Разработка адаптивных методов моделирования и управления техническими системами тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чан Дык Хиеу

• Чан Дык Хиеу
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Чан Дык Хиеу

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР АДАПТИВНЫХ МЕТОДОВ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

1.1. Общие принципы построения моделей объектов управления

1.2. Введение в слабоформализуемые технические системы

1.3. Общие подходы к моделированию и управления слабоформализуемыми системами

1.4. Общие подходы к проблеме идентификации слабоформализуемых технических систем

1.4.1. Задача идентификации

1.4.2. Задачи идентификации в узком смысле - параметрическая идентификация

1.5. Обзор адаптивных методов параметрической идентификации

1.5.1. Градиентные методы

1.5.2. Регрессионные методы идентификации

1.5.3. Алгоритм Качмажа и его модификации

1.6. Постановка задач исследования

ГЛАВА 2. ИССЛЕДОВАНИЕ СВОЙСТВА ОБОБЩЕННОГО АДАПТИВНОГО АЛГОРИТМА ИДЕНТИФИКАЦИИ

2.1. Общий вид алгоритмов идентификации

2.2. Математическая модель обобщенного адаптивного алгоритма

2.3. Сходимость обобщенного адаптивного алгоритма

2.4. Скорость сходимости обобщенного алгоритма

2.4.1. Скорость сходимости алгоритма при активной идентификации

2.4.2 Сходимость при случайных независимых входах

2.4.3. Влияние математических ожиданий на скорость сходимости

2.4.4. Влияние корреляции входных сигналов на скорость сходимости

2.6. Сходимость обобщенного алгоритма идентификации нестационарных объектов

Вывод по второй главе

ГЛАВА 3. РЕГУЛЯРИЗОВАННЫЙ АЛГОРИТМ ИДЕНТИФИКАЦИИ

ОБОБЩЕННЫЙ АДАПТИВНЫЙ

3.1. Математическая модель регуляризованного обобщенного алгоритма

3.2. Сходимость регуляризованного обобщенного адаптивного алгоритма

3.3. Сходимость регуляризованного обобщенного адаптивного алгоритма при влиянии помех

3.3.1. Погрешность в канале измерения выходного сигнала

3.3.2. Погрешность в каналах измерения входных сигналов

3.4. Сходимость регуляризованного обобщенного адаптивного алгоритма идентификации нестационарных объектов

3.5. Исследование сходимости регуляризованного обобщенного алгоритма идентификации на основе экспериментальных данных

Вывод по третьей главе

ГЛАВА 4. ПРИМЕНЕНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ В ЗАДАЧЕ МОДЕЛИРОВАНИИ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИЧЕСКОЙ УСТАНОВОК И СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ

4.1. Моделирование электрических энергетических установок парогазовой установки ПГУ-450Т

4.1.1. Краткое описание энергоблока ПГУ-450Т

4.1.2. Краткое описание тренажера ПГУ-450Т

4.1.3. Моделирование энергоблока ПГУ-450Т адаптивными алгоритмами

4.2. Адаптивные методы в системах поддержки принятия решений

4.2.1. Нейро-нечеткие модели в системе поддержки принятия решений

4.2.2. Применение разработанных алгоритмов в гибридный метод в системе поддержки принятия решений

Вывод по четвертой главе

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Приложение А. Свидетельство о государственной регистрации программы для

ЭВМ

А1. «Программа анализа сходимости обобщенного алгоритма идентификации»

А2. «Программа анализа сходимости регуляризованного обобщенного алгоритма идентификации»

Приложение Б. Акт об использовании

Введение диссертации (часть автореферата) на тему «Разработка адаптивных методов моделирования и управления техническими системами»

ВВЕДЕНИЕ

Актуальность темы исследования. Большинство современных технических систем и технологических процессов представляет собой, с точки зрения теории автоматического управления, сложные объекты, которые характеризуется нестационарностью, нелинейностью, большим числом управляющих и возмущающих воздействий, отсутствием полной априорной информации о статических и динамических свойствах, а также отсутствием датчиков некоторых регулирующих координат. Большинство технологических объектов являются стохастическими ввиду действия внутренних случайных шумов и помех в каналах измерения. Вместе с тем современные технологические процессы характеризуется постоянным техническим прогрессом, что делает системы все более сложными и взаимосвязанными, которые не всегда удается удовлетворить, используя регуляторы, построенные по принципу обратной связи с постоянными параметрами настроек. Сужение динамической точности управления сложными объектами в условиях постоянно действующих координатных и параметрических возмущений неизбежно приводит к ухудшению выходных выходов технических систем.

Использование адаптивных методов моделирования и управления позволяет справляться с этими вызовами и создавать более эффективные и точные модели и алгоритмы управления. Адаптивные методы моделирования и управления находят широкое применение в самых разных сферах, включая промышленность, медицину, экономике, и т. д.

Кроме того, адаптивные методы моделирования и управления могут быть интегрированы с другими интеллектуальными методами для создания комплексных и мощных решений. Исследования в этой области могут способствовать разработке новых гибридных подходов, улучшающих качество принимающих решений,

обеспечивающих улучшение производительности и точности систем управления и повышающих эффективность работы в различных отраслях.

В условиях постоянных изменений и неопределенности, характерных для современных технических систем, актуальность создания адаптивных и устойчивых моделей и алгоритмов управления только возрастает. Адаптивные методы моделирования и управления могут обеспечить необходимую гибкость и адаптивность для успешного противостояния вызовами и решения возникающих проблем.

