1

УДК 519.711

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ – ПЕРСПЕКТИВНАЯ

ПЛАТФОРМА ДЛЯ СОЗДАНИЯ ТЕХНИКИ НОВОГО ПОКОЛЕНИЯ

Лохин В.М. д.т.н., профессор, Романов М.П. д.т.н., профессор,

МГТУ МИРЭА, Москва, Россия, E-mail: cpd@mirea.ru

Аннотация. Рассматриваются основные особенности интеллектуальных бортовых сис-

тем управления и обработки информации, как перспективной платформы для создания

техники нового поколения. Акцентируется внимание на современные интеллектуаль-

ные технологии управления автономными объектами, функционирующими в условиях

неопределенности окружающей обстановки

Ключевые слова: интеллектуальные системы автоматического управления техника

нового поколения, автономные робототехнические системы

INTELLIGENT CONTROL SYSTEMS – THE PERSPECTIVE PLATFORM FOR

CREATION OF NEW GENERATION OF TECHNICAL OBJECTS

Lokhin V.M., Dr.Sci., proff., Romanov M.P., Dr.Sci., proff.,

MSTU MIREA, Moskow, Russia, E-mail: cpd@mirea.ru

Abstract. Thee main features of intelligent onboard control systems and information pro-

cessing, as perspective platform for creation of new generation of technical objects, are dis-

cussed. The attention to modern technologies of intelligent control by the autonomous objects

in uncertain conditions is focused

Keywords: intelligent systems of automatic control, new generation technical objects, auton-

omous robotic systems

Во всем мире разработкам технологий интеллектуального управления уделяется

большое внимание. Анализ публикаций показывает, что проводимые в России и за ру-

бежом научно-исследовательские программы, комплексные проекты и отдельные рабо-

ты по интеллектуальному управлению можно сгруппировать следующим образом:

— интеллектуальное управление промышленными объектами и производствен-

ными системами;

— создание систем интеллектуального управления подвижными объектами раз-

личного назначения и транспортными средствами наземного, подводного и воздушного

базирования;

— разработка средств и методов управления интеллектуальными роботами спе-

циального, промышленного, медицинского, бытового и других применений;

— разработка и создание специализированных аппаратных средств для систем

2

интеллектуального управления.

Примеры некоторых объектов нового поколения приведены на рис.1.

Интерес к интеллектуальным системам управления обуславливается целым ря-

дом причин. Первая из них состоит в том, что традиционные технологии уже не в со-

стоянии обеспечить требуемого повышения качества управления, поскольку не учиты-

вают всех неопределенностей, воздействующих на систему. Попытка совершенствова-

ния известных алгоритмов адаптивного управления не всегда дает желаемый результат.

Это объясняется как сложностью самих алгоритмов, так и сложностью их реализации

на цифровой технике с учетом условия обеспечения устойчивости дискретной системы

управления.

Второй причиной, способствующей интенсификации исследований в области

интеллектуальных систем управления, является наличие фундаментальной теоретиче-

ской базы, коей являются работы Д. Поспелова, Л. Заде, Е. Мамдани и др. ученых. Ис-

пользуя результаты этих работ в сочетании с профессиональным пониманием теории

автоматического управления можно ожидать позитивных результатов в обоснованной

интеллектуализации систем автоматического управления на основе применения совре-

менных методов и технологий обработки знаний.

3

Рис. 1. Объекты управления нового поколения

Третья причина связана с тем, что уже сейчас назрела целесообразность исполь-

зования преимуществ интеллектуальных технологий управления. В этой связи можно и

нужно говорить о реальности применения существующей элементной базы для созда-

ния определенных классов интеллектуальных систем управления, относительная про-

стота которых связана с обработкой ограниченного набора знаний в конкретной пред-

метной области. При этом естественно возникает и требует специального исследования

целый комплекс вопросов: о составе и оптимальных объемах знаний, выборе формы их

представления, способах формирования и т. д. Так, например, вопрос создания новой

элементной базы - нейросетевых структур, нечетких контроллеров и т. д., специально

ориентированных на поддержку интеллектуальных технологий обработки информации

и управления, остается крайне актуальным и представляет собой самостоятельное на-

правление исследований.

