123210 (592779), страница 2

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

1.2. Принцип работы нечетких гибридных регуляторов

Нечеткие регуляторы подразделяют на три типа:

1. Логико-лингвистические регуляторы,

2. Аналитические регуляторы

3. Обучаемые нечеткие регуляторы.

У каждого из этих регуляторов свои достоинства и недостатки, но к наиболее значимым недостаткам ЛЛР табличного типа можно отнести их ограниченную размерность (общее число переменных не должно превышать трех и субъективность выбора интервалов и соответствующих значений лингвистических переменных).

Обучаемые нечеткие регуляторы и системы управления относятся к классу наиболее перспективных. Они сохраняют высокую работоспособность в условиях помех и погрешностей измерения, а также достаточно быстро настраиваются на меняющиеся условия производства, снижая тем самым потери от неэффективного управления.

Объединяя другие типы регуляторов в более сложные структуры, проектная цель должна дополняться к подходящим управляющим характеристикам каждого регулятора в общие характеристики гибридного регулятора.

Гибридный регулятор работает как многорежимный регулятор, который имеет три режима операций, управляемых режимом операции модуля действий (Рис. 1.3). Изменение режимов зависит от величин нечетких вводов регулятора. В зависимости от этого установятся следующие соотношения:

Рис. 1.3. Состав гибридного регулятора

1.3. Нечеткая формализация параметров

В настоящее время разработаны многочисленные методы, позволяющие сохранять неизменным положение транспортируемого груза относительно заданной траектории при помощи специальных схем подвеса. Однако они не рассчитаны на резкие, непредвиденные изменения ситуации, связанные с влиянием внешних возмущающих факторов (изменение направления, скорости ветра, появления помех, возникновение аварийных ситуаций, требующих перехода системы в специальные режимы работы или немедленной остановки). Так же с помощью традиционных методов ПИД-регулирования невозможно обеспечить приемлемое качество управления при резком начале движения груза в момент отрыва от поверхности опоры и остановке в заданной точке пространства.

Таким образом, числовая информация, поступающая от датчиков (значение угла отклонения, угловой скорости, скорости груза), не позволяет, найти решение формальными методами при существующих ограничениях. В этом случае или нужно существенно округлять исходные данные, что может привести к получению неверного результата, или воспользоваться знаниями экспертов, которые выражаются в нечеткой словесной форме. Таким образом, наиболее целесообразным в сложившихся условиях представляется использование методов нечеткой логики для построения системы стабилизации груза.

Рассмотрим особенности применения аппарата нечетких множеств и нечеткой логики для решения данной задачи. Обработка нечеткой информации в задачах принятия решений (ПР) обеспечивается применением лингвистического подхода (аппарата нечеткой логики) [3].

В рамках лингвистического подхода в качестве переменных допускаются не только числа, но слова и предложения естественного языка, а аппаратом их формализации является теория нечетких множеств. Лингвистический подход при построении моделей принятия решений позволяет:

- применять для описания элементов задачи ПР приближенные, субъективные оценки экспертов, выраженные с помощью нечетких понятий, отношений и высказываний профессионального языка лиц принимающих решения (ЛПР);

- формализовать нечеткие описания с помощью нечетких множеств, лингвистических переменных и нечетких свидетельств;

- оперировать полученными формализованными объектами посредством аппарата, развиваемого на основе теории нечетких множеств;

- представлять результаты решения задачи как в виде нечетких описаний с использованием понятий и отношений профессионального языка экспертов, так и в виде четких рекомендаций;

- формализация нечетких понятий и описаний профессионального языка ЛПР обеспечивается введением понятий нечеткой и лингвистической переменных, нечеткого множества и отношения, что обеспечивает переход от словесных описаний элементов задач ПР к числовым представлениям.

Нечетким множеством А на множестве X называется совокупность пар вида ={_A(x)/x}, xX, где _A - отображение элементов множества D в единичный отрезок [0,1], называемое функцией принадлежности нечеткого множества А. Значение функции принадлежности _A(x) для элемента xX называется степенью принадлежности.

Лингвистическая переменная (ЛП) задается набором [5, 6]:

<_i,T(_i),X,G,M>, (1.2)

где _I - название i - ой ЛП; T(_i) - терм-множество ЛП _i; Х - область определения элементов множества T(_i); G - синтаксическое правило (грамматика), порождающее элементы (j-е нечеткие переменные) ; M - семантическое правило, которое ставит в соответствие каждой нечеткой переменной (НП) нечеткое множество - смысл НП .

Нечеткие переменные (НП) , составляющие терм-множества лингвистических переменных _I, задаются в виде тройки множеств

(1.3)

где - наименование НП; Х - базовое множество; - нечеткое подмножество множества Х, - функции принадлежности, задание происходит путем экспертного опроса.

Для всех ЛП терм-множества задаются экспертами и могут, по мнению экспертов, содержать любое количество нечетких переменных (термов). Проведенная данным образом формализация параметров моделей принятия решений позволяет рассматривать не только численные значения, но и ввести экспертные оценки параметров.

1.4. Анализ моделей принятия решений

Существует несколько моделей принятия решений:

- модель классификации;

- модель композиции;

- ситуационная модель принятия решений.

