Академическая наука3034-40423034-404210.24412/3034-4042-2025-2-83-88OtherМОДЕЛЬ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМ ОБЪЕКТОМ НА ОСНОВЕ ИНТЕЛЛЕКТУ АЛЬНОГО РЕГУЛЯТОРА И СУБТРАКТИВНОЙ КЛАСТЕРИЗАЦИИMODEL OF CONTROL OF A TECHNICAL OBJECT BASED ON AN INTELLIGENT CONTROLLER AND SUBTRACTIVE CLUSTERINGИгнатьеваАлександра СергеевнаIgnatyevaAlexandra Sergeevnaalexandra_25@mail.ruШадринаВалентина ВячеславовнаShadrinaValentina Vyacheslavovnavvshadrina@sfedu.ruИгнатьевВладимир ВладимировичIgnatyevVladimir Vladimirovichvvignatev@sfedu.ruSouthern Federal UniversityRostov-on-DonRussiaЮжный федеральный университетРостов-на-ДонуРоссия30032025283881603202530032025

В работе рассматривается модель управления техническим объектом на основе интеллектуального регулятора, спроектированного на основе ПИ-регулятора и нечеткого регулятора. Основная идея такого регулятора заключается в возможности получения желаемого управления техническим объектом в условиях неопределенности. Так как база правил таких регуляторов может на практике содержать тысячи управляющих правил предложен метод еёоптимизации на основе субтрактивной кластеризации, который заключается в сокращении количества исходных данных для синтеза базы правил регулятора. За счет кластеризации исходных данных сокращается и количество функций принадлежности входных лингвистических переменных регулятора, следовательно, и заключений. Это позволяет сократить объем базы правил. В работе представлены результаты кластеризации, сгенерированная на основе данной кластеризации FIS-структура регулятора и полученная поверхность нечеткого вывода.

The paper considers a model of technical object control based on an intelligent controller designed on the basis of a PIcontroller and a fuzzy controller. The main idea of such a controller is the ability to obtain the desired control of a technical object under uncertainty. Since the rule base of such controllers can in practice contain thousands of control rules, a method for itsoptimization based on subtractive clustering is proposed, which consists in reducing the amount of initial data for synthesizing the controller rule base. Due 84 №1 ( - ) 2025. to the clustering of the initial data, the number of membership functions of the input linguistic variables of the controller is reduced, and, consequently, conclusions. This allows reducing the size of the rule base. The paper presents the clustering results, the FISstructure of the controller generated on the basis of this clustering, and the resulting fuzzy inference surface.

