автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка нечеткого нейроконтроллера с применением методов вейвлет-преобразований

На правах рукописи

КОЛДАЕВ АЛЕКСАНДР ИГОРЕВИЧ

РАЗРАБОТКА НЕЧЕТКОГО НЕЙРОКОНТРОЛЛЕРА С ПРИМЕНЕНИЕМ МЕТОДОВ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЙ

Специальность 05.13.01 - «Системный анализ, управление и обработка информации (в технике и технологиях)»

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 4 [■ ЮН 2012

Ставрополь - 2012

005046022

Работа выполнена в Невннномысском технологическом институте (филиале) ФГБОУ ВПО «Северо-Кавказский государственный технический университет» на кафедре информационных систем, электропривода и автоматики.

Научный руководитель:

Официальные оппоненты:

Ведущая организация:

доктор технических наук, профессор Червяков Николай Иванович

Калмыков Игорь Анатольевич, доктор технических наук, профессор, ФГБОУ ВПО «Северо-Кавказский государственный технический университет» (г. Ставрополь), профессор кафедры защиты информации

Чернова Мария Владимировна, кандидат физико-математических наук, ФГБОУ ВПО «Ставропольский государственный университет» (г. Ставрополь), доцент кафедры высшей алгебры и геометрии

ФГАОУ ВПО «Южный федеральный университет», г. Ростов-на-Дону

Защита состоится «29» июня 2012 г. в 16.30 ч. на заседании диссертационного совета Д 212.245.09 при ФГБОУ ВПО «Северо-Кавказский государственный технический университет» по адресу: 355028, г. Ставрополь, пр. Кулакова, 2, ауд. 305.

С диссертацией можно ознакомиться в библиотеке Северо-Кавказского государственного технического университета по адресу г. Ставрополь, пр. Кулакова 2.

Автореферат разослан «¿(л мая 2012 г.

Учёный секретарь диссертационного совета кандидат физико-математических наук, доцент

О.С. Мезенцева

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. На протяжении последних нескольких десятилетий остается актуальной проблема управления сложными техническими системами с нелинейными связями между их элементами. В реальных условиях всегда присутствуют флуктуации параметров внешней среды и внутренних параметров системы (возмущения в каналах связи и управления, задержки различной длительности, колебания значений параметров объекта управления (ОУ) и т.п.), значительно влияющих на процесс управления. Кроме того, динамика ОУ часто неизвестна, регулируемые процессы нельзя считать независимыми, измерения сильно зашумлены, нагрузка на объект непостоянна. При таких условиях функционирования возрастающие требования к САУ по быстродействию, надежности и точности обуславливают необходимость разработки новых нетривиальных и совершенствования существующих методов и средств обработки информации и управления. .

Перспективные пути решения этой проблемы связаны с комплексным применением интеллектуальных технологий, включающих методы нечеткой логики и нейронных сетей для создания принципиально новых контроллеров управления сложными динамическими объектами. Подход к построению систем управления на основе комбинации нейросетевой технологии и нечеткой логики применим ко многим существующим системам, так как во многих случаях улучшение существующих алгоритмов можно произвести с минимальными затратами с использованием существующего программно-аппаратного обеспечения.

Методы нечеткой логики и нейросетевой технологии в настоящее время являются одной из перспективных технологий обработки информации и решения задач управления, позволяющей создавать высококачественные системы управления в условиях неопределенности математического описания объекта управления. Особенность «нечеткого» представления знаний, а также возможность использования необходимого количества входных и выходных переменных и заложенных правил поведения системы позволяют в сочетании с нейросетевой технологией формировать практически любой закон управления, т.е. дают возможность построить нечеткий нейроконтроллер для управления нелинейными и неустойчивыми динамическими объектами управления.

Значительный научный вклад в теорию и практику создания систем управления, построенных на аппарате нечеткой логики и нейронных сетей, внесли отечественные и зарубежные ученые: Л. Заде, Д.А. Поспелов, Ю.А. Борцов, Ф. Вассерман, Н. Хассоун, А.П. Ротштейн, В.И. Гостев, А.И. Галушкин, В. В. Круглое, С. Омату, и др.

Однако, несмотря на обширные теоретические исследования в этой области, до сих пор окончательно не решены вопросы нечеткого нейроуправления нелинейными и неустойчивыми объектами, подверженными влиянию случайных помех. В частности, в практике разработки нечеткого нейроконтроллера открытыми остаются вопросы использования современной информационной технологии, включающей схемы обучения и прогнозирования с использовани-

ем вейвлет-нейронной сети. Для интеллектуальной системы управления нелинейными, неустойчивыми объектами не исследован вопрос о закономерностях функционирования нечеткого нейроконтроллера, использующего нечеткое описание управляемого объекта и алгоритма его управления в виде базы нечетких правил и функций принадлежности, реализуемых на базе нейронных сетей, а также преобразующего нечеткое описание в последовательность команд, для достижения цели управления. В практике управления слабоструктурированными системами остается открытым вопрос об алгоритме интеллектуальной поддержки принятия управленческих решений на базе нечеткой логики. Так, в известных системах управления установками гидрирования бутанола не решается задача прогнозирования технологической ситуации, меняющейся под воздействием случайных помех и возмущений, что снижает эффективность принятия решений по управлению установкой. Для нелинейных объектов не исследован вопрос живучести систем управления на базе нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований; не разработана структура и модель нечеткого нейроконтроллера, включающего нейронный вейвлет-фильтр.

В связи с изложенным, актуальным становится задача разработки нечеткого нейроконтроллера с вейвлет-фильтрами, позволяющего системе управлений отслеживать текущую технологическую ситуацию, прогнозировать ее будущее состояние и формировать адекватные ей управляющие воздействия, эффективно компенсирующие неконтролируемые возмущения и случайные помехи.

Объектом исследований является нечеткий нейроконтроллер для управления слабоструктурированными нелинейными и неустойчивыми динамическими объектами, подверженными влиянию случайных факторов.

Предметом исследования являются методы нечеткой логики и нейросе-тевого управления, используемые в сочетании с методами вейвлет-преобразований для разработки алгоритмов управления на основе формализованного опыта экспертов.

Цель работы - повышение быстродействия и надежности регулирующего нечеткого нейроконтроллера на основе разработки нечетких продукционных моделей представления экспертных знаний с применением нейросетевой технологии и методов вейвлет-преобразований в условиях неполной информации и неопределенности математического описания объекта управления.

Научная задача исследований состоит в разработке алгоритмов структурно-параметрического синтеза нечетких нейроконтроллеров с применением методов вейвлет-преобразований для управления нелинейными объектами, подверженными влиянию случайных помех.

Для решения поставленной общей научной задачи была произведена ее декомпозиция на ряд частных задач:

1. Проведение аналитического обзора существующих методов мягких вычислений и обоснование применения методов вейвлет-преобразований для обработки информации при интеллектуальном управлении нелинейными динамическими объектами.

2. Разработка алгоритма интеллектуальной поддержки принятия решений при управлении сложной технической системой на базе аппарата нечеткой логики.

3. Разработка структуры нечеткого нейроконтроллера и нейронного вейв-лет-фильтра для управления нелинейными зашумленными объектами.

4. Сравнительная оценка эффективности решения задач управления с использованием нечеткого нейроконтроллера и ПИД-контроллера.

5. Исследование отказоустойчивости системы управления на основе оценки параметрической и структурной чувствительности нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований.

Методы исследования. Для решения поставленных в работе научных задач использованы методы системного анализа, теории чисел, дискретной математики, теории вероятностей, комбинаторики, теории автоматического регулирования, нейроматематики. При проведении исследований нечеткого нейроконтроллера в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox. :

Достоверность н обоснованность полученных в диссертационной работе теоретических результатов и формулируемых на их основе выводов обеспечивается строгостью производимых математических выкладок, базирующихся на методах системного анализа, теории чисел, дискретной математики и теории автоматического регулирования. Справедливость выводов относительно эффективности предложенных алгоритмов подтверждена результатами компьютерного моделирования.

Основные положения, выносимые на защиту:

1. Алгоритм интеллектуальной поддержки принятия решений при управлении сложной технической системой на базе аппарата нечеткой логики.

2. Структура нечеткого нейроконтроллера для управления сложным объектом.

3. Структура нейронного прогнозирующего вейвлет-фильтра для обработки измерительной информации.

