самоорганізації нечіткої нейромережевої моделі та метод керування; [9, 10] – метод навчання регулятора на основі оберненої нечіткої моделі; [11] – метод керування на основі нечіткої моделі.

Апробація результатів дисертації. Основні результати роботи доповідалися й обговорювалися на 6-й, 7-й і 8-й Українських конференціях з автоматичного керування "Автоматика-99", "Автоматика-2000", "Автоматика-2001" (Харків, 1999; Львів, 2000; Одеса 2001), Міжнародній конференції "MicroCAD-99" (Харків, 1999), 2-му, 3-му, 4-му і 5-му Міжнародних молодіжних форумах "Радіоелектроніка і молодь у XXI столітті" (Харків, 1998, 1999, 2000, 2001), 5-й, 6-й і 7-й Міжнародних конференціях "Теорія і техніка передачі, прийому й обробки інформації" (Харків-Туапсе, 1999, 2000, 2001), 1-й Міжнародній конференції з мехатроніки та робототехніки "M&R 2000" (Санкт-Петербург, Росія, 2000), Міжнародній науково-технічній конференції "Проблеми мехатроніки у подальшому вдосконаленні транспортних засобів і систем – Мехатроніка-2001" (Харків, 2001), Міжнародній конференції з обчислювального інтелекту "7th Fuzzy Days" (Дортмунд, ФРН, 2001).

Публікації. Основні положення дисертаційної роботи опубліковано в 15 друкованих працях (2 статті в журналах, 6 статей у наукових збірниках, 7 публікацій у працях конференцій), у тому числі 7 у виданнях, що входять до переліку ВАК України, і 2 за кордоном.

Структура дисертації. Дисертація складається зі вступу, п'яти розділів, висновків, списку використаних джерел та додатку. Повний обсяг дисертації становить 185 сторінок, 38 рисунків, 1 таблицю, 16 окремих сторінок займають рисунки, 1 додаток на 5 сторінках, список використаних джерел, що включає 114 найменувань та займає 11 сторінок.

основний зміст роботи

У вступі обґрунтовано актуальність завдання, сформульовано мету та задачі дослідження, розкрито наукову та практичну цінність отриманих результатів.

Перший розділ охоплює питання аналізу існуючих підходів до проблеми керування стохастичними об'єктами в умовах невизначеності та постановку задачі дослідження. Детально розглянуто різні види систем керування та зроблено висновок про доцільність розробки інтелектуальних систем, що поєднують можливості навчання та моделювання довільних нелінійних залежностей, характерні для штучних нейронних мереж, можливість інтерпретації моделі та врахування апріорної інформації, характерні для нечітких систем, а також простоту синтезу, аналізу та можливості врахування обмежень, характерні для стохастичних цифрових регуляторів.

В дисертації розглядаються стохастичні об'єкти керування, що у загальному випадку описуються нелінійним різницевим рівнянням авторегресії-ковзного середнього з екзогенними входами та запізненням у каналах керування:

(1)

де – – вектори виходів, керувань та збурень відповідно в дискретний момент часу ;

– деяка векторна функція, невідома в загальному випадку;

– час чистого запізнення у каналах керування;

– – l-матриця ступеня nС, причому нулі полінома лежать усередині одиничного кола.

Збурення є багатовимірним випадковим процесом:

,

де – коваріаційна матриця , невідома в загальному випадку;

I – одинична матриця .

Задача дослідження полягає в розробці законів керування, що забезпечують мінімум критерію

, (2)

де – вектор похибок керування;

– відомий ny–вимірний зовнішній сигнал завдання;

Q1 та Q2 – вагові та симетричні додатно визначена та невід'ємно визначена матриці відповідно;

в умовах апріорної та поточної невизначеності щодо параметрів та структури об'єкта керування (1) та з урахуванням обмежень

Другий розділ роботи присвячено адаптивному керуванню динамічними стохастичними об'єктами в умовах параметричної невизначеності. Об'єкт керування описується багатовимірним різницевим рівнянням

, (3)

де – – l-матриці ступенів nA і nB;

;

нулі полінома лежать усередині одиничного кола.

Запропоновано закон керування об'єктом (3)

(4)

на основі упереджувача, що настроюється:

, (5)

де – – складена матриця оцінок;

– вектор передісторії.

Закон керування (4) мінімізує критерій

,

де – вектор похибок стеження адаптивної системи.

Для оцінювання параметрів упереджувача (5) в дисертації запропоновано процедуру ідентифікації зі скалярним коефіцієнтом підсилення:

(6)

де – параметр забування застарілої інформації;

– похибка ідентифікації.