Диссертационная работа посвящена разработке новых адаптивных алгоритмов моделирования и управления техническими системами в реальном времени. В работе проведены исследования свойств обобщенного адаптивного и регуляризованого обобщенного алгоритмов идентификации в различных харакеристиках сигналов наблюдения систем. Данные исследования направленны на обеспечение вычислительной устойчивости процедуры оценки параметров моделей и повышение скорости сходимости алгоритма идентификации.

В диссертации используется разработанный адаптивный алгоритм для повышения точности и эффективности математического модели парогазовых установок ПГУ-450. В результате показано, что предложенный адаптивный алгоритм для моделирования энергических блоков является более точным чем существующие методы, в том числе рекуррентный метод наименьших квадратов. Предложенный адаптивный алгоритм работает в реальном масштабе времени, что позволяет использовать его для регулирования расхода топлива и режим работы энергетических установок.

Таким образом, актуальность диссертационного исследования определяется сложностью современных технических систем, значимостью моделирования, адаптивностью алгоритмов и управления в реальном времени, а также недостатками существующих методов, такими как скорость сходимости, вычислительная сложность

и помехозащищенность. Диссертационная работа нацелена на разработку нового адаптивного алгоритма идентификации, обладающего простотой в вычислениях, высокой скоростью сходимости и устойчивостью к изменению помех, эффективностью при различных условиях входных сигналов, а также способного интегрироваться с другими интеллектуальными методами для создания гибридных подходов, повышающих производительность и точность систем управления.

Степень разработанности проблемы исследования. Основные адаптивные методы оптимизации или задача моделирования и управления в реальном масштабе времени предложены в работах ученых: Эйкхофф П. [1], Кузнецов Н. А. [2-4], Трапезников В. А [5], Райбман Н. С. [5-8] , Цыпкин Я. З. [9], [10], Пащенко Ф. Ф. [1113] , Аведьян Э. Д. [14], [15], Чадеев В. М [16], [11], Richard S.S. [18], [19], Pouria Sarhadi [20], Mughal A.M. [21] и др.

Проведенный анализ задач, представленных в исследованиях, выяснил несколько недостаточно исследованных проблем, в том числе:

• идентификация и оптимизация слабоформализуемых систем;

• учет неопределенности в слабоформализуемых системах;

• быстродействие и устойчивость процедура идентификации и управления слабоформализуемыми техническими системами;

• влияние скорости сходимости алгоритма идентификации систем от характеристики входных сигналов.

Перечисленные проблемы определило проблему настоящего исследования.

Цель диссертационной работы заключается в разработке нового адаптивного алгоритма, который обладал бы следующими свойствами: простота в вычислении, высокая скорость сходимости, эффективность при различных характеристиках данных наблюдения и большая устойчивость к помехам для моделирования и

управления слабоформализуемыми техническими системами, описание которых трудно представлено в виде аналитических математических формул, с заданной точностью.

Для реализации поставленной цели в диссертации решаются следующие задачи:

1. Исследование известных адаптивных методов и их применения к задаче моделирования и управления техническими системами.

2. Разработка адаптивного регуляризованного обобщённого алгоритма идентификации. Программная реализация разработанного алгоритма.

3. Исследование свойств предложенного алгоритма.

4. Анализ применимости предложенного алгоритма к системам поддержки принятия решения.

5. Анализ применимости предложенного алгоритма к задачам моделирования энергических установок.

Объектам исследования являются технические системы, в том числе электрические энергетические установки и системы поддержки принятия решения.

Предметом исследования является адаптивные алгоритмы идентификации, в основном регуляризованный обобщенный алгоритм идентификации, ориентированный на повышение скорости сходимости идентификации, эффективности при различных характеристиках данных наблюдения и устойчивости к помехам при моделировании и управлении слабоформализуемыми техническими системами.

Методология и методы исследования. При выполнении исследований и решения поставленных в работе задач использовались методы системного анализа, методы анализа данных, теория идентификации, теория управления, цифровые

технологии, относящиеся к задачам анализа данных (нейро-нечеткие логики, адаптивные алгоритмы, и другие методы искусственного интеллекта).

Научная новизна. В рамках диссертационной работы были достигнуты следующие важные результаты:

• Предложены новые обобщенные и регуляризованные алгоритмы идентификации и управления.

• Разработанные обобщенный и регуляризованный алгоритмы идентификации обладают высокой скоростью сходимости при различных характеристиках входных данных. Это отличительная черта, которая подчеркивает их эффективность и применимость в нестационарных ситуациях, когда требуется точная идентификация неизвестных параметров системы в реальном времени.

• Показано, что регуляризованный алгоритм работает устойчиво при влиянии помех в каналах измерения входных и выходных переменных объектов. Это обеспечивает надежность и точность вычислений параметров моделей при наличии помех и шумов, действующих в реальных объектах.

• Результаты исследований, включающих сравнительные анализы и эксперименты по скорости сходимости и точности прогнозирования, предложенных и известных алгоритмов подтверждают эффективность разработанных методов и алгоритмов. Это позволяет рекомендовать использовать их в задачах моделирования и управления техническими системами, включая широкого класса системы поддержки принятия решений.

Теоретическая значимость работы заключается в разработке новых адаптивных алгоритмов идентификации и управления. Разработанные обобщенный и

регуляризованный обобщенный алгоритмы идентификации, обладающие высокой скорость сходимости, точность и помехоустойчивость. Проведены анализы, исследования методов повышения сходимости адаптивных алгоритмов и устойчивости алгоритмов к действующим помехам в каналах измерения. Показано, что комплексный подход к исследованию алгоритмов, основанный на аналитическом и экспериментальном анализе, способствует более глубокому пониманию их работы и позволяет оптимизировать алгоритмы и использовать их в различных прикладных областях.