И, вероятно, последняя четвертая причина связана с тем, что дальнейшее разви-

тие интеллектуальных технологий управления как на исполнительном уровне (интел-

лектуальный привод, интеллектуальный мехатронный модуль и т. д.), так и на уровне

организации целесообразных действий и поведения позволяет обеспечить практиче-

скую реализацию и внедрение принципиально нового поколения машин, обладающих

высокими техническими характеристиками и функциональными возможностями.

Рассмотрим требования, которые предъявляет техника нового поколения к сис-

темам управления. Основные из них могут быть сведены к следующему:

обеспечение автоматической подстройки к изменению параметров системы и

объекта управления;

обеспечение высокой адаптивности к внешним возмущающим воздействиям

различной природы;

4

сохранение работоспособности в условиях неопределенности;

прогноз возможного развития событий;

возможность организации режимов самообучения на основе обобщения и

анализа результатов функционирования;

наличие развитого человеко-машинного интерфейса.

Большинство разделов классической теории управления ряд задач в рамках этих

требований в полной мере не решают. Важно подчеркнуть, что появляются новые зада-

чи, для которых она не была предназначена. Связано это, в первую очередь, с тем, что

классическая теория управления не обеспечивает решений, адекватных различным фак-

торам неопределенности, которые приходится учитывать при создании современной и

перспективной (особенно автономной) техники. Примеры неопределенностей приве-

дены в таблице 1, анализ различных факторов неопределенности систематизирован в

монографии [20].

Вся история развития искусственного интеллекта связана во многом с попытка-

ми разработки наиболее совершенных средств и методов управления в условиях неоп-

ределенности [20]. Сложность, а в ряде случаев и невозможность формализации задач

управления обусловливают целесообразность и необходимость их решения с привлече-

нием методов и технологий искусственного интеллекта.

Концепция построения интеллектуальных систем управления основана на четы-

рех ключевых положениях:

теории ситуационного управления;

иерархическом принципе построения системы управления;

обоснованном использовании четырех интеллектуальных технологий, наибо-

лее разработанных на сегодняшний день (экспертные системы, нечеткая логика, ней-

ронные сети, ассоциативная память);

адекватном соответствии степени интеллектуальности ( в малом, в большом и

целом) факторам неопределенности, действующим на систему.

Эффективность базовых принципов ситуационного управления, изложенных в

классической работе Д. Поспелова [2] убедительно доказана в работах [9, 10, 20] на

примерах создания конкретных систем управления.

Таблица 1

Примеры неопределенностей

Факторы

неопределенности Характерные примеры

Изменяющиеся параметры

объекта управления Характер изменения

Скорость

изменения

Кратность

изменения

Изменение конфигурации

и взаимного

расположения частей

исполнительного

механизма

Изменение геометрии рабочих

органов

Электромеханическая постоянная

времени

Непрерывный Высокая

1,5-5

Движение зеркала антенной установки Электромеханическая постоянная

времени

Непрерывный Низкая

1,5-2,5

Изменение

присоединенных масс

Изменение топливной загрузки Добротность, постоянные времени

внутренних контуров

Непрерывный Низкая

1,1-2

Изменение ракетно-бомбовой

загрузки

Добротность, постоянные времени Скачкообразный Высокая

2—10

Нестационарность упруго-

вязкой

механической

передачи

Изменение длины каната подъемника Частота собственных колебаний Непрерывный Низкая

1,1-10

Движение робота-манипулятора Соотношение масс Скачкообразный Высокая

2-5

Изменение параметров

объекта и системы

управления под влиянием

управляющих воздействий

Режимы непрерывного и

прерывистого токов

Коэффициент усиления и

постоянная времени токового

контура исполнительных

механизмов

Скачкообразный Высокая

1,5-3

Изменение потока возбуждения

исполнительных двигателей

Электромеханическая постоянная

времени

Непрерывный Низкая

4-16

Температурные изменения

и старение

Дрейф нуля, изменение номиналов

радиоэлементов, различного рода

перегрузки

Коэффициент усиления, постоянные

времени

Непрерывный Низкая

1,1-2

Практическая реализация концепции ситуационного управления на основе со-

временных интеллектуальных технологий предполагает наличие развернутой базы зна-

ний о принципах построения и целях функционирования системы, специфике исполь-

зования различных алгоритмов, особенностях исполнительных механизмов и управ-

ляемого объекта. В этом случае классификационный анализ имеющихся знаний с уче-

том текущих показаний измерительно-информационных средств должен обеспечивать

параметрическую и структурную настройку управляющих алгоритмов, модификацию

программы достижения целей управления, а при необходимости и их коррекцию.

