Основы ТАУ - Ч-3 Оптимальные, многосвязные и адаптивные системы - Воронов [1970] (1189551), страница 48
Текст из файла (страница 48)
Таким образом, правильная комбинация прямых и обратных связей дает весьма сильный положительный эффект. Заметим, что в данном случае комплексный коэффициент усиления уже не является чисто абстрактным понятием, а представляет собою вполне ясную реализуемую физическую величину. ГЯАВЯ деелтЯЯ дддптивный системы двтомдтическога упрдвлкния 9-1. Возникновение адаптивных систем н нх виды Возникновение теории адаптивных систем относят ко второй половине 50-х годов, хотя отдельные адаптивные системы (снстемы зкстремального регулирования) н посвященные им теоретические разработки появились значительно раньше.
Термин «адаптацияа заимствован теорией управления из биологии. Аоарпо в латинском языке означает приспособление. В биологии шнм термином обозначают приспособление организма к условиям существования, т. е. к изменениям внешней среды, влияющей на жизнедеятельность организма. 11епосредственное применение столь широкого термина к системам управления неудобно, так как любая система с обратной связью или с воздействием по нагрузке по существу автоматически приспосабливается к изменениям внешних возмущений, позтому к адаптивным относят лишь такие системы, которые автоматически нрпспосабливазотся к непредвиденнь~ы изменениям параметров объекта и внешней среды.
В обычных системах управления параметры объекта либо считались неизменными (стационарные объекты), либо изменялись во времени по известным заранее законам (нестационарные объекты). В данной главо речь идет о системах, в которых параметры объекта изменяются неизвестнь|м образом. Изменения параметров могут приводить к существенным изменениям качества процесса управления и даже к потере устойчивости. Восстановление нормального режима в некоторых адаптивных системах осуществляется изменением параметров системы путем поиска, либо путем анализа ситуации и принятия решения на основе етого анализа. Такого рода системы управления, получившие название самонастраивающихся, появились первоначально, по-виднмому, для управления летательными аппаратами, совершающими полет на болыпнх высотах, за прсделамн атмосферы 257 )217, 267, 266). Цепь адаптации у самонасграпвающихся систем обычно сама по себе представляет замкнутую систему.
На рис. 9-1 показана одна из возможных схем самонастраивающейся системы с моделью (176, 217). В схеме имеется (в явном или неявном виде) модель М, параметры которой установлены так, чтобы обеспечивались некоторые желаемые свойства системы. Входное воздействие д (1) подается одновременно на входы управляющего устройства УУ системы и модели, выходные координаты х объекта О и модели х„сравниваются и, как в обычной системе с обратной связью, определяется ошибка з.
Далее сигнал ошибки поступает в анализирующее устройство Л У, которое анализирует сигнал ошибки, определяет происшедшие изменения параметров системы (т. е. выполняет автоматическую идентифинацию объекта) и вырабатывает команды на изменение некоторых настраиваемых параметров Х системы, обычно управ- 0 ляющего устройства УУ. К преимуществам само- настраивающихся систем с лм м хг моделью относятся: независимость контура самонастройки от основной цепи управления, что обеспечивает возможность работы системы некоторое время при выходе из строя контура самонастройки; это же обстоятельство дает возможность сравнительно легко добавлять контур самонастройки к существующим системам без их радикального изменения; одновременность действия помех на систему и на модель приводит к тому, что их действие на сигнал ошибки значительно ослабляется и влияние помех слабо сказывается на процессе оптимизации системы.
В подобных системах пе возникает необходимости вводить запаздывания в вычислительное устройство, что приходится делать в схемах, где модель заменена вычислительным устройством. Непрерывная аналоговая модель системы сравнительно проста по конструкции, Этим и объясняется достаточно широкое использование самонастраивающихся систем с моделью при управлении, например, самолетами. Однако для выработки по результатам наблюдений ошибки управляющего сигнала требуется уже выполнять довольно слоягкые операции, что в конечном итоге, по мере повышения требований к точности и сложности вычисления требуемого управления, вынуждает прибегать к использованию цифровых вычислительных машин. Но при введении в цепь управления вычислительной машины возникает естественное стремление возложить на нее н функции, выполняемые моделью, устранив тем самым из системы специальный моделирующий блок.
Одна 268 из возмон«ных схем системы, управляемой 11ВВ!, покааава на рис. 9-2. Процесс определения параметров или характеристик объекта гораздо сложнее, чем простейшее пропорциональное или функциональное преобразование. Он состоит из ряда вычислительных операций и выполняется универсальными или специализированными вычислительными устройствами.
