Українська   English
ДонНТУ   Портал магистров

Содержание

Введение

В текущих условиях современного научно-технического прогресса любое предприятие любой отрасли не может обходиться без помощи научных методов управления, автоматики и вычислительной техники для конструирования автоматических и автоматизированных систем, позволяющих эффективно управлять различными объектами и процессами. Множество существующих объектов управления в реальных ситуациях проявляют различные свойства и плохо описываются или вообще не описываются целиком в терминах классических дифференциальных систем. Такие системы, в которых вполне можно пренебречь их стохастичностью проявляют комбинированное непрерывно-дискретное поведение, причём пренебрежение дискретной составляющей не даёт адекватных моделей. Для такого класса систем в середине шестидесятых годов начал развиваться новый подход, названный гибридными системами, который является тематикой данной работы.

Классические методы анализа и синтеза систем управления основаны на предположении, что математическая модель объекта является известной и абсолютно точно описывает его поведение. Однако для современных подходов к постановке и решению задач управления характерен более критический взгляд на точность математических моделей, имеющихся в распоряжении разработчика. При этом говорят о неопределенности математической модели объекта.

Металлургический завод является довольно сложным и многогранным предприятием. Существует сильное заблуждение, что металлургические заводы занимаются только выплавкой металлов, что не является истиной. Также, различные металлургические заводы могут иметь довольно разную структуру предприятия, производственный цикл, способ выплавки стали и многое другое. Однако не всегда процессы, протекающие в столь крупном предприятии, можно описать некоторой функциональной зависимостью, часто приходится иметь дело со стохастическими моделями и нечетким управлением, особенно в сфере управления некоторыми организационными или технологическими процессами. Помимо вышеперечисленного, в условиях неопределенности возрастает важность исследования возможных рисков, которые также влияют на принятие решений.

1. Актуальность темы

Актуальность данной работы заключается в том, что металлургический завод является довольно важной частью в жизни любого города, поскольку обеспечивает значительное количество рабочих мест и крупные поступления в бюджет. Положительная динамика финансовых показателей предприятий данного типа может служить серьезным подспорьем для экономического роста и повышения благосостояния населения страны. Эффективная работа крупных предприятий, таких как то, на котором базируется исследование, достигается за счет комплекса различных подходов.

Разработка масштабируемых систем, оснащенных функционалом, способным решать задачи в условиях неопределенности, является одним из перспективных направлений для работы в кризисных условиях, которые в последнее время происходят всё чаще.

2. Цель и задачи исследования, планируемые результаты

Целью работы является разработка такой масштабируемой системы управления процессами предприятия рассматриваемой отрасли, которая была применима в независимости от текущего состояние организации и могла бы реагировать на те ситуации, которые могут возникнуть в процессе её экономической, производственной и других деятельностей.

Основные задачи разрабатываемой системы:

  1. Создание масштабируемой системы с базовым графическим интерфейсом, реализующая основной функционал при подключении и программировании отдельных модулей.
  2. Для технологической части производства: возможность создания прослойки между верхним и средним уровнями АСУТП, SCADA-системами и PLC, которая могла бы качественно лучше управлять технологическими процессами при помощи реализованных методов.
  3. Для управленческой части производства: создание возможности внедрения автоматизации бизнес-процессов при помощи подключаемых модулей.
  4. Реализация модулей для решения задач связанных с нечеткой логикой, теорией игр, теорией автоматического управления и других.
  5. Создание на основе полученных модулей функционирующей системы на базе предприятия отрасли.

Объект разработки: система управления процессами в условиях неопределенности

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

  1. Применение теории игр и нечеткой логики для управления технологическими процессами.
  2. Оценка практической и экономической эффективности предложенного подхода в сравнении с тем, который существует на данный момент.
  3. Оценка практичности применения нейронных сетей, обученных управлению автоматизированными узлами технологических процессов, в сравнении с людьми.

3. Обзор исследований и разработок

Проблематика повышения эффективности управления за счет нечеткой логики является, на данный момент, одним из развивающихся направлений теории автоматического упавления. В то же время возможность расширения реализованного для этих целей функционала на другие сферы экономической деятельности предприятия изучено достаточно слабо.

