автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка комбинированного нейросетевого способа, моделей и средств для оперативного управления сложными техническими системами

На правах рукописи

Мисник Антон Евгеньевич

РАЗРАБОТКА КОМБИНИРОВАННОГО НЕЙРОСЕТЕВОГО СПОСОБА, МОДЕЛЕЙ И СРЕДСТВ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

25 СЕН 2014

Москва-2014

005552720

005552720

Работа выполнена в филиале федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Национальный исследовательский университет «МЭИ» в г. Смоленске на кафедре вычислительной техники.

Научный руководитель:

Официальные оппоненты:

Борисов Вадим Владимирович, д.т.н., профессор, филиал МЭИ в г. Смоленске, профессор кафедры вычислительной техники

Палюх Борис Васильевич, д.т.н., профессор, Тверской государственный технический университет, заведующий кафедрой «Информационные системы»

Ведущая организация:

Комарцова Людмила Георгиевна, д.т.н.,

профессор, Калужский филиал МГТУ им. Н.Э. Баумана, профессор кафедры «Компьютерные системы и сети»

ФГБОУ ВПО МГТУ «Станкин» (г. Москва)

Защита состоится «23» октября 2014 г. в 16 час. 00 мин. на заседании диссертационного совета Д 212.157.08 на базе Национального исследовательского университета «МЭИ» по адресу: Москва, ул. Красноказарменная, д. 14 в Малом актовом зале МЭИ.

С диссертацией можно ознакомиться в библиотеке Национального исследовательского университета «МЭИ».

Отзывы в двух экземплярах, заверенные печатью организации, просим направлять по адресу: 111250, Москва, Красноказарменная ул., д. 14, Учёный совет ФГБОУ ВПО «НИУ «МЭИ».

Автореферат разослан «_»_

2014 г.

Учёный секретарь

диссертационного совета Д 212.157.01 кандидат технических наук, доцент

Д.Н. Анисимов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Оперативное управление сложными техническими системами - это деятельность, заключающаяся в выработке управляющих воздействий и их осуществлении и направленная на эффективное достижение цели деятельности системы в реальном или псевдореальном масштабе времени. Необходимость моделирования при оперативном управлении сложными техническими системами обусловлена сложностью объекта управления, большими финансовыми и временными затратами, а порой и невозможностью его непосредственного изучения.

Исследования данной области основываются на работах отечественных ученых В.П. Тарасика, А.И. Галушкина, A.A. Вавилова, Н.П. Бусленко, В.В. Калашникова, Ю.Г. Карпова, В.Н. Волковой, А.Н. Васильева, Д.А. Тархова, C.B. Емельянова, А.И. Орлова, В.Г. Лисиенко, В.И.Капалина, Н.В.Замятина, Д.АМокогона,

A.A. Самарского, В.В. Окольнишникова, А.И. Микова, Б.В. Палюха, Ю.И. Рыжи-кова, А.Г. Ивахненко, Е.В Бодянского., Е.И. Кучеренко, А.И. Михалева, A.A. Воронова, Б .Я. Советова, С.А. Яковлева, Ю.И. Бродского, Е.Э. Ширковой и др.; зарубежных ученых S. Haykin, R. Fujimoto, A. Law, R. Sargent, S. Ferenci, К. Perumalla,

B. Perakath, M.McComas, J.Carson, C. Pegden, R.Bagrodia, R.Meyer, B.Zeigler, W. Kelton, J. Banks.

Особенностями сложных технических систем являются:

- сложность структуры, многокомпонентное!!., большое число параметров;

- динамичное изменение структуры;

- неполнота исходной информации;

- разнообразие воздействий на систему, их вероятностный и нестохастической характер;

- наличие сложных нелинейных зависимостей между параметрами;

- необходимость оперативного принятия управленческих решений;

- ограниченные возможности экспериментальных исследований;

- невозможность создания и использования общих аналитических моделей системы и процессов её функционирования;

- необходимость использования различных подходов к моделированию системы и использование результатов моделирования для оперативного управления системой;

- оперативное управление возможно в псевдореальном масштабе времени, обусловленном инерционностью системы.

Ограниченность возможностей экспериментального исследования сложных систем делает актуальной разработку способов их моделирования. Зачастую специалисты не в состоянии охватить все события и явления, а также всевозможные их комбинации в процессе функционирования таких систем. И создание общей модели практически невозможно.