Процедура (6) відрізняється обчислювальною стійкістю та істотно меншою складністю у порівнянні з рекурентним методом найменших квадратів.

З наближенням оцінок до своїх оптимальних значень якість керування, що забезпечується законом (4), наближається до якості керування при мінімізації цільової функції (2).

Запропоновано закон керування, що дозволяє врахувати обмеження вигляду

(7)

Забезпечити виконання цих обмежень можна за рахунок настроювання вагових матриць Q1 і Q2 закону керування (4) за допомогою процедури

де і – і діагональні матриці невід'ємних невизначених множників Лагранжа;

, – скалярні коефіцієнти, що визначають швидкість настроювання матриць Q1 і Q2.

Тоді закон керування з урахуванням обмежень (7) має вигляд

У третьому розділі розглядається задача синтезу нечітких нейромережевих моделей нелінійних стохастичних об'єктів керування за відсутності апріорної інформації про характер функціональної залежності між входами та виходами. Настроювання моделей здійснюється в реальному часі за допомогою запропонованих процедур навчання.

Для апроксимації невідомої функціональної залежності між входами та виходом одновимірного об'єкта керування, що описується рівнянням

, (8)

запропоновано використовувати нечітку модель Такагі-Сугено

, (9)

де – узагальнений вектор входів;

– функція, що апроксимує невідому .

Нечітка модель містить nR правил вигляду

,

де – лінгвістичне j-го входу в антецеденті i-го правила, ;

fi(x) – лінійна функція консеквента i-го правила:

,

– вектор параметрів консеквента i-го правила;

– розширений вектор входів.

Вихід моделі обчислюється відповідно до виразу

, (10)

де – ступінь виконання i-го правила;

– нормалізований ступінь виконання;

при цьому ступені виконання обчислюються відповідно до формули

,

де – функція належності на j-му вході в антецеденті i-го правила.

Аналогічним чином можна синтезувати модель багатовимірного об'єкта

.

З використанням узагальненого вектора входів

та векторних функцій консеквентів

, (11)

де – матриця параметрів консеквента i-го правила;

багатовимірна модель об'єкта буде мати загальний вигляд (9), а процедура обчислення виходу буде описуватися тим самим рівнянням (10), що й для моделі (9).

Для прогнозування виходу багатовимірного нелінійного стохастичного об'єкта з запізненням у каналах керування (1) використовується упереджувач

, (12)

що реалізується моделлю Такагі-Сугено, узагальнений вектор входів якої має вигляд

де – прогнози на кроків уперед, отримані за допомогою упереджувача (12) в моменти відповідно.

На рис. 1 показано нечітку нейромережеву модель багатовимірного об'єкта керування. Більшість зв'язків між першим та другим шаром показано пунктирними лініями, оскільки в кожне правило завжди входить лише одна функція належності від кожного входу, і кожне правило має унікальну комбінацію функцій належності. На рис. 1 означає кількість функцій належності на j-му вході, .

Оскільки параметри нечітких нейромережевих моделей у загальному випадку невідомі, вони визначаються за допомогою спеціальних процедур навчання, для синтезу яких використовується компактна форма запису системи Такагі-Сугено

,

де ;

.

Запропоновано градієнтні процедури навчання нечітких нейромережевих моделей, що мінімізують функцію похибок

,

де  – вектор похибок моделювання вимірності .

Процедура настроювання параметрів функцій належності є однокроковою модифікацією алгоритму Марквардта і має вигляд

(13)

де – вектор параметрів всіх функцій належності в момент k;

Рис. 1. Нечітка нейромережева модель багатовимірного нелінійного об'єкта керування

Iy – одинична матриця вимірності ;

J(k) – – матриця-якобіан, що містить перші похідні виходів мережі за параметрами всіх функцій належності.

Параметри консеквентів настроюються за допомогою процедури

(14)

що є модифікацією процедури (6) і має такі самі властивості.

За рахунок спеціальних матричних перетворень в процедурі (13) вдалося перейти від обернення апроксимованої матриці других похідних розмірності до обернення матриці вимірності . Оскільки кількість виходів моделі завжди (часто на кілька порядків) менша за кількість параметрів , це забезпечує суттєве підвищення швидкодії запропонованої процедури, яка, разом з тим, зберігає швидкість збіжності алгоритму Марквардта.