Практическая значимость результатов работы заключается в том, что разработанные теоретические алгоритмы могут использоваться для моделирования широкого класса технических систем. В диссертации построены математическая модель и адаптивные алгоритмы для прогнозирования и мощности парогазовой установки ПГУ-450 от расхода топлива и других параметров позволяет оценивать и прогнозировать функционирование ПГУ-450 в реальном масштабе времени. Эти модели учитывают технологические параметры составляющих оборудований ПГУ-450 и расходы топлива, что позволяют прогнозировать и управлять установкой в реальном масштабе времени. Результаты настоящего исследования также могут быть применены для разработки систем поддержки принятия решений для управления технологическими процессами на других производствах.

Основные научные положения, выносимые на защиту:

• Проведен анализ скорости сходимости обобщенного алгоритма идентификации, учитывающий влияние корреляции между входными сигналами и значения математических ожиданий входных сигналов.

• Предложен новый регуляризованный обобщенный алгоритм идентификации.

• Исследованы свойства предложенного регуляризованного обобщенного адаптивного алгоритма идентификации. Особое внимание уделено изучению влияния помех на скорость сходимости и вычислительную устойчивость разработанного алгоритма. Определены ограничения уровня помех в канале измерения выходного сигнала, необходимые для обеспечения сходимости разработанного алгоритма.

• Разработаны предложения вычислительных экспериментов для исследования свойств предложенных адаптивных алгоритмов идентификации. Проведены сравнительные эксперименты, результаты которых подтверждают, что скорость сходимости предложенных алгоритмов превышает скорость сходимости классического алгоритма Качмажа и рекуррентного метода наименьших квадратов.

• Построены адаптивные модели прогнозирования мощности парогазовой установки ПГУ-450Т (применяемых на большинстве ТЭС в России) на основе предложенных алгоритмов. Были проведены компьютерные эксперименты для прогнозирования выходных показателей парогазовой установки при изменении различных параметров входных воздействий и внешних среды.

• Предложен гибридный метод применения разработанных алгоритмов в системе поддержки принятия решений с использованием адаптивных нейро-нечетких сетей типа ANFIS для выработки управляющих воздействий и принятия решений.

Апробация работы. Результаты, полученные в рамках диссертационной работы, были представлены и обсуждены на нескольких международных конференциях: 2020 International Conference Engineering and Telecommunication (En&T), Moscow, Russia, 2020; 25th International Conference on Distributed Computer and Communication Networks: Control, Computation, Communications, 26-29 September

2022, Moscow, Russia; 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, November, 9-11 2022, Lipetsk, Russia.

Публикации. По теме диссертации опубликованы в 6 научных трудах, из них 3 статьи в трудах международных конференций, входящих в базы цитирования Scopus, 1 статья в рецензируемых журналах рекомендуемых ВАК Министерства образования и науки РФ, 2 свидетельства о государственной регистрации программы для электронных вычислительных машин.

Структура и объем диссертации. Диссертация включает в себя введение, четыре главы, заключение, список литературы и два приложения. Общий объем документа составляет 135 страниц, включая 21 рисунков, 9 таблиц и библиографический список из 71 наименований.

Во введение диссертационной работы обосновывается актуальность проводимого исследования, описан объект и предмет исследования, формулируются цель и задачи работы, а также определяется научная новизна. Рассматривается степень изученности темы в научной литературе и выявляются пробелы и необходимость проведения данного исследования. Кроме того, раскрывается теоретическая значимость и практическая ценность представленной диссертации. В данном разделе приводятся основные научные положения, выносимые на защиту. Предоставлены сведения о проведении апробации полученных результатов и публикациях, связанных с темой исследования.

В первой главе, озаглавленной «Аналитический обзор адаптивных методов моделирования и управления слабоформализуемыми техническими системами»,

осуществляется рассмотрение и анализ основных существующих адаптивных алгоритмов, применяемых для моделирования и управления техническими системами. Исходя из результатов проведенного анализа, формулируется задача

разработки нового более эффективно адаптивного алгоритма идентификации свободного от некоторых недостатков известных алгоритмов.

Во второй главе, под названием «Обобщенный адаптивный алгоритм идентификации», исследуется обобщенный адаптивный алгоритм, влияние случайных шумов, погрешностей измерения и корреляции входных воздействий на скорость сходимости и точность оценивания параметров.

В третьей главе «Регуляризованный обобщенный адаптивный алгоритм идентификации» посвящена разработке и исследованию свойств регуляризованного обобщенного адаптивного алгоритма идентификации. Проводится сравнение алгоритма м известными алгоритмами (типа рекуррентного метода наименьших квадратов (РМНК) и Качмажа).

В четвертой главе рассматриваются использование предложенных алгоритмов в адаптивной модели для прогнозирования мощности парогазовой установки ТЭС (ПГУ) от расхода топлива и других параметров, что позволяет оценивать и прогнозировать мощности в реальном масштабе времени; применение разработанных адаптивных алгоритмов в гибридном подходе системы поддержки принятия решения.

