В настоящее время наметились тенденции к энергоперевооружению электромеханических систем насосных и турбокомпрессорных станций. Имеется в виду тот факт, что все большее и большее количество предприятий переходят на энергосберегающие системы электропривода – преобразователь частоты – асинхронный двигатель (ПЧ - АД) и преобразователь частоты – синхронный двигатель (ПЧ - СД).

        Однако, проблемы, связанные со стабилизацией давления в диктующих точках, быстрой ликвидацией возникающих гидроударов, резких колебаний давления на входе станций и расхода на выходе остаются. Задача стабилизации давления успешно решается с помощью систем ПЧ – АД и ПЧ – СД за счет применения жесткой обратной связи по давлению, измеряемому в диктующей(их) точке(ах).

        Нестабильность работы сложной разветвленной гидропневмосистемы может вызываться большим числом причин, среди которых на первое место можно поставить состояние сети и её запорной аппаратуры, а на второе – отсутствие достоверной информации о процессах, протекающих на различных участках сети. Для анализа неустановившихся переходных процессов в сложных гидравлических сетях с последующим управляющим воздействием на исполнительный орган (в идеале – на источник (электродвигатель насоса или компрессора)) предлагается использование нейронных сетей и фаззилогики. Рассмотрим каждый из этих способов, а также проанализируем их достоинства и недостатки.

        Пожалуй, наиболее поразительным свойством человеческого интеллекта является способность принимать правильные решения в обстановке неполной и нечеткой информации. Построение моделей приближенных рассуждений человека и использование их в компьютерных системах будущих поколений представляет сегодня одну из важнейших проблем науки.

        Значительное продвижение в этом направлении сделано более 40 лет тому назад профессором Калифорнийского университета (Беркли) Лотфи А. Заде (Lotfi A. Zadeh). Его работа «Fuzzy Sets», появившаяся в 1965 г. в журнале Information and Control, № 8, заложила основы моделирования интеллектуальной деятельности человека и явилась начальным толчком к развитию новой математической теории.

        Л. Заде расширил классическое канторовское понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения в интервале [0; 1], а не только значения 0 либо 1. Такие множества были названы им нечеткими (fuzzy). Он определил также ряд операций над нечеткими множествами и предложил обобщение известных методов логического вывода modus ponens и modus tollens.

        Введя затем понятие лингвистической переменной и допустив, что в качестве ее значений (термов) выступают нечеткие множества, Л. Заде создал аппарат для описания процессов интеллектуальной деятельности, включая нечеткость и неопределенность выражений.

        В последние 10 – 15 лет началось использование новых методов и моделей в промышленности и в военном деле. Спектр приложений их широк: от управления процессом отправления и остановки поезда метрополитена, управления грузовыми лифтами и доменной печью до стиральных машин, пылесосов и СВЧ-печей. При этом нечеткие системы позволяют повысить качество продукции при уменьшении ресурсо- и энергозатрат и обеспечивают более высокую устойчивость к воздействию мешающих факторов по сравнению с традиционными системами автоматического управления.

        Другими словами, новые подходы позволяют расширить сферу приложения систем автоматизации за пределы применимости классической теории. В этом плане любопытна точка зрения Л. Заде: «Я считаю, что излишнее стремление к точности стало оказывать действие, сводящее на нет теорию управления и теорию систем, так как оно приводит к тому, что исследования в этой области сосредоточиваются на тех и только тех проблемах, которые поддаются точному решению. В результате многие классы важных проблем, в которых данные, цели и ограничения являются слишком сложными или плохо определенными для того, чтобы допустить точный математический анализ, оставались и остаются в стороне по той причине, что они не поддаются математической трактовке. Для того чтобы сказать что-либо существенное для проблем подобного рода, мы должны отказаться от наших требований точности и допустить результаты, которые являются несколько размытыми или неопределенными».

        Смещение центра исследований нечетких систем в сторону практических приложений привело к постановке целого ряда проблем, таких как новые архитектуры компьютеров для нечетких вычислений, элементная база нечетких компьютеров и контроллеров, инструментальные средства разработки, инженерные методы расчета и разработки нечетких систем управления и многое другое. Математическая теория нечетких множеств позволяет описывать нечеткие понятия и знания, оперировать этими знаниями и делать нечеткие выводы.

        Нечеткое управление оказывается особенно полезным, когда технологические процессы являются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. Нечеткая логика, на которой основано нечеткое управление, ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы. Нечеткая логика, в основном, обеспечивает эффективные средства отображения неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности.

        Под нейронными сетями (НС) подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Адаптируемые и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в данных сетях является искусственный нейрон или просто нейрон, названный так по аналогии с биологическим прототипом.

        Термин «нейронные сети» сформировался в 40-х годах XX века в среде исследователей, изучавших принципы организации и функционирования биологических нейронных сетей. Основные результаты, полученные в этой области, связаны с именами американских исследователей У. Маккалоха, Д. Хебба, Ф. Розенблатта, М. Минского, Дж. Хопфилда и др. Представим некоторые проблемы, решаемые в контексте НС и представляющие интерес для пользователей.

        Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови.

Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов «без учителя», отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных.

Аппроксимация функций. Предположим, что имеется обучающая выборка ((x1, y1); (x2, y2);…; (x_N, y_N)) (пары данных вход – выход), которая генерируется неизвестной функцией F(x), искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции F(x). Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования.

