Книги по системному анализу

Системный анализ

«Адаптивное управление сложными системами на основе теории распознавания образов»

В. С. Симанков, Е. В. Луценко

Оглавление    
Глава 5, Выводы Глава 6, «Алгоритм синтеза ААСУ СС»

Глава 6. Методология и методика синтеза и эксплуатации адаптивных АСУ сложными системами

В данной главе просуммированы основные результаты предыдущих глав и на основе этого получен главный итог теоретической части данной работы: методология синтеза адаптивных АСУ СС. Далее эта методология конкретизирована до уровня методики, алгоритма, а затем и конкретного примера реализации синтеза адаптивной АСУ CC (в качестве СОУ выбрана автономная комбинированная фотоветроэлектроэнергетическая установка — ФВЭУ).

Методология синтеза ААСУ СС

Как было показано выше, объект определяется как сложный, если для построения его аналитической модели недостаточно априорной информации. Очевидно, классификация объекта как сложного относительная, т.е. зависит не только от его объективной сложности, но и от наличия у разработчиков АСУ достаточной информации о нем. Следовательно, для построения аналитической модели сложного объекта управления необходимо изучить (познать) его.

В качестве инструмента для первого этапа изучения (познания) сложных систем, связанного с первичным накоплением и анализом данных об их поведении под влиянием различных факторов, авторами предложено применение обучающихся с учителем адаптивных моделей распознавания образов и принятия решений, основанных на теории информации вообще и на апостериорном подходе в частности.

Подобные модели предлагаются в настоящем исследовании. Необходимо отметить, что их применение в АСУ не является традиционным.

Применение обучающейся с учителем адаптивной модели в реально работающей АСУ позволяет выделить существенные признаки (факторы), а также зависимости между ними и целевыми состояниями объекта управления. Построение на этой основе содержательной аналитической или какой-либо другой статической модели детерминистского типа уже не является большой проблемой.

Таким образом, адаптивные АСУ сложными системами, построенные на основе обучающихся и адаптивных моделей, могут рассматриваться как инструментальные средства для разработки традиционных АСУ.

Основная задача, возникающая при синтезе АСУ, состоит в определении конкретного вида модели, которая представляет собой по существу математическую модель объекта управления. Модель представляет собой некоторое аналитическое выражение (или систему выражений), связывающее входные и выходные параметры объекта управления. Для построения модели используется априорная информация об объекте управления.

В случае сложного объекта управления пути построения модели неочевидны и задача ее построения трансформируется в проблему. Это следует уже непосредственно из самого определения сложной системы.

Само понятие «модели» также требует уточнения для случая СОУ. Выходные параметры связаны с состояниями СОУ сложным, неоднозначным, а часто и просто неизвестным образом, поэтому известных параметров СОУ недостаточно для полного и однозначного определения его состояния. Следовательно, принимать решение об управляющем воздействии на СОУ, зная только его выходные параметры, рискованно. Управление СОУ должно осуществляться не по его параметрам, а по состояниям. Но для этого, как минимум, надо уметь идентифицировать эти состояния. Следовательно, в АСУ СОУ возникает задача вероятностной идентификации состояния сложного объекта управления по его наблюдаемым (известным) параметрам. (Отметим, что для объектов управления, которые полностью описываются своими параметрами, понятие «состояние объекта» эквивалентно понятию «система параметров», поэтому оно в явном виде не вводится, хотя и подразумевается.)

Данная задача должна решаться на основе математической модели СОУ. Для ее построения целесообразно использовать более общие классы моделей, чем аналитические, например, матричные (статистические) и информационные модели, которые относятся к абстрактным моделям.

Подобные модели не могут быть непосредственно применены для управления. Они требуют предварительной конкретизации, которая осуществляется путем учета конкретной информации о фактическом поведении данного СОУ. Предлагается компенсировать недостаток априорной информации о сложном объекте управления апостериорной информацией о нем, т.е. окончательный синтез модели СОУ (его модели) предлагается осуществлять не до начала эксплуатации АСУ, как обычно, а уже непосредственно в процессе ее эксплуатации в адаптивном режиме.

