Автоматика и телемеханика, № 10, 2020

Управление в технических системах

(Национальный исследовательский технологический университет ¾МИСиС¿,

Москва)

О ПОДХОДЕ К ИНТЕЛЛЕКТУАЛЬНОМУ УПРАВЛЕНИЮ

СЛОЖНЫМИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ

НА ПРИМЕРЕ ЧЕРНОЙ МЕТАЛЛУРГИИ

Предлагается оригинальный подход к синтезу интеллектуальных си-

стем управления сложными нестационарными объектами, в которых про-

исходит многократное воспроизведение производственных процессов за

определенный отрезок времени, что позволяет накопить данные и зна-

ния о программах управления, условиях и результатах их реализации,

о траекториях изменения контролируемых переменных. Рассматривается

декомпозиция движения объекта управления на возмущенное и невозму-

щенное движение, для отображения невозмущенного программного дви-

жения объекта предлагается использовать экспертные системы и концеп-

цию рассуждения по прецедентам, а для возмущенного движения ис-

кусственные нейронные сети.

Ключевые слова: управление, прецедент, экспертные системы, искус-

ственные нейронные сети, распознавание.

DOI: 10.31857/S0005231020100050

1. Введение

В автоматизированных системах управления сложными технологически-

ми объектами целесообразно использовать прогнозирующие модели на основе

искусственных нейронных сетей, экспертных систем и концепции рассужде-

ния (обучения) по прецедентам [1-4]. Методы искусственного интеллекта ис-

пользуются как способ борьбы с неопределенностью внешней среды и неста-

ционарностью объекта управления.

Переход к современным интеллектуальным производственным технологи-

ям, создание систем обработки больших объемов данных, машинного обуче-

ния и искусственного интеллекта является актуальным направлением Стра-

тегии научно-технологического развития Российской Федерации.

Большинство технологических объектов, особенно в черной металлургии,

характеризуется нестационарностью, которая проявляется в изменении их

параметров. Причина заключается в том, что они изнашиваются в процес-

се эксплуатации (¾стареют¿ элементы объектов), происходит изменение их

конструктивных характеристик (модернизация, ремонт, замена, т.е. влия-

ние внутренней структуры), изменение контролируемых и неконтролируемых

137

возмущений (например, изменение химического состава и качества перера-

батываемого сырья, т.е. влияние внешней среды), существенное изменение

технологического регламента производственных процессов на различных эта-

пах (влияние внутренних условий). Управление объектами, функционирова-

ние которых организовано циклически, предполагает повторение, с некото-

рой точностью, определенного набора действий для достижения желаемого

результата по окончании каждого цикла работы. Многократное воспроизве-

дение циклов за определенный отрезок времени позволяет накопить данные

и знания о программах управления, условиях и результатах их реализации,

о траекториях изменения контролируемых переменных. Прецеденты предла-

гается использовать для формирования эффективных программ управления

предстоящим циклом работы объекта в условиях изменения динамических

характеристик возмущающих воздействий, свойств каналов управления и за-

дающих воздействий. Циклы работы объекта различаются целями управле-

ния, требуемыми характеристиками выпускаемого продукта, изменяющими-

ся свойствами объекта, способами принятия управленческих решений разны-

ми операторами-технологами, свойствами внешних воздействий.

Актуальным направлением развития систем искусственного интеллекта

является создание методов правдоподобных рассуждений на основе преце-

дентов (Case-Based Reasoning (CBR) концепция обучения по примерам или

концепция рассуждения по прецедентам) [1-4]. Повторное использование пре-

цедентов позволяет уменьшить время, затрачиваемое на решение новой зада-

чи, повысить качество управления, объяснить полученное решение путем де-

монстрации успешного прецедента с отражением показателей сходства, обу-

чаться в процессе работы, избежать повторения ошибки [1, 2]. Использование

прецедентов позволяет принимать управленческие решения, учитывающие

множество реальных ограничений, в том числе по времени и эффективно-

сти [4].