4. Методика оценки отказоустойчивости системы управления и структурно-параметрической чувствительности нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований.

Научная новизна полученных результатов состоит в следующем:

1. Разработан алгоритм интеллектуальной поддержки принятия решений при управлении сложной системой на базе аппарата нечеткой логики, отличающийся от известных тем, что основу составляет нейронная сеть, построенная на методе нечеткого вывода, и позволяющая идентифицировать состояние объекта.

2. Разработана структура нечеткого нейроконтроллера для управления нелинейным и неустойчивым объектом, отличающегося наличием прогнозирующего нейронного вейвлет-фильтра, реализованного с помощью преобразований Добеши второго порядка, позволяющего повысить быстродействие системы управления в 3,1 раза по сравнению с классическим ПИД-контроллером.

3. Впервые разработан прогнозирующий нейронный вейвлет-фильтр для обработки текущей измерительной информации при управлении сложным объектом, включающий в себя в качестве блока прогнозирования вейвлет-нейронную сеть, использующую в качестве активационных функций вейвлет-функции, сформированные с помощью составных логистических функций, представляющих собой определённую комбинацию сигмоидных функций, что позволяет обрабатывать зашумленные данные, полученные напрямую с датчиков, и повысить скорость обучения в 1,4 раза по сравнению с традиционными нейронными сетями.

4. Разработана методика исследования отказоустойчивости сложной системы с нечетким нейроконтроллером, позволяющая установить, что наибольшую чувствительность к сбоям имеет слой, формирующий функции принадлежности для значений входных лингвистических переменных по текущей измерительной информации о состоянии объекта, используемых в алгоритме управления нечеткого нейроконтроллера, а слой, формирующий продукционные правила, обеспечивает снижение чувствительности к сбоям при деградации до 50 % нейронов.

Апробация работы. Основные результаты работы были представлены: на международных научных конференциях «ММТТ — 20 (г. Ярославль: ЯГ ТУ, 2007 г.), «ММТТ - 23 (г. Саратов, 2010 г.), «ММТТ - 24 (г. Пенза, 2011 г.); на III научно-технической конференции «Инфокомуникационные технологии в науке, производстве и образовании («ИНФОКОМ-3») (г. Кисловодск, СевКав-ГТУ, 2008); на первой и второй международной научно-технической конференции «Компьютерные науки и технологии» (г. Белгород, 2009 и 2011 гг.); на XXXVI научно-технической конференции по итогам работы профессорско-преподавательского состава СевКавГТУ «Естественные и точные науки, технические и прикладные науки» (Ставрополь, 2007).

Публикации. Основные результаты диссертации опубликованы в 12 научных работах, в том числе 5 статей опубликовано в ведущих научных изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертаций.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, включающего 100 наименований. Диссертация содержит 150 страниц текста, 58 рисунков, 22 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность исследований, дана общая характеристика работы, сформулирована цель работы, изложены основные результаты проведённых исследований, отмечена их научная новизна, практическая значимость, приведены основные положения, выносимые на защиту.

В первой главе проведен анализ существующих методов мягких вычислений и дано обоснование применения методов вейвлет-преобразований для обработки информации при интеллектуальном управлении нелинейными динамическими объектами. Отмечены недостатки классического ПИД-

регулирования и его частных вариантов для практического применения в САУ нелинейными и неустойчивыми объектами, подверженными действию случайных помех. Наличие в ПИД-регуляторе всего лишь трёх настроечных параметров, которые настраиваются только на этапе проектирования системы, в ряде случаев оказывается недостаточным для получения заданного качества регулирования, особенно для систем с нестабильными свойствами, большим запаздыванием и систем, в которых требуются одновременно высокое качество слежения за уставкой и высокое качество ослабления внешних возмущений в условие ях, когда имеет место неполнота информации об этих возмущениях и свойствах объекта.

Показано, что эффективным шагом к преодолению естественных ограничений при управлении сложными объектами является применение нейро-нечетких контроллеров, которые позволяют формировать воздействия на объект в соответствии с изменениями переменных состояния объекта управления, например отклонением и скоростью отклонения. Нейро-нечеткая система управления отличается от классической тем, что алгоритм ее функционирования в начале работы полностью (структурно и параметрически) не определен и задается при ее настройке путем обучения. Совместное применение нейронных сетей и методов нечеткой логики в виде гибридных нечетких нейросетей позволяет расширить область применения этих технологий. Но при этом большие трудности при обучении нейросетей создает сильная зашумленность данных или наличие большого числа помех в виде нелинейных искажений. Такие помехи способны скрывать характерные особенности данных или выдавать себя за них и могут сильно ухудшить результаты обучения. Поэтому возникает необходимость обработки данных перед их анализом. Весьма удобным и перспективным механизмом предварительной обработки данных для использования их в системах искусственного интеллекта представляется вейвлет-анализ. Его успешное применение во многих практических и теоретических приложениях косвенно свидетельствует о неисчерпаемых возможностях вейвлет-методов и постоянно стимулирует поиск новых задач.

Другое направление в управлении сложными системами на основе современных информационных технологий, в котором также могут быть эффективно использованы преимущества аппарата нечеткой логики - это разработка систем поддержки принятия решений (СППР). В производственной сфере имеется значительное количество таких сложных объектов, в которых присутствие человека является необходимым. Но при этом могут возникнуть ситуации, когда большой объем поступающей информации, трудность решения плохо формализуемых и слабо структурированных задач при отсутствии полной и достоверной информации о состоянии элементов объекта, короткое время на анализ проблемных ситуаций и задержки в принятии решения приводят к несоответствию возможностей человека требованиям эффективно управлять. Одним из подходов решения данной проблемы заключается в создании СППР, которые помогали бы лицу, принимающему решения (ЛПР), вырабатывать и принимать рациональные решения. В связи с этим, разработка интеллектуальной СППР на

базе нечеткой логики для контроля за состоянием сложного объекта является составляющей интеллектуального управления сложным объектом.

На основе проведенного анализа определены задачи, подлежащие решению в данной работе.

Вторая глава посвящена разработке структуры нечеткого нейроконтрол-лера управления объектом с размытыми и плохо определенными параметрами на примере синтеза нейро-нечеткой системы управления установкой каталитического гидрирования бутанола под давлением.

Данный объект является сложным, с большим количество нелинейных связей, что не позволяет получить математическую модель классическими методами. Поэтому для идентификации данного объекта был проведена визуализация процесса обработки данных об объекте в аппарате нечеткой логики. Подробно рассмотрен каждый из этапов процесса обработки нечеткого логического алгоритма: 1) фазификация входных переменных (рис. 1); 2) применение нечеткого оператора (И или ИЛИ) в предпосылке; 3) импликация (включение) предпосылки и следствия; 4) агрегация следствий через правила; 5) дефазификация (рис. 2). Описывается лингвистическая модель для представления входных и выходных переменных и их взаимосвязей; вводятся понятия нечеткого и лингвистического высказываний; рассматриваются основные типы составных лингвистических высказываний, получаемые с помощью логических связок конъюнкции, дизъюнкции, отрицания; определяются форматы нечетких продукционных правил. Тем самым, формируется основа для построения базы данных, содержащей определения функций принадлежности (ФГТ) термов лингвистических переменных и/или нечетких отношений, и базы правил, содержащей нечеткие продукционные правила в форме составных лингвистических высказываний.

При сравнении алгоритмов нечеткого вывода Мамдани и Сугено применительно к исследуемому объекту, можно сделать вывод, что алгоритм Сугено является более предпочтительным. Поскольку в алгоритме Мамдани в качестве нечеткого вывода используются нечеткие множества, а требуется определить состояние системы, то взвешенные значения, используемые в нечетком Давление, кгс/см выводе в алгоритме Сугено, будут более

Рисунок 1 - Фаззификация входных соответствовать „оставленной задаче, значений

а) б)

Рисунок 2 - Процедура дефазификации: а) по алгоритму Мамдани; б) по алгоритму Сугено

На основе разработанного метода нечетко-логического представления данных исследуемого ОУ предложена модель нейронечеткой системы поддержки принятия решений (СППР) при управлении установкой гидрирования бутанола.