Одним из способов преодоления барьера сложности является декомпозиция такой системы на сравнительно менее сложные компоненты и исследование этих компонентов с учётом их взаимодействия.

Такие подсистемы можно описать с помощью систем уравнений, решение которых затратно по времени, а результаты, в силу неполноты исходной информации, могут быть только приближены к происходящим в подсистемах процессам.

Тем не менее, результаты решения систем уравнений могут быть использованы для первоначального обучения набора нейросетевых моделей подсистем, обладающих возможностями точной настройки на особенности этих подсистем.

Данный подход позволяет сформировать библиотеку предварительно обученных, типизированных нейросетевых моделей подсистем сложной технической системы.

Так как результаты решения системы уравнений для разных исходных данных не могут позволить обучить нейросетевые модели до состояния, когда они смогут адекватно и достоверно моделировать соответствующие подсистемы в различных режимах, то дополнительное обучение нейросетевых моделей должно проводиться с использованием реальных данных о функционировании технической системы.

Причём входные и выходные параметры нейросетевых моделей могут представлять собой как статические, так и динамические характеристики подсистем. Последовательно соединяя нейросетевые модели, можно сформировать композиционную нейросетевую модель сложной технической системы. Как правило, соединений между моделями очень много, и оценить корректность этих соединений достаточно сложно без специального инструментария, к которому можно отнести нейронную сеть-супервизор, входами которой являются входные параметры всех подсистем, а выходами - выходные параметры системы.

Такая иерархическая нейросетевая модель, существенно повышающая гибкость оперативного управления, способна стать основой системы поддержки принятия решений, которая позволит принимать решения по управлению процессами в сложных технических системах в реальном масштабе времени, а также обладает возможностями по дополнительной тонкой настройке в процессе функционирования системы.

Таким образом, задача исследования и разработки комбинированного ней-росетевого способа, моделей и средствдля управления сложными техническими системами является актуальной и практически значимой.

Объектом исследования являются процессы оперативного управления ■сложными техническими системами.

Предметом исследования являются методы, модели и средства оперативного управления сложными техническими системами.

Целью исследования является разработка комбинированного нейросетево-го способа, моделей и средств для оперативного управления сложными техническими системами и повышения эффективности оперативного управления сложными техническими системами.

Реализация поставленной цели требует решения следующих задач:

- анализ методов, моделей и средств оперативного управления сложными техническими системами;

- анализ подходов к моделированию для оперативного управления сложными системами;

- анализ средств моделирования для оперативного управления сложными техническими системами;

- разработка комбинированного нейросетевого способа и моделей для оперативного управления сложными техническими системами;

- разработка способа поддержки принятия решений для управления сложными техническими системами на основе иерархической нейросетевой модели;

- разработка программных средств комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами;

- оценка эффективности использования разработанных методов, моделей и средств при оперативном управлении сложными техническими системами.

Методы исследования. Проведенные теоретические и прикладные исследования базируются на методах системного анализа и оперативного управления сложными техническими системами, математической статистики, нейросетевого моделирования, проектирования информационно-аналитических систем. При разработке программных средств использовалось объектно-ориентированное проектирование и программирование, унифицированный язык моделирования ЦМЬ.

Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, результатами вычислительных экспериментов в технической системе централизованного теплоснабжения, а также результатами практического применения разработанных способов моделирования и оперативного управления сложными техническими системами, подтвержденными экспертной оценкой специалистов и согласующимися с опубликованными результатами исследований, полученными другими способами.

Научная новизна работы заключается в следующем.

1. Предложен комбинированный способ моделирования сложных технических систем, отличающийся сочетанием возможностей аналитического и нейросетевого подходов к построению совокупности логических, параметрических и композиционных нейросетевых моделей системы, что позволяет повысить точность моделирования процессов и вырабатывать управляющие воздействия в соответствии с выбранным целевым критерием оперативного управления системой при наличии ограничений.

2. Разработана иерархическая композиционная нейросетевая модель для оперативного управления сложными техническими системами, основанная на принципе двухуровневого построения с использованием супервизора на верхнем уровне для контроля структурных ошибок модели и параметрической подстройки нейросетевых моделей элементов системы при изменении режимов её работы на нижнем уровне.

Практическую значимость работы составляют следующие результаты.

1. Предложен способ поддержки принятия управляющих решений при оперативном управлении сложными техническими системами, основанный на использовании результатов комбинированного нейросетевого моделирования и позволяющий осуществить выбор управляющих воздействий в режиме реального или псевдореального времени как при структурных, так и при параметрических изменениях в системе за счёт внесения изменений в логическую и параметрическую модели системы, а также отображения этих изменений на композиционной нейросетевой модели системы.