В заключении осуществляется подведение основных итогов диссертационного исследования, включая краткий обзор основных достижений, представленных в каждой из глав, а также синтез полученных результатов и обсуждение потенциальных направлений для дальнейшего исследования и развития представленных концепций и алгоритмов.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР АДАПТИВНЫХ МЕТОДОВ МОДЕЛИРОВАНИЯ И УПРАВЛЕНИЯ СЛАБОФОРМАЛИЗУЕМЫМИ

ТЕХНИЧЕСКИМИ СИСТЕМАМИ

С развитием технологий и увеличением сложности технических систем возникает потребность в более гибких методах моделирования и управления. Системы, описываемые слабой формализацией, представляют собой особый класс объектов, управление которыми требует применения нестандартных подходов и алгоритмов. В данной главе проводится аналитический обзор основных адаптивных методов, используемых для моделирования и управления сложными техническими системами, а также описываются основные проблемы и перспективы развития области.

1.1. Общие принципы построения моделей объектов управления

Проблематика создания моделей является одной из древнейших и наиболее актуальных задач в области научных исследований. Модели играют важную роль в изучении закономерностей различных явлений, проведении экспериментов для выявления новых закономерностей, оптимизации объектов исследования и управления ими.

Модель в данном исследовании рассматривается как объект, имеющий материальную или концептуальную природу, который используется вместо реального объекта с сохранением определенных существенных характеристик, важных для данного исследования [22].

Моделирование в широком смысле охватывает процесс создания, исследования и улучшения моделей, а также их применение в научных исследованиях (как теоретических, так и экспериментальных) и в различных процессах, таких как планирование, управление, оптимизация, прогнозирование, контроль и другие. [23].

Описание объекта управления включает в себя выражение связи между его реакцией и входными воздействиями во времени. Система управления состоит из двух ключевых элементов: управляемого объекта, и контроллера, отвечающего за управление процессом [24]. На рисунке 1.1 представлена простейшая структурная схема системы.

Контроллер К, получая информацию о цели управления в виде сигнала х^), меняющегося со временем t, формирует управляющее воздействие т^) на объект управления ОУ Это делается таким образом, чтобы управляемая величина у изменялась в соответствии с х^) и достигалась цель управления. На схеме L(t) представлены возмущающие воздействия, которые могут быть любыми, включая неконтролируемые.

Рисунок 1.1. Структурная схема системы управления

Моделирование выполняет две основные функции:

• Моделирование для исследования и понимания объекта. Этот подход включает построение модели и ее использование для описания физических процессов, которые происходят внутри объекта, а также для анализа его структуры.

• Моделирование с целью оптимизации или управления объектом. В этом случае модель выступает в качестве вспомогательной сущности. Она должна

отображать связи между входными и выходными сигналами объекта и может не учитывать внутреннюю структуру системы.

В некоторых случаях используемая при проектировании модель значительно отличается от реального объекта, что снижает эффективность разработанной системы управления. Поэтому в теории управления появилось направление, связанное с созданием модели на основе наблюдений, полученных в процессе функционирования объекта по его входным и выходным переменным. Это направление называется системной идентификацией [1], [24].

Существуют два больших класса моделей:

• Символические: описания системы даются на каком-либо языке, например, математиче ском;

• Вещественные: относятся материальные, приборные модели и т. д.

Одной из важных форм символического моделирования является математическое моделирование, которое позволяет исследовать объект с помощью модели, сформулированной на математическом языке с использованием определенных математических методов. Математика абстрагируется от физической природы объектов и изучает идеальные объекты. Математическое моделирование основано на ограниченном количестве фундаментальных законов природы и принципе подобия, который утверждает, что явления различной физической природы могут быть описаны одинаковыми математическими зависимостями. В данном контексте рассматривается только класс математических моделей [24].

Математическое моделирование - формализованное описание системы с помощью математических соотношений или алгоритмов.

Одной из важных форм математического моделирования является компьютерное моделирование. Компьютерная модель представляет собой программную реализацию математической модели, дополненную различными служебными программами. Она представляет собой альтернативную форму абстрактной модели, которую могут интерпретировать не только математики и программисты, но и технические устройства, включая процессоры [25], [26].

Этот особый вид моделей, объединяющий абстрактные и физические характеристики, обладает уникальным набором полезных свойств. Поэтому в современной практике под термином "моделирование" понимается в основном компьютерное моделирование.

Все методы моделирования можно разделить на три основные группы:

• Аналитические методы;

• Экспериментальные методы;

• Комбинированные методы;

Каждый метод моделирования подробно рассматривается в [27], [28].

1.2. Введение в слабоформализуемые технические системы

Существует значительное количество публикаций, в которых с различных позиций дается определение понятия сложная слабоформализуемая техническая система.

Слабоформализуемые технические системы (СФТС) - это класс технических систем, для которых сложно или невозможно создать точные математические модели из-за их сложности, динамичности, нелинейности, нестационарности, наличия неопределенности и других факторов [29]. Такие системы часто обладают сложной структурой, имеют множество взаимосвязанных параметров, а также подвержены

воздействию различных внешних факторов. Вследствие этого, традиционные методы моделирования и управления, основанные на строгих математических моделях, не всегда могут обеспечить адекватное и эффективное управление СФТС. Ниже рассматриваются характеристики СФТС.

Сложность. СФТС состоят из множества взаимосвязанных компонентов, каждый из которых может обладать своими уникальными характеристиками и функциями, и их поведения определяются сложными взаимодействиями между этими компонентами, включая обратные связи, изменение параметров, и влияние внешних факторов на различные уровни системы.

Динамичность. СФТС способны изменять свое поведение по времени, адаптируясь к колебаниям внешних условий или модификациям внутренних параметров. Это свойство делает их гибкими и устойчивыми к разнообразным ситуациям, но также создает и дополнительные сложности при моделировании и управлении такими системами.

