КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер проекта 23-29-00521
НазваниеИнтеллектуальная идентификация систем с распределенными параметрами в условиях неполноты информации
Руководитель Дилигенская Анна Николаевна, Доктор технических наук
Организация финансирования, регион федеральное государственное бюджетное образовательное учреждение высшего образования "Самарский государственный технический университет" , Самарская обл
Конкурс №78 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами»
Область знания, основной код классификатора 09 - Инженерные науки; 09-604 - Проблемы теории управления техническими системами
Ключевые слова Интеллектуальная система идентификации, объекты с распределенными параметрами, структурно-параметрическая неопределенность, обратные задачи технологической теплофизики, методы искусственного интеллекта, искусственные нейронные сети, условно-корректный метод, иерархия моделей, классы корректности, задача параметрической оптимизации, последовательность приближений
Код ГРНТИ28.15.00, 28.17.31
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
Целью проекта является разработка новой методологии идентификации процессов и систем с распределенными параметрами в области технологической теплофизики. Предлагаемый подход объединит достоинства аналитических методов теории оптимального управления, позволяющих максимально полно учесть специфику исследуемых процессов и основанных на точных аналитических условиях оптимальности, и методов искусственного интеллекта, предоставляющих эффективные инструменты для поиска решений в условиях неполноты и неопределенности математического описания систем. Планируется разработать интеллектуальную систему идентификации, обеспечивающую информационную поддержку процесса принятия решения в условиях структурно-параметрической неопределенности. Решение указанной проблемы будет осуществляться за счёт преобразования слабо формализованной проблемы в совокупность хорошо формализованных задач, соответствующих допустимым альтернативам, и их последующего решения методами оптимального управления с применением нейросетевых технологий.
Актуальность проекта обусловлена потребностью в новых системно-методологических подходах к решению технологических задач промышленной физики, обеспечивающих интенсификацию и оптимизацию производства, как на этапе проектирования промышленного оборудования, так и при его эксплуатации. Практическая значимость исследования обоснована широким распространением обратных задач математической физики в различных областях технических приложений. Научная значимость состоит в разработке методологии, рассматривающей с единых позиций общей теории управления, решения практических задач идентификации, характеризующихся трудноформализуемыми условиями и предъявляющих высокие требования к качеству управления. Научная новизна заключается в комплексном подходе к процедуре построения математических моделей сложных бесконечномерных систем, совмещающем применение аналитических методов идентификации, учитывающих качественные особенности нестационарных процессов теплопроводности посредством использования точных математических моделей, и методов искусственного интеллекта, позволяющих находить решения в условиях неполноты информации.
Предлагается реализация двухуровневой интеллектуальной системы, верхний уровень которой обеспечивает поддержку принятия решения в задаче структурной идентификации, сводящейся к формализации и структуризации исследуемых явлений в рамках совокупности конечного числа математических моделей, определяемых спецификой предметной области. Оценка альтернатив, определяемых в каждом конкретном случае доступной информацией, и выбор предпочтительного варианта осуществляется на основе комплексного критерия качества.
Основой системы является условно-корректный метод, вводящий задачу в класс корректных за счет использования ограничений, накладываемых на математическую модель объекта в виде требований физической реализуемости решений с учетом их гладкости.
На базе предварительной параметризации на компактных множествах определений искомых решений осуществляется редукция исходной некорректно поставленной обратной задачи к задаче параметрической оптимизации температурных невязок, решение которой осуществляется на нижнем уровне. Наличие априорной информации о структуре искомого решения позволяет сузить множество решений до требуемого класса, а в случае её отсутствия осуществляется процедура поиска последовательных приближений к точному решению на основе их последовательной параметризации.
Поиск квазиоптимальных решений осуществляется с применением искусственных нейронных сетей на основе обработки входной информации, задаваемой условиями интервальной неопределенности.
Таким образом, поиск решений производится на компактных множествах, выбор которых осуществляется с помощью интеллектуальных технологий на верхнем уровне системы идентификации, на основе параметрической минимизации ошибок идентификации, реализуемой на нижнем уровне.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Публикации
1.
Дилигенская А.Н.
Numerical Solution of Inverse Heat Conductivity Problem Based on Minimax Optimization
IEEE Xplore, Proceedings - 2023 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2023, Sochi, Russian Federation, 2023, pp. 713-717, doi: 10.1109/ICIEAM57311.2023.10139195. (год публикации - 2023)
10.1109/ICIEAM57311.2023.10139195
2.