Важно отметить, что главная особенность, которая отличает интеллектуальную

систему управления (Рис. 2) от построенной по «традиционной» схеме, связана с под-

ключением механизмов хранения и обработки знаний для реализации способностей по

выполнению требуемых функций в неполно заданных (или неопределенных) условиях

при случайном характере внешних возмущений. К возмущениям подобного рода могут

относиться непредусмотренное изменение целей, эксплуатационных характеристик

системы и объекта управления, параметров внешней среды и т. д. Кроме того, состав

системы при необходимости дополняется средствами самообучения, обеспечивающими

обобщение накапливаемого опыта и на этой основе пополнение знаний, а также про-

гноз развития событий.

В общем случае объект управления может быть достаточно сложным и включать

ряд функционально-подчиненных подсистем. Иерархия их подчинения обусловливает

декомпозицию исходных целей и задач управления на рекурсивную последователь-

ность вложенных составляющих. В конечном итоге такое разделение предполагает

многоуровневую организацию системы управления, обладающей развитыми интеллек-

туальными возможностями по анализу и распознаванию обстановки, формированию

стратегии целесообразного поведения, планированию последовательности действий, а

также синтезу исполнительных законов, удовлетворяющих заданным показателям ка-

чества. При этом структура системы интеллектуального управления сложным динами-

ческим объектом (Рис. 3) должна соответствовать иерархическому принципу построе-

ния и включать стратегический, тактический и исполнительный (приводной) уровни, а

также комплекс необходимых измерительно-информационных средств.

7

Рис. 2. Обобщенная концептуальная структура интеллектуальной системы управления

8

Планирование целесообраз-ного поведения:

— выбор стратегии выполнения задания;

— формирование последова-тельности необходимых дейст-вий;

— оперативная коррекция пове-дения с учетом изменения среды

Интеллектуальная система управления

Стратегический уровень

Тактический уровень

Планирование целесообраз-ных действий:

— с учетом динамики исполни-тельных подсистем;

— с учетом состояния и теку-щих изменений внешней среды

Исполнительный уровень

Обеспечение инвариантности или активной адаптации систе-мы управления приводами:

— к изменениям внешней на-грузки;

— к вариациям параметров сис-темы управления приводом

Замыкание контуров отдель-ных уровней управления:

— обеспечение адекватности преобразуемой информации целям функционирования сис-темы;

— достоверное отображение состояния внешней среды, сис-темы и объекта управления

Измерительно-информационный комплекс

Сложный динамический

объект управления

Внешняя среда

Рис. 4. Иерархическое построение системы интеллектуального управления сложным дина-

мическим объектом

Рис. 3. Иерархическое построение интеллектуальной системы управления сложным

динамическим объектом

Корректность замыкания отдельных контуров иерархии управления определяет-

ся тем составом функциональных элементов, которые обеспечивают требуемую адек-

ватность информационной поддержки в процессе сбора и обобщения сенсорных дан-

ных о текущем состоянии и воздействиях внешней среды. Таким образом, организация

каждого уровня интеллектуального управления предполагает использование уникаль-

ной совокупности собственных моделей представления знаний, информационной под-

держки, описания контролируемого объекта и т. д.