Нелинейность. Отношение между переменными в слабоформализуемых технических системах могут быть нелинейными, что существенно усложняет процессы прогнозирования и управления. Нелинейные взаимосвязи вносят дополнительную степень неопределенности и могут привести к непредсказуемому поведению системы в разных условиях.

Из-за высокой степени сложности и нелинейности СФСТ, разработка точных математических моделей становится затруднительной [24]. Это может привести к неполному представлению о поведении системы и затруднить принятие решений.

Неопределенность. СФСТ могут содержать элементы, значения или свойства которых не могут быть точно определены или измерены. Неопределенность может быть связана с неполными или неточными данными, изменчивостью среды,

непредсказуемостью фактов или другими. Неопределенность технологического процесса затрудняет его аналитическое описание. Однако, в некоторых случаях это можно преодолеть путем сбора соответствующих статистических данных и построения на их основе моделей, например, регрессионных моделей, или применения методов синтеза формальных математических моделей, таких как передаточные функции. Однако, существуют случаи, когда недоступны средства или методы измерения координат объекта управления, и/или невозможно математическое описание технологических процессов с использованием традиционных методов из-за их сложности и недостаточного исследования. В таких ситуациях неопределенность, с которой мы сталкиваемся, не может быть устранена с помощью статистических или формальных методов.

Таким образом, введение в СФСТ подчеркивает особенности и сложности, с которыми стакиваются исследователи и инженеры при моделировании и управлении такими системами. Этим системам свойственны нелинейность, динамичность, неопределенность и множество взаимосвязанных компонентов, что делает недостаточными стандартные традиционные методы моделирования и управления. В связи с этим, для эффективного моделирования и управления СФСТ требуется разработка и применение интеллектуальных методов, которые способны адаптироваться к изменяющимся условиям, обрабатывать неточные и неполные данные, а также учитывать сложные зависимости между компонентами системы.

1.3. Общие подходы к моделированию и управления слабоформализуемыми системами

Современные исследования и создание сложных технических систем и процессов требуют использования различных видов и методов моделирования. Суть методов моделирования заключается в замене объектов исследования, особенно труднодоступных или невозможных для вмешательства, соответствующими

моделями. С их помощью можно проводить эксперименты, изучать поведение и реакцию при изменении параметров внутренней и внешней среды [30].

Основной задачей моделирования технических систем является определение или прогнозирование некоторых выходных переменных или показателей качества в зависимости от входных переменных. Задачей управления является поддержание заданного или оптимального значения некоторых технологических переменных.

Вопрос моделирования и управления сложных слабоформализуемых систем традиционными методами сопряжены с рядом трудностей, в зависимости от сложности уровневой псевдоиерархичности, различных видов неопределенности, и т. п [31].

Неопределенность приводит к невозможности аналитического описания технологического процесса. Различают несколько основных подходов к моделированию и управлению в условиях неопределенности.

Список литературы диссертационного исследования кандидат наук Чан Дык Хиеу, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Эйкхофф, П. Основы идентификации систем управления. Оценивание параметров и состояния. б.м. : Мир, 1975.

2. Идентификация в компьютерных системах цифровой экономики. Бродский А.В., Горбачев В.А., Карпов О.Э., Конявский В.А., Кузнецов Н.А., Райгородский А.М., Тренин С.А. 4, 2018 г., Информационные процессы, Т. 18, стр. 376-385.

3. Кульба В.В., Кузнецов Н.А., Косяченко С.А., Казиев Г.З., Шелков А.Б.

Оптимальные модульные системы реального времени (анализ и синтез). Москва : ИПУ РАН, 1994. стр. 359.

4. Analysis of the adaptive algorithms behaviour applied to the railway optimization problems. Пащенко Ф.Ф., Пащенко А.Ф., Кузнецов Н.А., Минашина И.К., Захарова Е.М. 2017, Procedia Computer Science, Vol. 109C., pp. 560-567.

5. Трапезников В.А., Райбман Н.С., Чадеев В.М. АСИ - адаптивная система с идентификатором. Москва : ИПУ РАН, 1980. стр. 67.

6. Идентификация объектов управления (обзор). Райбман, Н. С. №2 6, 1979 г., Автомат. и телемех., стр. 80-93.

7. Анисимов С.А., Дынькин В.Н., Касавин А.Д., Лотоцкий В.А., Мандель А.С., Райбман Н.С., Чадеев В.М. Основы управления технологическими процессами. Москва : Наука, 1978. стр. 440.

8. Н. С. Райбман, В. М. Чадеев. Адаптивные системы управления технологическими процессами. Москва : ИПУ РАН, 1972. стр. 58.

9. Я.З., Цыпкин. Информационная теория идентификации. Москва : Наука, 1995. стр. 336.

10. —. Адаптация и обучение в автоматических системах. Москва : Наука, 1968. стр. 400.

11. Кудинов Ю.И., Пащенко Ф.Ф., Пащенко А.Ф., Кудинов И.Ю. Нечеткое моделирование и управление в технических системах. Санкт-Петербург : Лань, 2022. стр. 208.

12. О некоторых проблемах реализации теории оптимального управления в задачах автоматического регулирования. Пикина Г.А., Пащенко Ф.Ф., Пащенко А.Ф. №3, Москва : б.н., 2022 г., Датчики и Системы, стр. 3-8.

13. Идентификация объектов в информационно-управляющих системах. Дургарян И.С., Пащенко Ф.Ф., Пащенко А.Ф., Пикина Г.А. №10, Москва : Датчики и системы, 2014 г., стр. 12-21.

