автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.07, диссертация на тему:Применение нейронных сетей для построения адаптивных систем управления технологическими процессами

САМАРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

4 5 ОД

- 5 ¡['¿[{ г "'. На правах рукописи

УДК 681.513.8: 658.52.011.56 ( 043.3)

ЮДАМКИН Александр Анатольевич

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПОСТРОЕНИЯ АДАПТИВНЫХ СИСТЕМ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ

Специальность 05.13.07 Автоматизация технологических процессов и производств

Автореферат диссертация на соискание ученой степени кандидата технических наук

Самара - 1994

Работа выполнена в Самарском государственном техническом университете.

НАУЧНЫЙ РУКОВОДИТЕЛЬ - д.т. н., профессор Рапопорт Э. Я.

ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ:

Доктор технических наук, профессор, академик

Международной Академии Информатизации С. В. Архангельский

Кандидат технических наук, доцент'П. К. Кузнецов

ВЕДУЩЕЕ ПРЕДПРИЯТИЕ - Государственный институт физико-технических проблем Российской Академии Наук, г. Москва

Защита состоится 20 декабря 1994 года на заседании специализированного Совета Д 063.16.01 при Самарском государственном техническом университете по адресу: 443010, г.Самара, ул.Галактионовская 141, ауд.23.

С содержанием диссертации можно ознакомиться в библиотеке института.

Автореферат разослан ноября 1994 года.

Ученый секретарь специализированного Сов к. т. н., доцент

В. Г. Жиров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В связи с бурным развитием оборудования на основе современных достижений науки на производстве появляется все большее количество сложных технологических линий с чрезвычайно высокими требованиями к качеству управления и быстроте реагирования на изменение условий протекания процесса со- стороны управлявших устройств. Сложность всего производственного процесса на предприятии также формирует определенные требования к его элементам, а также к операторам, контролирующим ход троизводства.

Задачи управления сложными технологическими процессами традиционно решаются на основе адаптивных систем, формирующих оптимальное или квазиоптимальное управляющее 503действие. Однако подавляющее большинство таких АСУ требуют предварительного выбора модели объекта управления, 1то существенно ограничивает их возможности. Хорошо гавестно, что практически все современные технологические тинии не способны нормально функционировать без присутствия человека-оператора на какой либо ступени иерархической системы управления. Это обусловлено неограниченными возможностями человеческого интеллекта к адаптации и юсоциативному мышлению. Очевидно, что эти способности шределяют скорость принятия решения в сложных ^стандартизируемых ситуациях. Ни одна из традиционных щаптивных систем управления не решает подобные задачи на фовне, хотя бы приближающемся к человеческому. Существует ¡остаточное количество процессов управления, где невозможно адюлнить традиционную идентификацию объекта, которым может !ыть как многоступенчатый технологический процесс, так и все фоизводство в целом, и в соответствии с полученной моделью шределить закон управления. К таким объектам относятся, в [астностк, практически все процессы нагрева в тех случаях, :огда управление зависит от формы заготовки или иных ее ттических свойств, а также ситуации, возникающие на фоизводстве как объекте управления и характеризуемые •ромадным количеством параметров, по которым не только [евозможно выработать оптимальное управление, но во многих

случаях и сформировать удовлетворительную модель ситуации даже в достаточно простых терминах. Необходимо учитывать такхе, что человек-оператор как любой диалогический организм обладает конечным ресурсом непрерывной работы, он устает, подвержен заболеваниям. Все это безусловно сказывается на производственном процессе что, наоборот, оказывает отрицательное влияние на самого человека.

Следствием всего вышеизложенного является задача построения интеллектуальной системы управления, обладавшей способностями, близкими хотя бы в своей узкой сфере деятельности к способностям человека, особенно в области определения модели объекта и выработки квазиоптимального управлявшего воздействия не на основе конкретного алгоритма минимизации определенного критерия качества, а в соответствии с некоторым механизмом обработки размытой информации. Подобные системы, создаваемые на основе бурно развивавшейся в последнее время теории нейронных сетей, могли бы стать чрезвычайно удобным и гибким инструментом управления сложными неформализуемыми объектами, а также основой для построения производств с полным циклом без участия человека.