2. Разработаны программные средства комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами, включающие в себя модули: анализа элементов

сложной технической системы, логического моделирования, параметрического моделирования, построения, обучения и использования композиционной нейросе-тевой модели, построения, обучения и использования нейронной сети - супервизора, поддержки принятия решений.

3. Внедрение разработанных программных средств в РУП Электроэнергетики «Могилёвэнерго», филиал «Могилёвские тепловые сети», позволяет повысить эффективность оперативного управления системой централизованного теплоснабжения г. Могилёв (Республика Беларусь) - снизить затраты на величину до 6,7%.

Особенностями разработанных программных средств являются: визуальное моделирование технической системы; использование нейросетевых моделей; «грубая» настройка базовых нейросетевых моделей в процессе создания общей модели; «тонкая» параметрическая настройка нейросетевых моделей в процессе оперативного управления; использование результатов аналитического моделирования с помощью систем уравнений, не позволяющих модели системы выходить за границы допустимых технологических параметров; использование нейро-сетевого супервизора для структурной идентификации возможных ошибок в процессе оперативного управления.

Реализация результатов работы.

Разработанные программные средства используются в РУП Электроэнергетики «Могилёвэнерго», филиал «Могилёвские тепловые сети», для оперативного управления системой централизованного теплоснабжения, г. Могилёв (Республика Беларусь), а также внедрены в учебный процесс ГУ ВПО «Белорусско-Российский университет» и филиала ФГБОУ ВПО «Национальный исследовательский университет «МЭИ» в г. Смоленске, что подтверждается соответствующими актами о внедрении.

Теоретические и практические результаты работы использованы при разработке нейронных и нейро-нечётких моделей формирования и обработки знаний в интеллектуальных системах поддержки принятия решений, а также при создании научно-методического и программного обеспечения в рамках НИР:

«Исследование и разработка нечётких моделей и методов формирования и обработки знаний в интеллектуальных системах поддержки принятия решений», НИР, Федеральное агентство по образованию РФ, Аналитическая ведомственная целевая программа «Развитие научного потенциала высшей школы (2009-2010 годы)», Per. № проекта в программе 1.41.09, № гос. per. 01200950521,2009-2010 г.г.

«Исследование и разработка методов и моделей интеллектуального управления рисками в сложных организационно-технических системах», НИР, Минобр-науки России, договор № 1043110,№гос.рег. 01201067780,2011-2013 г.г.

«Исследование и разработка методов, моделей и технологий интеллектуального анализа данных и поддержки принятия решений в топливно-энергетическом комплексе», НИР в рамках базовой части Госзадания Минобрнауки России № 2014/123 на выполнение государственных работ в сфере научной деятельности по проекту № 2493, договор № 1013140, № гос. per. 01201458416,2014-2016 г.г.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: Международные научно-технические конференции «Материалы, оборудование и ресурсосберегающие технологии» (Республика Беларусь, Могилёв, 2010, 2011, 2013); I и III Международные научно-

технические конференции «Энергетика, Информатика, Инновации» (Смоленск, 2011, 2013); Международная научная конференция «Информационные технологии и системы - 2011» (ИТС-2011) (Республика Беларусь, Минск, 2011); ХШ Международная научная конференция «Системы компьютерной математики и их приложения» (Смоленск, 2012); X и XII Всероссийские научные конференции «Нейрокомпьютеры и их применение» (Москва, 2012, 2014); XX военно-научная конференция «Проблемы теории и практики развития войск ПВО СВ в современных условиях» (Смоленск, 2012); X Международная научно-техническая конференция «Информационные технологии, Энергетика и Экономика - 2013» (Смоленск, 2013).

Публикации. По результатам диссертационной работы опубликовано 14 работ, в том числе 3 статьи в изданиях из перечня ВАК. Результаты диссертации также отражены в 2 отчётах о НИР.

Структура и объём работы. Диссертация состоит из введения, четырёх глав, заключения, списка литературы, включающего 118 наименований. Диссертация содержит 151 страницу машинописного текста, 44 рисунка, 14 таблиц, 3 приложения.

Во введении диссертации обоснована актуальность темы исследований, определены цель и научная задача диссертационной работы, сформулированы научная новизна и практическая значимость результатов исследований, представлено краткое содержание по главам.

