Ғылымның өнеркәсіптің және ауыл шаруашылығының түрлі салаларында жоғары технологиялардың дамуы дәлділік пен тез әрекеттелікке қатысты заманауи автоматтық басқару жүйелеріне қойылатын талаптардың үздіксіз арттырылуын анықтайды. Сызықты жүйелердің теориясына сүйенетін басқарудың дәстүрлік әдістерін пайдалану кезінде зерттелетін объектілер мен процестердің толық және дәл математикалық сипатталуы қажет. Алайда нақты объектілерде белгісіздік (ақпараттық толықтығы еместігі) міндетті түрде болады. Бұл белгісіздік математикалық модельдерде ескерілмейді, ал мұндай объектілердің басқару жүйесі сапаны жоғары көрсеткіштерін қамтамасыз етпейді де, жұмысқа қабілетсіз болады.
Жүйелік қадамның позицияларынан өндірістік процестердің барлық автоматтандырудың басқару жүйелері объект моделі туралы ақпараты жеткіліксіз жүйелерге жатқызылуы тиіс. Осыған байланысты басқару объектісі есептеу моделінен ерекшеленсе немесе оның математикалық моделі белгісіз немесе толық емес болған кезде жүйенің қызмет етуіне жоғары сапаны қамтамасыз ететін басқарудың робастық жүйелерін жасау қажеттілігі туындайды. «Робастылық» термині ағылшын тілінен аударғанда «robust» конструкциясында берік, бұзылуларға сезімтал емес дегенді білдіреді. Сондықтан күрделі динамикалық жүйелердің робастылық тұрақтандырылуы дегеніміз – параметрлері өзгеретін жүйелерді тұрақтандыруды айтамыз.
Түрлі объектілерді тұрақтандыру жүйелерінде ПИД-реттегіштерді кеңінен қолдану факторларына олардың құрылымдарының қарапайымдылығы мен жоғары сенімділік жатады. Жуық шамадағы деректер бойынша жапон кәсіпорындарының 84 %-да осы күнге дейін ПИД-контроллерлер пайдаланылады. Бұл контроллерлерде оператор сапа көрсеткіштерінің жақсартылуына қолжеткізе отырып, үш параметрлерді басқаруға болады. Алайда кемшілігі болып жұмыс нүктелерінің өзгеруі кезінде әсерлердің арқасында контроллерді қайта баптау қажеттігі табылады [1]. Үздіксіз жұмыс режимі бар ірі кәсіпорындарда мұндай контроллерлерді пайдалану кезінде мұқият бақылауды талап етеді, яғни персонал саны көбейеді. Сонымен қатар, айнымалы параметрлері бар, кешігуі бар, нақты сызықтық еместігі мен едәуір бөгеуілдері бар процестер үшін ПИД-контроллерлерді пайдалану тиімді емес болуы мүмкін. ПИД-реттегіштерді баптау қиындығы оңтайлы баптауларды іздеумен түсіндіріледі және нәтижесінде процесс динамикасын бөлшектеп оқу қажеттілігі 80 % сызықты реттегіштердің оңтайлы емес режимде жұмыс істейтіндігіне алып келді [1].
Осылайша, басқару міндеттерін тиімді шешу үшін ұйымдастыру және қызмет ету принциптері бойынша қарапайым басқарудың жаңа схемаларын жасау қажет. Жоғары тиімділікті қамтамасыз ететін және басқарудың қарапайым принциптерін ғана пайдаланатын белгісіз параметрлері бар динамикалық жүйелер үшін басқару схемаларын жасау күрделі болуы мүмкін. Алайда басқарудың жаңа жүйелерінде робастылық пен адаптивтілік, жоғары сенімділік, құрылымының қарапайымдылығы және сигналдардың шуылдығы кезінде жақсы басқаруды қамтамасыз ететінқұрылымның жаңа элементтерін қосу қабілеттілігі қамтамасыздандырылуы қажет. Мұндай жүйелерді жасаудың негізі ретінде нейрондық желілер (себебі динамикалық жүйелер олардың модельдерінің белгісіздігімен сипатталады) және қалдық кластар жүйесі (себебі есептеулер көбейген сайын басқарушы контроллерлердің тез әрекеттілігін арттыру талап етіледі), сондай-ақ интервалдық модельдер, айнымалы құрылымның принциптері мен робастылықты қамтамасыз ететін әдістер пайдаланылады.