Для роботи в умовах апріорної невизначеності щодо структури нечіткої моделі вперше запропоновано процедуру самоорганізації, що генерує правила та настроює їхні параметри в реальному часі. Вважається, що на початку кожної ітерації k модель містить правил. Спочатку обчислюються відстані від поточного вектора входів x(k) до центрів всіх правил:

, (15)

де vi(k–1) – центр правила з номером i;

– діагональна матриця параметрів ширини функцій належності.

Далі обчислюються ступені виконання всіх правил

(16)

та виконуються такі операції:

Якщо (17)

Та , (18)

де – мінімальний ступінь виконання правила;

– максимально припустима кількість правил (кластерів);

То обчислити , ;

покласти ;

створити нове правило з номером ;

покласти ;

покласти

, (19)

де

(20)

де I – одинична матриця вимірності ;

– матриці , .

Інакше

покласти ;

обчислити

, (21)

уточнити положення центрів кластерів за допомогою правила Кохонена:

(22)

покласти .

Кінець Якщо

обчислити ;

обчислити ;

уточнити параметри консеквентів за допомогою модифікації процедури (14):

(23)

Четвертий розділ присвячено розробці законів керування на основі нечітких нейромережевих моделей.

Синтезовано закон керування об'єктом (8) на основі оберненої нечіткої моделі:

, (24)

де – функціональна залежність, що реалізується оберненою нечіткою моделлю;

– узагальнений вектор входів оберненої нечіткої моделі.

Сигнал завдання формується відповідно до виразу

,

де – дискретна передаточна функція фільтра, що задає бажаний вигляд перехідного процесу;

– зовнішній сигнал завдання;

z – змінна дискретного перетворення Лапласа.

Закон керування (24) відрізняється простотою і разом з тим дозволяє ефективно керувати суттєво нелінійними об'єктами. Запропоновано для прискорення навчання нечіткої нейромережевої моделі в реальному часі використовувати розроблені в третьому розділі градієнтні процедури з підвищеною швидкістю збіжності.

Модифіковано метод керування на основі оберненої нечіткої моделі та синтезовано нелінійні регулятори зниженого порядку:

,

,

де , – функціональні залежності, що реалізуються нечіткою моделлю;

;

;

.

Запропоновано закони керування нелінійними об'єктами (1) на основі локальної лінеаризації нечіткої моделі. З використанням вектора лінеаризованих параметрів, що в загальному випадку обчислюється відповідно до виразу

,

де – – складена матриця оцінок параметрів консеквента i-го правила (11);

можна записати закон керування

, (25)

де

– вектор передісторії.

Закон керування (25) є нелінійним узагальненням (4) і мінімізує критерій

,

де – вектор похибок стеження адаптивної системи з лінеаризованою моделлю;

– прогноз на кроків уперед, що формується на основі лінеризованих параметрів, отриманих на k-му кроці:

.

Для того, щоб гарантувати астатизм системи керування, сигнали завдання формуються у відповідності з рівняннями

, ,

де – дискретна передаточна функція фільтра для i-го сигналу завдання.

Структура закону керування (25) аналогічна структурі (4), тому можна так само врахувати обмеження на похибку та швидкість зміни керуючого впливу.

В дисертаційній роботі вперше запропоновано використовувати в системі на основі локальної лінеаризації нечіткої моделі процедури навчання та самоорганізації в реальному часі. Запропонована процедура самоорганізації (15) – (23) гарантує коректність лінеаризації нечіткої моделі при додаванні нових правил.

П'ятий розділ присвячено імітаційному моделюванню запропонованих методів керування та розв'язанню практичних задач.

Проведено імітаційне моделювання законів керування багатовимірними стохастичними об'єктами з запізненням. Показано покращання якості перехідних процесів при врахуванні обмежень на похибку керування та швидкість зміни керуючого впливу.

Проведено імітаційне моделювання розроблених градієнтних процедур навчання нечітких нейромережевих моделей. Показано їхні переваги перед відомими процедурами як за точністю, так і за швидкодією.

Проведено імітаційне моделювання розроблених законів керування на основі нечітких нейромережевих моделей з використанням розроблених процедур навчання та самоорганізації в реальному часі. Показано перевагу розроблених процедур за швидкістю навчання перед відомими процедурами в задачах керування нелінійними об'єктами.

Розв'язано практичні задачі регулювання витрати робочої рідини гідрофікованих мобільних машин та керування швидкістю пересувної дорожньої лабораторії.

