Предложения кафедры АИСУ в области разработки систем управления и автоматизации на основе искусственного интеллекта Повышение эффективности организационно-технического управления сложными производственными системами на основе использования мультиагентных технологий Разработка методов построения аппаратно-программного комплекса динамической оптимизации параметров линейных регуляторов для управления нелинейными объектами Разработка нейросетевого регулятора, воспроизводящего поведение оператора Разработка программного пакета интеллектуального управления и оптимизации структур телекоммуникационных систем Разработка интеллектуального поведенческого контроллера Разработка нейросетевого тренажера, предназначенного для обучения оператора в условиях, максимально приближенных к реальной работе

Разработка методов построения аппаратно-программного комплекса динамической оптимизации параметров линейных регуляторов для управления нелинейными объектами д.т.н., проф. Еременко Ю.И. к.т.н., доц. Полещенко Д.А к.т.н. Глущенко А.И. На главную

ПИД-регулятор – это пропорционально-интегрально-дифференциальный регулятор. Его математическая модель является линейной: Классическая схема контура управления: u(t) – управляющее воздействие с регулятора на объект управления, e(t) – сигнал рассогласования, Kp, Ki, Kd – настраиваемые параметры ПИД-регулятора На главную

Искусственная нейронная сеть Искусственные нейронные сети математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей сетей нервных клеток живого организма. Искусственные нейронные сети нелинейны и обладают способностью к обобщению данных и обучению в реальном масштабе времени На главную

Рис.1 Схема управления с нейронастройкой ПИД-регулятора На главную

Цель проекта - разработка программно - технического устройства, оптимизирующего параметры ПИД - регулятора Новизна и актуальность идеи: - разработанный оптимизатор позволит с помощью широко применяемых на производстве линейных ПИД-регуляторов реализовать нелинейное управление технологическими объектами, что должно принести ощутимый экономический эффект за счет экономии энергоресурсов; - задача решается без значительных изменений в существующих системах регулирования путем подключения оптимизатора в качестве интеллектуальной надстройки. На главную

Организация работы системы управления с нейросетевым оптимизатором Рис.2 Модель контуров регулирования На главную

Сравнительные характеристики Рис. 3. Переходные процессы контуров управления с использованием нейросетевого оптимизатора и без него на модели незагруженного объекта На главную

Сравнительные характеристики Рис. 4. Переходные процессы контуров управления с использованием нейросетевого оптимизатора и без него при переходе на модель загруженного объекта На главную

Сравнительные характеристики Рис. 5. Переходные процессы контуров управления с использованием нейросетевого оптимизатора и без него при возврате к модели незагруженного объекта На главную

Оценка перспектив коммерциализации результатов НИОКР Разрабатываемое программно - техническое устройство ( нейросетевой оптимизатор ) позволит : - уменьшить расход энергоресурсов на ведение технологических процессов на 3-5%; - осуществлять его массовое производство на малых инновационных предприятиях ; - внедрять в промышленность как готовый технический продукт ; - интегрировать в существующие системы регулирования как надстройку к локальному регулятору без существенных изменений в схеме управления. На главную

Повышение эффективности организационно- технического управления сложными производственными системами на основе использования мультиагентных технологий аспирант кафедры АИСУ СТИ НИТУ МИСиС Цуканов Михаил Александрович На главную

минимизация производственных затрат за счет: –снижения простоев оборудования на основе повышения согласованности их работы; –минимизация путей перемещения подъемно- транспортных механизмов; –снижение потерь энергоносителей за счет повышения коэффициента использования оборудования. Цель проекта - На главную

Условие применения предлагаемого алгоритма технологической координации: выполнение плана производства по объемам, номенклатуре и срокам. Основа реализации алгоритма технологической координации: сменно-суточные задания или производственный план на сутки (смену). На главную

Типовая структура МАС На главную

Схема агрегата Бусленко На главную

Типы агрегатов и их состояния Тип агрегатаСостояния Основные простой, ожидание продукта, обрабатывающая операция, передаточная операция. Накопители простой, ожидание продуктов, выпуск продукта. Транспортные средства простой, транспортная операция, ожидание. На главную