Следует подчеркнуть, что принцип иерархического построения систем управле-

ния сложными динамическими объектами сам по себе является далеко не оригиналь-

ным. Так, например, в целом ряде монографий, опубликованных на рубеже семидеся-

тых-восьмидесятых годов, подобная идея неоднократно обсуждалась применительно к

проблемам управления многофункциональными роботами вообще и обладающими

«элементами искусственного интеллекта» в частности [3, 8, 11]. В последнем случае

интеллектуальные функции, которые ограничивались задачами «восприятия, распозна-

вания и моделирования обстановки» с последующим «принятием решения на выполне-

ние той или иной операции», концентрировались исключительно на «высшем» уровне

9

иерархии, венчающем исполнительную, тактическую и стратегическую ступени управ-

ления [8].

С учетом последних достижений в области искусственного интеллекта и смеж-

ных научных направлений сферу прикладного применения методов и технологий обра-

ботки знаний в решении задач управления можно и нужно подвергнуть существенному

пересмотру. Его основная суть заключается в кардинальном изменении точки зрения на

роль и место современных интеллектуальных технологий в организации иерархическо-

го управления сложными динамическими объектами.

Главным отличием новой концепции иерархического построения систем управ-

ления сложными динамическими объектами является использование методов и техно-

логий искусственного интеллекта как средства борьбы с неопределенностью внешней

среды. Необходимость интеллектуализации каждого из уровней управления обусловле-

на подверженностью выполняемых ими функций влиянию различных факторов неоп-

ределенности. Практическое воплощение этой концепции предполагает избирательное

использование тех или иных технологий обработки знаний в зависимости от специфи-

ки решаемых задач, особенностей управляемого объекта, его функционального назна-

чения, условий эксплуатации и т. д.

Как показывает обзор многочисленных работ по развитию методов обработки

знаний, одна из передовых тенденций в этой области связана с попытками интеграции

различных интеллектуальных технологий в целях сочетания присущих им преиму-

ществ. Так, например, одновременное обеспечение высокой функциональной гибкости

и быстродействия может достигаться за счет комплексного применения технологий

экспертных систем и нейросетевых структур [4]. В то же время для увеличения быстро-

действия ассоциативной памяти предлагаются нейросетевые способы ее реализации

[12, 17]. Совмещение технологий экспертных систем и нечеткой логики позволяет не

только повысить быстродействие интеллектуальной системы, но и сократить объем ба-

зы знаний (по верхней оценке — от одного до двух порядков) [10, 19]. Другой подход к

проблемам оптимизации интеллектуальных систем и их обучения связан с разработкой

комбинированных технологий нечетких нейросетевых структур [13, 16].

Результаты поисковых исследований по развитию интегрированных технологий

обработки знаний имеют большую актуальность для решения задач проектирования

систем интеллектуального управления с учетом противоречивости предъявляемых к

ним требований [12, 18]. Современные специализированные программно-

инструментальные средства позволяют не только подробно промоделировать создавае-

10

мую систему управления, но и оценить эффективность принятых проектных решений

при различных вариантах их реализации на основе той или иной интеллектуальной

технологии. В частности, пакет прикладных программ WinFACT (Windows Fuzzy аnd

Control Tools) обеспечивает возможность перехода к нейросетевому варианту реализа-

ции синтезируемой с его помощью модели нечеткого управления [15].

Разработанная концепция построения интеллектуальных систем управления на-

шла свое практическое воплощение при создании целого ряда экспериментальных об-

разцов нового поколения мобильных роботов различных типов и назначения.

Так, на рис. 4 представлена обобщенная функциональная структура интеллекту-

альной бортовой системы управления малогабаритным летательным аппаратом, спо-

собным к автономному функционированию в сложных условиях и при наличии раз-

личных атмосферных возмущений (Рис. 5), а также к выполнению автоматической по-

садки (Рис. 6) на неподготовленную площадку под контролем системы технического

зрения.

Рис. 4. Обобщенная структура интеллектуальной системы управления беспилотным

летательным аппаратом

Инерциальная система навигации

СТЗ

Бортовая телекамера

Интеллектуальная система управления

полетом

Интеллектуальная система планирования

поведения и целеуказания

GPS

Инерциальная система навигации

Высотомер

Регуляторы ис-полнительных

механизмов

Полетное задание

11

Рис. 5. Моделирование автономного полета БПЛА в условиях горной местности под

контролем бортовой ИСАУ

Программно-алгоритмическое обеспечение интеллектуальной системы управле-

ния, основанное на применении методов нечеткой логики, осуществляет обработку ап-

риорно заложенных логико-лингвистических моделей целесообразного поведения с

учетом особенностей текущей ситуации, идентифицируемых с помощью имеющегося

набора бортовых датчиков.