Для отображения программного движения объекта управления предла-

гается использовать экспертные системы на основе CBR-концепции с вы-

делением типовых технологических ситуаций (траекторий), их признаков, а

для отображения возмущенного движения искусственные нейронные сети.

В экспертных системах представление знаний о программном движении осу-

ществляется в явном виде с помощью продукционных правил (в библиотеке

прецедентов на основе текущей информации в режиме реального време-

ни), а в нейронных сетях представление знаний о возмущенном движении

осуществляется в неявном виде в архитектуре сети, параметрах нейронов

и связей.

Большое количество входных элементов нейронной сети позволяет учи-

тывать внешние воздействия, которые обуславливают нестационарность объ-

екта управления. Сеть эффективно отображает поведение сложного объекта

управления в малом диапазоне изменений входных и выходных величин, по-

скольку может воспроизводить сложные нелинейные зависимости, обучаться

на примерах и ¾узнавать¿ в потоке зашумленной и противоречивой инфор-

мации черты ранее встреченных ситуаций. Использование экспертных систем

с несколькими библиотеками прецедентов позволяет существенно повысить

гибкость управления.

138

Актуальной задачей модификации CBR-цикла, основанного на опыте про-

шлых подобных ситуаций, является разработка процедур прогнозирования

возможных последствий от применения прецедентного решения. Прогнози-

рование необходимо в связи с тем, что последствия реализованных управ-

ляющих воздействий сказываются на состояниях и выходных воздействиях

сложных технологических объектов длительное время, технологические цик-

лы (ситуации) в черной металлургии часто не являются точным повторением

ранее реализованных циклов.

2. Прецедентный подход к интеллектуальному управлению

Предлагаемый подход основан на концепции возмущенного-невозмущен-

ного (программного) движения, которая была разработана А.М. Ляпуновым

и развита Н.Н. Красовским, А.М. Летовым для решения задач устойчиво-

сти [5]. Программное управляющее воздействие, поступая на технологиче-

ский объект управления совместно с параметрическими и координатными

возмущениями, вызывает ¾движение¿ объекта, координаты которого отлича-

ются от координат невозмущенного движения на значение координат возму-

щенного движения, которые затем поступают в регулятор. Даже при точном

исполнении программы действительное движение объекта будет отличать-

ся от программного движения. Под невозмущенным движением будем по-

нимать ¾нормальный¿ (¾программный¿, ¾номинальный¿, ¾базовый¿, ¾опор-

ный¿, ¾нормативный¿, ¾штатный¿) режим работы объекта, соответствующий

требованиям технологической инструкции, а под возмущенным движением

отклонение от ¾нормального¿ режима. Необходимость создания интеллекту-

альных систем управления, способных функционировать в условиях развития

¾расстройства¿ объекта управления, обуславливается тем, что именно этот

период работы объекта характеризуется максимальными затратами матери-

альных и временных ресурсов на ликвидацию этих ¾расстройств¿ (аварий-

ных ситуаций), значительными потерями производства и снижением качества

продукции. Подход основан на многолетней практике восстановительно-про-

гнозирующего управления металлургическими объектами АО ¾ЕВРАЗ Объ-

единенного Западно-Сибирского металлургического комбината¿.

Информационная модель (структурированное представление накопленно-

го опыта в виде данных и знаний) каждого прецедента включает описание

проблемной ситуации (информативные признаки прецедента для его иденти-

фикации, описание условий, когда целесообразно его использовать), совокуп-

ности действий (управленческих решений, программ управления), принимае-

мых для устранения данной проблемной ситуации, и результата применения

решения (оценка его эффективности).