Предложенная система способна определить состояние объекта и характер неполадок при возникновении аварийных

ситуаций. Основу СППР составляет многослойная нейронная сеть, построенная на методе нечеткого вывода (рис. 3). Данная структура нечеткой нейросети позволяет строить интеллектуальные системы поддержки \ 2 3 4 5 принятия решений для

практически любого нелинейного Рисунок 3 - Структура нейронечеткой сети объекта. Выход подобной

нейросети может быть оформлен либо как конкретное состояние объекта (тогда нечеткая нейросегь используется как классификатор), либо в качестве инструкции лицу, принимающему решения, либо другим способом.

Разработана структура нейронечеткого ПИД-контроллера (рис.4).

Модели хь х2 и х3 здесь представляют входные переменные, сответст-вующие пропорциональной, интегральной и дифференциальной составляющим контроллера, и посылают свои значения в свои /¿-модули, формирующие соответствующие функции принадлежностей, ¿/-модули связаны с П-модулями, которые представляют собой нечеткие правила "если - то". Каждый //-модуль передает всем связанным с ним П-модулям значение ФП дДх,) её входной величины х,. П-модуль использует операцию тт{/|7(х,)} и передает это значение дальше - в у-модуль, который содержит ФП, описывающие выходные значе-

ния. у-модуль, используя функции принадлежности, вычисляет величины а, и у~'(а,) и передает их в С-модуль, который вычисляет выходную переменную -управляющее воздействие С согласно формуле (1).

X»,) ^ = -» (О

м

где п - число правил вывода; а, — степень, с которой правило П, выполняется.

Рисунок 4 - Структура нечеткого нейроконтроллера

Проведенный сравнительный анализ переходных процессов при использовании классического ПИД-контроллера и нейронечеткого ПИД-контроллера

Н&ч£7хкД КОЧТГД1ШОР —-—-

"ЛИД- гонтро'шер

Э 4 5 6 7 8 Вретгся, мин

Рисунок 5 - Графики переходных процессов в системе с нечетким нейроконтроллером и с ПИД-контроллером

- .2- .......:

...........

и А , |

г 4 е « ю Время, мин

Рисунок 6 - Графики переходных процессов с различными функциями принадлежности: 1 - треугольные; 2 -трапецеидальные; 3 - гауссовы

показал, что нечеткие контроллеры по быстродействию превосходят классические (рис. 5). Также установлено, что предпочтение следует отдать нечеткому контроллеру с треугольными функциями принадлежности (табл. 1 и рис. 6).

Преимущество треугольных функций принадлежности в первую очередь можно объяснить меньшими вычислительными затратами по сравнению с другими видами функций принадлежности.

Таблица 1 - Показатели качества переходных процессов

Параметры Нечеткий контроллер пид-

треугольные ФП трапецеидальные ФП гауссовы ФП контроллер

Время переходного процесса, мин 0,7 1,0 2,2 2,2

Перерегулирование, % 3 7 12 3

Статическая ошибка, % 0 0 0,4 0

В третьей главе разработан прогнозирующий нейронный вейвлет-фильтр, включающий в себя в качестве блока прогнозирования вейвлет-нейронную сеть (ВНС). ВНС в качестве активационных функций использует вейвлет-функции, сформированные с помощью составных логистических функций, которые представляют собой определённую комбинацию сигмоидных функций. Составные логистические функции (СЛОГ) представляют собой сумму взвешенных логистических функций с задержкой (рис. 7). Составные логистические функции могут реализовать функцию материнского вейвлета, тем самым демонстрируя, что нейронная сеть имеет те же самые универсальные аппроксимирующие свойства, что и вейвлеты:

1 1 11 (2)

4*1(0 =

1 + е~'

_3_

1 + ен

1 + е

_3_

~1 + е-

1 +

1

'1 + е-"1'

1 + е~

_1_

'1 + е-1

(3)

Рисунок 7 - Сравнение составных логистических функций Ик и вейвлет-функций

Структура разработанной ВНС включает три слоя нейронов (рис. 8). Первый слой служит для ретрансляции входных сигналов. Нейроны скрытого слоя осуществляют нелинейное преобразование входных сигналов.

Линейные выходные нейроны суммируют сигналы со скрытого слоя и формируют выход сети, при этом сдвиг полагается равным нулю. В отличие от

многослойного перцептрона, для скрытых нейронов вейвлет-нейронной сети отсутствует понятие весов синаптических связей, а целью обучения является настройка параметров активационных вейвлет-функций скрытых нейронов и весов выходных нейронов.

Главное преимущество применения ВНС заключается в более быстром ее обучении по сравнению с традиционными многослойными ИНС. Рассмотрим методику обучения вейвлет-нейронной сети на примере задачи аппроксимации нелинейной функции «(/)= cos(f)e_' с заданной ошибкой обучения е = 0,03. При обучении данной вейвлет-нейронной сети аппроксимация заданной функции u(i)= cos(/)-e~' была достигнута за 40 итераций обучения, а ошибка обучения составила е = 0,0296 (рис. 9 а), а при обучении многослойной сети аппроксимация заданной функции была достигнута за 61 итерацию обучения, а ошибка обучения составила е = 0,0291 (рис. 9 б).

Рисунок 8 - Структура вейвлет-нейронной сети

а) б)

Рисунок 9 - Графики ошибки обучения: а) вейвлет-нейронной сети; б) многослойной нейросети

Структура разработанного прогнозирующего нейронного вейвлет-фильтра приведена на рис. 10. В данной модели фильтра производится предварительная вейвлет-обработка зашумленных выходных сигналов, а затем формируется их прогноз.

При вейвлет-анализе сигнал раскладывается на аппроксимирующие (низкочастотные) коэффициенты, которые представляют сглаженный сигнал, и детализирующие (высокочастотные) коэффициенты, описывающие колебания.

Шумовая компонента больше отражается в высокочастотных коэффициентах, поэтому при удалении шума обрабатываются детализирующие коэффициенты. Шумовая компонента представляет собой сигнал, меньший по модулю, чем основной, и для ее обработки используется процедура трешолдинга (пороговой обработки).

«м

двп Трешоддинг 14 Нейронная П одвп

сеть

Рисунок 10 - Структура прогнозирующего нейронного вейвлет-фильтра

Для исследования свойств вейвлет-нейронного фильтра использовался сигнал ф]=(8т(2А)+0.03«и(8А))-е"лй с аддитивным гауссовским шумом. В качестве базового вейвлета выбран вейвлет Добеши второго порядка.

На рис. 11 показан результат применения процедуры мяг кого и жесткого трешолдинга исследуемого сигнала при значениях порогового уровня т = 0,4тах|й?д|, г = 0,6 тах|</м | и г = 0,8тах|^ |.

Г=

г= 0.6тах^л|

г=0.8тах^д[ о

ао 40 во «о 1м

о з» 60 »0 1«

Л,

V V

а) б)

Рисунок 11 - Результат выполнения мягкого (а) и жесткого (б) трешолдинга

Из рис. 11 видно, что наилучшая фильтрация достигается при использовании процедуры мягкого трешолдинга в случае, если значение порога является равным X = 0,8шах|^м|. Это также хорошо демонстрируют данные табл. 2, в которой приведены квадратичные оценки погрешностей аппроксимации данных, рассчитанные как функция порогового значения при использовании мягкого и жесткого трешолдингов.

Т mгoí\dJJ, | 0,4 0,6 0,«

Жесткий трешолдииг 0,362 0,206 0,112

Мягкий трешолдинг 0.055 0,017 0,010

В четвертой главе приведены результаты исследования САУ реакторной установкой гидрирования буганола, включающей в себя разработанный нечеткий нейроконтроллер. Для нечеткого нейроконтроллера была сформирована база лингвистических правил. В данном случае экспертная база правил представляет собой векторы входных значений основных контролируемых параметров технологического процесса. С помощью пакета прикладных программ MAT-LAB Fuzzy Logic Toolbox была синтезирована структура нечеткого контроллера (рис. 12). На рис. 13 представлена система управления реактором гидрирования бутанола с нечетким нейроконтроллером и вейвлет-фильтром. Данная модель включает в себя два канала управления: канал управления температуры (kanal 1) и канал управления давления (kanal 2). Управляющие сигналы формируются на выходе нечеткого регулятора (Fuzzy Logic Controller).

output

MidRange

Рисунок 12 - Внутренняя структура сформированного нечеткого контроллера

}НЖ

Fuzzy Logic Controller with Ruleviewer

0ut1 In 1 Out 2 0ut3

Uniform Random Number!

num(s) den(s)

E

В Scopel

Uniform Random Number2

Рисунок 13 - Система управления нелинейным объектом с нечетким нейроконтроллером

Сигнал с нечеткого контроллера (out\ на рис. 12) поступает на блок распределения сигналов управления (block RSU), который в зависимости от результата обработки нечеткого алгоритма формирует корректирующий сигнал по соответствующему каналу управления.

