Микроконтроллерная реализация нечеткой логики в системах

Микроконтроллерная реализация нечеткой логики
в системах искусственного интеллекта
Атанов С.К., Молдамурат К
Алгоритмы, используемые информационными системами предприятий, в большинстве
случаев можно свести к ряду типовых, среди которых можно выделить следующие:
1. классификация и идентификация образов – определение принадлежности образа
одному или нескольким предварительно определенным классам;
2. многоцелевая аппроксимация функций – оценка неизвестной зависимости по
экспериментальным данным;
3. прогноз (интерполяция) – определение будущего процесса по его прошлому и
настоящему;
4. многокритериальная оптимизация – нахождение решений, которые максимизируют
или минимизируют определенный критерий качества при заданных ограничениях;
5. память, адресуемая по содержанию (ассоциативная память) – память доступная по
указанному содержанию (базы данных и знаний);
6. управление – перевод и поддержание системы в требуемом состоянии.
Если ранее было традиционно использование АСУ с классическими алгоритмами
из теории управления, то ростом в настоящее время все большее значение начинают
приобретать новые технологии и алгоритмы [1]. Так, широкое применение за последнее
десятилетие получили совсем недавно известные только узкому кругу специалистов
нейронные сети, нечеткая логика, генетические алгоритмы и ряд других информационных
технологий. Экстраполируя данный процесс на будущее, можно предположить, что роль
алгоритмов обработки информации в научно-техническом прогрессе будет возрастать и в
дальнейшем.
Так, целью данной статья является рассмотрение более развитых средствах
промышленного контроля и управления, дополняющих классические технологии и
направленные на создание новых предприятий с более дешёвыми и короткими
производственными циклами – системах с искусственным интеллектом (ИИ).
Технологии ИИ включают в себя искусственные нейронные сети (ИНС),
экспертные системы (ЭС), нечеткую (fuzzy) логику (НЛ), генетические алгоритмы (ГА) и
т.д. и т.п. Лежащие в их основе идеи существенно отличаются от общепринятых методов
вычислений, имитируя "человеческие", т.е. более понятные технологу, чем "чистому"
специалисту по вычислительной технике, пути решения проблем либо "природное",
"генетическое" развитие процессов. Например, ИНС-сети обладают способностью к
обучению, ЭС-системы принимают решения на основе наборов правил и опыта экспертов,
а системы с нечеткой логикой оперируют такими понятиями, как неопределенность и
частичная/приблизительная истина [2]. Все эти системы дополняют друг друга, обогащая
наш словарь такими терминами, как neurofuzzy. Возможно, neurofuzzy (нейрофази) ждёт
судьба термина multomedia и нейрогенетика.
Данные методы предназначены для решения очень сложных нелинейных задач,
которые либо превышают возможности общепринятых алгоритмических методов, либо
требуют для своего решения слишком больших материальных и временных затрат. Уже
есть успешные применения методов ИИ, хотя и не всегда в роли единственного решения,
например, при традиционном "языковом" проектировании на C/C++. В силу своей
природы, ИИ-методы довольно спорны и не всегда принимаются сторонниками
традиционных подходов [3]. Тем не менее, сегодня ИИ-технология занимает все более
важное место в арсенале средств разработчиков средств управления и контроля.
Нечеткая логика добилась определенных успехов на нескольких направлениях: в
программных средствах, в контроллерах и в интегральных схемах. Контроллеры на базе
нечеткой логики выпускают Fuji Electric, Klockner-Moeller, Rockwell-Automation/ AllenBradley, Siemens и Yokogawa и другие фирмы. Дополнительные возможности для
экспансии нечеткой логики дает объединение производителей контроллеров с
поставщиками программных средств. На рис 1. приведена схема внедрения алгоритма
нечеткой логики в классическую систему управления технологическим процессом,
используя стандарт IEC 1131-7.
Рис. 1. Стандарт IEC 1131-7.
Программирование на базе нечёткой логики, определяет НЛ-компоненты, а также
взаимодействие НЛ-модулей с другими стандартными языками программирования. В
качестве выходных данных могут выступать измеряемые технологические параметры,
расчётные величины и контрольные значения. Выходными данными являются реальные
параметры в форме корректирующих величин.