В первой главе формализовано понятие сложной технической системы.

Проведён анализ существующих способов, моделей и программных средств для управления сложными техническими системами.

Учитывая, что последствия ошибочно принятого управленческого решения для сложной технической системы могут быть весьма серьёзными, обосновано, что целесообразным является сочетание управления на основе моделирования с учётом экспертных оценок. Проведённый анализ показал, что для построения моделей сложных технических систем в основном используется либо аппарат имитационного моделирования, либо нейросетевые модели различных архитектур.

Сформулирован целевой критерий оперативного управления сложными техническими системами: обеспечение функционирования системы в безопасном, безаварийном режиме с достижением системой целевых показателей и сокращением финансовых затрат на функционирование системы:

где /- выражает зависимость затрат на функционирование системы от значений управляемых параметров; /, - управляемые параметры; п— количество управляемых параметров; Р, - параметр, характеризующий зависимость затрат на поддержание управляемого параметра от его значения; параметры системы, отра-

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

{

'/(/!, ...,РП) тт;

5] е \Sjmini"5/шадг]'У е [Хт];

Тк>Ткт1п,ке[1,1]-, к е иШп'Ьтах]Л е [1-п].

жающие безопасность её функционирования; т - количество этих параметров; Т\ — целевые показатели системы; / - количество целевых показателей системы.

Критерием повышения оперативности является минимизация затрат времени на принятие управленческого решения.

Обоснована необходимость разработки комбинированного нейросетевого способа моделирования сложных технических систем, сочетающего возможности имитационного и нейросетевого подходов к моделированию, а также создания способа оперативного управления сложными техническими системами на основе такого комбинированного моделирования, и проектирования программных средств для реализации этих способов.

Во второй главе разработан комбинированный нейросетевой способ моделирования сложных технических систем, а также совокупность логических, параметрических и композиционных нейросетевых моделей сложной системы.

На рисунке 1 представлена диаграмма, иллюстрирующая предложенный комбинированный способ моделирования сложных технических систем.

Рисунок 1 - Этапы комбинированного нейросетевого способа моделирования сложных технических систем

Каждый этап моделирования системы реализуется с использованием специализированных модулей создаваемых программных средств, необходимых для построения конкретной модели.

На промежуточных этапах комбинированного способа моделирования выполняется построение последовательности логической, параметрической и композиционной нейросетевой моделей системы.

На начальном этапе осуществляется сбор и обобщение исходных данных о моделируемой системе, а именно- о структуре системы, свойствах системы, о её возможных состояниях, окружающей среде.

Затем необходимо определить, применим ли к системе предложенный способ моделирования. Признаками применимости предлагаемого способа являются следующие:

- рассматриваемая система может бьггь декомпозирована (не обязательно единственным образом) на конечное число подсистем (компонентов), не подлежащих дальнейшей детализации; причём должна существовать возможность описания подсистемы самого низкого уровня с помощью системы уравнений.

- должны существовать инструментальные средства для сбора и хранения информации о функционировании системы и её компонентов.

Для выделения элементов сложной технической системы предлагается алгоритм, представленный на рисунке 2.

Для автоматизации построения логических моделей систем созданы программные средства визуального моделирования, позволяющие оперативно формировать их графическое представление. С помощью таких средств трудоёмкость и время разработки логических моделей для проведения экспериментов сокращаются в десятки раз по сравнению с традиционными программными средствами, предназначенными для построения и решения систем уравнений, описывающих моделируемые объекты.

Процесс построения логической модели сложной технической системы представлен в виде диаграммы на рисунке 3.

Логическую модель технической системы можно сформировать узловым методом, используя информацию, содержащуюся в матрице инциденций, которая формируется следующим образом:

Шаг 1, Каждому узлу ориентированного графа, представляющего собой структурную модель системы, за исключением базового, соответствует строка, а каждой ветви - столбец.

Шаг 2. Единицами в матрице отмечаются соединения между узлами, а нулями - их отсутствие.

Шаг 3. Направления сигналов в ветвях графа отображаются знаками единиц. Если сигнал направлен от узла, знак единицы минус, а если к узлу - плюс.

Матрицу инциденций можно рассматривать как логическую модель технической системы в матричной форме. Построение такой матрицы - наиболее целесообразный путь получения системы уравнений, описывающих техническую систему.