висновки

У дисертаційній роботі розв'язано актуальну наукову задачу розробки методів керування широким класом стохастичних об'єктів в умовах невизначеності щодо структури та параметрів об'єктів на основі нечітких нейромережевих моделей. Проведені дослідження дозволяють зробити такі висновки:

1.  В результаті аналізу поточного стану проблеми керування стохастичними об'єктами в умовах невизначеності відзначено недоліки відомих нечітких нейромережевих систем. Так, використання критеріїв типу мінімальної дисперсії не дозволяє враховувати наявні обмеження на фазові змінні. Крім того, процедури навчання на основі зворотного поширення похибок мають низьку швидкість збіжності, що обмежує їхнє застосування в реальному часі, а процедури на основі рекурентного методу найменших квадратів складні та нестійкі обчислювально.

2.  Вдосконалено методи керування стохастичними об'єктами, що дозволило врахувати наявні обмеження на величину похибки керування та динаміку керуючого впливу. Запропоновано адаптивну процедуру ідентифікації параметрів багатовимірних об'єктів керування, що характеризується стійкістю та невисокою обчислювальною складністю. 

3.  Вперше запропоновано адаптивні процедури навчання для нечітких нейромережевих моделей з довільним типом розбиття простору входів, що характеризуються більш високою швидкістю збіжності у порівнянні з відомою процедурою зворотного поширення похибок та меншою обчислювальною складністю у порівнянні з відомими процедурами нелінійної оптимізації другого порядку.  Вперше запропоновано процедуру самоорганізації нечіткої нейромережевої моделі в реальному часі, що відрізняється високою швидкодією та низькою обчислювальною складністю.

4.  Модифіковано метод керування на основі оберненої нечіткої моделі, що дозволило синтезувати нечіткі регулятори, які є нелінійними узагальненнями регуляторів зниженого порядку та відрізняються простотою реалізації. Вперше запропоновано закони керування нелінійними стохастичними об'єктами на основі локальної лінеаризації нечітких моделей Такагі-Сугено та процедур навчання з підвищеною швидкістю збіжності та самоорганізації в реальному часі.

5.  Проведено імітаційне моделювання розроблених законів керування та процедур навчання нечітких нейромережевих моделей. Показано їхні переваги перед відомими як за точністю, так і за швидкодією.

6.  Розв'язані практичні задачі керування електрогідравлічним підсилювачем гідроприводу мобільної машини та керування швидкістю пересувної дорожньої лабораторії. Результати досліджень впроваджено в корпорації "Гідроелекс", м. Харків, в Північно-східному науковому центрі Транспортної Академії України, а також у навчальний процес у Харківському національному університеті радіоелектроніки.

7.  Розроблені в дисертаційній роботі алгоритми та моделі можуть бути використані для керування широким класом динамічних стохастичних об'єктів в умовах апріорної та поточної невизначеності щодо їхньої структури та параметрів.

список опублікованих праць зА темою дисертації

1. Бодянский Е. В., Колодяжный В.В., Котляревский С.В. Многомерный самонастраивающийся ПИД-регулятор // Автоматизированные системы управления и приборы автоматики. – Харьков: ХТУРЭ, 1999. – Выпуск 109. – С. 136-142.

2. Бодянский Е. В., Колодяжный В.В., Котляревский С.В. Самонастраивающийся ПИД-регулятор с адаптацией целевой функции для многомерного стохастического

объекта // Радиоэлектроника и информатика. – Харьков: ХТУРЭ, 1999. – №1 (06). – С. 50-55.

3. Колодяжный В.В., Котляревский С.В. Адаптивный трехконтурный многомерный регулятор пониженного порядка // Системный анализ, управление и информационные технологии: Вестник Харьковского государственного политехнического университета. Выпуск 70. – Харьков: ХГПУ, 1999. – С. 139-145.

4. Колодяжный В.В., Попов С.В. Имитационное моделирование в среде IntelligentPad // Новые решения в современных технологиях: Вестник Харьковского государственного политехнического университета. Сборник научных трудов. Выпуск 80. – Харьков: ХГПУ, 2000. – С. 26-29.

5. Бодянский Е.В., Руденко О.Г., Танака Ю., Штефан А., Колодяжный В.В., Попов С.В. Самонастраивающийся регулятор в среде IntelligentPad // Радиоэлектроника и информатика. – Харьков: ХТУРЭ, 2000. – №4 (13). – С. 65-69.

6. Бодянский Е.В., Колодяжный В.В. Об одном алгоритме обучения нейро-фаззи-предиктора // Адаптивные системы автоматического управления. – Днепропетровск, 2000. – №3 (23). – С. 29-36.