Предлагаемый подход включает:

многоструктурное распознавание ситуации в системе управления на

основе текущей входной информации, поступающей из подсистемы оцени-

вания, т.е. обнаружение типовых образов-знаний (признаков), отражающих

неслучайные причинно-следственные связи событий в системе, которые мож-

но использовать для управления, и запоминать их в базе знаний (распознава-

ние осуществляется на основе коллективного принятия решений множеством

классификаторов);

139

извлечение из базы знаний прецедента или подмножества прецедентов,

соответствующих текущей ситуации, и их ранжирование по коэффициенту

уверенности (или по мере доверия), а также по зафиксированной ранее эф-

фективности (например, минимальное время исполнения программы, надеж-

ность), т.е. отбор прецедентов из множества прошлых циклов (ситуаций) по

отношению к предстоящему циклу может осуществляться исходя из совпаде-

ния целей и ограничений, близости (подобия) параметров качества получае-

мой продукции, близости продолжительности свершившегося и предстоящего

циклов, близости начальных условий, а также из наименьших затрат [6];

многовариантное прогнозирование возможных последствий от прини-

маемого решения, содержащегося в извлеченном прецеденте-победителе;

повторное использование извлеченного прецедента-победителя (преце-

дентов) для принятия очередного решения (т.е. повторное применение тра-

екторий программных управляющих воздействий, программных выходных

воздействий, базовых уровней контролируемых внешних воздействий на за-

данном интервале времени);

пересмотр (¾автоматическая коррекция¿, ¾адаптация¿, ¾преобразова-

ние¿) прецедентного решения в соответствии с поставленной задачей путем

установления отличия между новым и ¾извлеченным¿ прецедентами с учетом

цели управления на основе применения экспертной системы, использующей

обобщенные знания из базы правил для решения текущей задачи;

пополнение или корректировка библиотеки прецедентов (¾обучение си-

стемы¿ или ¾пополнение знаний¿), т.е. сохранение вновь принятого решения

как части нового прецедента для будущих аналогичных ситуаций или до-

бавление скорректированного прецедента в базу знаний в случае успешного

решения задачи, а также удаление или архивирование прецедентов, потеряв-

ших актуальность.

Таким образом, чем дольше функционирует система, тем разнообразнее у

нее база знаний и тем эффективнее будут принимаемые решения.

Предпосылки предлагаемого подхода: 1) подобные задачи должны иметь

подобные решения; 2) производственные задачи должны повторяться, т.е.

для многих предстоящих проблем должен существовать аналог в базе зна-

ний; 3) имеется возможность приобретения и представления знаний о типо-

вых ситуациях из работы объекта управления; 4) предметная область являет-

ся слабоструктурированной, а задачи плохо математически формализуемые;

5) наличие достаточно большого числа примеров эффективных управленче-

ских решений, найденных оператором-технологом для различных типопред-

ставительных ситуаций, а также наличие большого объема данных о внешних

влияющих факторах.

На рис. 1 представлена схема интеллектуальной системы управления, ко-

торая реализует данный подход. На этом рисунке приняты следующие обо-

значения: Y^D(t) действительные (индекс D) выходные воздействия объ-

екта управления на внешнюю среду в момент времени t; U^D(t) - управляю-

щие воздействия; W^DK(t) - контролируемые (индекс K ) внешние воздействия;

W^DHK(t) неконтролируемые (индекс HK) внешние воздействия; Z^Hj(t_i) =

= {Y ^Hj (t_i), S^Hj (t_i), W^HKj(t_i), U^Hj (t_i)} вектор натурных (индекс Н ) сигналов,

140

относящихся к j -му технологическому циклу (ситуации, событию) и дискрет-

ному моменту времени t_i; Y^Hj (t_i) = Ψ_y(Y^И(t)) вектор натурных дискрет-

ных данных, полученных из измерительных (индекс И) сигналов о выходных

воздействиях объекта Y^И(t); U^Hj (t_i) = Ψ_u(U^И(t))

вектор натурных дис-

кретных данных, полученных из измерительных сигналов об управляющих

воздействиях U^И(t); W^HKj(t_i) = Ψ_w(WИK(t)) вектор натурных дискретных

данных, полученных из измерительных сигналов о контролируемых внеш-

них воздействиях WИK(t); S^Hj (t_i) = Ψ_s(S^И(t)) вектор натурных дискретных

данных, полученных из измерительных сигналов о состоянии объекта S^И(t);

Ψ_y(·), Ψ_u(·), Ψ_w(·), Ψ_s(·) процедуры оценивания (фильтрации); НИ неин-

струментальная информация; ИБ интерфейсный блок.