На рис. 14 а и б представлены результаты моделирования системы управления в MATLAB при воздействии случайной помехи по каналу регулирования температуры и давления в реакторе соответственно.

По каналу регулирован »а; температуры (рис.14 а) необходимо поддерживать температуру х\ = 140°С; прк этом воздействующие помехи направлены на повышение регулируемого параметра свыше 150°С. Из переходных процессов (рис. 14 а) видно, что нечеткий контроллер позволяет выдерживать температуру, не превышая 150°С.

Таким же образом управляющие сигналы нечеткого нейроконтроллера по каналу регулирования давления в реакторе (рис. 14 б) поддерживают давление не ниже требуемых 19 кгс/см2.

i « *

! 4 4.5 5 р 8 Ш Воэмя, мйв,/Jjlfilj

im "~........;

ШЖж

а) б)

Рисунок 14 - Регулирование температуры (а) и давления (б) в реакторе

В данной главе была проведена оценка отказоустойчивости системы предложенной системы управления на основе анализа параметрической и структурной чувствительности нечеткого нейроконтроллера. Было изучено, как ведет себя исследуемая система при повреждениях структуры нейроконтроллера в виде обрыва мехенейронных звязей или выхода из строя отдельных нейронов. Структура нечеткого нейроконтролера в виде нейронечеткой сети в системе управления реакторной установкой представлена на рис.15.

Было исследовано поведение нейроконтроллера при выходе из строя нейронов из слоя, формирующего функции принадлежностей {inpatmf), и слоя, формирующего правила rule. Зависимости показателей нейросетевой системы управления от числа деградировавших нейронов представлены в табл.3 и табл.4.

Рисунок 15 - Нейросетевая структура нечеткого нейроконтроллера

Таблица 3 — Зависимость показателей нейросетевой системы от числа дегради-

№ Количество деградиро- Показатели

вавших нейронов работоспособность точность

1 1 + +

2 2 + +

3 3 "Г -

4 4 - -

Таблица 4 - Зависимость показателей нейросетевой системы от числа дегради-

№ Количество деградиро- Показатели

вавших нейронов работоспособность точность

1 2 + +

2 4 + +

3 6 + +

4 8 + -

5 9 +- -

6 10 - -

Примечание к таблицам:

«+» - сохранение показателя; «±» — уменьшение показателя при сохранении его значений в допустимых пределах; «—» — отказ всей системы.

Таким образом, установлено, что влияние нейронов различных скрытых слоев в нейроконтроллере разнонаправлено. Наибольшую чувствительность к сбоям имеет слой ¡при1т/, формирующий функции принадлежности. Тогда как слой ги1е, формирующий правила менее чувствителен и позволяет поддерживать качество управления при деградации до 50% нейронов. При выходе из строя более трети всех связей в нейроконтроллере, качество работы нечеткой нейросистемы все еще остается приемлемым. Резкое ухудшение наступает тогда, когда поврежденными оказываются наиболее критические связи. Однако, даже в этом случае, нейросетевая система позволяет поддерживать требуемое качество регулирования.

В заключении приведены основные результаты и выводы из проведенных исследований.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе проведены исследования, направленные на разработку алгоритмов структурно-параметрического синтеза нечетких нейро-контроллеров с применением методов вейвлет-преобразований для управления нелинейными объектами, подверженными влиянию случайных помех. В ходе выполнения работы получены следующие научные и практические результаты:

1. На основе проведенного анализа методов и средств обработки информации и управления сложными динамическими объектами в условиях неполноты информации об их свойствах и действующих возмущениях установлено, что все большее распространение получают методы управления на основе гибридного применения нечеткой логики и нейросетевой технологии. Однако, несмотря на широкие теоретические исследования в этой области, до сих пор окончательно не решены вопросы разработки нечеткого нейроконтроллера с использованием алгоритмов обучения и прогнозирования на базе вейвлет-нейронной сети, не исследован вопрос о принципиальной возможности создания нейро-нечеткон системы управления промышленной реакторной установкой с использованием вейвлет-преобразований в условиях ограниченности информации о характеристиках объекта и возмущениях.

2. Результатами исследований разработанных систем управления подтверждено, что показателями эффективности функционирования являются высокое быстродействие, оперативность принятия решения, которые достигаются за счет разработки нечетких продукционных моделей представления экспертных знаний с применением нейросетевой технологии и методов вейвлет-преобразований в условиях ограниченности и неопределенности информации.

3. Разработан алгоритм интеллектуальной поддержки принятия решений при управлении сложной системой на базе аппарата нечеткой логики, отличающийся от известных тем, что основу составляет многослойная нейронная сеть, построенная на методе нечеткого вывода и позволяющая идентифицировать состояние объекта.

4. Разработана структура нечеткого нейроконтроллера для управления нелинейным и неустойчивым объектом, отличающегося наличием нейронного вейвлет-фильтра, реализованного с помощью преобразований Добещи второго порядка, позволяющего повысить быстродействие системы управления в 3,1 раза по сравнению с классическим ПИД-контроллером.

5. Впервые разработан прогнозирующий нейронный вейвлет-фильтр для обработки текущей измерительной информации при управлении объектом, включающий в себя в качестве блока прогнозирования вейвлет-нейронную сеть, использующую в качестве активационных функций вейвлет-функции, сформированные с помощью составных логистических функций, представляющих собой определённую комбинацию сигмоидных функций, что позволяет обрабатывать зашумленные данные, полученные напрямую с датчиков, и повы-

сить скорость обучения в 1,4 раза по сравнению с традиционными нейронными сетями.

6. Разработана методика исследования отказоустойчивость системы управления с нечетким нейроконтроллером, позволяющая установить, что влияние нейронов скрытых слоев в нейроконтроллере разнонаправлено: наибольшую чувствительность к сбоям имеет слой, формирующий функции принадлежности для значений входных лингвистических переменных по текущей измерительной информации о состоянии объекта, используемых в алгоритме управления нечеткого нейроконтроллера, а слои, формирующий продукционные правила, обеспечивает снижение чувствительности к сбоям при деградации до 50 % нейронов. Это необходимо учитывать при синтезе структуры нечеткой нейросети, идентифицирующей объект управления и для повышения отказоустойчивости при минимальном усложнении системы управления следует увеличивать число нейронов в слое, формирующем функции принадлежности для значений входных переменных.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ В изданиях, рекомендуемых ВАК:

1. Колдаев А.И. Моделирование интеллектуальной системы поддержания принятия решений при управлении технологическим процессом [Текст] / Колдаев А.И. // Информационные технологии. — М.: «Новые технологии», 2009 - № З.-С. 42-46.-0,56 п.л.

2. Колдаев А.И. Исследование нейронного прогнозирующего вейвлет-фильтра [Текст] / Колдаев А.И., Лавриненко A.B., Кириевский С.С. // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2009. - № 7. - С. 3540. - 0,69 п.л. (авт. 0,50 п.л.).

3. Колдаев А.И. Исследование аппроксимирующих свойств вейвлет-нейронной сети [Текст] / И.Н. Лавриненко, А.И. Колдаев // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2010. - №1. - С. 59-64. - 0,7 п.л. (авт. 0,4 п.л.).

4. Колдаев А.И. Разработка нейроконтроллера управления реакторной установки гидрирования бутанола на основе аппарата нечеткой логики [Текст] / Колдаев А.И., Копыткова Л.Б., Лавриненко И.Н. // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2011. - № 9. - С. 4-12. - 1,1 п.л. (авт. 0,7 п.л.)

5. Колдаев А.И. Исследование живучести нечеткой нейросетевой системы управления реакторной установкой гидрирования бутанола [Текст] / А.И. Колдаев, Л.Б. Копыткова, И.Н. Лавриненко, М.М. Погосов, A.B. Гладков // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2011. - № 11. — С. 38. - 0,8 п.л. (авт. 0,5 п.л.).

Статьи, тезисы докладов в сборниках трудов конференций:

6. Колдаев А.И. Интеллектуальная система поддержания принятия решений при управлении технологическим процессом [Текст] / Колдаев А.И. // Ма-

тематические методы в технике и технологиях (ММТТ-20): сб. трудов XX международной научной конференции. ЯГТУ — Ярославль, 2007. — 0,2 п.л.