Пример сети Петри для координации оборудования p ij - множества позиций, интерпретирующих входное и выходное условия работы соответствующей группы агрегатов Бусленко; t i - переходы системной сети На главную

База данных номенклатура производимых изделий; технологические маршруты; состав и характеристики производственных агрегатов. На главную

База знаний ЕСЛИ (Агрегат А 1N закончил работу) ТО (Поиск следующего по ТМ не занятого агрегата А MN ) (1) ЕСЛИ (Найден свободный агрегат А MN ) ТО (Передача обрабатываемого материала на А MN ) (2) ЕСЛИ (не найден свободный агрегат А MN ) ТО (ожидание передаточной операции) И (Последующий опрос групп агрегатов M через t) (3) На главную

Задача составления сменно-суточного графика – NP – сложная задача, на основании следующих факторов: –наличие нескольких однотипных агрегатов; –многовариантность технологических маршрутов; –последовательно–параллельный и перекрестный характер транспортно-технологических потоков. На главную

Методы решения Методы искусственного интеллекта: –генетический алгоритм; –иммунные алгоритмы; –метод муравьиных колоний. Методы комбинаторной оптимизации: –имитационный отжиг; –локальный поиск; –эвристика иди к ближайшему. На главную

Генетический алгоритм как основа оптимизации в сложных системах I 0 = {i 1, i 2, …, i s } конечный набор допустимых решений задачи, различные варианты включения оборудования в работу в ССЗ; F1 - целевая функция, регламентирующая выполнение технологической операции. F2 min(t jпрост ) – целевая функция, минимизирующая время простоя каждого технологического агрегата. F3 min(L) – целевая функция, минимизирующая путь перемещения ТС при обслуживании технологического требования. На главную

Использование системы интерактивная система-советчик для оперативного управления, диспетчирования и технологической координации производства; автоматизированная система оперативного управления, диспетчирования и технологической координации. На главную

к.т.н., доц. Халапян С.Ю. аспирант Ярмуратий Д.Ю. СТИ НИТУ МИСиС Разработка нейросетевого регулятора, воспроизводящего поведение оператора На главную

Цель проекта: Повышение эффективности управления технологическими процессами путем применения программно-технического устройства, реализующего функции регулятора на основе операторского управления. На главную

Работа объекта под управлением классического регулятора ПИД - регулятор КПКП КИ/sКИ/s КДsКДs Исполнительное устройство Объект управления Датчик На главную

Работа под управлением оператора Оператор Исполнительное устройство Объект управления Датчик Обучение нейронной сети На главную

Работа под управлением нейросети, «впитавшей» в себя опыт оператора Нейронная сеть, воспроизводящая поведение оператора Исполнительное устройство Объект управления Датчик На главную

Актуальность проекта Применение нейросетевого регулятора может позволить: –улучшить адаптационные способности регулятора за счет применения более гибкой технологии управления; –повысить качество управления и, следовательно, качественные показатели технологического процесса; –повысить экономическую эффективность производства в результате более точного поддержания основных технологических параметров и, соответственно, снижения расхода материальных и энергетических ресурсов, уменьшения процента брака и т.п. На главную

Новизна идеи Впервые предлагается: метод преодоления выявленных недостатков существующих систем управления путем замены классического регулятора системой с нейросетевым управлением, моделирующим работу оператора; разработка программно-технического устройства, реализующего управление технологическим процессом, на основе нейросетевой модели оператора. На главную

Лабораторная установка Муфельная электронагревательная печь Рабочее место оператора На главную

Работа под управлением классического ПИ-регулятора T, о C t На главную

Процесс обучения оператора T, о C t На главную

Работа под управлением человека-оператора T, о C t На главную

Структурная схема системы регулирования на основе нейросетевой модели поведения оператора (MatLAB) На главную

Работа под управлением нейросетевого регулятора T, о C t На главную

Перспективы коммерциализации результатов НИОКР создание программно-технического продукта (нейросетевого регулятора) как объекта реализации; потенциальными потребителями нейросетевого регулятора являются предприятия любых отраслей, которые используют классическое регулирование объектами, допускающими операторское управление. На главную

Разработка программного пакета интеллектуального управления и оптимизации структур телекоммуникационных систем к.т.н., ассистент Соловьев Антон СТИ НИТУ «МИСиС» На главную