В системе осуществляются следующие операции.

1. Сбор данных о прошедшем процессе (цикле процесса), проверка их на

достоверность, контроль и оценивание Z^Hj (t_i), расчет критериев эффектив-

ности управления Q^Hm(T_j ) = F_m{Z^Hj (t_i), t_i ∈ [0, T_j ]}, m = 1, . . . , M по ходу и

по окончанию j -го временного отрезка [0, T_j ]. В качестве основного показа-

теля эффективности можно использовать, например, себестоимость продук-

ции, полученной в j -м технологическом цикле, или затраты на ликвидацию

j -й аварийной (нештатной) ситуации.

2. Сохранение траекторий вектора Z^Hj (·), компоненты которого имеют вид:

[

]

Y^Hj(t_i) =

y^H1(t_i),... ,y^Hn(t_i),... ,y^HN(t_i)

;

[

]

S^Hj(t_i) =

s^H1(t_i),... ,s^Hℓ(t_i),... ,s^HL(t_i)

;

[

]

W^HKj(t_i) =

w^HK1(t_i),... ,w^HKr(t_i),... ,w^HKR(t_i)

;

[

]

U^Hj(t_i) =

u^H1(t_i),... ,u^Hp(t_i),... ,u_P (t_i)

Натурные сигналы Z^Hj (t_i), натурное программное управляющее воздей-

ствие U^HΠj(t_i), задающее воздействие Y^∗j(t_i), значения критериев эффектив-

ность управления Q^Hm(T_j ), распознанное состояние объекта (его класс

S_j(t_i),

составляющие прецедент P R^H (j, t_i) = {Z^Hj (t_i), U_Πj (t_i), Y^∗j(t_i), Q^Hm(T_j )

S_j(t_i)},

сохраняются в библиотеке прецедентов.

3. Оценивание экспертом (оператором-технологом) полученных прецеден-

тов, установление им меры доверия от 0 до 1. Мера доверия равная 1 означа-

ет то, что эксперт считает данный прецедент полностью достоверным, а 0 -

абсолютно недостоверным. Также эксперт выявляет наиболее эффективные

прецеденты по их результатам с учетом состояния объекта управления.

4. Оценивание характеристик каналов управления, определение времени

запаздывания, времени инерции и коэффициентов передачи по этим каналам

путем нанесения тестовых воздействий.

5. Если прецедент обеспечил точное совпадение измеренных и заданных

выходных величин, то он сохраняется в библиотеке прецедентов, в противном

случае осуществляется его ретроспективная адаптация (пересмотр, пересчет)

по окончании j-го технологического цикла (ситуации). Пересмотр осуществ-

142

ляется путем использования обратной нейросетевой пересчетной модели объ-

екта управления. В качестве типа сети был выбран стандартный многослой-

ный персептрон, в промежуточных и выходном слоях которого использованы

нейроны сигмоидального типа с униполярной функцией активации.

Корректировка программного управляющего воздействия осуществляется

следующим образом:

(

)

U^AΠj(t_i) = U^HΠj(t_i) + F_инс Y^∗j(t_i) - Y^Hj(t_i) ,

где F_инс(·) нейросетевой оператор.

Оператор F_инс(·) описывается следующими формулами:

x_c(i) - x^minc

xнc(i) =

;

x^maxc - x^minc







∑

vнp(i) = 1 + exp -

w⁽³⁾

1+

m=0



[

(

)]_-1

-1-1

∑

(1)

+ exp- w⁽²⁾

1 + exp

- w_k

xнc(i)



;

k=0

c=0

[

]

v_p(i) = v^minp +

v^maxp - v^minp

vнp(i),

где x_c(i) отклонение натурного выходного воздействия от заданного (вход

сети); v_p(i)

корректирующее значения p-й программы управления (выход

сети), p = 1, . . . , P (выходной нейрон, у которого p = 1, отвечает за корректи-

ровку программного управления по первому каналу управления и т.д.); xнc(i)

и vнp(i) нормированные значения x_c(i) и v_c(i); x^maxc, x^minc и v^maxp, v^minp мак-

симальное и минимальное значения x_c(i) и v_p(i), взятые из обучающей выбор-

ки; w^(1)kc, w^(2)mk, w^pm) весовые коэффициенты, оптимальные значения которых

определяются в процессе обучения сети по алгоритму обратного распростра-

нения ошибки, например, на основе высокоуровневого языка программиро-

вания Python.