14. Обобщенный алгоритм Качмажа. Э. Д. Аведьян, Я. З. Цыпкин. б.м. : Автомат. и телемех., 1979 г., стр. 72-78.

15. Модифицированные алгоритмы Качмажа для оценки параметров линейных объектов. Аведьян, Э. Д. б.м. : Автомат. и телемех., 1978 г., стр. 64-72.

16. Алгоритм идентификации с переходом в пространство параметров. Чадеев В.М., Гусев С.С. б.м. : Проблемы управления, 2009 г., стр. 18-21.

17. Анисимов С.А., Дынькин В.Н., Касавин А.Д., Лотоцкий В.А., Мандель А.С., Райбман Н.С., Чадеев В.М. Основы управления технологическими процессами. Москва : Наука, 1978. стр. 440.

18. Fast gradient-descent methods for temporal-difference learning with linear function approximation. Sutton RS, Maei HR, Precup D, Bhatnagar S, Silver D, Szepesvari C, Wiewiora E. Icml : the 26th International Conference On Machine Learning, 2009. pp. 9931000.

19. Adaptive artificial limbs: A real-time approach to prediction and anticipation. Pilarski PM, Dawson MR, Degris T, Carey J, Chan KM, Hebert JS, Sutton RS. 2013, IEEE Robotics and Automation Magazine, pp. 53-64.

20. Adaptive predictive control based on adaptive neuro-fuzzy inference system for a class of nonlinear industrial processes. Pouria Sarhadi, Behrooz Rezaie, Zahra Rahmani. s.l. : Journal of the Taiwan Institute of Chemical Engineers, 2015, pp. 1-6.

21. A.M., Mughal. Real Time Modeling, Simulation and Control of Dynamical Systems. s.l. : Springer Cham, 2016.

22. Оразбаев Б. Б., Курмангазиева Л. Т., Коданова Ш. К. Теория и методы системного анализа: учебное пособие. Москва : Издательский дом Академии Естествознания, 2017. стр. 248.

23. В, Звонарев С. Основы математического моделирования: учебное пособие. Екатеринбург : Изд-во Урал. ун-та, 2019. стр. 112.

24. Л.К., Ибраева. Моделирование и идентификация объектов управления. Конспект лекций для студентов специальности 5В070200 - Автоматизация и управление. Алматы : АУЭС, 2016. стр. 56.

25. Фешин Б.Н., Булатбаева Ю.Ф., Нурмагамбетова Г.С., Паршина Г.И., Телбаева

Ш.З. Компьютерное моделирование и идентификация электротехнических комплексов: Учебное пособие. Караганда : Изд. КарГТУ, 2010.

26. А.Л., Королев. Компьютерное моделирование. Москва : Бином. Лаборатория знаний., 2010.

27. Ибраева Л.К., Хисаров Б.Д. Моделирование и идентификация объектов управления: Учебное пособие. Алматы : АИЭС, 2009.

28. Волкова, В. Н., Козлов, В. Н., Горелова Г. В., Лыпарь Ю. И., Паклин Н. Б., Фирсов А. Н., ... & Симаков И. П. Моделирование систем и процессов. Москва : Издательство Юрайт, 2015. стр. 592.

29. Сложные слабоформализуемые многокомпонентные технические системы. Арепьева А.И., Тараканова О.И. Санкт-Петербург : б.н., 2016. Международная конференция по мяким вычислениям и измерениям. стр. 181-184.

30. Аналитический обзор по методам моделирования транспортных объектов в Интеллектуальных Транспортных Системах (ИТС). Маслов Е.С., Вакуленко С.П. Москва : Изд. «МЦНО», 2018. Научный форум: Инновационная наука: сб. ст. по материалам XII междунар. науч.-практ. конф. Т. № 3(12), стр. 47-52.

31. Концепция системного анализа сложных слабоформализуемых многокомпонентных систем в условиях неопределенности. И.А., Щербатов. 2013 г., Современные технологии. Системный анализ. Моделирование, Т. 2, стр. 28-35.

32. Кудинов, Ю.И., Келина, А.Ю., Кудинов, И.Ю., Пащенко, А.Ф. and Пащенко,

Ф.Ф. Нечеткие модели и системы управления. Москва : ЛЕНАНД, 2017. стр. 328.

33. Под общ. ред. Г.А. Филиппова, Ф. Ф. Пащенко. Теплогидравлические модели оборудования электрических станций. Москва : ФИЗМАТЛИТ, 2013.

34. Гебель Е. С., Пастухова Е. И. Теория автоматизации технологических процессов опасных производств : учеб. пособие. Омск : Изд-во ОмГТУ, 2017.

35. Решение задачи идентификации математической модели объекта прогнозирования в условиях неопределенности. Миронов Е.А., Платонов С.А. № 4, б.м. : Современные проблемы науки и образования, 2014 г.

36. Волкова А. А, Шишкунов В.Г. Системный анализ и моделирование процессов в техносфере : учеб. пособие. Екатеринбург : Изд-во Урал. ун-та, 2019. стр. 244.

37. Пащенко Ф.Ф., Пикина Г.А. Основы моделирования энергетических объектов. Москва : ФИЗМАТЛИТ, 2011. стр. 464.

38. Решение задачи идентификации математической модели объекта прогнозирования в условиях неопределенности. Миронов Е.А., Платонов С.А. № 4, 2014 г., Современные проблемы науки и образования.

39. Параметрическая идентификация стохастической системы неградиентным случайным поиском. Лобатый А.А., Степанов В.Ю. . №3, 2017 г., Наука и техника, Т. 16, стр. 256-261.