Рисунок 2 - Выделение элементов сложной технической системы

Рисунок 3 - Процесс построения логической модели системы

Далее для построения параметрической модели системы могут использоваться различные компонентные уравнения. В таблице 1 представлены основные компонентные уравнения, описывающие элементы механических, гидравлических, тепловых и электрических систем, а в таблице 2 в общем виде приведены уравнения для инерционного элемента, колебательного элемента и элемента запаздывания.

и

Таблица 1 - Сводная таблица компонентных уравнений

Вид системы Тип элемента

Дифференцирующий Безынерционный Интегрирующий

Механическая: поступательная _ тйрд = \1УЪ ¿и = с [

вращательная й(Оп МБ = цшв Ми = с й^иdt

Гидравлическая Щд Ре = |"г(?в Ри = Сг ■ Си «И

Тепловая атд Фб = дЛ -

Электрическая й!д иБ = ии = С'1 1ксИ

Таблица 2 - Уравнения для инерционного, колебательного элементов и элемента запаздывания

Тип элемента Уравнение

Инерционный йуП)

Колебательный кт-уЮ + тг^ + т'*™

Запаздывания УСО = - Г)

Процесс получения параметрической модели системы представлен в виде диаграммы на рисунке 4.

Рисунок 4 - Процесс построения параметрической модели системы

Как правило, система уравнений, представляющая собой параметрическую модель системы, является довольно громоздкой, и результаты её решения не могут быть использованы для оперативного управления системой в режиме реального времени. Тем не менее, решая данную систему уравнений при различных начальных условиях, можно получить опорные значения, которые будут использованы на следующих этапах нейросетевого моделирования. Получив решения системы уравнений при различных начальных условий, необходимо убедиться, что на этапе построения системы уравнений не было допущено ошибок. Для этого необходимо

сравнить полученные решения с допустимыми для системы значениями. Если результирующие параметры не укладываются в. интервал допустимых технологических значений, то очевидно, что в процессе построения визуальной модели или перехода от неё к системе уравнений допущена ошибка.

На следующем этапе выполняется построение композиционной нейросете-вой модели сложной технической системы (рисунок 5).

Каждый элемент системы описывается отдельной нейросетевой моделью, представляющей собой полносвязную многослойную нейронную сеть прямого распространения. Входы и выходы таких нейросетевых моделей последовательно соединяются исходя из матрицы инциденций, полученной ранее. Дополнительным преимуществом использования нейронных сетей для описания элементов системы является возможность использования дополнительных данных об элементах без сложного математического описания влияния этих данных.

Рисунок 5 - Процесс построения композиционной нейросетевой модели системы

Входной слой отдельной нейросетевой модели элемента системы содержит число нейронов, равное сумме характеристических и технологических параметров, а число нейронов выходного слоя определяется количеством выходных технологических параметров.

На рисунке 6 приведен пример композиционной нейросетевой модели гидравлической системы, а также типы нейросетевых моделей для представления отдельных элементов этой системы.

Чтобы сформировать библиотеку нейросетевых моделей элементов системы, нейронные сети, представляющие собой основу данных моделей, должны бьггь обучены и с достаточной точностью моделировать поведение соответствующих элементов. Для начального обучения нейросетевых моделей необходимо использовать результаты решения уравнений при различных начальных условиях. Обучение проводится методом обратного распространения ошибки. Такое обучение позволяет установить только основные границы для нейросетевой модели и не способно обучить нейросетевую модель до нужной точности. Для обеспечения нужной точности моделирования должно проводиться дополнительное обучение (тонкая настройка) нейронных моделей элементов системы, входящих в компози-

ционную модель, с использованием реальных данных о функционировании технической системы и информации о состоянии окружающей среды. В результате проведения обучения на основании реальных данных получим обученные классы нейросетевых моделей, пригодные для использования в качестве подключаемых элементов при структурных изменениях модели сложной технической системы.

с4 *

с,

С, +

>

с, »

с,

Ог*-Шг* — -Ог-т,

ЧЕ±

Ц п

-От*

с, ♦

-Ог- -Шг* - -Ог*Шг*

С,

-Ог*

ЧЛг» —

-Ое*1Ыг* П

-Ог*

С, *

-Шг*

[>

С, *

насос

с, *

-Шг*

-Ог*

-Ог*

■Шг* -

-О.н

участок магистрали

С, +

-Шг

П О;

разветвление

потребитель

Рисунок 6 - Пример композиционной нейросетевой модели гидравлической системы: С/ - характеристики элемента (информация об объекте, о состоянии окружающей среды в месте расположения элемента), подающиеся на входы нейронной сети элемента; Ш) - входы нейронной сети элемента; О; - выходы нейронной сети элемента

Корректность соединений между нейросетевьми моделями достаточно сложно проверить без специального инструментария. Таковым является нейронная сеть - супервизор, предназначенная для контроля структурных ошибок композиционной нейросетевой модели. На рисунке 7 показан пример структуры супервизора для подставленной ранее композиционной нейросетевой модели гидравлической системы.