То есть происходит пересмотр управлений программного вида путем

ретроспективной корректировки реализованных программных управлений

(траекторий управления) по контролируемым данным об отклонениях вы-

ходных параметров по ходу процесса и в конце его от желаемого режима.

Определяются те программные управляющие воздействия, которые следова-

ло бы нанести на объект для того, чтобы обеспечить точное попадание выход-

ных результатов процесса в их заданные значения. Это позволяет уменьшить

влияние допущенных ошибок на последующие результаты ведения техноло-

гического процесса. Пересмотренные программы управления сохраняются в

библиотеке адаптированных прецедентов, которые целесообразно использо-

вать на предстоящих технологических циклах P R^A(j, t_i). Эксперт принимает

143

решение о включении нового прецедента в базу знаний для его последующего

применения.

6. Формирование множества актуальных прецедентов для предстояще-

го (j + 1)-го периода работы объекта осуществляется по критерию макси-

мальной близости (схожести) заданных значений целевых переменных пред-

стоящего (j + 1)-го цикла к соответствующим параметрам прецедента. Для

оценивания степени близости целесообразно использовать евклидову метри-

ку, квадрат евклидового расстояния, манхэттенскую метрику, меру сходства

Хемминга, вероятностную меру сходства, меру сходства Роджерса-Танимото,

расстояние Чебышева, меру близости Журавлева, метрику Махалонобиса,

Брея-Кертиса, Жаккара, Чекановского [2]. При отборе учитываются возмож-

ные последствия от принимаемых решений, также текущие ограничения на

управляющие воздействия, т.е. осуществляется проверка предлагаемых ре-

шений на реализуемость. Если рекомендация не прошла проверку, то можно

взять результаты предыдущего цикла процесса, использовать базовые (сред-

ние) значения контролируемых переменных, либо взять данные типопредста-

вительного процесса, которые хранятся в базе знаний и периодически обнов-

ляются.

7. Многовариантное прогнозирование выходных воздействий объекта пу-

тем многократного ¾проигрывания¿ различных вариантов управляющих воз-

действий в ускоренном времени по следующей формуле:

{

}

Y_M (θ | θ + T_Π/χ)

= Φ₁(U_Π(θ | θ + T_Π/χ),WБK(θ | θ + T_Π/χ)) +

({

}

)

+Φ₂

U (θ | θ + T_Π/χ)

,δ ŴK(θ | θ + T_Π/χ)

Y (θ | θ + T_Π/χ);

{

}

{

}

Û (θ | θ + T_Π/χ)

=U_Π(θ | θ + T_Π/χ) +

U (θ | θ + T_Π/χ)

;

Ŵ_K(θ | θ + T_Π/χ) = WБK(θ | θ + T_Π/χ) + δŴK(θ | θ + T_Π/χ),

где Φ₁(·)

продукционная модель соответствия программных управляю-

щих воздействий U_Π(·) и базовых уровней контролируемых внешний воздей-

ствий WБK(·) программной составляющей выходного воздействия, накапли-

ваемых и модифицируемых в базе знаний; Φ₂(·) нейросетевая модель влия-

ния отклонений от программных и базовых уровней входных воздействий

на изменение выходного воздействия; {

U (θ | θ + T_Π/χ)} возможные ва-

рианты корректирующих воздействий; U_Π(θ | θ + T_Π/χ), WБK(θ | θ + T_Π/χ)