7. Бодянский Е.В., Колодяжный В.В., Кулишова Н.Е., Отто П. Нейро-фаззи-регулятор для мехатронных систем // Вестник Харьковского автомобильно-дорожного технического университета. Сборник научных трудов. – Харьков: ХНАДУ, 2001. – Выпуск 15-16. – C. 134-136.

8. Колодяжный В.В. Алгоритм адаптации целевой функции самонастраивающегося регулятора пониженного порядка // 3-й Международный молодежный форум "Радиоэлектроника и молодежь в XXI веке": Научные труды. – Ч. 2. – Харьков: ХТУРЭ, 1999. – С. 76-79.

9.Ye.V., Kolodyazhniy V.V., Kotlyarevskiy S.V. Direct single-step fuzzy controller // Proc. 1st Int. Conf. on Mechatronics and Robotics "M&R 2000". – St.-Petersburg, 2000. – 1. – P. 10-13.

10. Колодяжный В.В., Павленко А.Е. Адаптивный нейро-фаззи-регулятор // 4-й Международный молодежный форум "Радиоэлектроника и молодежь в XXI веке": Научные труды. – Ч. 2. – Харьков: ХТУРЭ, 2000. – С. 237-238.

11. Колодяжный В.В., Близнюк В.Г., Руднева Л.В., Ченцова Н.И. Управление нелинейным объектом с использованием нечеткой модели // 6-я Международная конференция "Теория и техника передачи, приема и обработки информации": Сб. научных трудов. – Харьков: ХТУРЭ, 2000. – С. 331-332.

12. Колодяжный В.В. Алгоритм адаптации нечеткой системы // 6-я Международная конференция "Теория и техника передачи, приема и обработки информации": Сб. научных трудов. – Харьков: ХТУРЭ, 2000. – С. 333-334.

13. Колодяжный В.В., Нечогуенко В.П., Спасенов Р.Н. Моделирование временных рядов с помощью нейро-фаззи-сети // 5-й Международный молодежный форум "Радиоэлектроника и молодежь в XXI веке": Научные труды. – Ч. 1. – Харьков: ХТУРЭ, 2001. – С. 50-51.

14. Колодяжный В.В. Алгоритм самоорганизации нечеткой системы Сугено // 7-я Международная конференция "Теория и техника передачи, приема и обработки информации": Сб. научных трудов. – Харьков: ХТУРЭ, 2001. – С. 406-407.

15. Bodyanskiy Ye., Kolodyazhniy V., Stephan A. An adaptive learning algorithm for a neuro-fuzzy network / In "Computational Intelligence. Theory and Applications." Ed. by B. Reusch. – Berlin – Heidelberg – New York: Springer, 2001. – P. 68-75.

анотація

Колодяжний В.В. Керування стохастичними об'єктами в умовах невизначеності на основі нечітких нейромережевих моделей. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.03 – системи та процеси керування. – Харківський національний університет радіоелектроніки, Харків, 2002.

Розглянуто задачу керування широким класом стохастичних об'єктів в умовах невизначеності щодо структури та параметрів об'єкта. Вдосконалено методи керування на основі моделей, що настроюються. Це дозволило врахувати наявні обмеження на величину похибки керування та динаміку керуючого впливу. Запропоновано швидкодіючу адаптивну процедуру ідентифікації параметрів багатовимірних об'єктів керування.

Вперше запропоновано адаптивні процедури навчання та самоорганізації в реальному часі з високою швидкодією для нечітких нейромережевих моделей. Модифіковано метод керування на основі оберненої нечіткої моделі. Вперше запропоновано закони керування на основі локальної лінеаризації нечітких моделей з використанням процедур навчання та самоорганізації.

Проведено імітаційне моделювання розроблених законів керування та процедур навчання. Розв'язано актуальні практичні задачі керування складними технічними об'єктами з використанням розроблених методів та моделей.

Ключові слова: стохастичний об'єкт, метод керування, обмеження, ідентифікація, нечітка модель, процедура навчання, регулятор, локальна лінеаризація.

аннотация

Колодяжный В.В. Управление стохастическими объектами в условиях неопределенности на основе нечетких нейросетевых моделей. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.03 – системы и процессы управления. – Харьковский национальный университет радиоэлектроники, Харьков, 2002.