Приведем краткий анализ перечисленных моделей принятия решений. Достоинство модели классификации при построении нечетких контроллеров состоит в возможности установления достаточно полного соответствия между наборами нечетких переменных, характеризующих состояние объекта управления, и элементами множества принятия решения об управлении. Недостаток: если число ЛП велико, значительны мощности их терм-множеств, то таблица соответствие “ситуация-действие” существенно разрастается.

Ситуационная модель принятия решений имеет следующее достоинство, экспертами выделяются некоторые эталонные ситуации в объекте управления, которым сопоставляются в виде соответствия принимаемые решения об управлении, в этом случае нет необходимости задавать правила выбора управлений, упрощается процедура выбора конкретного решения. Недостаток такой же, как и у приведенной выше модели классификации, полноту задания множества всех эталонных ситуаций при значительном количестве входных факторов объекта управления трудно определить априорно.

Применение модели композиции позволит избежать недостатков двух выше перечисленных моделей, так же данная модель имеет более упрощенную реализацию, рассмотрим ее более подробно.

Известна модель, названная в работе [7] моделью композиции, которой в работе [8] дано название модели вычисления степени истинности нечетких правил вывода. Модель задается набором [9]:

(W,T,H), (1.4)

где Т - нечеткое отношение на множестве WH, причем Т - нечеткое соответствие, которое выводится на основе словесно-качественной информации экспертов, причем .

Множество H рассматривается как множество НП из терм-множества ЛП - принимаемое решение. Формальное построение модели происходит следующим образом.

Элементы множества W - множества, составляющего прямое произведение множеств входных факторов W=W₁W₂…W_n, определяются при конкретной постановке задачи принятия решения. Определяется ЛП - принимаемое решение и задаются НП из терм-множества ЛП- принимаемое решение. Основной частью построения модели является выбор экспертами элементов множества Т - соответствия в виде правил нечеткого выбора. Полнота этого множества определяет достоверность работы модели. Эксперт описывает принятие решений в виде некоторого множества Т, содержащего высказывания _j, . Высказывания _j формализуют посредством назначающих, условных и безусловных операторов. Для каждого высказывания _j выводится функция принадлежности

Для отношения Т значения функции принадлежности определяются через обобщенную операцию , так что

(1.5)

Модель вычисления степени истинности нечетких правил вывода имеет вид:

(W,T,H), W=W₁W₂W₃W₄, (1.6)

Модель работает по следующему алгоритму при принятии решения.

1. Для момента времени t₀ определяется координата множества W . Для точки w⁰ получают значения функций принадлежности нечеткого решения выбора h_i.

2. Выбирается максимальное значение

3. Решение h_s является выбранным в результате работы модели вычисления степени истинности нечетких правил вывода.

Данная модель будет применена для реализации нечеткого контроллера.

2. РАЗРАБОТКА МЕТОДА УПРАВЛЕНИЯ ПОДЪЕМНО-ТРАНСПОРТНЫМ МЕХАНИЗМОМ

Сформулируем задачу управления нелинейным объектом - подъемно-транспортным механизмом.

Множество входных сигналов Х в свою очередь состоит из множеств и имеет вид X={X₁,X₂,X₃} где: Х₁ - угол отклонения груза, X₂ - угловая скорость, X₃ – разность заданной и измеренной скоростей.

Введем ЛП - угол раскачивания груза на тросе, терм-множество которой имеет вид Т()={₁,₂,₃,₄,₅}, где: ₁ - PM - угол раскачивания положительный (против часовой стрелки) средний; ₂ - PS - угол раскачивания положительный небольшой; ₃ - ZR - угол раскачивания нулевой; ₄ - NS - угол раскачивания отрицательный (против часовой стрелки) небольшой; ₅ - NM – угол раскачивания отрицательный средний. Для каждой НП задаем нечеткие подмножества .

Необходимо определить величину угла отклонения груза. Для этого необходимо оперировать показаниями датчиков угла положения груза на тросе.

Введем ЛП - угловую скорость груза, терм-множество которой имеет вид Т()={₁,₂,₃}, где: ₁ - PS производная угла раскачивания положительная небольшая; ₂ - ZR - производная угла раскачивания нулевая; ₃ - NS производная угла раскачивания отрицательная небольшая. Для каждой НП задаем нечеткие подмножества .

Введем ЛП - разность заданной и измеренной скоростей груза, терм-множество которой имеет вид Т()={₁,₂,₃,₄,₅}, где: ₁ - PM - разность скоростей V_T положительная (против часовой стрелки) средняя; NM – разность скоростей V_T отрицательная средняя; ₂ - PS разность скоростей V_T положительная небольшая; ₃ - ZR разность скоростей V_T нулевая; ₄ - NS разность скоростей V_T отрицательная (против часовой стрелки) небольшая; ₅ - NM разность скоростей V_T отрицательная средняя. Для каждой НП задаем нечеткие подмножества .

Множество решений Н в нашем случае будет иметь следующий вид H={h₁,h₂,h₃,h₄,h₅} где: h₁=PM_VО - скорость V_О положительная (против часовой стрелки) средняя; h₂=PS_VО - скорость V_О положительная небольшая; h₃=ZRVО - скорость V_О нулевая; h₄=NS_VО - скорость V_О отрицательная (против часовой стрелки) небольшая; h₅=NM_VО - скорость V_О отрицательная средняя.

Характеристики

Список файлов ВКР