Данилушкин И.А.
State-Space Model of Spatially Distributed Flow Heating with Time-Varying Parameters
IEEE Xplore, Proceedings - 2023 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2023, Sochi, Russian Federation, 2023, pp. 993-997, doi: 10.1109/ICIEAM57311.2023.10139082. (год публикации - 2023)
10.1109/ICIEAM57311.2023.10139082
3.
Данилушкин И.А., Колпащиков С.А., Лысенко Д.С.
Динамическая модель водогрейного котла утилизатора
Вестник Самарского государственного технического университета. Серия «Технические науки», Вестник Самарского государственного технического университета. Серия «Технические науки». 2023;Т. 31, № 2, стр. 31-42 (год публикации - 2023)
10.14498/tech.2023.2.3
4.
Данилушкин И.А., Колпащиков С.А., Левин И.С.
Численно-аналитическая модель температуры металла барабана парового котла
Вестник Самарского государственного технического университета. Серия «Технические науки», Том 31, № 1 (2023), с. 21-33 (год публикации - 2023)
10.14498/tech.2023.1.2
5.
Попов А.В., Дилигенская А.Н., Вертянкина Д.А.
Параметрическая идентификация и оптимальное управление процессом индукционного нагрева
Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика, Том 2023 № 4 , 2023, С. 7 – 16. (год публикации - 2023)
10.24143/2072-9502-2023-4-7-16
6.
Дилигенская А.Н., Колпащиков С.А., Бочкарева И.С.
Minimax Optimization in Multidimensional Inverse Heat Conduction Problems
IEEE, 2023 V International Conference on Control in Technical Systems (CTS), Saint Petersburg, Russian Federation, 2023, pp. 42-45, doi: 10.1109/CTS59431.2023.10288960. (год публикации - 2023)
10.1109/CTS59431.2023.10288960
Аннотация результатов, полученных в 2024 году
1. Предложен, обоснован и разработан подход к созданию верхнего уровня интеллектуальной системы идентификации, который обеспечивает поддержку принятия решения в задаче структурно-параметрической идентификации процессов технологической теплофизики. Полученным результатом является концепция разработки верхнего уровня.
Этап структурной идентификации сводится к генерации альтернатив для возможных классов решений, являющихся компактными множествами. Осуществляется декомпозиция исходной некорректно поставленной обратной задачи теплопроводности к совокупности условно-корректных задач, в которых заданы ограничения на принадлежность решения соответствующему классу. На заключительном этапе на верхнем уровне осуществляется проверка выдвинутых гипотез об адекватности полученных моделей с выбранными структурными операторами и рассчитанным на нижнем уровне системы вектором параметров искомой характеристике и выбор наилучшей альтернативы на основе сформированного критерия. В случае отсутствия варианта, удовлетворяющего требованиям точности, формируются рекомендации для дальнейшего решения задачи.
Таким образом, на верхнем уровне реализованы шаги, осуществляющие этап структурной идентификации, сводящиеся к генерации гипотез о возможном структурном операторе математической модели искомой характеристики, к редукции исходной некорректной задачи к совокупности условно-корректных задач, к процедуре подтверждения или опровержения полученных альтернативных вариантов и к выработке рекомендаций по дальнейшему решению задачи.
2. Проанализированы варианты функционала качества, используемого для выбора наилучшей альтернативы из рассмотренных в задаче структурной идентификации, на базе минимаксного и квадратичного критериев.
Функционал качества сформирован на основе минимаксного критерия подобия, реализующего оценивание температурной невязки в равномерной метрике, что исключает резкие скачки минимизируемой функции, которые в большинстве случаев присутствуют на начальном или заключительном этапе при использовании квадратичных критериев. С помощью квадратичного критерия осуществляется проверка адекватности полученных результатов.
3. Разработана процедура выбора предпочтительного варианта математической модели с использованием искусственной нейронной сети и аппарата нечёткой логики.