40. Математическое моделирование при решении задач оптимального проектирования технических систем. Е.Ю, Данько. 2018. Информационно-коммуникационные технологии: достижения, проблемы, инновации (ИКТ-2018).

41. Д.А., Новикова. Теория управления (дополнительные главы). Москва : ЛЕНАНД, 2019. стр. 552.

42. Поляк, Б.Т. Введение в оптимизацию. Москва : Наука, 1983. стр. 384.

43. P., Strobach. Linear prediction theory: a mathematical basis for adaptive systems. Berlin : Springer-Verlag, 1990.

44. C.R., Johnson. Lectures on adaptive parameter estimation. Englewood Cliffs, New Jersey : Prentice Hall, 1988.

45. I.D., Landau. System identification and control design. Englewood Cliffs, N.J. : Prentice Hall, 1990.

46. Van Huffel S., Vandewalle J. The total least squares problem: computational aspects and analysis. Philadelphia : SIAM, 1991.

47. Adaptive fuzzy approach to function approximation with PSO and RLSE. Li C., Wu T. 10, 2011 Sep 15, Expert Systems with Applications 38, pp. 13266-13273.

48. Recursive prediction algorithm for non-stationary Gaussian Process. Zhang Y., Luo G. 127, 2017 May 1, Journal of Systems and Software, pp. 295-301.

49. Recursive least-squares algorithms for the identification of low-rank systems. Elisei-Iliescu C., Paleologu C., Benesty J., Stanciu C., Anghel C., Ciochina S. 5, 2019 Mar 6, IEEE/ACM Transactions on Audio, Speech, and Language Processing, Vol. 27, pp. 903-918.

50. Highly efficient parameter estimation algorithms for Hammerstein non-linear systems. Mao Y., Ding F., Xu L., Hayat T. 4, 2019 Mar, IET Control Theory & Applications, Vol. 13, pp. 477-485.

51. Райбман Н.С., Чадеев В.М. Построение моделей процессов производства. Москва : Энергия, 1975.

52. Модифицированный алгоритм Качмажа для оценивания параметров нестационарных объектов. Либероль Б. Д., Руденко О. Г., Тимофеев В. А. №2 4, 1995 г., Проблемы управления и информатики, стр. 81-89.

53. Динамический алгоритм Качмажа. И., Округ А. № 1, 1981 г., Автоматика и телемеханика, стр. 74-79.

54. Цанев С.В., Буров В.Д., Ремизов А.Н. Под ред. Цанева С.В. Газотурбинные и парогазовые установки тепловых электростанций: Учебное пособие для вузов. 2. Москва : Издательский дом МЭИ, 2006. стр. 584.

55. Повышение экономичности ПГУ-450 Северо-западной ТЭЦ г. Санкт-Петербурга путем промежуточного перегрева пара в воздухоохладителе турбокомпрессора ГТУ. Хусаинов К. Р., Кудинов А. А. № 2, 2015 г., Надежность и безопастность энергетики, Т. 29, стр. 58-64.

56. Трухний А.Д.,Макаров А.А., Клименко В.В. Основы современной энергетики. Часть 1: Современная теплоэнергетика. [ред.] 2. Москва : Издательство МЭИ, 2003. стр. 376.

57. Оценка технической возможности и целесообразности использования паровой турбины ПГУ-450 для регулирования частоты в энергосистеме. Аракелян Э. К., Бурцев С.Ю. Выпуск № 3, 2019 г., Вестник Московского энергетического института, стр. 11-19.

58. Адаптивные алгоритмы в задаче моделирования энергетических объектов. Пащенко Ф.Ф., Чан Дык Хиеу, Аракелян Э.К., Пащенко А.Ф., Красненко Д.М. №2. 5, 2023 г., Новое в российской электроэнергетике, стр. 28-39.

59. Проблемы разработки и использования всережимных компьютерных тренажеров в теплоэнергетике. Аракелян Э. К., Рубашкин В. А. №26, 2019 г., Новое в российской электроэнергетике, стр. 6-12.

60. Using a Computer Simulator to Create a Digital Model of a CCGT Power Unit. Arakelyan E.K., Andryushin A.V., Mezin S.V., Pashchenko F.F., Kosoy A.A. . 9, 2022, IFAC PapersOnLine, Vol. 55, pp. 472-478.

61. Regularized Generalized Identification Algorithm in The Problem Of Modeling Of Weakly Formalizable Systems. Tran Duc Hieu, Pashchenko F.F., Bui Truong An. Lipesk : s.n., 2022. 4th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (IEEE). pp. 398-420.

62. А. Филд - Пер. с англ. Л. Ю. Полушкиной, Д. Н. Тарасевич / Под ред. Л. К. Щербакова. Международная практика организации и обслуживания воздушного движения. Москва : Транспорт, 1989. стр. 254.

63. Концепция совершенствования авионики и облик современных систем управления вооружением. А.И., Канащенков. № 8, 2002 г., Радиотехника, стр. 73-83.

64. Decisio Making Support Systems in Large-Scale Production Facilities. F.F.Pashchenko, I.S.Durgarjan, A.F.Pashchenko, Y.I.Kudinov. 32, 2016, IFAC-PapersOnLine, Vol. 49, pp. 7-12.

65. Review of desicsion support systems in air transport system. Nikola Ivanov, Fedja Netjasov. Bordeaux, France : s.n., July 2014. 18th Air Transport Research Society (ATRS).