Цель работы. Основная цель диссертационной работы состоит в разработке методов создания систем управления технологическими объектами на основе моделей нейронных сетей, изучения свойств этих моделей, а также в построении моделей нейронных сетей со структурой, обеспечивающей наиболее высокие характеристики обработки неформализуемой информации.

Методы исследования. Исследование свойств нейронных сетей производилось на основе методов теории обыкновенных нелинейных дифференциальных уравнений, теории устойчивости в линейном приближении с использованием аппарата линейной алгебры. Построение нейронной сети с классификацией образов производилось также с использованием ряда понятий теории множеств. Исследование качества работы нейронных сетей было проведено на основе методов теории вероятностей и математической статистики. Методика построения системы структурной идентификации динамических объектов управления основана на подходах теории идентификации и представления данных в теории нейронных сетей, а исследование ее

эффективности производилось с использованием аппарата математической статистики. Численные эксперименты проводились на персональном компьютере типа IBM 386/387.

Научная новизна. Впервые аналитически исследованы свойства нейронной сети Хакена, найдены условия, определяющие существование устойчивых точек в фазовом пространстве сети. На основе полученных ограничений исследованы сценарии бифуркаций стационарных точек в модели с ортонормированными прототипами. Предложена общая модель нейронной сети с классификацией образов, причем аналитически исследованы случаи пересекающихся и непересекающихся подмножеств прототипов. Численно изучены соотношения характеристик процессов распознавания, классификации и распознавания в классе для построенных моделей.

Предложена методика построения подсистемы структурной идентификации технологических объектов управления на базе модели классификации образов; ее свойства исследованы с помощью методов численного моделирования на ЭВМ. Возможности применения разработанной системы структурной идентификации проиллюстрированы на примере управления вытяжкой оптического волокна.

Практическая ценность работы. Разработана инженерная методика дополнения адаптивных систем управления подсистемой структурной идентификации технологических ' объектов, позволяющая производить классификацию меняющихся моделей объекта по снятым переходным характеристикам или по какой-либо оптической информации об объекте. Новый подход к построению нейронных сетей с классификацией образов позволяет формировать память сети - базу данных подсистемы структурной классификации - произвольного вида с использованием достаточно сложных критериев структурной идентификации. Полученные простые соотношения для параметров моделей нейронных сетей определяют непосредственное создание адаптивных систем управления с интеллектуальным предсказанием. Созданы инженерные методики и программы для персонального компьютера, позволяющие строить реальные подсистемы структурной идентификации и легко изменять их свойства в зависимости от конкретных технологических условий.

Внедрение результатов работы. Результаты исследований в.

форме инженерных методик и программ, обеспечивающих работу адаптивных систем управления вытяжкой оптического волокна, внедрены в производство (ОКБ КП, г. Мытищи, Московская обл.3. Программное обеспечение идентификации отображений внешнего облика человека, . созданное на основе результатов данной работы, используется в работе экспертных подразделений УВД (г.Самара).

Апробация работы. Основные положения и результаты данной работы изложены и обсуждены на научных семинарах Института физико-технических проблем РАН С г.Москва), заседаниях Всероссийского общества нейроинформатики, на 4-й межвузовской научной конференции РИАН и СамГТУ С г.Самара, 25-27 мая 1994г.), а также на научно-технических семинарах кафедры "Автоматика и управление в технических системах" Самарского государственного технического университета.

Публикации. По теме диссертации опубликовано 3 печатных работы.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, изложенных на 135 страницах машинописного текста, содержит 25 рисунков, выполненных на 33 страницах, списка использованных источников, включающего 74 наименования на 7 страницах, и 3 страницы приложения.

