Математика/5. Математическое моделирование

Самигулина З.И.

Казахский Национальный Технический Университет

им. К.И. Сатпаева, Казахстан

Идентификация сложных объектов управления с применением подходов искусственного интеллекта

В настоящее время, современные объекты автоматического управления представляют собой сложные, нелинейные многомерные системы, при разработке которых возникает ряд существенных проблем. Например, трудности при построении математической модели могут быть вызваны недостатком «априорной» информации и наличием неопределенностей параметров. После того, как модель построена, важным этапом является осуществление процесса идентификации, который показывает адекватность математической модели по результатам измерения входных и выходных сигналов в реальном масштабе времени.

Существует множество методов идентификации сложных объектов с приложениями в различных областях. Так, например, в работе [1] рассматривается вопрос идентификации тензора моментов инерции космического аппарата в полете. Осуществляется определение динамических параметров космического аппарата расчетно - экспериментальным способом. Работа [2] посвящена решению задачи идентификации вероятностных параметров случайных возмущений в нелинейных математических моделях с дискретным временем на основе использования обобщенных вероятностных критериев. Предложен алгоритм идентификации неизвестных вероятностных параметров на основе критерия минимума отклонения апостериорной плотности вероятности текущей ошибки оценивания вектора переменных состояния объекта от заданной функции.

Интересно применение подходов искусственного интеллекта для решения задач идентификации, так например в работе [3] приводится гибридная иммунная сеть, алгоритм которой предназначен для решения задач структурной идентификации и выявления эмпирических закономерностей в структурах данных. Так же проводятся исследования по вопросам адаптации нечетких моделей идентификации нелинейных объектов, представленных в виде системы нечеткого вывода и нечеткой нейронной сети, с использованием искусственных иммунных систем (ИИС). Процесс адаптации состоит в настройке формы и параметров функций принадлежности, а так же параметров и структуры (в случае системы нечеткого вывода) базы нечетких правил. Все вышеизложенное показывает актуальность и востребованность применения подходов искусственного интеллекта к решению задачи идентификации.

Рассмотрим идентификацию сложных объектов управления на основе применения ИИС для системы управления траекторией движения космического аппарата (ТДКА). На рисунке 1. показана модель ТДКА и реальный объект управления (реальный космический аппарат), данные с которого поступают на считывающее устройство.

Рисунок 1 – Модель ТДКА и реальный сложный объект управления (космический аппарат)

При работе со сложными нелинейными объектами количество возможных параметров, которые необходимо обработать, огромно. Для их настройки можно применять градиентные методы, методы на основе случайного поиска, нейронные сети, генетические алгоритмы и искусственные иммунные системы. Искусственные иммунные системы обладают обучаемостью, централизованностью, самоорганизацией, памятью и способностью к распознаванию.

Задача идентификации сводится к снятию характеристик с реального объекта управления и настройки параметров модели ТДКА согласно полученным данным c помощью ИИС [6].

Литература:

1. Александров Е.А., Алексеев К.Б., Шадян А.В. К вопросу идентификации тензора моментов инерции космического аппарата в полете. // Машиностроение и инженерное образование, выпуск 4. – Издательство: МГИУ, 2010 г.

2. Кучеренко П.А., Соколов С.В. Идентификация вероятностных параметров случайных возмущений в нелинейных математических моделях с дискретным временем. //Южный федеральный университет. – Ростов-на-Дону, 2012. – №1. – С. 21-25.

3. Литвиненко В.И., Бидюк П.И., Фефелов А.А., Баклан И.В. Гибридная иммунная сеть для решения задач структурной идентификации // Нейронные сети. – 2006. – № 9. – С. 143–155.

4. Кораблев Н.М., Сорокина И.В. Адаптивные нечеткие модели идентификации нелинейных объектов на основе искусственных иммунных систем.// Бионика интеллекта, 2008. - №2(69). – С. 125-131.

5. Samigulina G.A. Development of the decision support systems on the basis of the intellectual technology of the artificial immune system. //Automatic and remold control. -Springer, 2012. Vol. 74, №2 – P. 397–403.

6. Samigulina G.А., Samigulina Z.I. Intellectual systems of forecasting and control of complex objects based on artificial immune systems. // Yelm, WA, USA: Science Book Publishing House, 2014. – Р. 189.