В литературе этот процесс определения параметров или характеристик объекта на основе наблюдения за процессом получил название идентификации. Классические методы определения параметров динамических систем на основе тех или иных снятых экспериментально характеристик 1временных, частотных и т. и.), как правило, оказываются непригодными для идентификации в системах с самонастройкой,так как они требуют длительного времени. В реальных условиях 0% УУ О идентификацию нужно выполнять быстро, «на ходу», при этом зачастую наиболее эффективные формы искусственных воздейст- цвм вий на объект (отупея»атыо, импульсные, периодические) окааываются часто недопустимыми по условиям эксплуатации.
В настоящее время наибо- Рис. 9-2. лее употребительные детерминированные методы идентификации основываются на определении импульсной характеристики объекта или матрицы импульсных характеристик 12171 в минимальное время. Из стохастических методов определения динамических параметров весьма плодотворными оказались дисперсионные методы. Подробнее задача идентификации рассматривается в 9 9-4. Экстремальные и самонастраивающиеся системы упомянутых выше типов возникли в результате решения технических задач. По времени эти разработки совпали с периодом повышенного интереса к кибернетическим аспектам управления и, естественно, внимание ряда теоретиков обратилось к проблеме адаптации в живых организмах. Адаптация, наблюдаемая в живой природе, иногда оказывается настолько быстрой и совершенной, что она кажется в наши дни недосягаемой для самых совершенных технических устройств 1например, поведение искусного лыжника-слаломиста при сложном спуске).
При попытках найти в природе некоторые принципы построения схем адаптации, с одной стороны, и использовать технические модели поведения живых организмов, с другой, возникло научное направление, получившее название бионики. Изучая модели (точнее, устройства имитации) процессов адаптации в живых организмах, исследователи предложили ряд чрезвычайно интересных схем. Эти схемы можно разбить на три основные группы: а) самообучающиеся; б) само- организующиеся; в) обучаемые системы. Наиболее известными самообучающимися моделями являются «мьппь в лабиринте» П1еннона, «черепаха» Уолтера и др. Эти устройства, в основном, предназначаются для имитации выработки условных рефлексов.
Системы совершают пробные движения. Результаты пробных движений запоминаются в памяти вычислительного устройства и апалианруются. Приводящие к пели движения «поощряются», уводящие от нее — «наказываются», в результате чего система в конце концов вырабатывает алгоритм своего поведения, наиболее быстро приводящий к цели. Самообучающуюся систему моясно построить в тех случаях, когда конструктор машины четко представляет себе, как надо действовать, чтобы придти к цели, что следует поощрять и что запрещать, и может дать формализованное описание последовательности действий автомата. Примерами более сложного типа адаптивных систем — само- организующихся — является гомеостат Эшби. Самоорганизующимися системами называют такие системы, которые способяы сохранять работоспособность при достаточно болыпих возмущениях, изменяя характер своего функционирования.
Эти системы строятся как модели спстем регуляции в живых организмах (система регулирования температуры тела, химического состава крови и т. д.). Группа обучаемых машин представляет пока наиболыяий интерес для технических приложений. Ряд сложных процессов высококвалифицированный оператор успешно выполняет, но при этом он не может точно объяснить, как он это делает, что не дает возможности полностью формалиаовать его денстзия в виде программы для вычислительной машины. Процесс обучения, например классификации наблюдаемых зрительных или звуковых образов, состоит в том, что информация о классифицируемом образе поступает и в обучаемую машину и к обучающему человеку.
Человек определяет класс образа и сообщает его машине. После многократного повторения процессов обучения машина начинает с той или иной степеньи«достоверности выполнять классификацию самостоятельно, и в ряде случаев вероятность ошибки машины становилась меньшей, чем вероятность ошибки обучавшего машину человека, т. е. ученик — машина в некоторых отношениях превосходила учителя — человека. 9-2. Сзмзивстраивающаяся система с моделью Одним из возможных способов построения самонастраивающихся систем с моделью является использование структур, допускающих весьма большие коэффициенты усиления. На рис. 9-3 2ВО изображена схема, в которой в цепь обратной свяаи И',, основного контура, состоящую из управляющего устройства И' и У ооъекта И'„, включено звено с большим коэффициентом усиления К (78, 217).
Для этой системы имеем К(Р) )) о)РУ (1 + а)у о.о) уил) о (Р) ( + К)( оуУУИ о, о В той области частот, где КИ',И'уИ',, Ъ 1 и КИУо оИ'м > 1, имеет место приближенное равенство' (9-1) †.. И'„(р), Д'(Р) (9-2) 261 т. е. передаточная функция системы, несмотря на изменения параметров объекта, приблизительно равна переда1очной функции модели, и, следовательно, реакция системы на х задающее воздействие Ф„ Ило приблизительно совпадает с реакцией модели.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