Разработка коммерческого продукта, позволяющего фирмам, занимающимся предоставлением услуг различных видов связи, проектировать новые и оптимизировать телекоммуникационные сети. Цель работы: Актуальность работы обусловлена рядом причин: Тенденция к интеграции крупных провайдеров федерального и регионального уровней; Увеличение размеров структур телекоммуникационных систем; Отсутствие качественных программных продуктов позволяющих хранить топологическую информацию телекоммуникационных систем; Новизна идеи: Применение оптимизационного блока для сокращения расходов на строительство телекоммуникационных систем; Использование методов искусственного интеллекта в решении задач структурной оптимизации. На главную

Техническая значимость продукции: На базе методов искусственного интеллекта предложены алгоритмы решения задач структурной оптимизации; В проекте будет реализован весь накопленный опыт инженеров, интеграторов занимающихся проектированием телекоммуникационных систем; Весь опыт, а также способы рисования схем и представления прохождения кабеля, разварки оптических волокон и.т.д., позаимствованный у инженеров ВОЛС из различных интернет провайдеров будет отражен в предлагаемой системе; На главную

Модуль «Эксплуатация» - модуль учета существующей топологии: Характеристика оптического кабеля с привязкой к карте местности; Учет волокон в оптическом кабеле; Учет оборудования уровня агрегации и доступа; Схемы муфт и кроссов; Схемы расположения кабеля, оборудования и.т.д. Кросс 1 на Степном магистраль на северныйна дом 12на дом 2на дом 6 адрес дом 12 дом 14 дом 2 дом 3 дом 6 дом 7 дом 5 волокно модуль магистраль на космосна дом 12на дом 2 на дом 6 адрес дом 11 дом 4 волокно модуль Центральный свич на Степном На главную

Модуль «Проект» - модуль проектирования новой структуры Решение задачи структурной оптимизации с целью сокращения расходов на установку оборудования, стоимость оборудования и сокращения длины оптического кабеля Основные задачи структурной оптимизации решаемые в модуле «Проект»: Задачи размещения с различными ограничениями; Задача кольцевания оборудования уровня агрегации; Задача кластеризации; На главную

Предлагаемые алгоритмы и методы решения задач структурной оптимизации: 1. Задача кольцевания оборудования уровня агрегации- муравьиный и генетический алгоритмы. 2. Задача кластеризации (разбиение предполагаемых мест установки устройств уровня доступа на группы)- алгоритмы с-means и k-means. На главную

45 Задача размещения с ограничением с числом подключаемых устройств уровня доступа Задача размещения с ограниченным числом устройств уровня агрегации Основные параметры задач структурной оптимизации Выявленные задачи размещения: На главную

46 План реализации проекта: Организация и проведение эксперимента для тестирования предложенных методов в реальных условиях; Проведение патентного поиска и оформление заявки; Создание экспериментального образца программного комплекса; Тестирование работы программного комплекса при оптимизации структуры в реально действующих телекоммуникационных сетях; Создание опытно образца, с учетом проведенных испытаний; Лицензирование программного продукта. Предполагаемые покупатели: Интернет провайдеры; Организации владеющие своей сетевой инфраструктурой. На главную

47 Конкуренты: Система «Топология», компания «Ринет» Минусы: Отсутствие оптимизационных модулей; Возможность установки клиентской и серверной части только на ПК под управлением ОС Windows; Отсутствие возможности использовать различные СУБД; Интуитивно неудобные интерфейсы модулей. На главную

Разработка интеллектуального поведенческого контроллера к.т.н., доц. Халапян С.Ю. аспирант Ярмуратий Д.Ю. СТИ НИТУ МИСиС На главную

Цель проекта: Повышение эффективности управления технологическими процессами путем применения поведенческого контроллера, реализующего функции оператора. Актуальность проекта Применение поведенческого контроллера позволит: повысить качественные показатели и безопасность технологического процесса, находящиеся в руках одного человека; увеличить эффективность принимаемых решений за счет снижения информационной нагрузки на оператора; решить проблему сохранения знаний опытных операторов. На главную

