Идентификация динамики технологических процессов на основе моделей нечеткой логики

• Автор: Суслова, Светлана Александровна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Воронеж
• Количество страниц: 166 с. : ил.

Глава К АНАЛИЗ ПОДХОДОВ К МОДЕЛИРОВАНИЮ И ИДЕНТИФИКАЦИИ НЕЧЕТКИХ ДИНАМИЧЕСКИХ СИСТЕМ

1.1. Анализ динамических процессов и ситем

1.2. Основные понятия и операции с нечеткими множествами

1.3. Обзор методов построения и идентификации нечетких динамических моделей

1.4. Постановка задачи исследования

Глава 2. ПОСТРОЕНИЕ НЕЧЕТКОЙ ДИНАМИЧЕСКОЙ МОДЕЛИ И АЛГОРИТМОВ ИДЕНТИФИКАЦИИ

2.1. Построение нечеткой динамической модели

2.2. Определение коэффициентов линейных разностных уравнений

2.3. Определение параметров функций принадлежности

2.4. Определение количества правил и порядка нечеткой модели

2.5. Организующий алгоритм идентификации нечеткой динамической модели

2.6. Выводы по второй главе
Глава 3. ИССЛЕДОВАНИЕ НЕЧЕТКИХ РАЗНОСТНЫХ
МОДЕЛЕЙ И АЛГОРИТМОВ ИДЕНТИФИКАЦИИ
3.1. Идентификация нечетких моделей линейных
динамических объектов
3.2. Идентификация нечетких моделей нелинейных
динамических объектов
3.3. Идентификация нечетких моделей
многосвязных объектов
3.4. Совершенствование алгоритма идентификации
нечеткой модели многосвязного объекта

3.5. Организующий алгоритм идентификации многосвязной
нечеткой динамической модели
3.6. Выводы по третьей главе
Глава 4. МОДЕЛИРОВАНИЕ ДИНАМИЧЕСКИХ ПРОЦЕССОВ МЕТАЛЛУРГИЧЕСКОГО ПРОИЗВОДСТВА
4.1. Описание и анализ душирующей установки
4.2. Построение и идентификация нечеткой модели,
определяющей температуту смотки
4.3. Описание электрических печей отжига
трансформаторной стали
4.4. Построение и идентификация нечеткой модели
динамики тепловых режимов колпаковой печи отжига
4.5. Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
ПРИЛОЖЕНИЕ
Актуальность работы. Современные методы управления динамическими режимами технологических процессов реализуются, как правило, на базе матема-I тического моделирования. Отличительными особенностями большинства технологических процессов являются: исключительная сложность, нелинейность и слабая изученность связей между переменными, высокая инерционность, неста-ционарность и наличие запаздывания, зависящего от величины входных переменных. В таких условиях неопределенности могут стать неприемлемыми традиционные детерминированные и статистические подходы к моделированию.
Одно из наиболее перспективных направлений преодоления отмеченных трудностей заключается в привлечении качественной информации для целей мо-' делирования динамических процессов. Введение JI. Заде понятия нечёткого множества как математического объекта, позволяющего формализовать качественную информацию о процессе, выраженную терминами словесного описания, стимулировало развитие нечёткого подхода к решению указанных проблем.
В задачах моделирования технологических процессов в условиях неопределенности широкое применение нашли нечеткие TSK (Takagi - Sugeno - Kang) модели, содержащие линейные разностные уравнения. Нечеткие разностные TSK - модели обладают способностью быстро настраиваться на меняющиеся условия i функционирования объекта и с высокой точностью описывать его динамические характеристики. Вместе с тем, до сих пор не разработана методология моделирования динамических процессов в условиях неопределенности, включающая этапы построения и идентификации нечётких разностных TSK - моделей. Этим определяется актуальность данной работы.
Связь с государственными программами и НИР. Диссертационная работа выполнялась в рамках госбюджетной темы «Методы и модели искусственного интеллекта», проводимой на кафедре информатики Липецкого государственного технического университета, и поддержана грантом РФФИ по проекту 06-08-00227.
Цель работы. Разработка методологии построения нечетких разностных ГЖ-моделей с одним или несколькими выходами, а также алгоритмов их идентификации, предназначенных для описания динамических режимов технологичес-

Є(0=б('-1)-
1+ХГ(Г)2(ґ-1)х(ґ)
(2.26)
и вектор коэффициентов
с(і) = с(ґ- І) + ()(( - 1)х(і)(у(і) - ст (і - 1)х(і)). (2.27)
Искомое значение вектора с равно с{Т). Если не выполняется условие адекватности (2.23), то в соответствии с рекомендациями работы [29] следует проводить многократную идентификацию по одним и тем же данным, пока не выполнится условие (2.23) или скорость сходимости на у - ой итерации Д Ут = /т - У7-1 достигнет нижнего предела Д У3
Алгоритм идентификации (2.26), (2.27) коэффициентов разностного уравнения нечеткой модели не требует выделения большого объема оперативной памяти для хранения данных и позволяет легко пересчитать вектор с(Т) при поступлении данных в моменты времени ?= 1, 2 Т.
Сделаем ряд замечаний, касающихся оценки качества параметрической идентификации. Выбор оценки качества идентификации во многом зависит от размера исходного множества данных
При небольшом количестве данных можно ограничиться применением критерия (2.22). Тогда задача параметрической идентификации сводится к типичной задаче аппроксимации, которая считается успешно решенной, если выполняется условие (2.23). Возможен и другой подход к оценке качества идентификации, если множество исходных данных А достаточно велико. Тогда его следует разбить на два подмножества
в которых А = В и С, Т = Тв 1) Тс. Примерами временных множеств Тв, Тс могут служить совокупности четных ТВ = {£|/ = 0,2,4 ГВ} и нечетных Тс ={ф = 1,3,5 ГС}моментов времени с количеством элементов Аз и Ас, соответственно. На множестве данных В производится параметрическая идентификация с помощью алгоритма (2.26), (2.27) до выполнения условия
ДУТ <ДУа.
А ={х,{іу(і)}, 1=1,т, ґєТ = {ґ|/ = 0,1 Г}.
Увв - 0.03,