программные управления и базовые уровни контролируемых внешних воз-

действий, считываемые из базы знаний на интервале прогнозирования T_Π;

δ Ŵ_K(θ| θ + T_Π/χ) прогноз отклонений от базовых уровней контролируе-

мых внешний воздействий в ускоренном режиме времени;

Y (θ | θ + T_Π/χ)

прогнозируемые в ускоренном времени косвенные оценки эффектов некон-

тролируемых внешних воздействий;

Y_M (θ | θ + T_Π/χ)} прогнозные оцен-

ки выходных воздействий объекта управления, полученные в ускоренном

времени при различных вариантах возможных управляющих воздействий;

θ = t/χ ускоренное время; t реальное время; χ≫1 коэффициент уско-

рения времени.

144

8. Выбор оператором-технологом на предстоящий период T (j + 1) тако-

го прецедента, содержащего ретроспективно-оптимальную программу, ко-

торый соответствует его предпочтениям и требованиям технологической

инструкции.

9. Корректировка выбранной программы-прецедента P R^∗(j + 1, t_i) при на-

личии существенных отклонений параметров возмущений WИK(j + 1, t_i) от со-

ответствующих параметров W^HK (j + 1, t_i) выбранной программы. При этом

используется аналогичная нейросетевая модель, учитывающая влияние кон-

тролируемых возмущающих воздействий.

3. Применение прецедентного похода в управлении

CBR-системы разрабатывают на платформах CBR-Works, CAT-CBR,

myCBR. Предлагаемый подход целесообразно использовать для управления

доменной печью, агломерационной машиной, сталеплавильным конвертером,

они характеризуются большими объемами натурных данных [7].

Сталеплавильный процесс в конвертерах принадлежит к классу сложных

периодических производственных процессов, количество плавок (прецеден-

Таблица 1. Хронометраж плавки (описание решения проблемы)

Время, Длительность

Наименование операции

ч:мин операции, мин:с

09:55

присадка в конвертер: известь (1,61 т), ФМ-1 (0,40 т)

09:59

02:28

завалка лома

присадка в конвертер: известь (1,53 т),

10:01

флюс ФОМИ (1 т)

нагрев лома: расход кислорода 1552 м³,

10:02

06:04

положение фурмы до зеркала металла 3,54 м

10:03

присадка в конвертер: уголь ТОМО1 (2,44 т)

присадка в конвертер: известь (0,49 т),

10:06

уголь ТОМО1 (0,58 т)

10:11

02:18

заливка чугуна

10:13

19:13

продувка: расход кислорода 7664 м³

10:32

10:01

повалка

10:42

05:07

выпуск металла

10:48

01:36

прерывание выпуска

10:49

00:16

слив шлака

10:49

47:03

цикл плавки

Таблица 2. Результаты экспресс-анализа стали (в 10:44, описание результата)

Al, %

C, %

Mn, %

S, %

P, %

Cr, %

Ni, %

Cu, %

0,38

0,04

0,09

0,033

0,012

0,03

0,04

Полученная марка стали СТ3ПС.4/ЭТ (ГОСТ 380-2005)

Температура стали 1621^◦С (в 10:38)

145

Рис. 2. Экранная форма CBR-системы для управления конвертером.

тов) в год достигает несколько тысяч. Каждая плавка состоит из периодов:

завалка и нагрев лома; заливка чугуна; продувка кислородом; повалка (на-

клонение конвертера и взятие пробы); выпуск металла и шлака. Состав и

масса исходных материалов плавки являются разовыми управляющими воз-

действиями, добавки сыпучих материалов периодическими, а расход кисло-

рода (интенсивность дутья) и изменение положения фурмы непрерывным

управлением. В этом случае прецедент включает:

описание проблемной ситуации (¾химический состав чугуна, его тем-

пература и вес, вид лома и его вес, номер и состояние фурмы, футеровки,

заданная марка стали, вид ферромарганца, флюса, тип угля, химический со-

став извести¿, ¾сворачивание шлака¿, ¾выбросы¿, ¾переливы шлака¿);

146

описание совокупности управляющих воздействий (расход кислорода и

его программная траектория, положение фурмы и ее программная траекто-

рия, время начала и окончания плавки, количество чугуна, залитого в кон-

вертер, количество лома, извести, ферромарганца, флюса, угля, поданного в

конвертер, длительность нагрева лома, табл. 1);

описание результата применения решения (химический состав получен-

ной стали, ее температура, параметры отходящих технологических газов, по-

лученная марка стали, табл. 2).