На защиту выносятся следующие положения:

метод исследования существования устойчивых стационарных точек в нейронной сети;

- графический способ иллюстрации бифуркаций в фазовом пространстве нейронной сети;

- модель нейронной сети с классификацией предъявляемых образов;

- «методика построения подсистемы структурной идентификации в адаптивных САУ технологическими процессами.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность теш, цель работы, научная новизна, практическая ценность. Приводятся также положения, выносимые на защиту.

В первой главе проведена постановка задачи создания интеллектуальных систем управления технологическими процессами, рассмотрены возможные пути решения этой проблемы. Показана актуальность и перспективность создания компонентов адаптивных систем управления на основе нейронных сетей.

Развитие технологий и расширение областей деятельности человека постоянно увеличивает объем информации, которую необходимо обрабатывать для обеспечения функционирования различных устройств и механизмов. Чаде всего эта информация является достаточно плохо формализуемой либо неформализуемой вообще. Переход к полной автоматизации технологических процессов и производств, отказ от присутствия человека в контуре управления требует создания нового поколения адаптивных систем с элементами искусственного интеллекта.

Одним из возможных, и, по-видимому, наиболее перспективных путей развития подобных систем является применение методов теории нейронных сетей. Нейронная сеть представляет собой систему N распределенных элементов, связанных между собой изменяющимися связями. Эти. элементы называются формальными нейронами и характеризуются уровнем возбуждения. Связи между нейронами определены коэффициентами передач. Часто нейронная сеть предназначена для решения задачи распознавания образов, что является более общим случаем по сравнению с традиционной идентификацией объектов управления. При этом в память нейронной сети тем или иным способом заносятся образы-прототипы, а после предъявления некоторой новой картины на выходе сети формируется прототип, наиболее похожий на предъявляемый образ в некотором смысле. Динамические нейронные сети обладают ассоциативным механизмом распознавания, что делает их достаточно гибким инструментом для построения систем искусственного интеллекта. Однако существует ряд ограничений использования большого числа нейронных сетей, связанных с небольшой емкостью памяти и сложностью моделей при их технической реализации.

Значительный интерес представляет синергетическая модель нейронной сети Хакена, основанная на переходе изфазового пространства самих прототипов размерности N в фазовое пространство мод, отвечающих запомненным образам,

1/2 2-3697

соответствующей размерности М. Б подобной модели ложных устойчивых состояний не существует, а максимальная емкость в точности равна 1. Особенности модели Хакена предполагают достаточные удобства ее практической реализации, в особенности для целей структурной идентификации технологических процессов.

Однако базовая модель Хакена аналитически была почти не изучена, хотя и предоставляет большие возможности для развития. Фактически она реализовывала лишь механизм ассоциативного распознавания, когда все прототипы в принципе равноправны и в качестве похожего выбирается один из запомненных образов. В то же время известно, что человеческий мозг способен, во-первых, заранее исключать ряд аналогий, во-вторых, прогнозировать развитие ситуации на основе ассоциаций с другими событиями и, в-третьих, не просто узнавать, но и классифицировать новый объект. Все эти свойства человеческого интеллекта поддерживают высокую степень адаптации и способности к обучению, которыми не обладает ни одна техническая система, но которые чрезвычайно желательны для модернизации алгоритмов оптимального управления.

В связи с этим встала задача аналитического исследования структуры фазового пространства синергетической модели Хакена с целью обеспечения направленного изменения ее свойств и, в частности построения системы классификации образов. На основе последней возможно было бы создать гибкую систему структурной идентификации технологических объектов.