Первая и основная цель всякого АСУ, в том числе и АСУ СОУ, состоит в том, чтобы эффективно перевести объект управления в целевое состояние. Но АСУ СОУ должны обеспечивать также и достижение второй задачи, а именно: формирование конкретной информационной модели СОУ на основе некоторой абстрактной модели и фактической информации о поведении СОУ.

Из вышесказанного следует, что работы по разработке и внедрению АСУ СОУ существенно отличаются от «стандартного варианта». Так, обычно АСУ сначала полностью разрабатываются (включая модель объекта управления и методы выработки управляющего воздействия), а затем внедряются, причем уже на этапе экспериментальной эксплуатации осуществляется реальное управление объектом управления. Этот цикл «разработка —внедрение» может повторяться, в этом случае говорят о разработке и внедрении новых версий АСУ.

В случае же АСУ СОУ конкретизация модели сложного объекта управления и методов выработки управляющих воздействий осуществляется не «за рабочим столом», а лишь на этапе экспериментальной эксплуатации. При этом реальное управление СОУ не осуществляется, а лишь имитируется (моделируется) в целях определения его эффективности и качества. Этап экспериментальной эксплуатации, по сути являющийся адаптацией, заканчивается тогда, когда качество управления достигает практически приемлемого уровня. Только после этого начинается реальная эксплуатация АСУ СОУ в опытно-производственном и производственном режимах.

Существуют два подхода в применении АСУ СОУ:

  • эксплуатация в режиме АСУ с фиксированной моделью;
  • эксплуатация в адаптивном режиме, когда периодически согласно утвержденному регламента или при наступлении определенного события, например, когда в АСУ накопится информация об определенном количестве циклов управления [13], запускается режим перестройки модели — адаптации.

Следовательно, по своей сущности АСУ СОУ являются адаптивными, но использоваться они могут и как стационарные [13]. Таким образом, вторая цель адаптивных АСУ (адаптация модели) в контексте данного исследования выступает на первый план, так как авторы предлагают использовать адаптивные АСУ СОУ в качестве инструментальных систем для синтеза АСУ, т.е. по сути дела — в качестве систем автоматизации проектирования АСУ (САПР АСУ). Имеется в виду, что абстрактные модели, реализованные в адаптивных АСУ СОУ, достаточно универсальны для того, чтобы путем адаптации (привязки) на основе данных о различных конкретных СОУ обеспечить синтез широкого класса конкретных АСУ.

При проектировании адаптивной АСУ СОУ прежде всего возникает задача выбора определенной абстрактной модели СОУ. К модели предъявляют ряд довольно жестких требований, связанных с тем, что эта модель должна обеспечивать выработку управляющего воздействия в АСУ СОУ. Как минимум, это означает, что данная модель должна обеспечивать решение следующих задач:

  • формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);
  • идентификацию состояния СОУ на основе его выходных параметров (распознавание);
  • определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);
  • прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;
  • прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Чтобы решение этих задач представляло практический интерес, оно должно обеспечиваться в режиме реального времени на реальных размерностях данных и на стандартных компьютерах.

Учитывая эти требования, авторами предложено в качестве абстрактной модели применить модель распознавания образов, которая конкретизируется путем обучения с учителем (экспертом) на основе информации о фактическом поведении СОУ.

Отметим, что с формально-математической точки зрения задачи идентификации и прогнозирования не отличаются, различие состоит лишь в содержании обрабатываемой информации: при идентификации по актуальным признакам надо классифицировать актуальное состояние СОУ, а при прогнозировании по прошлым и актуальным признакам (факторам) — его будущее состояние.

Возникло предположение, что различные методы распознавания в различной степени удовлетворяют вышеперечисленным требованиям. И действительно, аналитический обзор и анализ различных моделей распознавания образов, описанных в специальной литературе, приводит к выводу, что, безусловно, выбор уже разработанной абстрактной модели, удовлетворяющей всем этим требованиям одновременно, представляет собой определенную проблему.

Поэтому авторами было признано целесообразным разработать модель распознавания с учетом требований, предъявляемых в адаптивных АСУ сложными объектами. Такая модель была разработана [318, 327, 329] на основе теории информации и апостериорного подхода А.А.Харкевича [373], который предложил семантическую меру целесообразности информации. В соответствии с этим подходом количество информации измеряется изменением степени целесообразности поведения системы (в нашем случае СОУ).