Другим примером, иллюстрирующим широкий диапазон возможностей техноло-

гий интеллектуального управления, может служить автономный мобильный мини-

робот (АММР), также разработанный на кафедре «Проблемы управления» МИРЭА и

представленный на рис. 7.

Интеллектуальная система управления АММР, построенного на базе четырех

колесной полноприводной платформы и оснащенного средствами технического зрения,

лазерной дальнометрии и GPS, позволяет решать следующие основные задачи:

Рис. 6. Моделирование автономной посадки БПЛА под контролем бортовой ИСАУ

X

Z

-Z0

H

-X0 H0

Точка касания

ВПП

Zкас

-Xкос

Траектория по-

садки

ВППП

- автономное движение по заданному маршруту;

- автономное движение без априорно заданного маршрута с составлением карты

местности на пути движения (Рис. 8);

- автоматическое обнаружение и обход препятствий;

- автоматический выход в заданную точку.

Функциональные возможности

интеллектуальной системы управления

автономным мобильным роботом

Решение навигационных задач

Анализ текущей ситуации на основе

обработки сенсорной информации

Планирование последовательности

действий для выполнения поставленной

целевой задачи

Построение карты местности

Планирование траектории движения

по цифровой карте местности

Обход препятствий в реальном

масштабе времени на основе визуальной

обратной связи

Выбор стратегии целесообразного

поведения на основе оценки текущей об-

становки

Самодиагностика

Рис. 7. Автономный мобильный мини-робот

Состав интеллектуальной системы управления АММР включает комплекс бор-

товой аппаратуры и удаленный терминал, связь с которым осуществляется по радиока-

налу. Радиоканал обеспечивает удобную беспроводную связь с роботом для постановки

задачи перед началом работы и получения информации о результатах ее выполнения.

Кроме того, наличие радиоканала позволяет обеспечить эксплуатацию робота в дис-

танционно-управляемом режиме.

Бортовой комплекс аппаратных средств интеллектуальной системы управления

построен по иерархическому принципу. Верхний уровень системы реализован на базе

микропроцессора Intel PXA-255 и решает совокупность взаимосвязанных задач плани-

рования поведения управления движением и обработки сенсорной информации

Контроллер беспроводной передачи данных Ethernet подключается к бортовому

вычислителю через интерфейс Compact Flash. Второй такой же интерфейс обеспечивает

подключение к бортовому вычислителю навигационного модуля GPS.

Нижний уровень бортового комплекса решает задачи приводного уровня управ-

ления и разработан на основе микроконтроллера P89C662. Команды управления рабо-

14

той микроконтроллера поступают от бортового вычислителя в последовательном коде

через интерфейс RS-232. Этот же интерфейс используется для передачи от бортового

вычислителя программных координат углов поворота и скорости вращения электро-

двигателей, а также команд управления освещением и подсветкой рабочей сцены.

Важнейшая функциональная характеристика интеллектуальных систем управле-

ния связана с наличием развитого человеко-машинного интерфейса [21]. Разработан-

ный в МИРЭА экспериментальный образец системы естественно-языкового интерфей-

са построен на основе технологии фреймообразных структур представления знаний и

позволяет обеспечить ввод и адекватную интерпретацию командных целеуказаний на

выполнение требуемых прикладных задач, а также ответные объяснения принимаемых

решений на уровне естественного языка. Опытные исследования, проведенные на при-

мере автономного мобильного робота с интеллектуальной системой управления, пол-

ностью подтвердили эффективность практического применения естественно-языкового

интерфейса, используемого как для постановки прикладных задач, так и для реализа-

ции процессов обучения в режиме диалога (Рис. 9).

Базовый набор аппаратных средств для создания рассмотренных выше систем

управления и их характеристики приведены на рис.10..