Во второй главе изложен подход к построению нейронных сетей, лежащий в основе настоящей работы. Строится нейронная сеть, производящая распознавание предъявляемого образа за счет конкуренции между модами, - параметрами, зависящими от времени, - каждой из которых отвечает один из запомненных ранее образов. Предъявляемая для распознавания картина представлена в форме вектора ч(0) из N компонент, каждая из которых может принимать действительное значение. Набор этих компонент в общем случае полностью характеризует распознаваемую ситуацию или является характеристикой технологического процесса. В памяти нейронной сети хранятся М прототипов - образов, являющихся эталонными. Они также представлены в форме векторов V с действительными

координатами. Как показано в работах Г.Хакена, векторы V в общем случае не образует полную систему, поэтому применяется метод нормализации, состоящий во введении дополнительных векторов и4 С1= 1,М ), связанных с основными согласно следующим правилам:

11

а. .V. С2)

и :

где <5^=1, если 1=^ и <5^=0> если 1*5 С1= ГТН : 3= Г7И );

- транспонированный вектор. Принимается, что ц и дополнительный зависят от времени и могут быть выражены через у и следующим образом:

ЯСО* £ с!, азу^ езз

м 1 = 1

где I; и - случайные добавки, некоррелированные

соответственно с ^ и V., а б. С и и бц1СО - моды, зависящие от времени. Нейронная сеть в этом случае состоит из системы конкурирующих мод и характеризуется потенциалом вида:

г I +1 вЙлЛ<*иА+1 сЦ |?|гГ

1=» 1 ч = 1

(5)

где 1?|г=?Ч. В и С - положительные действительные константы, Х1 - положительные константы, отвечающие за глубину минимумов потенциала У. Распознавание в подобной

3-3697

нейронной сети происходит в процессе минимизации потенциала V по с!и1 и <1 . С учетом соотношений (1)-(4) получаем связь между 3и1 и с^ в матричной форме:

й (6)

где векторы с1ц и (1 состоят из компонент с! и с11 соответственно, а 6=А"'=\ГУ. Таким образом, обязательно выполнение условия М<К, иначе 6 становится вырожденной. После перехода к динамическим уравнениям, минимизирующим потенциал (5), с учетом С6) и легко доказываемого факта об асимтотическом затухании |?(1)| получаем систему нелинейных обыкновенных дифференциальных уравнений только для <1, описывающих динамику синергетической нейронной сети вида:

3 Л Чс; 1 1 ,] = 1 к = I

Л

(7)

с начальными условиями в форме:

«К0)=АУ'яС0) С8)

Распознавание в модели С 7)-С 8) происходит в результате конкуренции мод , характер которой определяется начальными условиями, и считается выполненным, когда значения всех мед, кроме одной, оказываются в достаточно малой окрестности куля, в. то время, как победившая ц-я мода релаксирует к ненулевому постоянному значению и соответственно указывает на прототип V , наиболее близкий к предъявляемому ц. Е этой, модели каждому из запомненных образов соответствует стационарная точка, которая при выполнении определенных условий является аттрактором со своей областью притяжения. Показано также, что начало координат в фазовом пространстве С73 является неустойчивым узлом, поэтому сеть всегда релаксирует к ненулевому состоянию.

Исследуемая модель вследствие особой структуры фазового пространства является достаточно удобным инструментом для

интеллектуального распознавания характеристик

технологических процессов и других технических объектов управления, а также производственных ситуаций, описываемых большим набором однородных параметров. Кроме того, очевидно, что за счет изменения топологии модели можно создавать более развитые нейронные структуры, способные, в частности, выполнять функции прогнозирования или классификации ситуаций, которые характеризуются совершенно различными по своей природе параметрами.

В третьей главе подробно исследуется структура модели синергетической нейронной сети с целью выявления возможностей по изменению фазового пространства и выработки соответствующих правил.

Вместо модели (7) рассматривается система дифференциальных уравнений, получаемая в результате минимизации V одновременно по с1 и при формальном допущении о несвязанности основного и дополнительного набора мод, то есть система вида:

А =

6 = -

ЗУ

и

ем

С9)

После раскрытия правых частей уранений (93 получается набор из двух групп дифференциальных уравнений, инвариантных относительно одновременной замены й на (1ц и наоборот. Это позволяет ввести новые параметры времени 21=с1.с1и1 С1= ГГН 3 и для них записать систему нелинейных дифференциальных уравнений в следующей форме-.

| ^ -с в+сзг1 V г -сг^ с юз

Таким образом, рассматривается эволюция в фазовом пространстве новых координат , топология которого определяется лишь коэффициентами В, С и \ . Очевидно, что те 2к, которым соответствуют неположительные константы X. , с

течением времени затухает, поэтому в дальнейшем рассматривается ситуация, когда все >0.