Нейробасқару нейрондық желілерді қолдануға негізделген заманауи басқару теориясының бөлігі ретінде күрделі динамикалық жүйелерді басқару міндеттерін шешу үшін соңғы жылдары белсенді түрде дамуда. Нейробасқару міндеттерін шешуге жүйелік қадам түрлі конструктивті-функционалдық элементтерден тұратын нейрондық желіге негізделеді. Нейрондық желі жоғары параллельді динамикалық сызықты емес жүйе болып табылады. Оның конфигурациясы басқарудың шешілетін міндетіне және талап етілетін шығыс реакцияға бапталып, қоршаған ортаның параметрлеріне байланысты. Нейробасқаруды әске асыру кезінде айнымалы параметрлері бар жүйелерді сызықты емес дифференциалдық теңдеулермен сипаттау қажеттігі туындамайды.
Айта кету керек, қажетті интеллектуалды және математикалық шығындардан кейін априорлық белгісіздік (ақпараттың толықтық еместігі) уақыт өте келе анықталуы мүмкін және осы кезде робастылық пен адаптивтілікке қолжеткізу қажеттігі туындамайды. Бірақ, әдетте, ағындағы белгісіздік сақталынады, яғни бұл кезде екі негізгі міндет қалады – динамикалық объектілер математикалық модельдерінің идентификациясы және нейрожелілік логикалық базиста шешілетін басқару алгоритмін жасау [1, 2]. Нейрондық желілер аппаратын пайдаланып, басқарудың міндеттерін шешуге жүйелік қадам А.И. Галушкин ұсынған әдісте көрсетілген [3]. Ерекше тиімді болып объектілердің математикалық модельдері ретінде көп қабатты нейрондық желілерді қолдану табылады. Бұл модельдер үшін робастылық басқарудың міндеттері дәстүрлік әдістермен алынбайды. Бұл көп қабатты нейрондық желілердің келесі фундаменталды қасиеттерімен және мінездемелерімен түсіндіріледі [3]:
− көп қабатты нейрондық желірдегі сигналдар автоматтық басқарудың жүйлеріндегідей тікелей бағытта ғана таралады;
− нейрондық желілердің әмбебаптық жуықтаушы қасиеттері (ақпараттың қажетті көлемі болған кезде [3]) басқарылатын объектілерің математикалық модельдерінің аппроксиматорлары ретінде пайдалануға мүмкіндік береді;
− нейрондық желінің оқытылуға жоғары қабілеттілігі (дәстүрлік басқару әдістеріне қарағанда ақпараттың аз көлемі кезінде) басқарудың нейрожелілік жүйелеріне робастылық пен адаптивтік қасиеттер береді, яғни нейрондық желілердің синаптық байланыстарының тіркелген коэффициенттері кезінде нақты жағдайда эталондық деректерден айырмашылығы бар эксперименталды деректер бойынша икемділеді. Берілген жағдайда желіні оқыту және оның адаптациясы бір процесс табылады;
− нейрондық желінің сызықты емес түрлендірудің тиімді іске асырылуына қабілеттілігі, бұл нақты сызықтық емес міндеттерді шешу кезінде маңызды болып табылады;
− үздіксіз және дискретті объектілермен басқару үшін аналогты және дискреттік сигналдарды параллель өңдеуге нейрондық желілердің қабілеттілігі;
− нақты жүйелерге тән нейрондық желілер шуылдаған және толық емес бастапқы деректер кезінде жақсы жұмыс істейді [3];
− қатардан шыққан нейрондар саны ұлғайған кезде, сондай-ақ белгісіздіктің жаңа түрлерінің және объектінің құрылымдық өзгерістерінің пайда болуы кезінде жұмыс істеу сапасының монотонды нашарлау қасиеті.