Рис. 8. Результаты работы ИСАУ автономного мобильного мини -робота

Робот, отнеси один кубик к другому кубику

Будет исполнено

Робот, отнеси один кубик к другому кубику

Будет исполнено

Интеллектуальный человеко-машинный интерфейс мобильного робота

Пример выполнения команды:

Пользователь: Робот, отнеси один кубик к другому кубику

Робот: Будет исполнено

Рис. 9.Фрагмент работы интеллектуального человеко-машинного интерфейса мобильного робота

Характеристики

- процессор TMS 320F2812, 150 Mhz;

- энергопотребление – до 1,2 Вт;

- интерфейсы ввода/вывода – 2 x Compact

Flash, 2 USB,

1 x RS 232 и др;

- скорость передачи данных – до 11 Mbps;

- габаритные размеры – 85 x 57 x 14 мм;

- осуществляет управление 4 приводами

постоянного тока;

- комплектующие средства – GPS, приемо-

передатчик,

лазерный дальномер, до 4 фотокамер;

- масса – 100 г.

Рис. 10. Базовый набор аппаратных средств ИСАУ автономным мобильным роботом

Как видно, новые интеллектуальные информационные технологии в сочетании с

современной элементной базой позволяют решать широкий спектр задач планирования

поведения и совокупности целенаправленных действий автономных объектов, способ-

ных адаптироваться к различным факторам неопределенности.

Весьма важно подчеркнуть, что эти же подходы оказываются весьма эффектив-

ными не только на стратегическом и тактическом уровнях иерархии управления, но и

на исполнительном. Иными словами, устройства управления, построенные на техноло-

гии обработки знаний - интеллектуальные регуляторы – способны обеспечить сущест-

венно лучшие характеристики управления по сравнению с известными. Подтверждени-

ем тому, в частности, являются многочисленные эксперименты, проведенные на стенде

«Интеллектуальный привод», разработанном в МИРЭА (Рис. 11). Такой стенд позволя-

ет проводить:

исследование характеристик традиционных, адаптивных, нечетких, с ассоциа-

тивной памятью и нейросетевых приводов на математических моделях и реальных ис-

полнительных элементах с изменяемой нагрузкой;

автоматически синтезировать и настраивать структуру и параметры регулятора.

18

Рис. 11. Привод с интеллектуальной системой управления

Некоторые результаты экспериментальных исследований по оценке возможно-

стей интеллектуальных регуляторов приведены на рис. 12. Как видно, качество пере-

ходного процесса при работе нечеткого регулятора (кривая 1 на рис. 12 а) существенно

лучше, чем качество работы с ПИД – регулятором (кривая 2) и адаптивным, настроен-

ным по алгоритму Качмажа (кривая 3). Существенно лучше нечеткий регулятор, пари-

рует действие возмущений (Рис. 12 б).

Проведенные в МИРЭА исследования позволили достаточно убедительно объ-

яснить причину такого улучшения качества управления за счет применения интеллек-

туальных технологий. Простое и наглядное объяснение можно дать с помощью рис. 13.

Сочетание преимуществ колебательного переходного процесса (кривая 1), обес-

печивающего первоначальный быстрый выход в установившийся режим с плавностью

перехода к установившемуся режиму, свойственное апериодическому процессу (кривая

2), можно получить либо за счет использования нелинейного регулятора, либо за счет

изменения структуры системы, либо за счет применения интеллектуального (например,

экспертного) регулятора, алгоритм работы которого определяется совокупностью про-

дукционных правил [9].

19

ПИД-регулятор

Адаптивный регулятор

Нечеткий регулятор

а) б)

Рис. 12. Результаты экспериментальных исследований по оценке возможностей интел-

лектуальных регуляторов: а) переходные процессы в САУ с различными регуляторами:

нечетким (1), ПИД – (2), адаптивным – (3), при действии возмущения (4); б) влияние

возмущения (3) на регулируемую величину (1) при различных типах регуляторов (2)

Общим для этих трех подходов является то, что все они реализуют в конечном

итоге требуемое нелинейное преобразование. Важно при этом подчеркнуть, что форми-

рование нелинейного закона в случае интеллектуального регулятора осуществляется на

программном уровне в цифровом контроллере и, меняя программу (в том числе с так-

тического уровня управления), легко можно изменить функциональную задачу управ-

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

t, c

1 2

3

4

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 -40

-30

-20

-10

0

10

20

30

40

1

3

w, об/с

t, с

2

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 -40

-30

-20

-10

0

10

20

30

40

1

3

w, об/с

t, с

2

0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

t, c

1 2

3

4

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 -40

-30

-20

-10

0

10

20

30

40

1

3

w, об/с

t, с

2

20

ления (например, перейти от оптимального быстродействия к минимальному энерго-

потреблению и т.д.).