66. Neural networks as decision making support system for hydroelectric power plant. Grimaccia F., Mussetta M., Niccolai A., & Zich R. E. . 2017 International Conference on Smart Systems and Technologies (SST). pp. 217-221.

67. Power Fuzzy Approach for Decision Making Support in the Adaptive Control System of the Aviation Engine. S., Tovkach. Oct. 2018. 2018 IEEE 5th International Conference on Methods and Systems of Navigation and Motion Control (MSNMC).

68. Jatinder N.D. Gupta, Guisseppi A. Forgionne, Manuel Mora T. Intelligent Decisionmaking Support Systems: Foundations, Applications and Challenges. s.l. : Springer Science & Business Media, 2007. p. 503.

69. Intelligent technologies in decision-making support systems. Hieu T.D., An B.T., Pashchenko F.F., Pashchenko A.F., Trong N.V. Moscow : s.n., 2020. 2020 International Conference Engineering and Telecommunication (En &T). pp. 1-4.

70. Neuro-Fuzzy Model Based on Multidimensional Membership Function. Truong An B., Pashchenko F.F., Hieu T.D., Trong N.V., Nguyen P.T. s.l. : Springer, Cham, 2023, Vishnevskiy, V.M., Samouylov, K.E., Kozyrev, D.V. (eds) Distributed Computer and Communication Networks. DCCN 2022. Communications in Computer and Information Science, Vol. 1748, pp. 234-245.

71. Об одной модификации рекуррентного метода наименьших квадратов. В.А., Тимофеев. 2004 г., Вестник Национального технического университета Харьковский политехнический институт. Серия: Информатика и моделирование, стр. 185-192.

131

ПРИЛОЖЕНИЕ

Приложение А. Свидетельство о государственной регистрации программы для

ЭВМ

В ходе исследования были разработаны и реализованы две специализированные программы для ЭВМ: «Программа анализа сходимости обобщенного алгоритма идентификации» и «Программа анализа сходимости регуляризованного обобщенного алгоритма идентификации».

Разработанные программы предназначены для анализа свойств сходимости обобщенного и регуляризованного обобщенного алгоритмов идентификации. Они представляют собой инструменты, позволяющие исследовать влияние различных параметров на скорость сходимости алгоритмов и анализировать их свойства и характеристики.

Программы предоставляют графическое представление результатов, включая кривые сходимости и средние значения ошибки, что позволяет более детально изучить поведение алгоритмов. Реализованные адаптивные алгоритмы доступны в виде программного кода, что обеспечивает их использование в дальнейших исследованиях или применении в прикладных задачах.

А1. «Программа анализа сходимости обобщенного алгоритма идентификации»

А2. «Программа анализа сходимости регуляризованного обобщенного

алгоритма идентификации»

IIpHjioaceHHe E. Akt 06 iicnojibîobahiiii

T&ÍTgroup

DA LINH vue -MOT NEM TIN

T&T GROUP CORPORATION JOINT STOCK COMPANY

THE SOCIALIST REPUBLIC OE VIET NAM Independence - Freedom - Happiness

№ 47/cv - gd

Hanoi, June 07, 202.1

ACT

On the use of theoretical and practical results of Tran Due Hieu's dissertation work "Development of adaptive methods for modeling and controlling technical

systems"

By this act, we confirm that the scientific and practical results obtained by Chan Due Hieu in the dissertation research for the degree of candidate of technical sciences in the specialty 2.3.1. "System analysis, information management and processing, statistics", in which generalized and regularized adaptive identification algorithms are developed, are implemented in T&T JSC.

The developed generalized and regularized adaptive algorithms have been implemented for modeling steam and combined cycle plants in order to develop computer simulators for training operational personnel in the operation and maintenance of power units. The developed methods make it possible to improve the quality of training and reduce the training time for operational personnel by 5-

10%.

I

CONG TV CÓ PHÁN TÀP DOÀN T&T

2A f'ham SU Manh, Q. I loan Klém, lia Nói | Tel: »84 24 7308 Irtló | Fax: <-84 24 3972 1775

ttgroup.com. vn

ол ими уис - МОТ МЕМТИ

АКЦИОНЕРНОЕ ОБЩЕСТВО Т&Т ГРУПП КОМПАНИИ

Социалистическая республика Вьетнам Независимость - Свобода - Счастье

№ 47/СУ - СЭ

Ханой, 07 Июня 2023 года

АКТ

Об использовании теоретических и практических результатов диссертационной работы Чан Дык Хиеу «Разработка адаптивных методов моделирования и управления техническими системами»

Настоящим актом подтверждаем, что научные и практические результаты, полученные Чан Дык Хиеу в диссертационном исследовании на соискание ученной степени кандидата технических наук по специальности 2.3.1. «Системный анализ, управление и обработка информации, статистика», в которых разработаны обобщенный и регуляризованный адаптивные алгоритмы идентификации внедрены в компании АО "Т&Т".

Разработанные обобщенный и регуляризованный адаптивные алгоритмы внедрены для моделирования паровых и парогазовых установок, с целю разработки компьютерных тренажеров для обучения оперативного персонала по эксплуатации и техническому обслуживанию энергоблоков. Разработанные методы позволяют повысить качество подготовки и сократить время обучения оперативного персонала на 5-10%.

Г( - р

I

СОМ. ТУ СО РНЛ\ ТАР 1)<>Л.\ Т&Т

2А РИат ЬИ \1anh, О. Нпап Шт. На N01 | Те1: +В4 24 7308 1Л1Л | Рах: +В4 24 3972 1775

ttKroup.com.\'п