В условиях структурно-параметрической неопределенности процедура принятия решения относительно математической модели исследуемого объекта реализована с использованием средств искусственного интеллекта, таких как нейросетевые технологии и аппарат нечёткой логики. Их сочетание способствует принятию решения об адекватности полученных математических моделей на основе результатов структурно-параметрической идентификации и позволяет отобрать среди найденных решений задач параметрической оптимизации такое, которое обладает наибольшей точностью, на основе сформированного критерия. Если ни одна из полученных моделей не удовлетворяет требованиям точности, проводится анализ решений и предусмотрены рекомендации о необходимости расширения ансамбля классов решений, о генерации альтернатив, содержащих функциональные зависимости, обладающие необходимой динамикой.
4. Разработан программный комплекс, реализующий интеллектуальную систему идентификации.
В рамках программного комплекса создано, реализовано и апробировано методическое, алгоритмическое и программное обеспечение, обеспечивающее поддержку принятия решения в задаче структурной идентификации на верхнем уровне и решение задачи параметрической идентификации на нижнем уровне.
Создана совокупность программных модулей, реализующих на нижнем уровне решение задач параметрической оптимизации на выбранных классах корректности, в качестве которых рассматриваются типовые компактные множества постоянных, линейных, экспоненциальных, синусоидальных и параболических функций. Для решения обратных задач использованы методы численного моделирования систем с распределенными параметрами, градиентные методы оптимизации, численные методы решения систем нелинейных уравнений.
На верхнем уровне программного комплекса осуществляется анализ адекватности полученных решений, выбор наилучшего решения на каком-либо компактном множестве на основе минимаксного функционала качества, принятие заключения об удовлетворительной точности полученного решения или о необходимости увеличения точности и выработка рекомендаций о соответствующих классах решений, которые могут быть использованы для этого. Применены процедуры сравнения с использованием минимаксного критерия подобия; нейронные сети, работающие по рассогласованию выхода модели и реальных данных.
Создано информационное, методическое обеспечение интеллектуальной системы идентификации, содержащее наборы типовых процедур и алгоритмов идентификации, вычислительных методик и оптимизационных процедур для реализации предложенного подхода. Созданы библиотеки подпрограмм, реализующих отдельные, функционально обособленные процедуры и методики, варианты реализации типовых процедур и алгоритмов идентификации в системе инженерных расчетов MATLAB.
5. Проведена апробация предложенной методики на широком круге прикладных задач идентификации процессов нестационарной теплопроводности, сформулированных для линейных и нелинейных аналитических и численных моделей, рассматриваемых на одномерных и двумерных пространственных областях, при различных структурах идентифицируемых характеристик в классе непрерывных и непрерывно-дифференцируемых функций. Решена серия граничных ОЗТ по идентификации типовых режимов работы теплового оборудования; решена серия задач определения параметров теплообмена котлового оборудования газотурбинного двигателя; решена задача восстановления неизвестного управляющего воздействия по данным процесса изменения температуры металла барабана парового котла; решена двумерная обратная задача технологической теплофизики по идентификации сосредоточенной величины мощности внутренних теплоисточников. Представлены результаты практической реализации расчётов для конкретных объектов технологической теплофизики.
Публикации
1. Дилигенская А.Н., Золотарёва В.В. Структурно-параметрическая идентификация граничных условий в обратных задачах теплопроводности с использованием ансамбля классов корректности Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика (год публикации - 2024)
2. Дилигенская А.Н., Осянина Л.В. Идентификация процесса теплообмена котлового оборудования на основе возмущенных данных Вестник ЮУрГУ. Серия «Энергетика» (год публикации - 2024)
3.
Дилигенская А.Н., Бочкарева И.С.
Параметрическая идентификация сосредоточенных воздействий в многомерных обратных задачах теплопроводности
Вестник Самарского государственного технического университета. Серия «Физико-математические науки», Вестник Самарского государственного технического университета. Серия «Физико-математические науки», 2024, том 28, номер 2, страницы 286–301 (год публикации - 2024)
10.14498/vsgtu2081
4. Данилушкин И.А., Колпащиков С.А. Reconstruction of a Dynamic System Input Using Feedforward Neural Network Training «"AIP Conference Proceedings"» (год публикации - 2024)
Возможность практического использования результатов
Полученные в ходе выполнения проекта результаты могут быть использованы в качестве модуля программного обеспечения автоматизированных систем управления процессами технологической теплофизики для уточнения математических моделей теплофизических систем. Повышение точности математического описания технологического процесса позволяет осуществлять более полный контроль, что способствует энергоэффективности, увеличению КПД и поддержанию бездефектного состояния теплотехнического оборудования.