Рисунок 7 - Пример структуры нейросетевого супервизора для композиционной нейросетевой модели гидравлической системы

Входами такой сети являются все входные параметры нейросетевых моделей, а выходами - выходы последнего элемента в цепочке. При корректном соединении всех структурных частей выходы последнего структурного элемента должны совпадать с выходами супервизора.

Алгоритм

Определение параметров и структуры нейросетевого супервизора_

Обучение нейросетевого супервизора

Модельное обеспечение

Композиционная нейросетевая модель С1

Программное обеспечение

Модель обработки информации об элементах системы

Мо^ль обучения нейронных сетей

Рисунок 8 - Процесс построения нейросетевого супервизора модели системы

Для создания, оптимизации структуры и обучения типизированных нейросетевых моделей элементов системы и нейросетевого супервизора используется библиотека с открытым исходным кодом для работы с нейронными сетями РА№\Г (Раз1АгййЫа1№игаШе^огк1ЛЬга1у, версия 2.2.0).

Для оптимизации структуры и обучения нейросетевых моделей используется метод каскадного обучения, реализованный в библиотеке БАМЧ. Его особенность заключается в том, что обучение начинается с топологии сети, состоящей из входного и выходного слоя, и в процессе обучения постепенно наращивается количество нейронов и скрытых слоев, пока не будет достигнута требуемая точность работы нейросетевой модели. Основной идеей каскадного обучения является одновременное обучение нейронов-кандидатов на включение в сеть. Когда алгоритм обучения определяет необходимость добавления нейрона в сеть, то выбирается наиболее перспективный из обученных на данный момент нейронов-кандидатов. Таким образом, топология нейросетевых моделей формируется в автоматическом, скрытом от пользователя режиме и может отличаться в ситуациях, когда для обучения типизированных нейросетевых моделей передаются различные выборки данных, или даже одинаковые выборки, переданные для обучения в разной последовательности. Финальная топология типизированного элемента, а также веса синапсов вносятся в базу данных и используются для работы конкретного элемента системы.

В результате формируется иерархическая композиционная нейросетевая модель системы с использованием супервизора на верхнем уровне для контроля структурных ошибок модели и параметрической подстройки нейросетевых моделей элементов системы при изменении режимов её работы на нижнем уровне.

При структурных изменениях в системе для осуществления адекватного моделирования в реальном масштабе времени осуществляется добавление новых типизированных нейросетевых моделей в существующую модель системы, после чего она сразу готова к использованию. Дообучение нейросетевых моделей выполняется уже в работающей модели системы на основе информации о её текущем состоянии.

Оперативное управление сложными техническими системами осуществляется с использованием программных средств поддержки принятия решений, которые передают композиционной нейросетевой модели все комбинации возможных

исходных данных о состоянии сложной системы, а также информацию о состоянии окружающей среды, и на основе результатов моделирования в заданных условиях, полученных от нейросетевой модели, выдаёт рекомендации по установке значений управляемых параметров.

Предлагаемый способ по,вдержки принятия решений при оперативном управлении сложными техническими системами показан на рисунке 9.

Рисунок 9 - Алгоритм способа поддержки принятия решений при управлении сложными системами

В третьей главе описывается разработка программных средств комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами (рисунок 10).

Рассмотрим кратко назначение отдельных модулей разработанных программных средств.

Модуль анализа элементов системы позволяет сформировать библиотеку типизированных элементов системы.

Модуль логического моделирования предназначен для объединения элементов в общую модель системы.

