Интерес к данной теме в нашей стране связан с бурным ростом строительства скоростных автомагистралей, многоуровневых развязок и др., что неизбежно влечет за собой строительство большого количества современных тоннелей, имеющих в подавляющем большинстве продольную схему вентиляции. Термин Fuzzy Logic впервые был введен в 1965 г. профессором Лотфи Заде [3]. Некоторое время нечеткая логика считалась чуть ли не антинаучной теорией, практически отвергнутой в Европе и США. Два десятилетия назад в Японии начался бурный рост нечетких систем, в связи с чем там была создана специальная лаборатория по разработке нечетких технологий LIFE (Laboratory for International Fuzzy Engineering Research). После этого многие разработчики США и Европы обратили внимание на эту технологию. Стремительный скачок в развитии нечетких систем управления оказался не случайным. Простота разработки алгоритмов и дешевизна контроллеров нечеткой логики (Fuzzy Logic Controller, FLC), широкий диапазон применения — от бытовых приборов до управления сложными промышленными процессами — и высокая эффективность нечетких технологий заставили проектировщиков все чаще прибегать к этой технологии. При этом происходит подключение человеческой интуиции и опыта оператора. В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей (что, в свою очередь, порождает математические модели большой сложности), нечеткая логика предлагает иной подход, при котором постулируется лишь минимальный набор закономерностей. Чем сложнее объект, тем более востребованным является его управление с использованием принципов «нечеткой логики». В полной мере это относится к тоннельной вентиляции, фактически не поддающейся строгому математическому описанию ее поведения при многочисленных и динамически изменяющихся внешних обстоятельствах. Нечеткая логика оперирует не числовыми переменными, а лингвистическими. Значениями лингвистической переменной (лингвистических аргументов) являются не числа, а слова естественного языка, называемые термами. Количество термов лингвистической переменной должно быть минимально необходимым для представления физической величины с достаточной степенью точности. Для многих задач оправдано использование минимального количества термов — трех: два экстремальных значения (минимальное и максимальное) и среднее. Максимальное количество термов не ограничено и зависит от приложения и требуемой точности описания системы. В подавляющем большинстве случаев достаточно от трех до семи термов на каждую лингвистическую переменную. Ключевыми понятиями нечеткой логики являются фаззификация и дефаззификация. Фаззификация — процесс преобразования точных значений входных параметров в лингвистические переменные при помощи некоторых определенных функций принадлежности. Дефаззификация — процесс, обратный фаззификации. Все системы с нечеткой логикой функционируют по показаниям измерительных приборов: ❏ фаззифицируются (переводятся в нечеткий формат); ❏ обрабатываются по специально разработанным нечетким правилам; ❏ дефаззифицируются и в виде обычных сигналов подаются на исполнительные устройства. Ниже рассматриваются основные особенности каждого из этих этапов, и приводится один из самых простых примеров управления системой продольной вентиляции тоннеля. Главной целью системы управления вентиляцией автодорожных тоннелей является поддержание концентраций угарного газа СО и сажи не выше предельно допустимых значений (ПДК) [4, 5] при минимальном расходе электроэнергии. Большая часть угарного газа выделяется бензиновыми двигателями легковых автомобилей, а концентрация сажи увеличивается, главным образом, из-за дыма, выделяющегося при работе дизельных двигателей автобусов и грузовых автомобилей. Высокая концентрация СО в воздухе может нанести непоправимый ущерб здоровью людей, находящихся в тоннеле, а высокая концентрация сажи ухудшает видимость (уменьшает степень прозрачности воздуха, которая характеризуется показателем ослабления света) и повышает вероятность дорожно-транспортных происшествий. Вентиляционная система тоннеля должна обеспечивать такой воздушный поток, который разбавлял бы выделения СО и сажи до значений, не превышающих ПДК. Пусть концентрация CO может принимать любые значения. Тогда, согласно положениям теории нечетких множеств, каждому значению концентрации CO может быть поставлено в соответствие некоторое число, от нуля до единицы, которое определяет степень принадлежности данного физического значения концентрации СО (допустим, 8 мг/м3) к тому или иному терму лингвистической переменной «СО». Например, концентрации 8 мг/м3 можно задать степень принадлежности к терму «малая», равную 0,2, а к терму «средняя» — 0,8 (рис. 2). Степень принадлежности не является вероятностью, поскольку неизвестна функция распределения и отсутствует повторяемость экспериментов. Конкретное определение степени принадлежности каждого точного значения к одному из термов лингвистической переменной должно определяться посредством функции принадлежности. Ее вид может быть абсолютно произвольным, но обычно пользуются стандартными функциями (рис. 1). Стандартные функции принадлежности легко применимы к решению задач по управлению системой тоннельной вентиляции. Однако при решении специфических задач можно выбирать более подходящую форму функции принадлежности, что позволяет добиваться лучших результатов работы системы. Правила выполнения фаззификации сводятся к следующим шагам. Сначала для каждого терма каждой лингвистической переменной находится числовое значение (или диапазон значений), наилучшим образом характеризующих данный терм. Этим значениям соответствует степень принадлежности, равная 1.