Новизна идеи Впервые предлагается: метод преодоления выявленных недостатков существующих систем управления путем создания поведенческой модели оператора; разработка программно-технического устройства, реализующего поведение оператора, управляющего технологическим процессом, на базе методов искусственного интеллекта; концепция интеграции поведенческого контроллера в состав верхнего уровня управления технологическим процессом. На главную

Искусственная нейронная сеть Искусственные нейронные сети математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей сетей нервных клеток живого организма. Искусственные нейронные сети обладают способностью к аппроксимации и экстраполяции данных, представленных в обучающей выборке На главную

Формирование обучающей выборки, отражающей работу оператора по управлению лабораторной установкой На главную

Работа динамической нейронной сети u=F(T,T ²,T,T,T,T ¹,u ²) на обучающей выборке ( ε =0.011) На главную

Работа динамической нейронной сети u=F(T,T²,T,T,T,T¹,u²) на контрольной выборке (ε=0.031) На главную

Работа интеллектуальной поведенческой модели на реальном объекте На главную

Перспективы коммерциализации результатов НИОКР создание программно-аппаратного продукта (интеллектуального контроллера) как объекта реализации; потребителями интеллектуального контроллера будут являться любые виды производств, имеющих операторское управление. На главную

Структурно-функциональная схема интеллектуальной АСУ Оператор АРМ оператора (SCADA) Объект управления Датчики Исполнительные механизмы Локальные регуляторы База данных Модуль формирования решения Интеллектуальный поведенческий контроллер Модуль обучения Нейронная сеть На главную

Z -2 Динамическая нейросетевая поведенческая модель оператора На главную

Работа динамической нейронной сети с обратной связью На главную

Разработка нейросетевого тренажера, предназначенного для обучения оператора в условиях, максимально приближенных к реальной работе к.т.н., доц. Халапян С.Ю. аспирант Ярмуратий Д.Ю. СТИ НИТУ МИСиС На главную

Цель проекта повышение эффективности операторских действий путем применения программно-технического устройства нейросетевой тренажер моделирующего технологический процесс На главную

Человек-оператор за пультом На главную

Актуальность проекта Применение нейросетевого тренажера может позволить: - повысить эффективность выдачи уставок оперативным персоналом за счет обучения и оценки их действий; - повысить качественные показатели технологического процесса путем обучения неопытных операторов (только принятых на работу), а также восстановления знаний операторов вернувшихся после больничного, отпуска; - повысить экономическую эффективность от технологического процесса в целом, за счет снижения материальных затрат, связанных с низким качеством управления человека-оператора, как в обычных так и стрессовых ситуациях. На главную

Примеры операторских систем управления различными объектами На главную

Новизна идеи Впервые предлагается: - методика построения модели технологического процесса на основе аппарата искусственных нейронных сетей; - разработка программно-технического устройства, моделирующего технологический процесс с целью обучения и оценки квалификации оперативного персонала в различных производственных ситуациях. На главную

Операторская система удаленного управления шахтной печью Визуализация процесса металлизации На главную

Графики работы НС (выход степень металлизации) МНК= 79,6203, К т =0,5637 МНКср= 0,1727 На главную

Графики работы НС (выход процент содержания углерода) МНК= 3,4018, К т =0,7346, МНКср= 0,0074 На главную

График работы человека-оператора на нейросетевой модели процесса металлизации На главную

Перспективы коммерциализации результатов НИОКР – создание программно-технического продукта (нейросетевой тренажер) как объекта реализации; – потенциальными потребителями нейросетевого тренажера являются широко распространенные автоматизированные предприятия (производства), предполагающие операторское управление на верхнем уровне АСУ ТП. На главную

КРУПНОМАСШТАБНАЯ РАСПРЕДЕЛЕННАЯ СИСТЕМА УПРАВЛЕНИЯ ГАЗОФРАКЦИОНИРУЮЩЕЙ УСТАНОВКИ Производство АСУ ТП производственного комплекса изготовления высокопредохранительных взрывчатых веществ (Процесс получения ВВВ управляется и контролируется всего двумя операторами) На главную

Автоматизация комбикормового завода. АСУ ТП. На главную

АСУ ТП паровой котельной "Шереметьево-1" ОАО "Международный аэропорт На главную

Создание АСУТП сокоочистки на сахарном заводе На главную