В некоторых случаях НЛ-технология реализована в промышленно выпускаемых
микроконтроллерах. Например, расширение по программированию на базе нечеткой
логики (Fuzzy Logic Programming) предложено для стандарта IEC 1131 (программируемые
контроллеры). IЕС/МЭК 1131-7 уже лежит в основе НЛ-структуры и программного
пользовательского интерфейса пакета fuzzyTech компании Inform, внедряется в известный
пакет ISaGRAF (CJ International). Объектно-ориентированный пакет fuzzyTech
интегрирует функции нечеткой логики со стандартным ПЛК (А-В, Modicon и Siemens) и с
популярными программными средствами управления процессами типа Citech (Ci
Technologies) и InTouch (Wonderware). Последняя версия fuzzyTech (5.0) оптимизирована
для использования под управлением Windows NT.Компании Wonderware и Inform
разработали также на базе пакета fuzzyTech расширение ActiveX для технологии
InControl. Разработкам НЛ-систем благоприятствует рост интеграции НЛ на кремниевом
уровне.
Одна из тенденций сегодняшнего дня - создание гибридных систем, в которых
технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы
ИИ), как например дополнение к нейронным сетям методов частичных наименьших
квадратов (PLS-метод) и базового компонентного анализа (РСА-метод). Подобные
гибридные интеллектуальные нейронный сети (ИНС) являются довольно эффективным
средством системного моделирования и группового мониторинга.
Наиболее подходящими для применения данных методов являются групповые
процессы с сильной нелинейностью и сложным регулированием. Подходов к
исследованию принципов объединения статистических методов типа PLS и РСА с
нейронными сетями для постоянного регулирования групповых процессов, существует
достаточно много. Одной из развивающихся областей применения ИНС-сетей является
усовершенствование общезаводских ЕРМ-моделей (first-principle models), включающих
два направления:


моделирование отдельных нелинейных процессов, для которых ЕРМ-модели либо
не существуют, либо неточны, либо требуют для разработки значительных затрат,
выработка корректирующего фактора для ЕРМ-модели. Нейронные сети
NeuralWare позволяют повысить степень оптимизации и другие характеристики
общезаводских FPM-моделей.
Еще одной областью применения ИНС-технологии является проверка
достоверности данных и показаний датчиков. Это особенно важно для систем
регулирования на базе "моделей с предсказанием". Многие производители средств
заводской
автоматизации
и
технологического
контроля
разрабатывают
специализированные микропроцессоры и контроллеры, используемые как в бытовой
техники, так и в новейших видах вооружения как крылатые ракеты [4]. Хотя
информации о подобных проектах недостаточно, можно отметить ассигнования
Министерства обороны США на исследования в области построения систем управления
вооружением и тренажеров для обучения пилотов истребителей на основе нечетких
технологий. Национальное управление по аэронавтике и космонавтике (НАСА)
предполагает использовать нечеткие модели для решения специальных задач в космосе.
Таким образом, можно сделать вывод, что область приложений теории нечетких
множеств и нечеткой логики с каждым годом продолжает неуклонно расширяться. При
этом процесс разработки и применения нечетких моделей тесно взаимосвязан с
концепцией системного моделирования как наиболее общей методологией построения и
использования информационных моделей сложных систем различной физической
природы, в контексте которой возможна разработка наиболее адекватных и эффективных
информационных моделей сложных систем.
1. Прикладные нечеткие системы /Под ред. Тэтано Т., Асаи К., Сугэно М: Мир, 1993,
326 стр.
2. Баранов В.П. Синтез микропрограммных автоматов. М.: Нолидж, 1997. 376 с.
3. Нечеткие множества в моделях управления и искусственного интеллекта /Под ред.
Д.А. Поспелова. М.,Недра, 1986, 245 стр.
4. Altera, Processor & Peripheral Megafunction, AMPP, http://www.altera.com/
Микроконтроллерная реализация нечеткой логики в системах искусственного
интеллекта
Резюме
Данная статья посвящена проблеме создания современных развитых средствах
промышленного контроля и управления, дополняющих классические технологии и
направленные на создание новых предприятий с более дешёвыми и короткими
производственными циклами – системах с искусственным интеллектом (ИИ).
Микроконтроллмен
пайдалангу
жасанды сана
жүйесін құрастырғанда
бұлдыр логиканы
Түйің
Бұл жұмыста қарастыратын мәселе жана технологияны пайдалану .Өнеркәсіпте
қадағалап және жасанды сана жүйесін құрастырғанда бұлдыр логика теориясыымен
пайдалану. Ол классикалық басқару теориядан ерекше қарастырылады негізі жасанды
сана жүйесін пайдаланылып технология айналымын қысқартады және арзандатады.
Realisation of fuzzy logic in systems of an artificial intellect about use of
microcontrollers
The resume
Given article is devoted a problem of creation the modern developed means of the fuzzi control
and the management, supplementing classical technologies and directed on creation of the new
enterprises with cheaper and short production cycles - systems with an artificial intellect (AI).