Разработка алгоритмов синтеза адаптивной цифровой системы управления многомерными объектами в условиях нестационарности

• Автор: Рязанцев, Сергей Васильевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Воронеж
• Количество страниц: 185 с. : ил.

1.1. Анализ подходов к синтезу систем управления многомерными объектами

1.2. Характеристика подходов к синтезу систем управления нестационарными объектами

1.3. Анализ практического применения адаптивных систем управления нестационарными объектами.

1.4. Характеристика подходов к синтезу адаптивных систем управления

1.4.1. Классификация адаптивных систем управления.

1.4.2. Подходы к синтезу самонастраивающихся систем управления

1.4.3. Алгоритм синтеза самонастраивающихся систем

1.4.4. Анализ методов текущей идентификации.

1.4.5. Анализ подходов к адаптации управляющей части многомерной системы.

1.5. Анализ применения технических средств систем управления.

1.6. Выводы
Глава 2. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО ОПИСАНИЯ И АЛГОРИТМОВ АДАПТИВНОГО УПРАВЛЕНИЯ МНОГОМЕРНЫМИ НЕСТАЦИОНАРНЫМИ ОБЪЕКТАМИ
2.1. Алгоритм синтеза адаптивной цифровой системы управления многомерными объектами.
2.2. Разработка математической модели объекта
2.2.1. Описание топологии физических связей объекта управления
2.2.2. Идентификация объекта по каналам управления и возмущения.
2.3. Разработка общей структуры многомерной цифровой системы управления и алгоритма автоматического синтеза автономных компенсаторов
2.4. Синтез алгоритмов оптимизации многомерных Цифровых систем управления
2.4.1. Синтез и анализ алгоритма оптимизации управляющей части несвязанной и связанной неавтономной цифровой системы
2.4.2. Синтез и анализ первого алгоритма оптимизации управляющей части автономной цифровой системы
2.4.3. Синтез и анализ второго алгоритма оптимизации управляющей части автономной цифровой системы
2.5. Синтез связаннокомбинированных цифровых систем управления.
2.6. Выводы
Глава 3. СИНТЕЗ КОНТУРА АДАПТАЦИИ СИСТЕМЫ УПРАВЛЕНИЯ МНОГОМЕРНЫМ НЕСТАЦИОНАРНЫМ ОБЪЕКТОМ
3.1. Выбор алгоритма текущей идентификации объекта управления.
3.1.1. Разработка математического описания предлагаемого алгоритма текущей идентификации.
3.1.2. Разработка алгоритма текущей идентификации.0
3.2. Синтез алгоритма адаптации автономных и инвариантных компенсаторов и эквивалентных объектов
3.2.1. Разработка математического описания алгоритма адаптации автономных и инвариантных компенсаторов и эквивалентных объектов.
3.2.2. Алгоритм адаптации автономных и инвариантных компенсаторов.
3.3. Выводы.
Глава 4. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ АДАПТИВНОГО ЦИФРОВОГО УПРАВЛЕНИЯ МНОГОМЕРНЫМ ПРОЦЕССОМ ЭКСТРАКТИВНОЙ РЕКТИФИКАЦИИ БУТИЛЕНДИВИНИЛЬНОЙ ФРАКЦИИ
4.1. Анализ процесса экстрактивной ректификации бутилендивинилыюй фракции как многомерного нестационарного объекта управления.
4.2. Синтез автономной и автономноинвариантной цифровых систем управления процессом экстрактивной ректификации бутилендивинильной фракции
4.3. Синтез адаптивной автономноинвариантной цифровой системы управления многомерным процессом экстрактивной ректификации бутилендивинильной фракции при наличии нестационарности.
4.4. Выводы
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК.
я
ПРИЛОЖЕНИЕ. Копии актов о использовании результатов работы.

Введение


В теории управления эта технология используется для построения нейрорегуляторов, способных к самообучению и адаптации. Эволюционное моделирование. Базой послужила теория эволюции Ч. Дарвина естественный отбор, согласно которой эволюция осуществляется при взаимодействии трех повторяющихся процессов отбора экземпляров популяции, амплификации производство потомков и мутации. Эти принципы использованы при разработке генетических алгоритмов, являющихся основой эволюционного моделирования технических систем ,6. Применяются при настройке нейронных регуляторов и поиске функций принадлежности в нечетких СУ. Распределенный ИИ и многоагентные системы. Одной из главных причин повышенного внимания к проблемам распределенного ИИ и возникновения технологии многоагентных систем явилась необходимость распараллеливания поиска и обработки собранной информации в таких хранилищах данных, как сеть Интернет. Используется при создании распределенных интеллектуальных систем. Большие затраты на создание предварительной базы знаний БЗ об объекте, его функционировании и способах управления им. Это оправдано только тогда, когда традиционные пути формализации описания ОУ и процедуры управления реализовать невозможно. Процедуры классификации должны быть построены так, чтобы сама классификация годилась бы для тех текущих ситуаций, о которых система не получила информации от экспертов. Системы с ИИ не могут оптимизировать управление. Они ориентированы лишь на такое управление, когда достигнутые результаты будут не хуже лучших результатов, которые мог бы получить человек. Таким образом, преимущество ИИ заключается в отсутствии необходимости иметь формализованную модель объекта. Управление осуществляется на основе измерения состояний ОУ, оценке текущей ситуации и выработки управляющих воздействий по сформированным и заложенным в БЗ правилам. Однако в этом и заключается один из главных недостатков систем с ИИ. Сколь большой не была бы БЗ она все равно конечна, в то время как множество ситуаций, в которых необходимо осуществлять управление объектом бесконечно. Поэтому, несмотря на требование 3, которое не всегда реализуемо, СУ с ИИ не могут предусмотреть всех возникающих ситуаций особенно вначале и содержать правила управления на любой случай. Введение элементов прогнозирования, обучения и самообучения позволяет лишь в некоторой степени решить эту задачу и требует при этом участия человека. Еще одним недостатком систем с ИИ является необходимость использования мощных средств ЦВТ, что может оказаться экономически невыгодным. Кроме того, системы с ИИ не обеспечивают оптимального управления, а лишь близкое к нему. Таким образом, наилучшее на сегодняшний день управление многомерными ТО может быть получено при синтезе и реализации многосвязных систем. При этом наиболее эффективные из них получаются при использовании принципов автономности и инвариантности. Однако наличие указанных недостатков сдерживает синтез данных СУ с размерностью больше двух, использование которых обеспечило бы наилучшее качество управления и максимальный экономический эффект. На сегодня существует несколько подходов к синтезу СУ в условиях априорной и текущей неполноты в описании моделей ТО и внешних возмущений, когда такая неопределенность существенно влияет на качество управления и его результаты. При этом целью является гарантированное оптимальное в какомлибо смысле управление объектом и инвариантность выходных переменных, критериев качества или других характеристик систем к объективно существующим случайным неконтролируемым изменениям статических и динамических свойств ОУ и воздействий внешней среды при априорной неопределенности модели объект внешняя среда. Первый подход к созданию рассматриваемых систем заключается в использовании методов теории чувствительности пассивной адаптации или принципа робастности 0,3,0,8. Использование методов чувствительности позволяет разработать алгоритмы управления, обеспечивающих минимальную параметрическую чувствительность системы . Для этого в показатели качества синтеза вводят критерии чувствительности робастности.