Описание метода нечеткого ситуационного управления на основе композиционной гибридной модели сложной технической системы

Цель. Целью исследования является обобщение накопленного опыта нечеткого ситуационного управления на основе композиционной гибридной модели сложной технической системы в виде алгоритма и формирование на этой основе рекомендаций по методике формирования и идентификации ситуаций, определяющих параметров и решений для управления сложной технической системой в условиях неполных данных для повышения точности управляющих решений.
Метод. Исследование основано на моделировании системы в условиях неполноты данных и невозможности получения информации обо всем диапазоне работы системы. Нечеткое ситуационное управление позволяет выработать управляющие решения в соответствии с выбранной стратегией управления и учесть специфику системы благодаря композиционной модели.
Результат. Предложен алгоритм нечёткого ситуационного управления сложными техническими системами на основе композиционных гибридных моделей. Рассмотрены этапы, особенности, достоинства и недостатки нечёткого ситуационного управления для данного типа систем. Задан порядок определения и однозначной идентификации возникающих нечётких ситуаций для системы, а также рассмотрены методы анализа и выработки типовых стратегий управления. Рассматриваемая в статье композиционная гибридная модель сложной технической системы описывает работу экспериментальной компрессорной установки ЭЦК-55.
Вывод. К основным достоинствам разработанного нечёткого ситуационного метода управления сложными техническими системами относятся: интеграция системы управления с уже существующими элементами системы; лучшее использование имеющихся ресурсов; адаптивность и надежность метода управления, основанного на нечётких ситуационных сетях и композиционной гибридной модели системы. Определены стратегии управления, позволяющие выполнять требования потребителя по качеству продукта, а также безопасности работы персонала и оборудования, безаварийности производства и экономии ресурсов.

1. Мелихов А.Н., Берштейн Л.С, Коровин С.Я. Ситуационные советующие системы с нечёткой логикой. М.: Наука, 1990. 272 с.

2. Поспелов Д.А. Большие системы. Ситуационное управление. М.: Знание, 1975. 64 с.

3. McCarthy J. Actions and other events in situation calculus // In Proc. of Proceedings of the Eighth International Conference on Principles of Knowledge Representation and Reasoning (KR-2002), 2002. рр. 615-628.

4. Ситчихин А.Н. Иерархические ситуационные модели с предысторией для автоматизированной поддержки решений в сложных системах. Автореферат дисс. канд. техн. наук.: Уфа, 2002. 20 с.

5. Борисов В. В., Авраменко Д. Ю. Нечеткое ситуационное управление сложными системами на основе их композиционного гибридного моделирования //Системы управления, связи и безопасности. 2021. № 3. С. 207-237. DOI: 10.24412/2410-9916-2021-3-207-237.

6. Majors M. Stori J. Cho D. -I. Neural network control of automatic terns // IEEE Control Systems. 1994. V. 14. N 3. рр. 31- 36.

7. Макаров И.М. Теория выбора и принятия решений. Наука, 1987. 350с.

8. Ларичев О.И. Теория и методы принятия решений. М.: Логос. 2002.

9. Никифоров А.Г., Авраменко Д.Ю. Подготовка экспериментальных данных для нейросетевого моделирования характеристик центробежных компрессоров // Научно-технические ведомости, СПбПУ. Естественные и инженерные науки. 2018. Т. 24. № 4. С. 61-71. DOI: 10.18721/JEST.240406.

10. Попова Д.Ю. , Борисов В.В. Элементы и режимы работы композиционной модели сложной технической системы // XVI Всероссийская науч.конф. «Нейрокомпьютеры и их применение». Тезисы докладов. М.: МГППУ, 2018. 13 марта 2018 г. С. 191- 194.

11. D. Popova. Neuro-Fuzzy Modeling of Compressor Unit Performance//3 Russian-Pacific Conference on Computer Technology and Applications RPC 2018 (Третья Российско-Тихоокеанская конференция по компьютерным технологиям и приложениям). Владивосток. 18-25 августа 2018. DOI: 10.1109/RPC.2018.8482214

12. D. Avramenko, A. Nikiforov, A. Kuchumov, S. Terentev, Yu. Galerkin, O. Solovyeva. Vaneless diffusers characteristics simulating by means of neural networks // 11th International Conference on “Compressors and their Systems”. – London. September 9-11, 2019. DOI:10.1088/1757-899X/604/1/012046.

13. Bei Sun, Chunhua Yang, Yalin Wang, Weihua Gui, Ian Craig, Laurentz Olivier. A comprehensive hybrid first principles/machine learning modeling framework for complex industrial processes. Journal of Process Control. V. 86, February 2020, P. 30-43. DOI:10.1016/j.jprocont.2019.11.012.

14. Andrew A.Evstifeev, Margarita A.Zaeva. Method of Applying Fuzzy Situational Network to Assess the Risk of the Industrial Equipment Failure //Procedia Computer Science. V. 190, 2021, P. 241-245. DOI: 10.1016/j.procs.2021.06.030.

15. Anatolii Kargin, Sergej Panchenko, AleksejsVasiljevs, TetyanaPetrenko. Implementation of cognitive perception functions in fuzzy situational control model. Procedia Computer Science. 2019; 149: 231-238. DOI: 10.1016/j.procs.2019.01.128.

16. Pavel Yu. Buchatskiy; Vladimir S. Simankov; Andrey V. Shopin. Approach to Managing an Autonomous Energy Complex with Renewable Energy Sources based on Fuzzy Models. 2019 International Russian Automation Conference. September 2019. DOI: 10.1109/RUSAUTOCON.2019.8867728

17. Annamária R. Várkonyi-Kóczy; Imre J. Rudas. TS fuzzy modeling based anytime control methodology for situational control // 2011 IEEE International Instrumentation and Measurement Technology Conference. Hangzhou, China – May 10-12, 2011. DOI: 10.1109/IMTC.2011.5944354

18. Pegah Amini, Mehdi Khashei. A soft intelligent allocation-based hybrid model for uncertain complex time series forecasting // Applied Soft Computing, V. 84, November 2019, 105736. DOI: 0.1016/j.asoc.2019.105736.

19. Ruxin Gao, Yahui Zhang, David Kennedy. Application of the dynamic condensation approach to the hybrid FE-SEA model of mid-frequency vibration in complex built-up systems // Computers & Structures, V. 228, February 2020, 106156. DOI: 10.1016/j.compstruc.2019;106156.

20. Sultan Alqahtani, Tarek Echekki. A data-based hybrid model for complex fuel chemistry acceleration at high temperatures // Combustion and Flame, V. 223, January 2021, P. 142-152. DOI: 10.1016/j.combustflame.2020.09.022.

21. Slimane Ouhmad, Abderrahim Beni-Hssane, Abdelmajid Hajami. The hybrid neural model to strengthen the e-nose restricted in real complex conditions.Procedia Computer Science, 2018; 107-113. DOI: 10.1016/j.procs.2018.07.150.