Дипломная работа: Разработка интеллектуальной системы управления процессом плавки меди в печи Ванюкова

Содержание

Введение 7
1 Общие ведения 8
1.1 Экспертные системы 8
1.2 Нейронные сети 12
1.3 Нейро-нечеткие сети 22
1.4 Интеллектуальные системы управления 23
1.5 Разработка методов и средств создания систем управления 26
2 Разработка системы оптимального управления процессом плавки
меди__в жидкой ванне 36
2.1Описание технологии плавки медных концентратов в печи
_____Ванюкова 36
2.2 Характеристика процесса ПЖВ как объекта управления 39
2.3 Анализ современного состояния автоматизации процесса в ПВ 40
2.4 Разработка математического описания процесса плавки в ПВ 40
2.5 Существующая практика управления режимами в ПВ на Балхаш-
_____ском медеплавильном заводе 57
3 Безопасность жизнедеятельности 81
3.1 Анализ условий труда с учетом зрительной нагрузки, рекомендации
____по организации системы естественного освещения 81
3.2 Разработка естественного освещения для данного разряда
____зрительных работ 82
3.3 Расчет зануления сети освещения 86
4 Экономическая часть 90
4.1 Технологическое описание процесса 90
4.2 Определение затрат в системах автоматизации 90
Заключение 98
Перечень сокращений 100
Список литературы 101
1 Общие сведения
В разных сферах практической деятельности, связанных с решением
задач управления и контроля, оптимизации и моделирования, поиска и
выбора, распознавания и классификации, остро встала необходимость
интеллектуальной поддержки для преодоления трудностей в слабофор-
мализованных ситуациях и при ограниченных ресурсах.
Методы и средства искусственного интеллекта материализуются и
доходят до потребителя в виде интеллектуальных технологий, которые
практически инвариантны к той или иной проблемной области. Настоящий
дипломный проект посвящен рассмотрению вопросов практического
применения современных интеллектуальных технологий (ИТ). Традиционно к
ИТ относят нечеткую логику (НЛ), генетические алгоритмы (ГА) и нейронные
сети (НС).
Как показали последние исследования ИТ могут успешно
использоваться при создании сложных систем управления. Современное
устройство управления должно обеспечивать надежное управление объектом
в разных режимах его работы, быть устойчивым как к резким изменениям, так
и к медленной деградации параметров системы управления, учитывать
возможное наличие шумов и внешних предусмотренных и
непредусмотренных влияний.
Стремительное развитие современных методов разработки и создания
интеллектуальных систем привело к значительному росту публикаций по
практическому применению этих методов при создании систем управления.
Ниже приведен краткий анализ современного состояния интеллектуальных
технологий и их использование в задачах управления.

1.1 Экспертные системы
Обычно к экспертным системам (ЭС) относят системы, основанные на
знании, т.е. системы, вычислительная возможность которых является
следствием их наращиваемой базы знаний и только во вторую очередь
определяется используемыми методами. Методы инженерии знаний (методы
ЭС) в значительной степени инвариантны тому, в каких областях они могут
применяться: военные приложения, медицина, электроника, вычислительная
техника, геология, математика, космос, сельское хозяйство, управление,
финансы, юриспруденция и т.д. В настоящее время ЭС используются при
решении задач следующих типов: принятие решений в условиях
неопределенности (неполноты информации), интерпретации символов и
сигналов, предсказание, диагностика, конструирование, планирование,
управление, контроль и др. [1].
Рассмотрению ЭС посвящено большое количество работ, например [2-
5], в которых предлагаются различные структуры ЭС и их классификация.
Наиболее полно все многообразие структур ЭС и их классификация отражены
в работе [4].
1.1.1 Структура экспертной системы
Типичная ЭС состоит из следующих основных компонентов (см.
рисунок 1.1): решателя (интерпретатора), рабочей памяти (РП), называемой
также базой данных (БД), базы знаний (БЗ), компонентов приобретения
знаний, объяснительного и диалогового блоков.