7. Колдаев А.И. Аппроксимация нелинейных функций вейвлет-нейронной сетью [Текст] / Колдаев А.И. // Инфокоммуникационные технологии в науке, производстве и образовании: Третья международная научно-техническая конференция, г. Ставрополь: СезКавГТУ, 2008. - С. 183-186. -0,6 п.л.

8. Колдаев А.И. Система интеллектуальной поддержки принятия решений при управлении технологическим процессом гидрирования бутанола [Текст] / Колдаев А.И. // «Компьютерные науки и технологии». 4.1: сборник трудов первой Международной научно-технической конференции. - Белгород: ГиК, 2009. -С. 182-186.-0,22 п.л.

9. Колдаев А. И. Задача нечеткого векторного управления асинхронным электроприводом [Текст] / Колдаев А.И. // «Математические методы в технике и технологиях» (ММТТ-23): сб. трудов XXIII международной научной конференции. СГТУ - Саратов, 2010. - С. 30-33. - 0,3 п.л.

10. Колдаев А.И. Модель нечеткого контроллера системы управления реакторной установкой гидрирования бутанола [Текст] / Колдаев А.И. // «Компьютерные науки и технологии»: сборник трудов второй Международной научно-технической конференции. - Белгород: ГиК, 2011. - 0,4 п.л.

11. Колдаев А.И. Реализация нечеткого нейроконтроллера управления реакторной установкой гидрирования бутанола в МАТЬАВ [Текст] / Колдаев А.И. // «Математические методы в технике и технологиях» (ММТТ-24): сб. трудов XXIV международной научной конференции. ПГТА - Пенза, 2011. - 0,3 п.л.

12. Колдаев А.И. Синтез нечеткого нейроконтроллера управления реакторной установкой гидрирования бутанола [Текст] / Колдаев А.И. // Материалы II Международной научпо-пракгической конференции "Современная наука: теория и практика". Ставрополь: СевКавГТУ, 2011. — 0,3 п.л.

Личный вклад автора. Все результаты, составляющие основное содержание диссертации, получены автором самостоятельно. В работах, выполненных в соавторстве, автору принадлежит: разработка модели нейронного прогнозирующего вейвлет-фильтра [2]; алгоритм функционирования вейвлет-нейронной сети [3]; нейросетевая модель нечеткого нейроконтроллера [4]; методика исследования живучести нечеткой нейросетевой системы управления

[5].

Печатается в авторской редакции

Подписано в печать 22.05.2012 Формат 60x84 1/16 Усл. леч. л. - 1,25 Уч.- изд. л. - 1 Бумага офсетная. Печать офсетная. Заказ № 149. Тираж 100 экз. ФГ'БОУ ВПО « Северо-Кавказский государственный технический университет» 355028, г. Ставрополь, пр. Кулакова, 2

Издательство ФГБОУ ВПО «Северо-Кавказский государственный технический университет» Отпечатано в типографии СевКавГТУ

Основные обозначения и сокращения

Введение

Глава 1 Аналитический обзор методов и автоматических систем регулирования технологических параметров сложных объектов

1.1 Анализ моделей и методов автоматического управления нелинейными объектами

1.2 Обоснование применения аппарата нечеткой логики для построения модели автоматической системы управления сложного 28 объекта

1.3 Основные свойства и структуры искусственных нейронных сетей

1.4 Аналитический обзор применения вейвлет-методов для подавления шумов

1.5 Постановка задачи на исследование

1.6 Выводы по первой главе

Глава 2 Разработка нечеткого нейроконтроллера управления сложным объектом

2.1 Разработка алгоритма нечетко-логической обработки исходных данных об объекте управления

2.2 Разработка нейронечеткой системы интеллектуальной поддержки принятия управленческих решений

2.3 Разработка структуры нечеткого ПИД-контроллера

2.4 Исследование отказоустойчивости нечеткого нейроконтроллера

2.5 Выводы по второй главе

Глава 3 Разработка прогнозирующего нейронного вейвлет-фильтра

3.1 Анализ методов вейвлет-преобразований в обработке сигналов

3.2 Разработка структуры и алгоритма функционирования вейвлет-нейронной сети

3.3 Разработка структуры прогнозирующего нейронного вейвлет-фильтра

3.4 Выводы по третьей главе

Глава 4 Моделирование нечеткой нейронной системы управления в процессе гидрирования бутанола

4.1 Синтез системы управления с нечетким нейроконтроллером реакторной установки гидрирования бутанола

4.2 Разработка методики исследования отказоустойчивости нечеткой нейросетевой системы управления установкой 123 гидрирования бутанола

4.3 Выводы по четвертой главе 135 Заключение 137 Список используемых источников

ОСНОВНЫЕ ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

НР - нечеткий регулятор

ИНС - искусственная нейронная сеть

НС - нейронная сеть

ПИД - пропорционально-интегрально-дифференциальный

НВП - непрерывное вейвлет-преобразование

ДВП - дискретное вейвлет-преобразование

ВНС - вейвлет-нейронная сеть

САУ - система автоматического управления

СППР - система поддержки принятия решений

ННК - нечеткий нейроконроллер

ОУ - объект управления

На протяжении последних нескольких десятилетий остается актуальной проблема управления сложными техническими системами с нелинейными связями между входящими в их состав элементами. Если при управлении устойчивыми объектами управления (ОУ) классические системы автоматического управления (САУ) на основе ПИД-регулятора справляются достаточно успешно [62, 66, 93], то проектирование систем управления для сложных нелинейных и неустойчивых ОУ представляет собой уже нетривиальную задачу. В реальных условиях всегда присутствуют флуктуации параметров внешней среды и внутренних параметров системы (возмущения в каналах связи и управления, задержки различной длительности, колебания значений параметров ОУ и т.п.), значительно влияющих на процесс управления. Кроме того, динамика ОУ часто неизвестна, регулируемые процессы нельзя считать независимыми, измерения сильно зашумлены, нагрузка на объект непостоянна. При таких условиях функционирования возрастающие требования к САУ по быстродействию, надежности и точности обуславливают необходимость разработки новых нетривиальных и совершенствования существующих методов и средств обработки информации и управления.

Перспективные пути решения этой проблемы связаны с комплексным применением интеллектуальных технологий, включающих методы нечеткой логики и нейронных сетей, для создания принципиально новых контроллеров управления сложными динамическими объектами. Подход к построению систем управления на основе комбинации нейросетевой технологии и нечеткой логики применим ко многим существующим системам, так как во многих случаях улучшение существующих алгоритмов можно произвести с минимальными затратами с использованием существующего программно-аппаратного обеспечения.

Методы нечеткой логики и нейросетевой технологии в настоящее время являются одной из перспективных технологий обработки информации и решения задач управления, позволяющей создавать высококачественные системы управления в условиях неопределенности математического описания объекта управления. Особенность «нечеткого» представления знаний, а также возможность использования необходимого количества входных и выходных переменных и заложенных правил поведения системы позволяют в сочетании с нейросетевой технологией формировать практически любой закон управления, т.е. дают возможность построить нечеткий нейроконтроллер для управления нелинейными и неустойчивыми динамическими объектами управления.

Значительный научный вклад в теорию и практику создания систем управления, построенных на аппарате нечеткой логики и нейронных сетей внесли отечественные и зарубежные ученые: Л. Заде, Д.А. Поспелов, Ю.А. Борцов, Ф. Вассерман, Н. Хассоун, А.П. Ротштейн, В.И. Гостев, А.И. Галушкин, В. В. Круглов, С. Омату, и др.

Однако, несмотря на обширные теоретические исследования в этой области, до сих пор окончательно не решены вопросы нечеткого нейроуправления нелинейными и неустойчивыми объектами, подверженными влиянию случайных помех. В частности, в практике разработки нечеткого нейроконтроллера открытыми остаются вопросы использования современной информационной технологии, включающей схемы обучения и прогнозирования с использованием вейвлет-нейронной сети. Для интеллектуальной системы управления нелинейными, неустойчивыми объектами не исследован вопрос о системных связях и закономерностях функционирования нечеткого нейроконтроллера, использующего нечеткое описание управляемого объекта и алгоритма его управления в виде базы нечетких правил и функций принадлежности, реализуемых на базе нейронных сетей, а также преобразующего нечеткое описание в последовательность команд, для достижения цели управления. В практике управления слабоструктурированными системами остается открытым вопрос об алгоритме интеллектуальной поддержки при принятии управленческих решений на базе нечеткой логики. Так, в известных системах управления установками гидрирования бутанола не решается задача прогнозирования технологической ситуации, меняющейся под воздействием случайных помех и возмущений, что снижает эффективность принятия решений по управлению установкой. Для нелинейных объектов не исследован вопрос живучести систем управления на базе нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований; не разработана структура и модель описания нечеткого нейроконтроллера, включающего нейронный вейвлет-фильтр.