Предсказание/прогноз. Пусть заданы n дискретных отсчетов {y(t₁); y(t₂);…; y{t_k)} в последовательные моменты времени t₁ , t₂ ,…, t_k. Задача состоит в предсказании значения y(t_k+1) в некоторый будущий момент времени t_k+1. Предсказание/прогноз имеет значительное влияние на принятие решений в бизнесе, науке и технике. Предсказание цен на фондовой бирже и прогноз погоды являются типичными приложениями техники предсказания/прогноза.

Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Известная задача коммивояжера является классическим примером задачи оптимизации.

Память, адресуемая по содержанию. В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация. Ассоциативная память, или память, адресуемая по содержанию, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию. Ассоциативная память чрезвычайно желательна при создании мультимедийных информационных баз данных.

Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t); y(t)}, где u(t) является входным управляющим воздействием, a y(t) – выходом системы в момент времени t. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия u(t), при котором система следует по желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление двигателем.

        Аппарат нечетких множеств и нечеткой логики, уже давно (более 10 лет) с успехом применяется для решения задач, в которых исходные данные являются ненадежными и слабо формализованными. Сильные стороны такого подхода:

• Описание условий и метода решения задачи на языке, близком к естественному;

• Универсальность: согласно знаменитой теореме fat (fuzzy approximation theorem), доказанной Б. Коско (B. Kosko) в 1993 г., любая математическая система может быть аппроксимирована системой, основанной на нечеткой логике;

• Эффективность (связана с универсальностью), поясняемая рядом теорем, аналогичных теоремам о полноте для искусственных нейронных сетей, например, теоремой вида: для каждой вещественной непрерывной функции g, заданной на компакте U и для произвольного ε > 0 существует нечеткая экспертная система, формирующая выходную функцию f(х) такую, что

где || • || – символ принятого расстояния между функциями.

        Вместе с тем для нечетких экспертных и управляющих систем характерны и определенные недостатки:

1) Исходный набор постулируемых нечетких правил формулируется экспертом-человеком и может оказаться неполным или противоречивым;

2) Вид и параметры функций принадлежности, описывающих входные и выходные переменные системы, выбираются субъективно и могут оказаться не вполне отражающими реальную действительность.

        Каждая разновидность систем искусственного интеллекта имеет свои особенности, например, по возможностям обучения, обобщения и выработки выводов, что делает ее наиболее пригодной для решения одного класса задач и менее пригодной для другого. Например, нейронные сети хороши для задач распознавания образов, но весьма неудобны для выяснения вопроса, как они такое распознавание осуществляют. Они могут автоматически приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а анализ обученной сети весьма сложен (обученная сеть обычно черный ящик для пользователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса ее обучения в нейронную сеть ввести невозможно.

        Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для использования их в механизмах выводов. Необходимость разбиения универсальных множеств на отдельные области, как правило, ограничивает количество входных переменных в таких системах небольшим значением. Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети эквивалентны друг другу, однако, в соответствии с изложенным выше, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу аппарата гибридных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания и для пользователя являются логически прозрачными.

        Гибридная нейронная сеть формально по структуре идентична многослойной нейронной сети с обучением, например, по алгоритму обратного распространения ошибки, но скрытые слои в ней соответствуют этапам функционирования нечеткой системы. Так:

• 1-й слой нейронов выполняет функцию введения нечеткости на основе заданных функций принадлежности входов;

•  2-й слой отображает совокупность нечетких правил;

•  3-й слой выполняет функцию приведения к четкости.

        Каждый из этих слоев характеризуется набором параметров (параметрами функций принадлежности, нечетких решающих правил, активационных функций, весами связей), настройка которых производится, в сущности, так же, как для обычных нейронных сетей.

        С точки зрения оптимизации переходных процессов наиболее оптимальным представляется использование гибридных нейронных сетей. Такие сети позволят осуществлять быстрое и надежное управление, когда переходные процессы в гидравлических и газовых сетях являются слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации интерпретируются качественно, неточно или неопределенно. При этом, используя такие возможности стандартных нейронных сетей, как аппроксимация функций, предсказание (прогноз) состояния сети, оптимизация и управление, мы получаем возможность организации устойчивых переходных процессов в гидравлических и газовых сетях с обеспечением заданных параметров сети.

Литература

1. Жуковский Н.Е. О гидравлическом ударе в водопроводных трубах. - М.: «Гостехиздат», 1949. – 103 с.
2. Бержерон Л. От гидравлического удара в трубах до разряда в электрической сети. Общий графический метод расчета. (Перевод с франц.) - М.: «Машгиз», 1962. – 348 с.
3. Streeter V.L., Wylie E.B. Hydraulic Transients. - New York: McCraw - Hill, 1967. – 317 p.
4. Лямаев Б.Ф., Небольсин Г.П., Нелюбов В.А. Стационарные и переходные процессы в сложных гидросистемах. Методы расчета на ЭВМ. Под ред. Лямаева Б.Ф. - Л.: «Машиностроение». Ленинградское отделение, 1978. – 192 с.
5. Прикладные нечеткие системы. Под ред. Тэрано Т., Асаи К., Сугэно М. - М.: Мир, 1993. - 368 с.
6. Змитрович А.И. Интеллектуальные информационные системы. - Минск: НТООО "ТетраСистемс", 1997. - 367 с.
7. Уоссермен Ф. Нейрокомпьютерная техника. - М.: Мир, 1992. - 127 с.
8. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996. - 275 с.
9. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия. Телеком, 2001. - 382 с.
10. Аверин А.Н. и др. Нечеткие множества в моделях управления и искусственного интеллекта. Под ред. Д. А Поспелова. - М.: Наука, 1986. - 312 с.