Для исследования вопроса о., существовании и типах стационарных точек в пространстве 3 Си соответственно в <с!1 >) правые части СЮ) приравниваются к 0 и решается система алгебраических уравнений относительно 2{ . Для удобства дальнейшего изложения вводитятся следующие обозначения:

б'р> - некоторое решение, соответствующее I - набор из г индексов J координат <5^р|; С'р> - стационарная точка, где р координат 6'р) Л} С 0<р<Ю; °

£*- подпространство размерности 5 в фазовом

пространстве системы С3.4) СОй^М), образованном новыми модами 21, причем Е° - точка в начале координат, Е' совпадает с какой либо осью 2 и так далее до Ем, совпадающего со всем фазовым пространством.

Стационарные решения определяются следующими выражениями:

0Ср>={<5 ,6 : 6 *0,6 =0, 1е 1<р> ,.)«1<р>>,

6[Р>= Ск£> СКСр-2)+П\)/СВСКСр-1)+1)), С11) п€1(р>,п*

где К=В/С+1. Общее количество Б' р> выражается по формуле:

Нр=М!/Ср!С М-р)!) * ' С12)

При изучении структуры точек Б'р| используются функции параметров системы вида:

; ^^ -КЛКСр-Д+и^ Лп, 1 е1'.р> С13)

После проведения исследования ..устойчивости стационарных

точек CID в линейном приближении становится возможным сформулировать и доказать соответствующее утверждение.

Теорема 1. Если выполняются условия отрицательности функций С13) для каждой D( р| , то справедливо следующее:

1) точка D*0> является неустойчивым узлом;

2) М точек D'1' являются устойчивыми узлами;

3) все 2м-М-1 точек Dc sl при s>2 являются седлами. Соответствующие стационарные решения в пространстве id. У имеют типы устойчивости, приведенные в теореме 1. Прямое определение координат стационарных точек в <d^ > с использованием формул (11) и правила перехода из (dt) в <Z; > аналитически возможно лишь при р=0 и р=1. Однако теорема 1 и формулы (13) позволяют не только определить существование аттракторов, которыми при выполнении условия теоремы 1 являются устойчивые узлы D'1', но и проследить возможные сценарии бифуркаций в системе конкурирующих мод.

Для важного частного случая, когда v образуют ортонормированную систему, удается получить аналитические выражения для всех стационарных точек в {dt>, а также определить условия для их существования и точные сценарии бифуркаций в фазовом пространстве, размерности М с М управляющими параметрами V. . Существование каждой точки D1 р| , координаты которой в пространстве (dt > определены из соотношений вида

d»=d *\ ielp

1 1 (14)

d =0, k<$Ip

зависит от выполнения системы неравенств:

j\< К/(К(р-1)+1) £xn, lel' P' (15)

l- in 1

Соотношения (11),(14),(15) и теорема 1 позволяют получить ояд дополнительных • условий,, необходимых при исследовании изменений в фазовом пространстве £** в случае эртонормированных прототипов. Полностью определяется

сценарий бифуркации в Е3, который иллюстрируется рис.1. Здесь показаны все принципиально отличные конфигурации стационарных точек, направления перестроек при изменении параметров Х1 (1= 1,3 ), причем стрелками показаны направления фазовых траекторий на многообразиях стационарных точек.

В данной главе также показано, что в достаточно часто встречающемся на практике случае занесения в память нейронной сети коррелированных прототипов, функционирование исследуемой модели принципиально не нарушается, если зти прототипы линейно независимы.