В связи с изложенным актуальным становится задача разработки нечеткого нейроконтроллера с вейвлет-фильтрами, позволяющего системе управления отслеживать текущую технологическую ситуацию, прогнозировать ее будущее состояние и формировать адекватные ей управляющие воздействия, эффективно компенсирующие неконтролируемые возмущения и случайные помехи.

Объектом исследований является нечеткий нейроконтроллер для управления слабоструктурированными нелинейными и неустойчивыми динамическими объектами, подверженными влиянию случайных факторов.

Предметом исследования являются методы нечеткой логики и нейросетевого управления, используемые в сочетании с методами вейвлет-преобразований для разработки алгоритмов управления на основе формализованного опыта экспертов.

Цель работы - повышение быстродействия и надежности регулирующего нечеткого нейроконтроллера на основе разработки нечетких продукционных моделей представления экспертных знаний с применением нейросетевой технологии и методов вейвлет-преобразований в условиях неполной информации и неопределенности математического описания объекта управления.

Научная задача исследований состоит в разработке алгоритмов структурно-параметрического синтеза нечетких нейроконтроллеров с применением методов вейвлет-преобразований для управления нелинейными объектами, подверженными влиянию случайных помех.

Для решения поставленной общей научной задачи была произведена ее декомпозиция на ряд частных задач:

1. Проведение аналитического обзора существующих методов мягких вычислений и обоснование применения методов вейвлет-преобразований для обработки информации при интеллектуальном управлении нелинейными динамическими объектами.

2. Разработка алгоритма интеллектуальной поддержки принятия решений при управлении сложной технической системой на базе аппарата нечеткой логики.

3. Разработка структуры нечеткого нейроконтроллера и нейронного вейвлет-фильтра для управления нелинейными зашумленными объектами.

4. Сравнительная оценка эффективности решения задач управления с использованием нечеткого нейроконтроллера и ПИД-контроллера.

5. Исследование отказоустойчивости системы управления на основе оценки параметрической и структурной чувствительности нечеткого нейроконтроллера с алгоритмами вейвлет-преобразований.

Методы исследования. Для решения поставленных в работе научных задач использованы методы системного анализа, теории чисел, дискретной математики, теории вероятностей, комбинаторики, теории автоматического регулирования, нейроматематики. При проведении исследований нечеткого нейроконтроллера в качестве инструментария использовался Matlab 7.1 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Диссертация включает в себя введение, четыре главы, заключение, список использованных библиографических источников.

4.3. Выводы по четвертой главе

1. Синтезирована система управления реакторной установкой гидрирования бутанола с нечетким нейроконтроллером, основанным на нечетких продукционных моделях представления знаний и опыта персонала по управлению установкой и нейронной сети, отличительной особенностью которого является наличие нейронных слоев, формирующих функции принадлежности для значений лингвистических переменных и продукционные правила, что облегчает настройку алгоритма управления. Результаты моделирования показали, что разработанная система управления позволяет осуществлять приемлемое качество управления данного объекта, который характеризуется наличием большого числа нелинейных связей.

2. Разработана методика исследования отказоустойчивости системы управления реакторной установкой, построенной на основе нечеткого нейроконтроллера. Рассмотренный конкретный пример работы нечеткого нейроконтроллера, использующего дополнительное число нейронов показал, что нечеткий нейроконтроллер будет работоспособен на разных уровнях деградации при заданных требованиях по точности. В ходе исследования установлено, что нейроны различных скрытых слоев играют в нейроконтроллере разные роли. Наибольшую чувствительность к сбоям имеет слой inputmf, формирующий функции принадлежности. Тогда как слой rule, формирующий правила менее чувствителен и позволяет поддерживать качество управления при деградации до 50% нейронов. При выходе из строя более трети всех связей в нейроконтроллере, качество работы нечеткой нейросистемы все еще остается приемлемым. Резкое ухудшение наступает тогда, когда поврежденными оказываются наиболее критические связи. Однако, даже в этом случае, нейросетевая система позволяет поддерживать требуемое качество регулирования. Это важное свойство позволяет использовать нечеткие нейросетевые системы управления для автоматизации ответственных и опасных процессов, увеличивая их безопасность и живучесть.

3. Исследования нечеткой нейросетевой системы управления и полученные в этом подразделе результаты анализа параметрической и структурной чувствительности можно считать общими для всего класса нечетких нейросистем. Следовательно, нейросетевые нечеткие системы могут использоваться в промышленных условиях в виде универсальных микропроцессорных комплексов, математически моделирующих работу нейронечетких сетей. Также учитывая современную тенденцию к интеллектуализации систем управления, можно ожидать, что дальнейшее развитие теории автоматического управления будет связано с созданием на базе искусственного интеллекта, решающих задачи управления сложными технологическими комплексами.

Заключение

В диссертационной работе проведены исследования, направленные на разработку алгоритмов структурно-параметрического синтеза нечетких нейроконтроллеров с применением методов вейвлет-преобразований для управления нелинейными объектами, подверженными влиянию случайных помех. В ходе выполнения работы получены следующие научные и практические результаты:

1. На основе проведенного анализа методов и средств обработки информации и управления сложными динамическими объектами в условиях неполноты информации об их свойствах и действующих возмущениях установлено, что все большее распространение получают методы управления на основе гибридного применения нечеткой логики и нейросетевой технологии. Однако, несмотря на широкие теоретические исследования в этой области, до сих пор окончательно не решены вопросы разработки нечеткого нейроконтроллера с использованием алгоритмов обучения и прогнозирования на базе вейвлет-нейронной сети, не исследован вопрос о принципиальной возможности создания нейро-нечеткой системы управления промышленной реакторной установкой с использованием вейвлет-преобразований в условиях ограниченности информации о характеристиках объекта и возмущениях.

2. Результатами исследований разработанных систем управления подтверждено, что показателями эффективности функционирования являются высокое быстродействие, оперативность принятия решения, которые достигаются за счет разработки нечетких продукционных моделей представления экспертных знаний с применением нейросетевой технологии и методов вейвлет-преобразований в условиях ограниченности и неопределенности информации.

3. Разработан алгоритм интеллектуальной поддержки принятия решений при управлении сложной системой на базе аппарата нечеткой логики, отличающийся от известных тем, что основу составляет многослойная нейронная сеть, построенная на методе нечеткого вывода и позволяющая идентифицировать состояние объекта.

4. Разработана структура нечеткого нейроконтроллера для управления нелинейным и неустойчивым объектом, отличающегося наличием нейронного вейвлет-фильтра, реализованного с помощью преобразований Добещи второго порядка, позволяющего повысить быстродействие системы управления в 3,1 раза по сравнению с классическим ПИД-контроллером.

5. Впервые разработан прогнозирующий нейронный вейвлет-фильтр для обработки текущей измерительной информации при управлении объектом, включающий в себя в качестве блока прогнозирования вейвлет-нейронную сеть, использующую в качестве активационных функций вейвлет-функции, сформированные с помощью составных логистических функций, представляющих собой определённую комбинацию сигмоидных функций, что позволяет обрабатывать зашумленные данные, полученные напрямую с датчиков, и повысить скорость обучения в 1,4 раза по сравнению с традиционными нейронными сетями.

6. Разработана методика исследования отказоустойчивости системы управления с нечетким нейроконтроллером, позволяющая установить, что влияние нейронов скрытых слоев в нейроконтроллере разнонаправлено: наибольшую чувствительность к сбоям имеет слой, формирующий функции принадлежности для значений входных лингвистических переменных по текущей измерительной информации о состоянии объекта, используемых в алгоритме управления нечеткого нейроконтроллера, а слой, формирующий продукционные правила, обеспечивает снижение чувствительности к сбоям при деградации до 50 % нейронов. Это необходимо учитывать при синтезе структуры нечеткой нейросети, идентифицирующей объект управления и для повышения отказоустойчивости при минимальном усложнении системы управления следует увеличивать число нейронов в слое, формирующем функции принадлежности для значений входных переменных.