Рисунок 1.1 - Схема обобщенной экспертной системы

База данных предназначена для хранения исходных и промежуточных
данных решаемой в текущий момент задачи. Этот термин совпадает по
названию, но не по смыслу с термином, используемым в информационно-
поисковых системах (ИПС) и системах управления базами данных (СУБД)
для обозначения всех данных (и в первую очередь не текущих, а
долгосрочных), хранимых в системе.
База знаний в ЭС предназначена для хранения долгосрочных данных,
описывающих рассматриваемую область (а не текущих данных), и правил,
предусматривающих целесообразные преобразования данных этой области.
Решатель, используя исходные данные из БД и знания из БЗ, формирует
такую последовательность правил, которые, будучи примененными к
исходным данным, приводят к решению задачи.
Компонента приобретения знаний автоматизирует процесс наполнения
ЭС знаниями, осуществляемый пользователем-экспертом.
Объяснительная компонента объясняет, как система получила решение
задачи (или почему она не получила решения) и какие знания при этом она
использовала, что облегчает эксперту тестирование системы и повышает
доверие пользователя к полученному результату.
Диалоговая компонента ориентирована на дружелюбное общение со
всеми категориями пользователей как в ходе решения задач, так и в ходе
приобретения знаний, объяснения результатов работы.
В разработке ЭС участвуют представители следующих специальностей:
эксперт в той проблемной области, задачи которой будет решать ЭС; инженер
по знаниям (когнитолог) - специалист по разработке ЭС; программист -
специалист по разработке инструментальных средств (ИтС). Необходимо
отметить, что отсутствие среди участников разработки инженера по знаниям
(т.е. его замена программистом) либо приводит к неудаче в процессе создания
ЭС, либо значительно удлиняет его.
В подавляющем большинстве существующие ЭС исходят из
предположения статичности предметной области и решают статические
задачи. Будем называть такие ЭС статическими. ЭС, которые имеют дело с
динамическими предметными областями и решают статистические или
динамические задачи, будем называть динамическими. В последние годы
стали появляться первые динамические ЭС. Видимо, решение многих
важнейших практических неформализованных задач возможно только с
помощью динамических, а не статических ЭС. На рисунке 1.2 представлена
архитектура статической и динамической ЭС. Статическая ЭС совпадает с
традиционной схемой (см. рисунок 1.2) [4].
Рисунок 1.2 - Архитектура статической и динамической ЭС

1.1.2 Системы нечеткого вывода
Нечеткий вывод занимает центральное место в нечеткой логике и
системах нечеткого управления. Процесс нечеткого вывода представляет
собой некоторую процедуру или алгоритм получения нечетких заключений
на основе нечетких условий или предпосылок с использованием
рассмотренных выше понятий нечеткой логики. Этот процесс соединяет в
себе все основные концепции теории нечетких множеств: функции
принадлежности, лингвистические переменные, нечеткие логические
операции, методы нечеткой импликации и нечеткой композиции [5].
Системы нечеткого вывода предназначены для реализации процесса
нечеткого вывода и служат концептуальным базисом всей современной
нечеткой логики. Достигнутые успехи в применении этих систем для решения
широкого класса задач управление послужили основой становление нечеткой
логики как прикладной науке с богатым спектром приложений. Системы
нечеткого вывода позволяют решать задачи автоматического управления,
классификации данных, распознания образов, принятие решений, машинного
обучения и многие другие.
Поскольку разработка и применение систем нечеткого вывода имеет
междисциплинарный характер, данная проблематика исследований тесно
взаимосвязано с целым рядом других научно-прикладных направление, таких
как: нечеткого моделирование, нечеткие экспертные системы, нечеткая
ассоциативная память, нечеткие логические контроллеры, нечеткие
регуляторы и просто нечетки системы [4].

1.1.3 Базовая архитектура систем нечеткого вывода
Системы нечеткого вывода являются частным случаем продукционных
нечетких систем или систем нечетких правил продукций, в которых условия и
заключение отдельных правил формулируется в форме нечетких

высказываний относительно значений.

Поскольку те или иные

лингвистические высказывания имеют фундаментальное значение в контексте
современной нечеткой логики, изучение систем нечеткого вывода начнем
именно с них.
Нечеткие лингвистические высказывания.Нечеткие лингвистичес-ким
высказыванием будем называть высказывание следующих видов [5].
1. Высказывание «β есть α», где β - наименование лингвистический
терм из базового терм- множество Т лингвистической переменной β.
2. Высказывание «β есть α », где модификатор, соответствующий
таким словам, как: «ОЧЕНЬ», «БОЛЕЕ ИЛИ МЕНЕЕ», «МНОГО БОЛЬШЕ»
и другими, которые могут быть получены с использованием специальных
процедур для данной лингвистической переменной.
3. Составные выказывания, образованные из высказываний видов 1 и 2 и
нечетких логических операций в форме связок: «И», «ИЛИ», «ЕСЛИ – ТО »,
«НЕ».
Поскольку в системах нечеткого вывода нечеткие лингвистические
высказывания занимают центральное место, далее будем их называть просто
нечеткими высказываниями.
Пример. Рассмотрим некоторые примеры нечетких высказываний.
Первое из них – «скорость автомобиля высокая» представляет собой нечеткое
высказывание первого вида, в рамках которого лингвистической переменной
«скорость автомобиля» присваивается значение «высокая». При этом
предполагается, что на универсальном множестве Х переменной «скорость
автомобиля» определен соответствующего лингвистического терм «высокая»
модификатором «ОЧЕНЬ», который изменяет соответствующего
лингвистического терма «высокая» на основе использования некоторой
расчетной формулы, например для операции концентрации CON(A) нечеткого
множества А для терма «высокая».
Переменной «скорость автомобиля» присваивается значение «высокая»,
а другой лингвистической переменной «расстояние до перекрестка»
присваивается значение «близкое». Эти нечеткие высказывания первого вида
соединены логической операцией нечеткая конъюнкция (операции нечеткое
1.2 Нейронные сети
Ученые в течение многих лет пытаются узнать структуру и способ
функционирования мозга. К сожалению, до настоящего времени мозг остается
захватывающей, не до конца решенной загадкой. Однако на сегодня удалось
достичь достаточно хороших результатов в использовании моделей нервных
клеток головного мозга – нейронов. Искусственные нейроны и нейронные
сети широко применяются в различных практических приложениях. Ниже
приведены наиболее значимые результаты этих исследований.