Модуль анализа элементов системы

Модуль обработки данных об элемента* системы Мо^ль регрессионного анализа влияния параметра на функционирование элемента Мо^ль формирования базы данных по параметрам элементов

Модуль логического моделирования

Модуль визуального

редактирования логической модели

Модуль формирования матрицы инциденций для логической модели

Модуль параметрического моделирования

Модуль построения

систем уравнений

Модуль решения систем уравнений

Модуль определения параметрических ошибок

Модуль построения, обучения и использования нейронной сети - супервизора

Модуль построения НС -супервизора

Модуль обучения НС - супервизора

Модуль идентификации структурных ошибок

Модуль построения, обучения и использования композиционной нейросетевой модели

Модуль построения НС моделей Модуль объединения (композиции) НС моделей на основе матрицы инциденций Мо^ль обучения НС моделей Модуль определения ошибок нейросетевого моделирования

кТ

Модуль поддержки принятия решений, на основе данных полученных от композиционной модели

Рисунок 10 - Структура программных средств комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами

Модуль параметрического моделирования позволяет на основе данных предыдущих модулей получить параметрическую модель системы в виде системы уравнений.

Модуль построения, обучения и использования композиционной нейросете-вой модели предназначен для построения композиционной нейросетевой модели системы.

Модуль построения, обучения и использования нейронной сети - супервизора позволяет сформировать нейросетевой супервизор и обеспечить проверку корректности соединений в композиционной нейросетевой модели.

Модуль поддержки принятия решений на основе данных, полученных от композиционной модели, обеспечивает работу способа оперативного управления сложными техническими системами.

В четвёртой главе представлены результаты практической реализации способа моделирования для оперативного управления сложными системами на примере систем теплоснабжения г. Могилёв (Республика Беларусь).

Выполнена оценка эффективности использования разработанных программных средств моделирования и поддержки принятия решений, реализующих предложенные способы. Использование разработанных программных средств позволяет прогнозировать состояние тепловой сети системы централизованного теплоснабжения г. Могилёв и оперативно формировать эффективные управленческие решения в заданных условиях потребления и параметрах окружающей среды. На рисунке 11 представлены полученные результаты оценки эффективности (экономии затрат на нагрев и транспортировку теплоносителя) для 19 потребителей тепловой сети системы централизованного теплоснабжения г. Могилёв за один ото-

пительныи сезон, позволяющие сделать вывод о снижении затрат на величину до 6,7%. Учитывая размеры системы и общие затраты на обеспечение её функционирования, в абсолютных величинах данная экономия является весьма значительной.

| § 80000

5 6 7 8 10 12 14 1£ 20 23 24 25 29 30 Номер ЦТП

Рисунок 11 - Результаты оценки эффективности использования разработанных способов, моделей и программных средств

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Достигнута цель исследования, заключающаяся в создании и исследовании комбинированного нейросетевого способа, моделей и средств моделирования для оперативного управления сложными техническими системами.

Основные результаты диссертационной работы:

1. Предложен комбинированный способ моделирования сложных технических систем на основе иерархической композиционной нейросетевой модели, сочетающий возможности аналитического и нейросетевого подходов и позволяющий повысить эффективность оперативного управления (качество и оперативность управленческих решений), а также гибкость моделирования и возможности оперативного управления за счёт структурной и параметрической оптимизации модели на основе информации о системе, получаемой в реальном масштабе времени.

2. Разработана иерархическая композиционная нейросетевая модель для оперативного управления сложными техническими системами, состоящая на нижнем уровне из совокупности взаимосвязанных нейросетевых моделей, соответствующих элементам моделируемой системы, и нейросетевого супервизора на верхнем уровне, предназначенного для идентификации структурных ошибок модели.

3. Предложен способ подцержки принятия управленческих решений при оперативном управлении сложными техническими системами в режиме реального и псевдореального времени, основанный на предложенной иерархической нейросетевой модели и способе комбинированного нейросетевого моделирования.

4. Разработаны программные средства комбинированного нейросетевого моделирования и поддержки принятия решений для оперативного управления сложными техническими системами, включающие в себя модули: анализа элементов системы; логического моделирования; параметрического моделирования; построения, обучения и использования композиционной нейросетевой модели; построения, обучения и использования нейронной сети- супервизора; поддержки принятия решений.

5. Выполнена оценка эффективности использования разработанных программных средств моделирования и поддержки принятия решений, реализующих предложенный способ управления сложными системами. Использование этих программных средств позволяет прогнозировать состояние тепловой сети системы централизованного теплоснабжения г. Могилёв (Республика Беларусь) и оперативно формировать эффективные управленческие решения в заданных условиях потребления и параметрах окружающей среды, что позволяет сэкономить от 6,4% до 6,7% средств, выделяемых на теплоносители в рассмотренных случаях.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в изданиях из перечня ВАК

1. Мисник А.Е. Нейросетевое моделирование систем теплоснабжения // Нейрокомпьютеры: разработка, применение - 2012. №2. - С. 62-73.