1. Алиев, P.A. Нечеткие модели управления динамическими системами Текст. / Р.А Алиев, Э.Г.Захарова, C.B. Ульянов // Итоги науки и техники. Сер. Техн. кибернетика. Т.29. M.: ВИНИТИ АН СССР, 1990. С. 127-201.

2. Алиев P.A. Управление производством при нечеткой исходной информации Текст. / Алиев P.A., Церковный Э.А., МамедоваГ.А. М.: Энергоатомиздат, 1991. - 240 с.

3. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях Текст. / А.Е. Алтунин, М.В. Семухин.- Тюмень: Изд-во Тюменского государственного университета, 2000. 352 с.

4. Анисимов Д.Н. Использование нечеткой логики в системах автоматического управления Текст. / Д.Н. Анисимов // Приборы и системы. Управление, контроль, диагностика. 2001, №8 С. 39-42.

5. Антонов, A.B. Системный анализ. Текст. / A.B. Антонов. М.: Высш. шк., 2004 - 454 с.

6. Арбузов A.B. Экспертный регулятор с элементами нероподобных структур для систем автоматического управления. Текст. / Арбузов A.B., Тюрин К.В. // Международный научно-технический семинар. Сборник научных тезисов. Киев: Concept Ltd, 1995, С. 9 - 11.

7. Батыршин И.З. Нечеткие гибридные системы. Теория и практика. Текст. / Батыршин И.З., Недосекин А.О., Стецко A.A., Тарасов В.Б., Язенин A.B., Ярушкина Н.Г. М.: ФИЗМАТ ЛИТ, 2007. - 208 с.

8. Батыршин И.З. Основные операции нечеткой логики и их обобщения. Текст. / Батыршин И.З. Казань: Отечество, 2001. - 100 с.

9. Бесекерский В. А. Теория систем автоматического регулирования. Текст. / Бесекерский В. А., Попов Е. П. М.: Наука, 1975.

10. Блюмин С. JI. Нечеткая логика: алгебраические основы и приложения. Текст. / Блюмин С.Л., Шуйкова И.А., Сараев П.В. Липецк: ЛЭГИ, 2002. - 111 с.

11. Борцов Ю.А. Электромеханические системы с адаптивным и модальным управлением / Ю.А. Борцов, Н.Д. Поляхов, В.В. Путов // Д.: Энергоатомиз-дат. Ленингр. отд., 1984.-216 с.

12. Васильев, В.И. Интеллектуальные системы управления с использованием нечеткой логики. Текст. / В.И. Васильев, Б.Г. Ильясов. -Уфа: УГАТУ, 1995. 80 с.

13. Васильев В.И. Нейроуправление новый раздел теории управления сложными системами Текст. / Васильев В.И., Пантелеев C.B. // Нейрокомпьютеры: разработка и применение, 2005. № 5 - С. 33-45.

14. Вассерман Ф. Нейрокомпьютерная техника: Теория и практика. Текст. / Вассерман Ф. М.: «Мир», 1992.

15. Воробьёв В. И. Теория и практика вейвлет-преобразования. Текст. / Воробьёв В. И., Грибунин В. Г. -СПб.: ВУС, 1999.

16. Вятченин Д.А. Нечеткие методы автоматической классификации. Текст. / Вятченин Д.А. Минск: Технопринт. - 2004. - 219 с.

17. Галушкин А.И. Нейрокомпьютеры. Кн. 3. Текст. / Общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000. 416 с.

18. Грачев Д.В., Управление технологическими комплексами на основе нечеткой логики. Текст. / Грачев Д.В., Захарченко М.Ю. //

19. Автоматизация и управление в машино- и приборостроении: Сборник научных трудов / Сарат. гос. техн. унт. Саратов, 2007. С. 70-72.

20. Гостев В.И. Системы управления с цифровыми регуляторами Текст. / В.И. Гостев. К. : Техника, 1990. - 280 с.

21. Гостев В.И. Нечеткие регуляторы в системах автоматического управления. Текст. / В.И. Гостев К.: «Радюаматор», 2008. - 972 с.

22. Денисенко В.В. ПИД-регуляторы: принципы построения и модификации. Ч. 1 Текст. / Денисенко В.В. // СТА, 2006 №4.

23. Денисенко В.В. ПИД-регуляторы: принципы построения и модификации Ч. 2 Текст. / Денисенко В.В. // СТА, 2007 №1.

24. Денисенко В.В. ПИД-регуляторы: вопросы реализации Ч. 1 Текст. / Денисенко В.В. // СТА, 2007 №4.

25. Денисенко В.В. ПИД-регуляторы: вопросы реализации Ч. 2 Текст. / Денисенко В.В. // Современные технологии автоматизации. 2008 -№1 С. 86-99.

26. Деменков Н.П. Нечеткое управление в технических системах. Текст. / Деменков Н.П. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 200 с.

27. Добеши И. Десять лекций по вейвлетам. Текст. / Добеши И. -Ижевск: НИЦ Регулярная и хаотическая динамика, 2001.

28. Дремин И.М. Вейвлеты и их использование Текст. / Дремин И.М., Иванов О.М., Нечитайло В.А.// Успехи физических наук. 2001. Т. 171. № 5. С. 465-561.

29. Дьяконов В.П. Математические пакеты расширения MATLAB. Текст. / Дьяконов В.П., Круглов В.В. СПб.: Питер, 2001.

30. Дьяконов В.П. MATLAB 6/6.1/6.5+SIMULINK 4/5 в математике и моделировании: Полное руководство пользователя Текст. / В.П.Дьяконов. -М.: СОЛОН-Пресс, 2003. 576 с.

31. Дьяконов В. П. MATLAB. Анализ, идентификация и моделирование систем. Специальный справочник. Текст. / Дьяконов В. П., Круглов В. В. СПб.: Питер, 2002. - 448 с.

32. Жданов A.A. Формальная модель нейрона и нейросети в методологии автономного адаптивного управлении. Сборник «Вопросы кибернетики". Научный совет по комплексной проблеме «Кибернетика» РАН. Выпуск 3. М., 1997, С. 258-274.

33. Жданов A.A. Метод автономного адаптивного управления. Текст. / Жданов A.A. // Известия академии наук. Теория и системы управления №5, 1999,-с. 127-134.

34. Жуковин В.Е. Нечеткие многокритериальные модели принятия решений. Текст. / Жуковин В.Е. Тбилиси: Мецниереба, 1988. - 71 с.

35. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. Текст. / Заде Л.А. М.: Мир, 1976.

36. Заде Л.А. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных интеллектуальных систем. Текст. / Заде Л.А. // Новости Искусственного Интеллекта. 2001 -№ 2. С. 7-11.

37. Колдаев А. И. Задача нечеткого векторного управления асинхронным электроприводом Текст. / Колдаев А.И. // «Математические методы в технике и технологиях» (ММТТ-23): сб. трудов XXIII международной научной конференции. СГТУ Саратов, 2010. - С. 30-33.

38. Колдаев А.И. Моделирование интеллектуальной системы поддержания принятия решений при управлении технологическим процессом Текст. / Колдаев А.И. // Информационные технологии. М.: «Новые технологии», 2009 - № 3. - С. 42-46.

39. Колдаев А.И. Исследование нейронного прогнозирующего вейвлет-фильтра Текст. / Колдаев А.И., Лавриненко A.B., Кириевский С.С. // Нейрокомпьютеры: разработка, применение. М.: Радиотехника, 2009. - № 7.-С. 35-40.

40. Колдаев А.И. Исследование аппроксимирующих свойств вейвлет-нейронной сети Текст. / И.Н. Лавриненко, А.И. Колдаев // Нейрокомпьютеры: разработка, применение. М.: Радиотехника, 2010. - №1. -С. 59-64.

41. Колдаев А.И. Исследование живучести нечеткой нейросетевой системы управления реакторной установкой гидрирования бутанола Текст. / А.И. Колдаев, Л.Б. Копыткова, И.Н. Лавриненко, М.М. Погосов, A.B.

42. Гладков // Нейрокомпьютеры: разработка, применение. М.: Радиотехника, 2011.-№ 11.