Регулятор с переменной структурой

Экспертный нечеткий регулятор

ЕСЛИ … ТО …

ЕСЛИ … ТО …

ЕСЛИ … ТО …

Рис. 13. Сравнение подходов к обеспечению требуемого качества САУ

Как видно из анализа нечетких ПИД – регуляторов (Рис. 14 а),б)), настройкой

соответствующих функций принадлежности можно реализовать тот самый нелинейный

закон управления, который демонстрировался на рис. 13. Достаточно подробно эти во-

просы рассмотрены в работах [9, 20, 22].

Обоснование нелинейного характера преобразований в интеллектуальных регулято-

рах открывает широкую перспективу исследований динамики интеллектуальных систем с

позиции теории нелинейных систем автоматического управления. Так на рис.14 в) приведены

области эквивалентного комплексного коэффициента усиления нечеткого ПИД - регулятора,

позволяющие исследовать периодические колебания в системе с любым объектом, характе-

ристики которого удовлетворяют гипотезе фильтра.

К1

К2

21

а)

б)

в)

Рис. 14. Синтез ИСАУ на основе гармонического баланса

Очевидным представляется также развитие методов В.М. Попова и Ляпунова для ис-

следования устойчивости интеллектуальных систем [9, 22].

Характеризуя современное состояние в области интеллектуальных систем управления,

необходимо отметить существенный прогресс, достигнутый за последние 15 лет. К основным

результатам можно отнести, в первую очередь, следующие:

разработаны фундаментальные основы теории интеллектуальных систем управления;

широкий комплекс исследований показал очевидные преимущества интеллекту-

альных технологий управления;

22

на основе отечественной элементной базы разработаны опытные образцы интел-

лектуальных систем управления сложными динамическими объектами специаль-

ного и гражданского применения;

разработаны подходы к решению задач анализа и синтеза интеллектуальных сис-

тем управления, а также удобные инженерные методики.

Несмотря на значительные успехи по многим теоретическим и практическим аспек-

там применения методов и технологий обработки знаний в задачах управления количество

нерешенных в этой области вопросов не только не уменьшилось, но возросло до такой сте-

пени, что стало очевидным появление нового научного направления. Зародившись на стыке

искусственного интеллекта и теории управления, как двух различных сфер человеческих

знаний, это направление в настоящее время приобрело большое самостоятельное значение и

имеет сложившуюся программу приоритетных исследований следующей проблематики:

анализ особенностей различных интеллектуальных технологий и методов обработки

знаний применительно к задачам управления;

разработка теоретических основ интеллектуального управления;

разработка принципов формирования знаний для конкретных предметных областей

прикладного применения технологий интеллектуального управления;

синтез интеллектуальных регуляторов и систем управления для быстродействующих

объектов, устройств и процессов;

комплексное исследование динамики интеллектуальных систем управления;

разработка методов и алгоритмов самообучения и прогнозирования, исследование ди-

намики системы в режиме самообучения;

разработка принципов построения аппаратных и программных средств интеллекту-

альных систем управления.

Проведение широкомасштабных исследований в области интеллектуального управле-

ния в сочетании с разработкой инженерных методик анализа и синтеза, а также с созданием

средств автоматизации настройки и обучения интеллектуальных систем обеспечит возмож-

ность проектирования принципиально нового поколения техники, предназначенной для ав-

тономного функционирования в условиях неполноты и неопределенности поступающей ин-

формации при наличии случайных возмущений внешней среды.