1.2.1 Структура и функционирование одиночного нейрона
Базовый элемент нервной системы - нервная клетка, называемая нейро-
ном. На рисунке 1.3 представлена упрощенная модель нейрона. В нейроне
можно выделить тело клетки, называемое сомой, а также исходящие из него
два вида отростков: а) по которым в нейрон поступает информация -
дендриты и б) по которым нейрон передает информацию - аксон. Каждый
нейрон имеет только один выходной отросток, по которому он может
передавать импульс другим нейронам [6].
1 - тело клетки; 2 - аксон; 3 - дендриты; 4 –синапсы

Рисунок 1.3 - Упрощенная модель нейрона и его соединения
с соседним нейроном

Одиночный нейрон принимает возбуждения от огромного количества
нейронов (их число может достигать тысячи). Как уже отмечалось, мозг
человека состоит из порядка 1011 нейронов, которые взаимодействуют через
огромное количество соединений. Каждый нейрон передает возбуждение другим
нейронам через нервные стыки, называемые синапсами, при этом процесс
передачи сигналов имеет сложную электрохимическую природу. Синапсы
играют роль репитеров информации, в результате функционирования которых
возбуждение может усиливаться или ослабляться. Как следствие, к нейрону
приходят сигналы, одна часть из которых оказывает возбуждающее, а вторая -
тормозящее воздействие. Нейрон суммирует возбуждающие и тормозящие
импульсы. Если их алгебраическая сумма превышает некоторое пороговое
значение, то сигнал с выхода нейрона пересылается посредством аксона к другим
нейронам.
Рассмотрим модель нейрона, связанную с первыми попытками формали-
зовать описание функционирования нервной клетки.
При этом приняты
следующие обозначения: п - количество входов нейрона; х1,...,хn - входные
сигналы, х = [х1,…, хn]T;w0,…,wn - синаптические веса, w =[w0,..., wn]T; у - выходной сигнал
нейрона; w0 - пороговое значение; f- функция активации [6].
Формула, описывающая функционирование нейрона, имеет вид

Рисунок 1.4 - Модель нейрона

Функция активации f может принимать различные формы в зависимости
от конкретной модели нейрона.
Как следует из приведенных формул, нейрон функционирует очень
простым образом. Вначале входные сигналых0, хи..., х пумножаются на
соответствующие им веса w0, wx, ..., wn. Полученные значения суммируются. В
результате возникает сигнал s, отражающий функционирование линейной части
нейрона. Этот сигнал подается на вход функции активации, которая чаще всего
имеет нелинейный характер. Предположим, что значение сигнала х0 равно 1, а
вес w0называется порогом (англ. bias), тогдагде хранятся знания в нейроне,
имеющем такое описание? Оказывается, что знания хранятся именно в весах.
Однако наибольшим феноменом оказывается то, что нейроны очень легко
обучаются, причем обучение сводится к подбору значений весов[6].
На рисунке 1.4 изображена обобщенная модель нейрона, однако в
искусственных нейронных сетях применяются его конкретные
модификацииНеобходимо отметить, что искусственные нервные клетки,
структура которых соответствует рисунку1.4, соединяются между собой в
математических моделях также как и их оригиналы в настоящем мозге..2.2 Модель персептрона
Структура персептрона представлена на рисунке 1.5. Функционирование
персептрона можно описать выражением (1.2)

Формула (1.6) сводится к более обобщенному выражению (1.5)
при w0 .Функция f может быть дискретной ступенчатой функцией -
биполярной (т.е. принимающей значения -1 или 1) либо униполярной
(принимающей значения 0 или 1). В последующих рассуждениях будем
предполагать, что функция активации биполярная и имеет форму

Рисунок 1.5 - Структура персептрона

В соответствии с функцией активации персептрон может принимать
только два различных выходных значения, поэтому он может классифи -
цировать сигналы, подаваемые на его вход в виде векторов х ~ [х1...,
хn]Tодному из двух классов. Например, одновходовый персептрон может
распознавать, является ли входной сигнал положительным или
отрицательным.
Персептрон можно обучать. В процессе обучения модифицируются веса
персептрона. Метод обучения персептрона получил название «обучение с
учителем» или «обучение под надзором». Роль учителя заключается в подаче
на вход персептрона сигналов x(t)=[x0(f), x1(t), ..., хп(t)]T, t= 1, 2, ..., и для
которых известны истинные значения выходных сигналов d(t), t = 1,2, …,
называемых эталонными сигналами[6].....