43. Колесников А. В. Гибридные интеллектуальные системы. Теория и технология разработки. Текст. / Колесников А. В. СПб.: Изд-во СПбГТУ, 2001.-711 с.

44. Корнеев, В.В. Базы данных. Интеллектуальная обработка информации. Текст. / Корнеев В.В., ГареевА.Ф., Васютин C.B., Райх В.В. -М.: Нолидж, 2001.-352 с.

45. Круглов В. В. Искусственные нейронные сети. Теория и практика. Текст. / Круглов В. В., Борисов В. В. М.: Горячая линия -Телеком, 2002. 382 с.

46. Круглов В. В. Нечеткая логика и искусственные нейронные сети. Текст. / Круглов В. В., Дли М. И., Годунов Р. Ю. М.: Физматлит, 2001. -224 с.

47. Лохин В.М. Интеллектуальные системы управления: понятия, определения, принципы построения. Интеллектуальные системы автоматического управления Текст. / Под ред. И.М.Макарова, В.М. Лохина. М.: ФИЗМАТЛИТ, 2001.

48. Леденева Т.М. Особенности проектирования систем нечеткого логического вывода Текст. / Леденева Т.М., Татаркин Д.С. // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии, 2006. № 2. - С. 110-118.

49. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fiizzyTECH. Текст. / Леоненков A.B. СПб: БХВ-Петербург, 2005. 736 с.

50. Медведев B.C. Нейронные сети. MATLAB 6. Текст. / Медведев B.C., Потемкин В.Г. М.: ДИАЛОГ-МИФИ, 2002.

51. Мелихов А.Н. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. Текст. / Мелихов А.Н., Бернштейн Л.С., Коровин С .Я. М.: Горячая Линия - Телеком, 2004. - 144 с.

52. Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой. Текст. / Мелихов А.Н., Берштейн Л.С., Коровин С.Я. М.: Наука 1990.-272 с.

53. Нейроматематика Текст. / Под ред. А.И. Галушкина. М.: ИПРЖР, 2002.- 448 с.

54. Нечеткие множества в моделях управления и искусственного интеллекта Текст. / Под ред. Д.А. Поспелова. М.: Наука, 1986. 312 с.

55. Омату С. Нейроуправление и его приложения. Кн. 2: Пер. с англ. Н.В. Батина: Текст. / Под ред. А. И. Галушкина. В. А. Птичкина. М: ИПРЖР. 2000.

56. Осовский С. Нейронные сети для обработки информации Текст. / С. Осовский ; пер. с польского И.Д. Рудинского- М.: Финансы и статистика, 2002. 344 с.

57. Переберин А. О систематизации вейвлет-преобразований Текст. / Переберин А.// Вычислительные методы и программирование 2001. Том 2 -С. 15-40.

58. Рабинович А. В. Кодирование изображений с применением вейвлет-преобразования Текст. / Рабинович А. В. // Научное прибостроение, 2003 № 4.

59. Ротач В.Я. К расчету оптимальных параметров реальных ПИД-регуляторов по экспертным критериям Текст. / Ротач В.Я. // Промышленные АСУ и контроллеры. 2006, № 2. С. 22-29.

60. Ротштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Текст. / Ротштейн А.П. Винница: УНИВЕРСУМ-Винница, 1999. - 320 с.

61. Ротштейн А.П. Нейролингвистическая идентификация нелинейных зависимостей. Текст. / Ротштейн А.П., Митюшкин Ю.И. // Кибернетика и системный анализ. 2000. - №2. - С. 37-44.

62. Токмаков А.Н. Идентификация нечетких лингвистических переменных. Текст. / Токмаков А.Н., Гиляров В.Н. // Математические методы в интеллектуальных информационных системах ММИИС-2002: Сб. трудов Международ, науч. конф. Смоленск, 2002 - С. 101.

63. Теория нейронных сетей. Кн. 1. Текст. / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000.

64. Усков А. А. Интеллектуальные системы управления на основе методов нечеткой логики. Текст. / Усков А. А., Круглов В. В. Смоленск: Смоленская городская типография, 2003. - 177 с.

65. Усков A.A. Принципы построения систем управления с нечеткой логикой Текст. / Усков A.A. // Приборы и системы. Управление, контроль, диагностика. 2004. № 6. 7-13.

66. Усков A.A. Системы управления с нечеткими супервизорными ПИД-регуляторами Текст. / Усков A.A., Киселев Е.В. // Приборы и системы. Управление, контроль, диагностика. 2005-№9.-С. 31-33.

67. Чернов В.Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств. Текст. / Чернов В.Г. М.: Горячая линия - Телеком, 2007. - 312 с.

68. Шаров С. А. Исследование применимости вейвлет-преобразования для выделения информативных признаков объектов на Солнце Текст. / Шаров С.А., Доленко С.А., Персианцев И.Г. // МГУ, НИИЯФ, 2004.

69. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. Текст. / Штовба С.Д. М.: Горячая линия - Телеком, 2007. -288с.

70. Ярушкина Н. Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности Текст. / Программные продукты и системы.// ЗАО НИИ Центрпрограмсистем, 2002 -№3. С. 5.

71. Ярушкина Н.Г. Основы нечетких и гибридных систем Текст. / Ярушкина Н.Г. М: Финансы и статистика, 2004. - 320 е.

72. Ярушкина Н.Г. Прикладные интеллектуальные системы, основанные на мягких вычислениях. Текст. / Ярушкина Н.Г. Ульяновск: УлГТУ, 2004.- 139 с.

73. Associative Neural Memories: Theory and Implementation / Ed. M.Hassoun, N.Y.: Oxford Universitet Press. 1993.

74. Bario A.G. Connectionist learning for control in Neural Networks for control. MIT Press, Cambridge, Massachsers, pp. 5-58, 1990.

75. Bothe. H.H. Fuzzy Neural Networks. Tutorium, IFSA'97, Prague, 1997, p. 37.

76. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. 1988. - N 2. - 321-355p.

77. Buckley J.J. Stability and fuzzy controller// Fuzzy Sets and Systems. 1996. Vol.77. P. 167-173.

78. Dubois D., Prade H. The three semantics of fuzzy sets/ Fuzzy sets and systems, № 90, 1997, pp. 141-149.

79. Mohamad H. Hassoun Fundamentals of Artificial Neural Network. A Bredford book. The MIT Press, Cambridge, Massachusetts, USA. 1995. 511 p.

80. Kato M. Yamamoto. A skill-based PID controller using artifical neural networks // Computation Intelligence for Modeling, Control and Automation and International Conference on Intelligent Agents, 28-30 Nov. 2005. Vol. l.P. 702-707.

81. Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. vol. 77. - P. 15-33.

82. Levin A., Narendra K.S., Control of nonlinear dynamical systems using neural networks: controllability and stabilization IEEE Transactions on Neural Networks, vol. 4, No. 2., 192-206 March 1993.

83. G. Lekutai, Adaptive self-tuning neuro wavelet network controllers. PhD thesis, Elec Eng, Virginia, 1997.

84. Li Y., Ang K.H, Chong G.C.Y. Patents, software, and hardware for PID control. An overview and analysis of the current art // IEEE Control Systems Magazine. Feb. 2006. P. 4154.

85. Mamdani, E.H., "Applications of fuzzy logic to approximate reasoning using linguistic synthesis," IEEE Transactions on Computers, Vol. 26, No. 12, pp. 1182-1191, 1977.

86. Qiao Wu Zhi, Mizumoto M. PID type fuzzy controller and parameters adaptive method/ Fuzzy sets and systems, № 78, 1996, pp. 23-35.

87. Pham T., Chen G. Introduction to Fuzzy Sets, Fuzzy Logic and Fuzzy Control Systems. Lewis Publishers, 2000.

88. Yongsheng Ding, Hao Ying, Shihuang Shao. Typical Takagi-Sugeno PI and PD fuzzy controllers: analytical structures and stability analysis Information Sciences. 2003. 151. P. 245-262.

89. L.A. Zadeh Outline of a new approach to the analysis of the complex systems and decision processes, IEEE Trans. Systems Man Cybernet. SMC-3 (1) (1973) 28-44.

90. Zadeh, L.A., "Fuzzy Logic," Computer, Vol. 1, № 4, pp. 83-93,1988.

91. Zadeh, L.A. The Calculus of Fuzzy If-Then Rules./ Zadeh L.A.// AI Expert. -1992.-Vol. 7.-P. 23-27.