3.1 Обзор международных источников

Применение нечеткого управления в промышленности довольно часто упоминается в различных работах [1]. Наиболее часто эта тема поднимается в контексте настройки ПИД-регуляторов [2-3], поскольку является одним из эффективных методов его настройки. В то же время проблема оценки экономического состояния предприятия, как одного из главнейших источников информации для управления его состояниям, широко исследована и представлена в виде различных стандартов. В бакалаврской работе при разработке модели системы управления для общей оценки предприятия был выбран стандарт для оценки рисков FERMA [4], в свою очередь для оценки предприятия и его сравнения с другими предприятиями металлургической отрасли была выбрана методика рейтингового агентства Moody`s [5].

Что касаемо непосредственно гибридных интеллектуальных систем одними из наиболее значимых работ являются [6-8]. Также, важным исследованием касательно применения гибридных интеллектуальных систем является [9]

3.2 Обзор национальных источников

Теоретической базой для исследования управления в условиях неопределенности в данной работе являются работы Блягоза и Блюмина [10-11], которые дают достаточно подробную информацию по применению различных методов для управления в условиях неопределенности (применяемых в данной работе теории игр и нечеткого управления). Для разработки архитектурного дизайна гибридной интеллектуальной системы и формирования допустимо реализуемого функционала ключевую роль сыграл труд Колесникова [12]

4. Методика построения адаптивной интеллектуальной гибридной системы управления

Центральным вопросом при разработке различных адаптивных интеллектуальных систем является проектирование базы знаний о предметной области. В системах, основанных на знаниях, используется информация из баз данных и баз знаний. Такие системы широко применяются для решения различных задач управления, в которых нет априорного необходимого описания состояния и структуры системы. При этом методика построения адаптивной интеллектуальной гибридной системы управления, рассматриваемая в [12] предполагает наличие следующих этапов:

  1. анализ проблемной ситуации;
  2. формирование предметной области;
  3. разработка методов взаимодействия классической и нечеткой логики;
  4. структуризация предметной области и построение модели на основе классической и нечеткой логики;
  5. формирование базы знаний с базой правил в качестве управляющей компоненты;
  6. построение и описание модели в виде отдельных понятий;
  7. выполнение вычислительных экспериментов;
  8. моделирование отдельных подсистем гибридной системы;
  9. тестирование (анализ адекватности модели) гибридной системы;
  10. оценка качества вычислительных экспериментов;
  11. коррекция или доработка полученной модели.

Разработка гибридного метода исследования адаптивной интеллектуальной системы управления. Известно, что основу гибридизации составляют три закона: «закон взаимной адаптации», «закон дискретных рядов структур» и «закон трансформаций».

Закон взаимной адаптации. Динамика и синтез развития любой системы (гибрида) есть процесс взаимной адаптации компонентов системы между собой и системы с внешней средой, т.е. другими автономными методами и методами — гибридами.

Закон дискретных рядов структур. Любой гибрид может быть реализован посредством одной из его возможных структур из дискретного ряда. Закон утверждает, что существует некоторый метод получения одной структуры, входящей в дискретный ряд из другой структуры этого ряда. Также, в таком ряду должны существовать целевые структуры, что позволит определить проблему качества сложной системы, т.е. сделать гибридизацию целенаправленной.

Закон трансформации. Трансформация одной структуры гибрида в другую может происходить только через общие для обеих структур знания, т.е. через состояние системы. Закон трансформации описывает образование новых состояний системы, которые отображаются пересечением их характеристических кривых, их интерференцию между собой. В соответствии с законом трансформации новая структура не может быть порождена как таковая и возникает только на базе предыдущей структуры. При этом сохраняется достигнутая при старой структуре взаимная адаптация части компонентов, достаточная для построения новой структуры.