Рассмотрим подробнее применение данной модели в адаптивных АСУ сложными объектами.

Как уже отмечалось выше, цель применения АСУ обычно можно представить в виде некоторой суперпозиции трех подцелей:

  1. Стабилизация состояния объекта управления в динамичной или агрессивной внешней среде.
  2. Перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства.
  3. Повышение качества функционирования АСУ (адаптация).

Эти цели имеют различные приоритеты в различных типах АСУ. В данном исследовании на первый план выступает вторая цель, являющаяся более общей.

В классическом варианте АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления (см. рис. 2.1). Причем АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта. Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Как было указано выше, управляющая система (см. рис. 2.2) состоит из следующих подсистем:

А. Подсистема идентификации состояний окружающей среды и объекта управления.

Б. Подсистема выработки управляющих воздействий.

В. Подсистема реализации управляющих воздействий (исполнительный орган).

Некоторые авторы [241] объединяют первые две подсистемы в одну, которую называют управляющим органом.

А. Подсистема идентификации (мониторинга) по сути дела решает задачу измерения, т.е. по определенным внешним признакам, на основе модели, она принимает решения о принадлежности текущих состояний среды и объекта управления к определенным классификационным категориям, т.е. к тем или иным градациям измерительных шкал.

Б. Подсистема выработки управляющих воздействий анализирует влияние среды на объект управления и вырабатывает такие управляющие воздействия, которые, действуя с учетом прогнозируемого влияния среды, позволяют в определенном смысле «наилучшим образом» достичь цели управления.

В. Подсистема реализации управляющих воздействий, т.е. исполнительный орган, непосредственно осуществляет управляющее воздействие на управляемый объект. Управляющие воздействия имеют различную природу, соответствующую типу объекта управления.

Рассмотрим применение системы распознавания в подсистемах идентификации и выработки управляющих воздействий адаптивных АСУ СОУ. Как видно из рис. 2.2, система распознавания образов входит как в подсистему идентификации состояния объекта управления (мониторинга), так и в подсистему выработки управляющих воздействий.

Однако применяется она в этих подсистемах по-разному.

В подсистеме идентификации система распознавания образов применяется для того, чтобы классифицировать состояние сложного объекта управления, т.е. дать ему обобщающую (т.е. макро-) оценку, не сводящуюся к совокупности значений его выходных параметров. Поэтому в подсистеме идентификации основным является режим распознавания.

В подсистеме выработки управляющих воздействий по заданным целевым состояниям СОУ определяют:

  • предпосылки, т.е. не зависящие от человека факторы (включающие предысторию СОУ, его актуальное состояние и факторы среды), необходимые для достижения этого состояния;
  • управляющие воздействия, которые могут перевести (т.е. ранее переводили) сложную систему в данном актуальном состоянии, с данной предысторией и находящуюся в данной окружающей среде в заданное целевое состояние.

Обе эти задачи относятся к обратным задачам декодирования теории информации. Для предложенной авторами модели распознавания образов они являются стандартными и реализуются в типологическом анализе при выводе информационного портрета класса распознавания с фильтрацией по уровню признаков.

После выработки управляющих воздействий прогнозируется результат их применения. Для этого применяется режим распознавания.

Итак, в подсистеме выработки управляющих воздействий основным является режим вывода информационных портретов (решения обратной задачи декодирования), а режим распознавания — вспомогательным.

Следовательно, в подсистемах идентификации (мониторинга) и выработки управляющих воздействий практически может быть применена одна и та же система распознавания образов. Однако в этих подсистемах система распознавания используется по-разному и в ней обрабатывается различная информация:

  • в системе идентификации используется режим распознавания;
  • в подсистеме выработки управляющих воздействий — режим вывода информационных портретов (обратная задача распознавания).

В обеих подсистемах используются режимы обучения с учителем (экспертом) и верификации решающих правил. Без обучения основные режимы вообще не работают, а без верификации работают, но неизвестно как.

Оглавление    
Глава 5, Выводы Глава 6, «Алгоритм синтеза ААСУ СС»


Система Orphus

Яндекс.Метрика