2. Борисов В.В., Мисник А.Е. Комбинированный нейросетевой способ моделирования для оперативного управления сложными системами // Информационные технологии. - 2012. - № 7. - С. 69-72.

3. Борисов В.В., Мисник А.Е. Способ оперативного управления на основе комбинированного моделирования // Научное обозрение - 2014. № 1. - С. 64-71.

Прочие статьи, доклады и тезисы докладов на конференциях

4. Борисов В.В., Мисник А.Е. Иерархическая нейросетевая модель систем теплоснабжения// Энергетика, Информатика, Инновации - 2011 - ЭИИ-2011: сб. трудов Междунар. науч.-техн. конф. В 2 т. Т.2 Секции 3, 4, 5. Смоленск: РИО филиала ГОУВПО МЭИ(ТУ) в г. Смоленске, 2011. - 291 с. - С. 205-207.

5. Борисов В.В., Мисник А.Е. Комбинированный нейросетевой способ моделирования для управления сложными системами // Тез. докл. X Всероссийской научной конференции «Нейрокомпьютеры и их применение», - Москва, 2012. - С. 41.

6. Борисов В.В., Мисник А.Е. Использование типизированных нейросете-вых моделей сложной технической системы // Информационные технологии, Энергетика и Экономика - 2013 - Сб. трудов 10-й Междунар. Науч.-техн. конф. В 3 т. Т. 2 Секции 4, 5. Смоленск: РИО филиала ГОУВПО МЭИ(ТУ) в г. Смоленске, 2013.-282 с.-С. 103-105.

7. Мисник А.Е., Крутолевич С.К., Щербо Н.М. Экспертные системы на основе нейронных сетей // Материалы, оборудование и ресурсосберегающие технологии: материалы международной научно-технической конференции, Могилёв, 22—23 апреля 2010 г. - Ч. 3. - С. 64-65.

8. Мисник А.Е., Крутолевич С.К., Демиденков К.А., Мельников И.И. Разработка системы автоматического управления режимом работы тепловой сети// Материалы, оборудование и ресурсосберегающие технологии: материалы между-

народной научно-технической конференции, Могилёв, 21-22 апреля 2011 г.-Ч. 1.-С. 261-262.

9. Мисник А.Е., Крутолевич С.К. Разработка библиотеки типизированных нейросетевых моделей для оперативного управления процессами в сложной технической системе // Материалы, оборудование и ресурсосберегающие технологии: материалы междунар. науч.-техн. конф.: В 2 ч. - Могилёв: Белорус.-Рос. ун-т, 2013.-Ч. 1.-216 е.: ил. С. 197-199.

10. Крутолевич С.К., Мисник А.Е., Мельников И.И. Разработка системы автоматического управления режимом работы тепловой сети // Информационные технологии и системы 2011 (ИТС2011): материалы международной научной конференции, БГУИР, Минск, Беларусь, 26 октября 2011 г./редкол.: Л.Ю. Шилин [и др.]. - Минск: БГУИР, 2011. - 306 с. - С. 22-25.

11. Мисник А.Е. Иерархическая нейросетевая модель сложной технической системы // Системы компьютерной математики и их приложения: материалы XIII международной научной конференции, посвященной 75-летию профессора Э.И. Зверовича. - Смоленск: Изд-во СмолГУ, 2012. -Вып. 13.-256 с. - С. 101-103.

12. Мисник А.Е. Средства моделирования систем на основе структурно-декомпозиционного метода // Проблемы теории и практики развития войск ПВО СВ в современных условиях:материалыХХ военно-научной конференции. - Смоленск: Изд-во ВА ВПВО ВС РФ, 2012. - 215 с. - С. 97-99.

13. Крутолевич С.К., Мисник А.Е. Разработка комбинированного нейросете-вого способа и моделей для оперативного управления сложными техническими системами // Сб. трудов 3-й Межд. науч.-техн. конф. «Энергетика, информатика, инновации- 2013». - Смоленск: Изд-во филиала МЭИ в г. Смоленске, 2013. -в 2-х т., Т. 1.-С. 202-207.

14. Мисник А.Е., Борисов В.В. Композиционное нейросетевое моделирование сложной технической системы // Тез. докл. XII Всероссийской научной конференции «Нейрокомпьютеры и их применение», «НКП-2014», Москва, 2014.-

С. 64-65.

Подписано в печать < Полиграфический центр МЭИ Красноказарменная ул., д. 13