Жасанды нейрондық желілердің аталған қасиеттері мен мінездемелері автоматтық жүйелерде басқарудың тиімді нейрондық алгоритмдерін қалыптастыруға мүмкіндік береді. Басқарудың нейрожелілік алгоритмдері есептеу процедурасы болып табылады. Оның негізгі бөлігі құрылымның нейрондық желісі түрінде іске асырылуы мүмкін [3].
Глушков В.М., Цыпкин ЯЗ., Галушкин А.И., Терехов В.А., Пупков К.А., Гаврилов А.И., Ефимов Д.В., Тюкин И.Ю., Камаев В.А., Щербаков М.В., Пантелеев СВ., Львович И.Я., Исаков П.Н., Червяков Н.И., Мочалов В.П., Вербос (Werbos Р.), Нарендры (Narendra К.), Левин (Lewin А.), Чена (Chen L.), Омату (Omatu S.) және басқа да ғалымдардың жұмыстарында ұсынылып, дамыған нейрожелілік технологияларды пайдалануға негізделген робастылық және адаптивтік жүйелерді жасауға қадамдар альтернативтік әдістерге қарағанда тиімді болып табылады. Бұл келесімен түсіндіріледі: нейрожелілік модельдер сызықты жүйелер теориясының, көптеген айнымалыларды және статикалық әдістерді оңтайландыру функцияларының әдістерінің дәстүрлік дамуы ретінде қарастырылады. Алайда осы қадамдардың белгсіздік жағдайында жұмыс істейтін динамикалық жүйелерді робастылық тұрақтандыру үшін жеткілікті түрде зерттелмеген.
Егер шығыс және кіріс қабаттарының нейрондардың оңтайлы санын анықтау бастапқы құрылым синтезі процедура аралығында шешілетін болса, онда жасырын қабатының нейрондар санын анықтау бір реттік процедура болып табылмайды да, көптеген жұмыстарда итеративті түрде іске асырылады - таңдау және көп ретті модельдеу әдісі арқылы іске асырылады. ПИД-контроллерлердің белгілі алгоритмдерінде және олардың модификацияланған нұсқаларында заманауи автоматтық реттегіштерге қойылатын қосымша талаптардың бірқатары: параметрлердің өзгеруіне, қоздырушы әсерлер мен бөгеуілдерге робастылық қасиеттерін қамтамасыз ету (сезгіштік емес), реттелетін айынымалалар бағдарламасын жоғары дәлдікпен іске асыру үшін тапсырманы өзгерту жылдамдығын шектеу және т.б. ескерілмеген. Осы талаптарды ескере отырып қосымша динамикалық буындардан тұратын ПИД-алгоритмдерді сапалы іске асыру нақты уақытта қосымша есептеулерді жүргізу қажеттілігімен туындайтын тәз әрекеттілікті ұлғайту толығымен мүмкін емес.
Күрделі технологиялық жүйелер динамикасының идентификациялау алгоритмі мен әдісін жасау басқарудың сызықты объектісі ретінде қарастырылады. Күрделі технологиялық жүйелер динамикасының идентификациялау әдісі пассивті эксперимент режимінде басқару объектісі туралы уақыттық қатар түрінде ақпаратты жинауды қамтиды. Арналардың бөгеуілдермен «шуылдығын» ескере отырып, уақыттық қатарлармен көрсетілген эксперименталды деректерді алдын-ала реккуренттік нейрондық желімен жуықтау тиімді болады. Ол үшін эксперименталды деректер арқылы берілістің барлық арналары бойынша өзара корреляциялық функцияларды есептейді.
Нейрондық желі бойынша зерттеу сызықтық байланысқа көрсететін өзара корреляциялық функциясы бар арналар үшін жүргізіледі.
Әдебиет:
1. Есмаханова Л.Н. Күрделі технологиялық процеспен басқару үшін нейрожелілік реттегіш // Молодой ученый. – 2018. - №44.1. – 2-4 бб.
2. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика. – 1995. - № 4. – С. 106-118.
3. Автоматизация синтеза и обучение интеллектуальных систем управления / Под ред. И.М. Макарова и В.М. Лохина. – М.: Наука, 2009. – 228 с.
