Модель управления техническим объектом на основе интеллектуального регулятора и субтрактивной кластеризации

Вопросы оптимизации интеллектуальных регуляторов являются одними их ключевых при проектировании современных систем автоматизации, так как от этого зависит эффективность управления объектом или процессом. Одним из развивающихся направлений в этой области является оптимизация базы правил интеллектуальных регуляторов [1].

Например, в работе [2] в системе управления используются перекрывающиеся кластеры с системой нечеткого вывода Такаги-Сугено. Это сделано для обеспечения надежности в контурах интеллектуального управления. В частности, алгоритмы кластеризации используются для настройки функций принадлежности, что позволяет достичь высокую точность и эффективность работы системы управления.

Другим примером является работа [3], в которой метод кластеризации нечетких C-средних (FCM) используется для анализа грозовой активности, изменения которой связаны с изменениями сигнала атмосферного электрического поля. Для обнаружения грозовой активности применяются нечеткие множества и кластеризация.

В работе [4] требуется определить число кластеров (для разных задач) без априорного предположения об их числе. Авторами разработан метод оптимизации на основе нечеткого кластерного анализа, который позволяет это сделать.

Интересные исследования в области кластерного анализа выполнены в работе [5], где проверка качества нечеткой кластеризации выполняется на основе разных индексов достоверности кластеров. Задача прикладного характера решается в работе [6], где для обеспечения мониторинга состояния системы, отвечающей за контроль характеристик эксплуатационного поведения ветроэнергетической системы с целью исключения ее неисправностей, применяется нечеткая кластеризация.

Из анализа видно, что к подобным исследованиям среди научного сообщества проявляется большой интерес. В связи с этим, направление исследований данной стати является актуальным, так как в ней рассматривается модель управления техническим объектом с реализованным методом оптимизации базы правил интеллектуального регулятора на основе субтрактивной кластеризации.

Представленные в настоящей статье результаты являются продолжением цикла исследований авторов методов оптимизации моделей управления техническим объектом на основе интеллектуального регулятора и нечеткого кластерного анализа [7]. В частности, исследуемая модель представляет собой объект управления и интеллектуальный регулятор с заранее рассчитанными параметрами. Интеллектуальный регулятор спроектирован на основе совместной работы ПИ-регулятора и нечеткого регулятора. Дополнительно используется нейросеть с последующей генерацией FIS-структуры (выполняется обучение нечеткого регулятора на основе данных ПИ-регулятора по специально разработанному алгоритму обучения). База управляющих правил нечеткого регулятора строится автоматически по данным значений сигналов отклонения, интеграла отклонения и управления, полученных с ПИ-регулятора.

Далее для оптимизации базы правил нечеткого регулятора применяется метод на основе субтрактивной кластеризации, после которого снова выполняется его обучение, но уже на основе кластеризованных данных.

Научная новизна исследования заключается в сокращении за счет кластеризации количества всех значений сигналов отклонения, интеграла отклонения и управления ПИ-регулятора, соответственно, как и значений таких же сигналов при проектировании нечеткого регулятора (на основании этих значений формируются функции принадлежности, их параметры и заключения). Это позволяет в значительной степени сократить количество функций принадлежности нечеткого регулятора и существенно уменьшить объем нечетких правил без потери качества управления. Синтезированная модель управления техническим объектом на основе представленного метода представлена на рис. 1.

Рисунок 1. Модель управления Значения сигналов, полученных с регуляторов до кластеризации представлены на рис. 2.

Рисунок 2. Значения сигналов ПИ-регулятора и нечеткого регулятора до кластеризации Значения сигналов, полученных с регуляторов после кластеризации представлены на рис. 3.

Рисунок 3. Значения сигналов ПИ-регулятора и нечеткого регулятора после субтрактивной кластеризации FIS-структура синтезированного нечеткого регулятора после выполнения субтрактивной кластеризации и обучения представлена на рис. 4. Рисунок 4. FIS-структура Поверхность нечеткого вывода для полученной FIS-структуры представлена на рис. 5. Рисунок 5. Поверхность нечеткого вывода Следует отметить, что до кластеризации количество функций принадлежности каждой входной лингвистической переменной было равно пяти. Количество управляющих правил равно двадцати пяти – данные из работы [8]. После применения рассмотренного метода оптимизации на основе субтрактивной кластеризации, как видно из рис. 4, количество функций принадлежности входной лингвистической переменной (отклонения), входной лингвистической переменной (интеграла отклонения) стало равным четырем.

Количество искомых значений выходной переменной (заключений) стало равным шестнадцати. То есть, база управляющих правил уменьшилась, количество правил стало равным шестнадцати.

Это позволяет говорить о положительном эффекте, достигаемом с помощью предложенного метода, который заключается в сокращении базы правил интеллектуального регулятора. В дальнейших работах авторов будут представлены результаты моделирования, подтверждающие отсутствие потери качества желаемого управления при применении субтрактивной кластеризации для модели, представленной на рис. 1.