Результаты данной главы позволяют направленно влиять на характер распознавания . с целью исключения из процесса каких-либо запомненных образов или задания определенного порядка воспроизведения прототипов путем изменения управляющих коэффициентов X..

В четвертой главе предложена новая модель классификации образов на основе рассматриваемой синергетической нейронной сети.

Однозначность выбора в базовой модели Хакена ограничивает возможности интеллектуальных систем управления, построенных на ее основе. Например, управление рядом технологических процессов требует отнесения снятых характеристик к целой группе, в которой эталоны объединены по общему признаку (или признакам). Эта возможность до сих пор была недоступна разработчикам адаптивных систем управления.

Запомненные в памяти образы разбиваются на несколько подмножеств тогда соответствующий набор мод ^ также разделяется на подмножества 2К Рассматривается два основных случая, когда подмножества пересекаются и не

пересекаются.

Пусть выполняется следующее условие: р

и Ип = а = 0 для С16)

где А - множество всех у , 0 - пустое множество, Р - число подмножеств множества П. Тогда существуют изоморфизм

между и подмножествами Я., состоящими из наборов мод с^. Для удобства дальнейшего изложения вводятся также наборы натуральных чисел J' п', для которых справедливо следующее условие-.

1 € ]' ЙУбК 1 п

Мощности подмножеств V , Ъ и Л обозначены как и . Для

п п 'п

обеспечения соответствия между формальным разбиением П на подмножества в рассматриваемой модели нейронной сети вместо постоянного коэффициента В вводится матрица В с элементами ^ согласно следующему правилу:

Ь = 1 !

=В при т) , ^ 10 при 1, ^^ т>

(17)

Система уравнений (7) принимает вид:

:1 =Х. с1 -V Ь с1 с! V д , с1, -С 1 1 1 1 ■' 1 л / ■ 'к к

14

(18)

к = |

J ='

В ней отсутствует конкуренция между модами, принадлежащими к одному подмножеству, поэтому вместо отдельных точечных аттракторов, соответствующих модам, появляются стационарные решения типа эллиптических поверхностей вида

с1 =0 для ,¡$.1' , п= ГГР

состоящих из континуума устойчивых узлов по отношению к дополнению подпространства, образованного набором Яп, до Д. Таким образом, любая начальная точка окажется притянутой к

одной из точек такой поверхности,. причем все моды, не принадлежащие к выбранному подмножеству релаксируют к

нулю.

В том случае, когда выполняются условия

U W = Q, W.nW * 0 для jäi С 20)

пи п J п

каждому из подмножеств Wk отвечает поверхность вида С19), и, кроме того, их пересечению соответствует отдельное стационарное решение, образованное геометрическим пересечением аттракторов подмножеств, обладающее нейтральной устойчивостью по отношению ко всем модам, входящим в пересекающиеся подмножества. Это несколько изменяет характер классификации, поскольку теперь при предъявлении некоторого образа qCO) несколько подмножеств могут оказаться выбранными.

Построенная модель классификации позволяет создавать гибкие интеллектуальные системы идентификации технологических объектов управления, которые способны классифицировать характеристики объекта, относя его к одному из известных типов. Модель классификации с пересекающимися подмножествами прототипов .дает возможность строить многокритериальные системы идентификации, классифицирующие состояние объекта сразу по нескольким общим признакам. Простота разработанной модели является достаточным основанием для создания реальных систем автоматизации технологических процессов и производств в целом.

В пятой главе произведено численное моделирование разработанных моделей, и экспериментально найдены оценки характеристик процессов в предложенных нейронных сетях.

Для синергетической нейронной сети второго порядка вида С7) приведен расчет бифуркационной диаграммы стационарных решений в зависимости от управляющего параметра Х^. Показано общее соответствие последовательности бифуркаций в данной модели общим теоретическим предположениям раздела 3, а также выявлен ряд дополнительных особенностей, которые не были получены аналитически. Показана также возможность появления ложных устойчивых состояний, но не с ростом M/N, а в зависимости от управляющего параметра.