Первый уровень представлен традиционным формально-логическим мышлением. Данный уровень основан на классических методах и процессах управления, которые описаны при помощи программного языка. На втором уровне используется нечеткое моделирование, позволяющее в совокупности с полученными результатами первого уровня исследовать различные аспекты неопределенности. Двухуровневое позиционирование позволяет рассматривать общую структуру системы обработки данных с различных точек зрения, при этом взаимодействие элементов (компонентов) структуры носит не только механический или электрический характер, но и информационный, что является важным атрибутом современных организационно-технических систем. В соответствии с представленной системой обработки данных адаптивная гибридная система управления реализована на основе совокупности алгоритмов и методов традиционного формально логического мышления и нечеткой логики.

Последовательность действий при решении задачи управления показана на рисунке ниже

Последовательность действий при решении задачи управления

Рисунок 1 — Последовательность действий при решении задачи управления

Предлагаемый алгоритм решения задачи управления дает возможность решать одну задачу несколькими автономными методами, причем математическая или программная реализация данного алгоритма может быть выполнена одним из методов на определенной итерации. В данном случае гибридизация основана на двух методах и последовательность выглядит как: метод 1 -> метод 2.

Структура алгоритма состоит из нескольких этапов. Идентифицируем переменные:

  1. выполнение метода 1 (классическая логика) соответствует условию I=1;
  2. не выполнение метода 1 соответствует условию I=0;
  3. положительная оценка соответствует условию L=1;
  4. отрицательная оценка соответствует условию L=0.

Содержание основных этапов гибридного моделирования имеет следующую структуру.

  1. Реализуется постановка задачи, т.е. точная формулировка условий с описанием входных и выходных данных, используемых для ее решения.
  2. Сбор информации. Принимаемые сигналы от внешней среды являются входными воздействиями для блока предобработки исходных данных.
  3. Предобработка исходных данных, т.е. создание классифицированной системы для всех методов, используемых в гибридной системе с целью подготовки информации для блока принятия решений.
  4. Формирование базы знаний.
  5. Принятие решения, в соответствии с которым осуществляется выбор метода решения задачи управления. Применительно к рассматриваемой задаче гибридизатору необходимо располагать достаточными знаниями о том, достаточно ли знаний получено после выполнения первого метода, чтобы продолжить выполнение процесса решения задачи управления, поэтому если выполняется условие I=1, то происходит переход к шагу 7, иначе — переход к шагу 6.
  6. Реализация классического метода гибридной системы.
  7. Реализация нечеткого метода гибридной системы.
  8. Оценка эффективности принятого решения. Если выполняется условие L=1, то происходит переход к шагу 10, иначе — переход к шагу 9.
  9. Корректировка результатов для продолжения решения.
  10. Завершение работы алгоритма, вывод решения.

При реализации одного из методов гибридизации в управлении гибрид создается в процессе решения задачи управления. Процессом создания гибрида является формирование определенной последовательности взаимосвязанных отношений Ri. Необходимым условием функционирования гибрида является расстановка приоритетов между автономными методами, используемыми гибридом.

Формирование стеков технологий разработки

Под стеком технологий принято называть перечень технологий, языков программирования, библиотек, расширений и т.д., которые используются для решения той или иной задачи.

Одним из наиболее быстро развивающихся языков программирования является Python. Данный язык имеет слабые IDE для разработки интерфейсов, а те что имеют достаточный функционал для реализации проекта такого уровня — работают с Python через связующие компоненты. Так, для работы с графическим интерфейсом в Visual Studio используется расширение IronPython, которое на данный момент работает только с Python версии 2, что накладывает ограничение на процесс разработки. Для разработки интерфейса удобно использовать технологию WPF, поскольку в ней присутствует элемент Canvas, который можно эффективно использовать для построения мнемосхем технологических процессов, в отличии от Windows Forms. Альтернативой этой IDE может служить только Qt Creator, работающий через расширение PyQt, однако оно требует дальнейшего изучения среды Qt, поэтому предпочтение было отдано Visual Studio.

Поскольку средой разработки была выбрана Visual Studio, то следует рассмотреть возможность создания мультиязычного проекта. В данном случае это имеет смысл, поскольку только C# обладает достаточно подробным руководством по созданию баз знаний, позволяет напрямую работать с системой NuGet, что может понадобится для эффективного процесса разработки и т.д., то можно использовать связку этих языков. Учитывая тот факт, что Visual Studio более приспособлена для работы с языком C#, то наибольший приоритет следует отнести именно C#; в то же время Python будет выступать в роли вспомогательного для работы с машинным обучением.