Рассмотрена задача управления широким классом стохастических объектов в условиях неопределенности относительно структуры и параметров объекта. В результате анализа современного состояния проблемы отмечен ряд недостатков известных методов, снижающих эффективность их применения. Сделан вывод о целесообразности разработки интеллектуальных систем, сочетающих возможности обучения и моделирования произвольных нелинейных зависимостей, характерные для искусственных нейронных сетей, возможности интерпретации модели и учета априорной информации, характерные для нечетких систем, а также простоту синтеза, анализа и возможности учета ограничений, характерные для стохастических цифровых регуляторов.

Усовершенствованы методы управления на основе настраиваемых моделей, что позволило учесть имеющиеся ограничения на величину ошибки управления и динамику управляющего воздействия. Предложена адаптивная процедура идентификации многомерных объектов управления, характеризующаяся повышенным быстродействием, численной устойчивостью и меньшей вычислительной сложностью по сравнению с рекуррентным методом наименьших квадратов.

Для моделирования нелинейных объектов управления использованы нечеткие нейросетевые модели на основе схемы нечеткого вывода Такаги-Сугено, которая является удобным аппаратом для аппроксимации произвольных функциональных зависимостей и хорошо приспособлена для использования различных процедур обучения. Впервые предложены адаптивные градиентные процедуры обучения нечетких нейросетевых моделей с произвольным типом разбиения пространства входов, характеризующиеся более высокой скоростью сходимости по сравнению с известной процедурой обратного распространения ошибок на основе метода градиентного спуска и меньшей вычислительной сложностью по сравнению с известными процедурами нелинейной оптимизации второго порядка. За счет специальных матричных преобразований удалось существенно понизить размерность матрицы, обращаемой на каждой итерации. Для модели с одним выходом обращение матрицы полностью исключается, при этом процедура обучения сохраняет свойства сходимости процедур второго порядка. Впервые предложена быстродействующая процедура самоорганизации нечеткой нейросетевой модели в реальном времени, характеризующаяся невысокой вычислительной сложностью. Данная процедура выполняет генерацию правил нечеткой модели, настройку центров функций принадлежности без обучающего сигнала и настройку параметров консеквентов с обучающим сигналом.

Модифицирован метод управления на основе обратной нечеткой модели, что позволило синтезировать нечеткие регуляторы, являющиеся нелинейными обобщениями регуляторов пониженного порядка и отличающиеся простотой реализации. Впервые предложены законы управления нелинейными стохастическими объектами на основе локальной линеаризации нечетких моделей и процедур обучения с повышенной скоростью сходимости и самоорганизации в реальном времени. При этом структура контура управления и предложенный способ выбора начальных значений нечетких правил в процессе самоорганизации нечеткой модели гарантируют отсутствие статической ошибки управления.

Проведено имитационное моделирование разработанных законов управления и процедур обучения нечетких нейросетевых моделей. Показаны их преимущества перед известными как по точности, так и по быстродействию в задачах идентификации, прогнозирования нелинейного временного ряда и управления стохастическими объектами в условиях неопределенности относительно структуры и параметров объекта. Решены актуальные практические задачи регулирования расхода рабочей жидкости гидрофицированных мобильных машин с использованием модифицированного метода на основе обратной нечеткой модели и управления скоростью передвижной дорожной лаборатории с использованием регулятора на основе локальной линеаризации и с учетом ограничений.

Разработанные в диссертационной работе алгоритмы и модели могут найти применение для управления широким классом динамических стохастических объектов в условиях априорной и текущей неопределенности относительно их структуры и параметров.

Ключевые слова: стохастический объект, метод управления, ограничения, идентификация, нечеткая модель, процедура обучения, регулятор, локальная линеаризация.

abstract

Kolodyazhniy V.V. Control of stochastic systems under uncertainty using fuzzy neural models. – Manuscript.

Dissertation for a candidate of technical science (Ph.D.) degree in specialty 05.13.03 – control systems and processes. – Kharkiv National University of Radioelectronics, Kharkiv, 2002.

The problem of control of various dynamic stochastic plants under the conditions of structural and parametric uncertainty is considered. The control laws based on tuned models are improved so that the constraints on the control error and the actuating variable dynamics could be accounted for. An adaptive high-performance identification procedure is proposed.

New fast adaptive learning and self-organization procedures for fuzzy neural models are derived. The control method based on inverse fuzzy model is modified. New control methods based on locally linearized fuzzy models with the use of online learning and self-organization procedures are proposed.

Computer simulation of the developed control methods and learning procedures is carried out. Real-world problems of controlling complex nonlinear dynamic plants with the application of the developed models and control methods are solved.

Keywords: stochastic plant, control method, constraints, identification, fuzzy model, learning procedure, controller, local linearization.