Для модели классификации образов проведен ряд компьютерных экспериментов, состоявших в предъявлении некоторого нового образа, полученного из какого-либо эталона путем наложения на последний шума. Для каждого такого тестового образа проводилось распознавание в модели вида (7), классификация в модели вида (18) и распознавание в выбранном подмножестве в модели (7) с начальными данными, определяемыми конечными значениями "победивших" мод на предыдущем этапе. По результатам моделирования строились зависимости качества для каждого этапа и длительности процесса от уровня шума. Здесь качество J определялось как отношение числа успешных процедур к общему количеству экспериментов, длительность Г была равна произведению числа шагов разностной сетки решения задачи Коши для системы нелинейных дифференциальных уравнений на величину шага. Уровень шума р вводился в соответствии со следующим определением:

P^oW (19)

^ X V

где с^ - дисперсия аддитивного шума, - дисперсия эталона. Образы представляли собой векторы из N=100 компонент, принимавших целые значения от 0 до 15. В памяти нейронной сети хранилось М=98 эталонов. При классификации исходная совокупность эталонов разбивалась на 2 подмножества в различных соотношениях.

Эксперименты показали, что качество распознавания даже при почти предельной заполненности памяти (M/N=0.98) отклоняется от 1 в среднем не более, чем на 15'/„ при изменении р от 0 до 1. Качество классификации и качество распознавания в подмножестве при различных разбиения отклонялись не более, чем на 16% и 26''. соответственно, при том, что в случае равномощных подмножеств качество классификации было равно 0.921. Был выявлен ряд новых эффектов, связанных с немонотонным изменением показателей качества с ростом уровня шума, некоторое сокращение длительности переходного процесса классификации с ростом р на участке 10; И и зависимость изменения длительности распознавания в классе от соотношения кривизны поверхности аттрактора выбранного подмножества и сферы начальных

условий.

В итоге показано, что модель классификации образов обладает более совершенными характеристиками по сравнению со стандартной моделью С7), но построена на таких же принципах конкуренции в системе мод, обеспечивающих гибкость ассоциативного процесса в сети.

В шестой главе строится алгоритм структурной идентификации динамических технологических процессов на основе нейронной сети с классификацией образов.

Структурная идентификация состоит в выборе модели описания объекта для его последующей параметрической или непараметрической-идентификации. Как уже указывалось, эта задача возникает в тех случаях, когда вследствие нестабильности условий производства происходит не просто изменение параметров модели объекта, а смена самой модели, и в настоящее время не решается ни одним из существующих технических подходов, в общем случае будучи доступной лишь человеческому интеллекту. Однако автоматизация производства требует постепенного исключения человека из процесса управления, поэтому создание структурных идентификаторов с элементами интеллекта является важной практической задачей.

Показано, что модель вида С18) с успехом может выполнять структурную идентификацию по снятым с выхода объекта переходным характеристикам. Непрерывные характеристики подвергаются дискретизации, тем самым образуя образы в соответствии с общим подходом к проблеме распознавания. В памяти нейронной сети хранятся эталонные переходные характеристики, соответствующие различным моделям процесса, поэтому при предъявлении реально снятой с выхода объекта временной последовательности происходит ее классификация - выбор модели технологического процесса. Были проведены компьютерные эксперименты для двух подмножеств эталонов: апериодического и неминимально-фазового звеньев. Модель обладает высоким быстродействием и достаточным качеством структурной идентификации.

