Самонастраивающаяся система

Самонастраивающаяся система — кибернетическая (или динамическая) адаптивная система, в которой запоминание информации (накопление опыта) выражается в изменении тех или иных её параметров, существенных для целей системы.

Идеальная самонастраивающаяся система (СНС)

Идеальной самонастраивающейся системой (СНС) была бы система, которая сохраняла бы неизменные динамические и статические характеристики при любых возможных условиях. Практически СНС считается такая система, которая сохраняет динамические и статические характеристики неизменными лишь в определенных пределах.

Критерии самонастройки

Критерий самонастройки одновременно является и критерием качества системы. Он должен отражать требования оптимальности, например:

Обеспечение экономичности, газотурбинных или дизельных установок.
Обеспечение наибольшей производительности добычи угля.
Минимизация ошибки системы при наличии помех.
Обеспечение экстремума температуры мартеновской печи.
Стабилизация динамических свойств при изменении внутренних параметров.

При проектировании и расчете самонастраивающейся системы необходимо установить функциональные соотношения между показателями оптимальности и характеристиками объекта для изменяющихся условий работы системы. Установление такого функционального соотношения составляет основу критерия самонастройки.

Классификация СНС

СНС классифицируются по исходному фактору, обуславливающему применение элементов самонастройки, что позволяет выделить следующие основные классы:

Системы, настаивающиеся по сигналам внешних воздействий и выходных переменных.
Система настроена по динамическим характеристикам.
Экстремальные СНС, обеспечивающие экстремизм некоторого показателя объекта системы.

Дополнительным признаком классификации можно считать способ воздействия элементов самонастройки на систему:

С автоматической настройки структуры системы (самоорганизующиеся системы).
С автоматическим изменением алгоритма функционирования.

Последние являются наиболее совершенными самонастраивающимися системами, особенно самообучающиеся системы, в которых логическое устройство запоминает результаты самонастройки и использует их непосредственно в работе системы.

СНС разделяются также на разомкнутые и замкнутые относительно контура самонастройки и выхода системы, на аналитические, поисковые, комбинированные и т.д.

Характерные особенности самонастраивающихся систем

Во всякой СНС должно быть не менее двух контуров: основной контур и контур самонастройки.
СНС должны иметь элементы с изменяемыми (непрерывно или дискретно) параметрами, характеристиками или структурой и переменным в процессе работы законом управления. Таким образом, СНС в общем случае являются нелинейными нестационарными системами.
СНС должны иметь логические элементы (ЭВМ в общем случае).
СНС обладают повышенной чувствительностью к изменению параметров системы и входных сигналов.
Системы, настраивающиеся по сигналам внешних воздействий и выходных переменных.

Задача синтеза контура самонастройки

Задача синтеза контура самонастройки предусматривает выполнение следующих основных этапов: 1) анализ причин, обуславливающих применение самонастройки; 2) выбор критерия самонастройки и принципа построения контура СН; 3) определение алгоритмов идентификации; 4) определение закона изменения настраиваемых параметров; 5) разработка структуры модели или анализатора характеристик.

Анализ причин

Если СН применяют с целью оптимизации при различных характеристиках сигналов внешних воздействий, то необходимо: а) либо знать аналитическое выражение полезного сигнала на входе при неизвестных его параметрах и известных статических характеристиках помех; б) либо иметь возможность непосредственно измерить полезный сигнал и знать статистические характеристики помех.

Выбор критерия самонастройки и принципа построения контура СН

В качестве критерия самонастройки при использовании, например, анализатора характеристик (Ax) можно принять минимум отклонения динамических характеристик системы от эталонных, являющихся оптимальными.

Определение закона изменения настраиваемых параметров

Применение метода стохастической статистической аппроксимации.

Использование градиентного метода.
Использование функции Ляпунова.