Важно подчеркнуть, что создание интеллектуальных систем управления для автоном-

ных роботов открывает широкие перспективы построения мультиагентных робототехниче-

ских систем, что крайне важно в контексте тех исследований и разработок, которые ведутся

во всем мире по проблематике сетецентрических систем [23].

23

Cписок литературы

1. Будущее искусственного интеллекта / Под ред. К.Е. Литвина и Д.А.Поспелова. – М.:

Наука, 1991.

2. Поспелов Д.А. Ситуационное управление: теория и практика. — М.: Наука, 1986.

3. Вукобратович М., Стокич Д. Управление манипуляционными роботами. — М.: Нау-

ка, 1985.

4. Голицин Г.А., Фоминых И.Б. Интеграция нейросетевой технологии с экспертными

системами // Труды 5-й национальной конференции по искусственному интеллекту (КИИ-96).

— Казань, 1996.

5. Искусственный интеллект. В 3 кн. Кн. 2. Модели и методы / Под ред. Д.А. Поспелова.

— М.: Радио и связь, 1990.

6. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени

и пространстве в интеллектуальных системах / Под ред. Д.А. Поспелова. — М.: Наука, 1989.

7. Лорьер Ж.-Л. Системы искусственного интеллекта / Пер. с фр. — М.: Мир, 1991.

8. Медведев В.С., Лесков А.Г., Ющенко А.С. Системы управления манипуляционных ро-

ботов. — М.: Наука, 1978.

9. Интеллектуальные системы автоматического управления / Под ред. И.М.Макарова,

В.М. Лохина. – М.: Физматлит, 2001

10. Прикладные нечеткие системы / Под ред. T. Тэрано, К. Асаи, М. Сугэно. — М.: Мир,

1993.

11. Юревич Е.И. Основы робототехники. — Л.: Машиностроение, 1985.

12. Associative Neural Memories: Theory and Implementation / Ed. M.H. Hassoun. — N.Y.:

Oxford University Press, 1993.

13. Buckley J.J., Reilly K.D., Penmetcha K.V. Backpropagation and genetic algorithms for

training fuzzy neural nets // Genetic Algorithms and Soft Computing / Eds F. Herrera, J.

Verdegay. — Physica Verlag, 1996.

14. Caponetto R., Lavorgna M., Presti M.L. Genetic algorithm and neuro-fuzzy systems

for automatic controller design // Proc. Fifth International Workshop on Current Issues in

Fuzzy Technologies (CIFT'95). — Trento, 1995.

15. Kahlert J. Programmsystem WinFACT. VDE-Workshop «Regelungstechnische

Programmpakete für IBM PC», Dusseldorf, 1993.

16. Perneel C. et al. Optimization of fuzzy expert systems using genetic algorithms and

neural networks // IEEE Transactions on Fuzzy Systems. — 1995. — V. 3, ¹ 3.

17. Watta P., Wang С., Hassoun M. Recurrent Neural Nets as Dynamical Boolean Sys-

tems with Application to Associative Memory // IEEE Transactions on Neural Networks. —

1997. — V. 8, ¹ 6.

18. Xue H. Applications of Genetic Algorithms in Optimization of Fuzzy-Associative

Memory Based Controllers. Ph. D. thesis, University of New Mexico, CAD Laboratory for Intelligent

and Robotic Systems, Department of EECEy, 1994.

19. Zhang L. et al. On rule checking and learning in an acupuncture diagnosis fuzzy expert sys-

tem by genetic algorithm // Proc. Fourth IEEE International Conference on Fuzzy Systems

(FUZZ-IEEE'95). — Yokohama, 1995.

20. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Искусственный интеллект и

интеллектуальные системы управления. – М.: Наука, 2006.

21. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Технологии обработки ко-

мандной информации и управления поведением в интеллектуальных робототехнических сис-

24

темах / Информационные технологии. Приложение. 2005. № 7.

22. Макаpов И. М., Лохин В.М., Манько С.В., Романов М. П., Ситников М. С. Устойчи-

вость интеллектуальных систем автоматического управления / Информационные технологии.

Приложение. 2013, № 2.

23. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. От интеллектуальных ро-

ботов – к мультиагентным робототехническим системам / Военный парад, №5(101), 2010.