Выбор приоритетным языком разработки C# позволяет однозначно задать тот факт, что операционной системой, в которой будет работать разрабатываемая ГИС, будет Windows, причем в редакции x86, что позволит добиться совместимости с более старыми компьютерами, которые чаще всего встречаются на предприятиях.

В качестве библиотеки для работы с нейросетями и машинным обучением был выбран TensorFlow, поскольку он является неоспоримым лидером по популярности среди кроссплатформенных библиотек, обладающий также достаточно подробной документацией и имеющий поддержку сообщества. При непосредственном проектировании системы следует также рассмотреть возможность полного исключения ЯП Python и использование менее популярного и менее документированного неофициального ответвления TensorFlow — TensorFlowSharp.

Для соединения с контроллером Allen-Bradley предпочтение было отдано библиотеке LibPlcTag как наиболее часто встречающейся; для соединения с ПЛК Siemens S7–300 можно использовать как библиотеку S7.NET, так и небольшие библиотеки с открытым исходным кодом, которые можно найти на GitHub.

Таким образом стек технологий будет выглядеть следующим образом:

  1. операционная система разработки и работы ГИС: Windows x86;
  2. языки программирования: C# и Python (опционально, 2 версия);
  3. среда разработки: Visual Studio (предпочтительнее актуальная версия);
  4. СУБД: Microsoft SQL Server (предпочтительнее актуальная версия);
  5. подключаемые библиотеки и расширения: TensorFlow (TensorFlowSharp при отказе от Python), LibTagPlc, S7.NET, IronPython;
  6. другие используемые технологии: WPF.

Выводы

На данный момент были получены следующие результаты исследования:

  1. разработана модель управления в условиях неопределенности (результат бакалаврской работы);
  2. сформирован перечень реализуемого функционала системы;
  3. описана общепринятая методика построения гибридных интеллектуальных систем в контексте разрабатываемой системы;
  4. сформирован стек технологий, который будет использован для создания системы, а также базовые системные требования к техническому обеспечению.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: июнь 2019 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

  1. Timothy T. Ross, Fuzzy Logic. — United Kingdom, 2010. — 530 p.
  2. Natsheh, E. and Buragga, K. A. Comparison between conventional and fuzzy logic pID controllers for controlling DC motors, IJCSI — International Journal of Computer Science Saudi Arabia, 2010. — 128–134 pp.
  3. Jelena Godjevac, Comparison between PID and fuzzy control, LAMI–EpFL — Ecole polytechnique Federale de Lausanne, Switzerland [Электронный ресурс]. — Режим доступа: https://www.polytech.univ-smb.fr/fileadmin....
  4. FERMA a risk management standard. — Federation of European risk management association, 2002. — 16 с.
  5. Global Mining Industry. Rating methodology. — Moody’s Investors Service, 2014. — 24 с.
  6. Medsker L.R. Hybrid Intelligent Systems. — Boston: Kluwer Academic publishers, 1995. – 298 с.
  7. Wermter S., Sun R. Hybrid Neural Systems. — Heidelberg, Germany: Springer-Verlag, 2000. — 401 p.
  8. Jain L.C., Martin N.M. Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. — CRC Press, CRC Press LLC, 1998. — 368 p.
  9. Pacheco, R.A hybrid intelligent system applied to financial statement analysis / R. Pacheco // Proc. of 5th FUZZ IEEE. New Orleans. — 1996. —  1007—1012 pp.
  10. Блюмин С.Л. Модели и методы принятия решений в условиях неопределенности / С.Л. Блюмин, И.А. Шуйкова. — Липецк : ЛЭГИ, 2001. — 138 с.
  11. Блягоз З.У. Принятие решений в условиях риска и неопределенности / З.У. Блягоз, А.Ю. Попова // Вестник Адыгейского государственного университета, 2006. — №4. — С. 28–34.
  12. Колесников, А.В. Гибридные интеллектуальные системы: теория и технология разработки / А.В. Колесников — СПб. : Изд-во СПбГТУ, 2001. — 600 с.