В результате выработана общая схема адаптивной системы управления технологическими процессами со структурным идентификатором на основе нейронной сети с классификацией образов, показанная на рис.2. В своей основе эта схема реализована при автоматизации производства оптического

волокна в ОКБ КП. Синтезирована система супервиэорнсго управления вытяжкой на базе структурного идентификатора модели переходного процесса изменения диаметра волокна при скачке скорости вытяжки, когда объектом управления является система нагрева заготовки в печи и механизм вытяжки, задаваемые в одной из форм, описанных выше С апериодическое или неминимально-фазовое звенья). При изменении скорости вытяжки волокна луковица расплава может претерпевать структурный переход в другое состояние, внешне имеющее одну из двух принципиально отличных форм. Это приводит к смене модели, описывающей процесс вытяжки. Возможно адекватное описание объекта управления в виде либо апериодического, либо неминимально-фазового звена первого порядка о различными параметрами. Соответственно форма переходного процесса в каждой из этих реализаций также принципиально различна. Одно из состояний является желательным, а второе приводит к резкому ухудшению качества волокна. Построенная подсистема структурной идентификации производит классификацию модели по отношению к одной из указанных форм, определяя тем самым, выполняются ли требуемые условия производства при вытяжке.

ЗАКЛЮЧЕНИЕ

В работе получены следующие основные результаты.

1. Поставлена задача создания системы структурной идентификации технологических процессов с элементами искусственного интеллекта.

2. Обоснован выбор нейронной сети Хакена в качестве базы для реализации подобной системы.

3. Исследованы основные свойства нейронной сети и получены ограничения на управляющие ■ параметры, обеспечивающие наличие отдельного аттрактора для каждого из хранящихся в памяти сети образов.

4. Исследованы и графически праилшсетрированы возможные 1ути структурных перестроек в фазовом пространстве нейронной ;ети, предоставляющие ряд возможностей по модернизации Заэовой модели.

Предложены новые модели нейронных сетей с

Иерархия би^урвдии стационарных точек в сети 3-го порядка с ортонормированию® прототипами

A D"

\ 3 ч

\

\

23

\ \

-V

D:

а)

12

/ \

\

\

V

\

°12

Л*

/ \

v

/

XD"

- ^ л

Ь)

ADi

/ \

/ \

2 /

D!

DÍ2 ' Di

Dí

ADi

./ \

К

\

e)

d;

. / f

API

\

Di

D1

Д)

Pitc.1.

Функциональная схема адаптивной системы управления со структурным идентификатором

Рис. 2

классификацией образов, полученные в результате изменения топологии стационарных решений. Свойства моделей позволили сделать вывод о возможности их использования в качестве основы для построения систем автоматизации технологических процессов.

6. Численно исследованы бифуркации стционарных решений в нейронной сети второго порядка, и показана общность численного моделирования и аналитических результатов.

7. В результате моделирования на ЭВМ нейронной сети с классификацией получены экспериментальные зависимости качества процессов от уровня шума. Шум представлял собой аддитивную помеху, накладываемую на один из запомненных образов для получения предъявляемого. Экспериментально доказаны высокие показатели качества в модели с классификацией по сравнению с моделью распознавания для различных разбиений исходного множества.

8. Получены зависимости, длительности переходного процесса в исследуемых моделях нейронных сетей от уровня шума. Выявлен ряд эффектов специфического изменения длительности с ростом уровня шума.

9. Проведено компьютерное моделирование подсистемы структурной идентификации в составе адаптивной АСУ технологических процессов на основе нейронной сети с классификацией образов. Показано совпадение результатов идентификации с характеристиками обобщенной нейронной сети.

10. Синтезирована система супервизорного управления вытяжкой оптического волокна, включающая в себя подсистему структурной идентификации, реализованную на базе модели классификации образов.

Основное содержание работы отражено в следующих трудах:

1. Юдашкин A.A. Моделирование распознавания образов в реальных нейронных структурах// Биофизика. - 1994.-

т. 39. - вып. 2. - с. 385-389.

2. Юдашкин А.А. Об устойчивости аттракторов в синергетической модели распознавания образов.- Самара, 1993,- 11с.- Рукопись предст. СамГТУ. Деп. в ВИНИТИ 22.09.93 N 2453-В93.

3. Чостковский Б. К., Юдашкин А. А. Активная идентификация нелинейных динамических объектов типа Гаммерштейна//Автоматика и Телемеханика. -1992. -N1. -с. 96-103.