модельтехнический объектуправлениеинтеллектуальный регуляторсубтрактивная кластеризацияоптимизацияmodeltechnical objectcontrolintelligent controllersubtractive clusteringoptimizationN. Jafarzade, O. Kisi, M. Yousefi, M. Baziar, V. Oskoei, N. Marufi, A. Mohammadi. Viability of twoadaptive fuzzy systems based on fuzzy c means and subtractive clustering methods for modeling Cadmium in groundwater resources // Heliyon, Volume 9, Issue 8, 2023. [Электронный ресурс]. – Режим доступа: https:// doi.org/10.1016/j.heliyon.2023.e18415.Zand J.P., Katebi J., Yaghmaei-Sabegh, S. A hybrid clustering-based type-2 adaptive neuro-fuzzy forecasting model for smart control systems // Expert Systems with Applications. Volume 239, 2024, 122445. [Электронный ресурс]. – Режим доступа: https://doi.org/10.1016/j.eswa.2023.122445.X. Yang, H. Xing, X. Ji, W. Xu, W. Pedrycz. Fuzzy clustering for electric field characterization and itsapplication to thunderstorm interpretability // Digital Communications and Networks, 2024. [Электронный ресурс]. – Режим доступа: https://doi.org/10.1016/j.dcan.2024.03.010.J. Zhou, J. Chen, H. Li. An optimized fuzzy K-means clustering method for automated rock discontinuities extraction from point clouds // International Journal of Rock Mechanics and Mining Sciences. Volume 173, 2024, 105627. [Электронный ресурс]. – Режим доступа: https://doi.org/10.1016/j.ijrmms.2023.105627.F. Eustaquio, T. Nogueira. Evaluating the numerical instability in fuzzy clustering validation of highdimensional data // Theoretical Computer Science Volume 805, 2020, Pages 19-36. [Электронный ресурс]. – Режим доступа: https://doi.org/10.1016/j.tcs.2019.10.039.M.Yang, C. Shi, H. Liu. Day-ahead wind power forecasting based on the clustering of equivalent power curves // Energy. Volume 218, 2021, 119515. [Электронный ресурс]. – Режим доступа: https://doi. org/10.1016/j.energy.2020.119515.Игнатьева А.С. Нечеткая кластеризация как способ повышения эффективности управления в автоматических системах // Программные продукты и системы. 2024. Т. 37. № 4. С. 566-575. doi:10.15827/0236-235X.148.566-575.В.В. Игнатьев, О.Б. Спиридонов, В.В. Соловьев, Д.А. Белоглазов, А.С. Игнатьева. Моделирование гибридного управления техническим объектом с применением системы нечеткого вывода типа Сугено // Труды конгресса по интеллектуальным системам и информационным технологиям «IS&IT’18». Научное издание в 3-х томах. – Таганрог: Изд-во Ступина С.А., 2018. – Т. 2. – 418с. ISBN 978-5-6041321-4-2, ISBN 978-5-6041321-6-6 (Т. 2). С. 29-35.N. Jafarzade, O. Kisi, M. Yousefi, M. Baziar, V. Oskoei, N. Marufi, A. Mohammadi. Viability of twoadaptive fuzzy systems based on fuzzy c means and subtractive clustering methods for modeling Cadmium in groundwater resources // Heliyon, Volume 9, Issue 8, 2023. [Elektronnyi resurs]. – Rezhim dostupa: https://doi. org/10.1016/j.heliyon.2023.e18415.Zand J.P., Katebi J., Yaghmaei-Sabegh, S. A hybrid clustering-based type-2 adaptive neuro-fuzzy forecasting model for smart control systems // Expert Systems with Applications. Volume 239, 2024, 122445. [Elektronnyi resurs]. – Rezhim dostupa: https://doi.org/10.1016/j.eswa.2023.122445.X. Yang, H. Xing, X. Ji, W. Xu, W. Pedrycz. Fuzzy clustering for electric field characterization and itsapplication to thunderstorm interpretability // Digital Communications and Networks, 2024. [Elektronnyi resurs]. – Rezhim dostupa: https://doi.org/10.1016/j.dcan.2024.03.010.J. Zhou, J. Chen, H. Li. An optimized fuzzy K-means clustering method for automated rock discontinuities extraction from point clouds // International Journal of Rock Mechanics and Mining Sciences. Volume 173, 2024, 105627. [Elektronnyi resurs]. – Rezhim dostupa: https://doi.org/10.1016/j.ijrmms.2023.105627.F. Eustaquio, T. Nogueira. Evaluating the numerical instability in fuzzy clustering validation of 88 Академическая наука №1 (январь-март) 2025 г. high-dimensional data // Theoretical Computer Science Volume 805, 2020, Pages 19-36. [Elektronnyi resurs]. – Rezhim dostupa: https://doi.org/10.1016/j.tcs.2019.10.039.M.Yang, C. Shi, H. Liu. Day-ahead wind power forecasting based on the clustering of equivalent power curves // Energy. Volume 218, 2021, 119515. [Elektronnyi resurs]. – Rezhim dostupa: https://doi.org/10.1016/j. energy.2020.119515.Ignat’eva A.S. Nechetkaia klasterizatsiia kaksposob povysheniia effektivnosti upravleniia v avtomaticheskikh sistemakh // Programmnye produkty i sistemy. 2024. T. 37. № 4. S. 566-575. doi:10.15827/0236235X.148.566-575.V.V. Ignat’ev, O.B. Spiridonov, V.V. Solov’ev, D.A. Beloglazov, A.S. Ignat’eva. Modelirovanie gibridnogo upravleniia tekhnicheskim ob”ektom s primeneniem sistemy nechetkogo vyvoda tipa Sugeno // Trudy kongressa pointellektual’nymsistemam i informatsionnym tekhnologiiam «IS&IT’18». Nauchnoe izdanie v 3-khtomakh. – Taganrog: Izd-voStupina S.A., 2018. – T. 2. – 418s. ISBN 978-5-6041321-4-2, ISBN 978-5-60413216-6 (T. 2). S. 29-35.