Применение CBR-системы способствует получению заданной марки стали,

уменьшению дисперсии температуры металла.

На рис. 2 представлена экранная форма CBR-системы, созданная на от-

крытой платформе myCBR. Система обеспечивает стабильность работы кон-

вертера.

4. Заключение

Эффективность предлагаемого подхода зависит от количества высокока-

чественных и актуальных прецедентов, т.е. прецедентов соответствующих те-

кущему состоянию объекта, внешним воздействиям и цели управления, от

размера базы знаний. При значительном разнообразии заданий на выпуск

продукции (в современном сталеплавильном конвертерном цехе может вы-

плавляться более 400 марок стали), а также при большом множестве ситуаций

по внешним воздействиям и ошибкам измерений отобрать хотя бы несколько

безупречных прецедентов на каждый вид продукции весьма сложно. Поэто-

му целесообразно по окончании каждого технологического цикла не отбра-

сывать ошибочные решения, а корректировать их, решая задачу пересмотра

и расширения базы знаний с учетом доверия к этому новому прецеденту.

Предлагаемый подход отличается от других подходов, основанных на на-

коплении опыта управления, использованием разнообразных данных и зна-

ний (количественных и качественных признаков) о работе действующей си-

стемы управления в режиме реального времени, оперативным сохранением

в базе знаний не только лучших практик управления технологическим объ-

ектом, но и адаптированных решений, существенным разнообразием преце-

дентов в базе знаний, использованием информационных моделей прецеден-

тов, применением многовариантного прогнозирования последствий от пре-

цедентных решений, а также совместным использованием искусственных

нейронных сетей и экспертных систем на основе концепции возмущенного-

невозмущенного движения для технологического объекта.

СПИСОК ЛИТЕРАТУРЫ

1. Cox M.T., Funk P., Begum S. Case-Based Reasoning Research and Development.

Stockholm: Springer, 2018.

2. Варшавский П.Р., Еремеев А.П. Моделирование рассуждений на основе преце-

дентов в интеллектуальных системах поддержки принятия решений // Искус-

ственный интеллект и принятие решений. 2009. № 1. С. 45-57.

147

3. Vassilyev S.N., Novikov D.A., Bakhtadze N.N. Intelligent Control of Industrial Pro-

cesses // 7th IFAC Conference on Manufacturing Modelling, Management, and Con-

trol, 2013. P. 49-57.

4. Соколов И.А. Теория и практика применения методов искусственного интеллек-

та // Вестн. РАН. 2019. Т. 89. № 4. С. 365-370.

5. Воротников В.И. Задачи и методы исследования устойчивости и стабилизации

движения по отношению к части переменных: направления исследований, ре-

зультаты, особенности // АиТ. 1993. № 3. С. 3-62.

Vorotnikov V.I. Stability and Stabilization оf Motion: Research Approaches, Re-

sults, Distinctive Characteristics // Autom. Remote Control. 1993. V. 54. No. 3.

P. 339-397.

6. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological

Variations, and System Approaches // AI Communications. IOS Press. 1994. V. 7.

No. 1. P. 39-59.

7. Kulakov S.M., Trofimov V.B., Dobrynin A.S., Taraborina E.N. Precedent Approach

to the Formation of Programs for Cyclic Objects Control // IOP Conference Series:

Materials Science and Engineering. IOP Publishing, 2018. V. 354. P. 1-9.

Статья представлена к публикации членом редколлегии Н.Н.Бахтадзе.

Поступила в редакцию 02.03.2020

После доработки 01.06.2020

Принята к публикации 09.07.2020

148