После этого определяются значения параметров с принадлежностью «0» к данному терму. Эти значения могут быть выбраны как значение с принадлежностью «1» к соседнему терму, определенному ранее. Для промежуточных значений терм выбираются П-функции принадлежности (трапецеидальные) или Л-функции (треугольные) из числа стандартных, а для экстремальных значений — S или Z-функции. Следуя этим правилам, для лингвистических переменных «СО» и «сажа», характеризующих, соответственно, фактические значения концентрации угарного газа и степени прозрачности воздуха (концентрации сажи), определим термы «малая», «средняя», «большая» и «ПДК» в соответствии с функциями принадлежности (рис. 2 и 3). В рассматриваемом примере выбраны П-функция для переменной «СО» и Л-функция для переменной «сажа» только из соображений иллюстративности. Производительность вентиляционной системы тоннеля является выходной лингвистической переменной, которую будем называть «мощность». Присвоим ей следующие термы: «минимальная», «малая», «средняя», «большая» и «максимальная». На втором этапе определяются продукционные правила, совокупность которых описывает стратегию управления, применяемую в данной задаче. Большинство нечетких систем используют продукционные правила для описания зависимостей между лингвистическими переменными. Типичное продукционное правило состоит из антецедента («ЕСЛИ…») и консеквента («ТО…»). Антецедент может содержать более одной посылки. В этом случае они объединяются посредством логических связок «И» или «ИЛИ». Например, в рассматриваемой задаче: «ЕСЛИ “СО” = “средняя”И “сажа” = “малая”, ТО “мощность” = “малая”».Связь между входными и выходными лингвистическими переменными отражена в табл. 1, где каждая запись соответствует своему нечеткому правилу. В рассматриваемом примере управление вентиляционной системой осуществляется только на основании измерений газоанализаторами уровней концентрации угарного газа и сажи. Даже такой предельно упрощенный подход при правильном выборе функций принадлежности будет энергоэффективным, однако, как правило, он не исчерпывает все возможности эффективного управления тоннельной вентиляцией, с точки зрения как энергосбережения, так и качества воздушной среды. Поэтому обычно системы управления имеют не две, а большее количество входных переменных, чем в рассматриваемом примере. В зарубежных источниках описываются более сложные алгоритмы, в которых в качестве входных переменных в разных сочетаниях могут использоваться следующие: ❏ погодные условия за пределами тоннеля: разность давлений и температур на порталах, направление ветра, что позволяет согласовать воздействие естественной и принудительной вентиляции; ❏ скорость транспортного потока, что позволяет по времени нахождения транспорта в тоннеле корректировать значения ПДК угарного газа [2]; ❏ концентрация оксидов азота; ❏ количество въезжающих в тоннель транспортных средств, что позволяет использовать принципы прогнозного управления, о котором будет сказано ниже; ❏ преимущественное направление потока транспорта в тоннелях с двухсторонним движением; ❏ динамика изменения загрязнений как во времени, так и по длине тоннеля; ❏ скорость воздуха в тоннеле, которая не должна превышать максимально допустимых значений (примерно 3–5 м/с); ❏ иные входные переменные. Увеличение количества входных переменных приводит к экспоненциальному увеличению количества вычислений. Соответственно, вследствие этого увеличивается база продукционных правил, что значительно усложняет восприятие, поскольку база правил набирается вручную. Для преодоления этой сложности используются системы, которые обрабатывают большое количество входных данных с помощью нескольких нечетких микроконтроллеров, объединенных вместе. Такой подход позволяет качественно управлять трудно описываемыми нечеткими процессами. Суть заключается в том, что в получившейся нечеткой сети каждый элемент обозначается как нечеткий узел, после чего выход одного узла связывается с входом другого. Это приводит к существенному упрощению всех вычислений, а такой подход называется нечетким предвычислением. Схематичный пример его реализации показан на рис. 4. Кроме того, выходы нечетких узлов можно объединять с помощью нечеткого мультиплексора — компонента, который подключает одну из нескольких входных линий к выходной линии по внешней команде. Благодаря этому достигается более гладкий переход между множеством получающихся после обработки базы правил рекомендаций. Таким образом, результатом выполнения всех шагов нечеткого вывода является определение нечеткой выходной, или управляющей переменной. Чтобы исполнительное устройство смогло отработать полученную команду, необходим третий, последний этап — этап избавления от нечеткости, который называется дефаззификацией. На этом этапе осуществляется переход от нечетких значений величин к определенным физическим параметрам, которые могут служить командами исполнительному устройству. В простых случаях результатом нечеткого логического вывода является один из термов выходной переменной, с которым связывается определенная команда исполнительного устройства. В рассматриваемом примере терму «минимальная» выходной лингвистической переменной «мощность» зададим команду «выключить все вентиляторы»; терму «малая» — «включить каждый четвертый вентилятор», т.е. 25 %; терму «средняя» — «включить половину вентиляторов»; терму «большая» — «включить 75 % вентиляторов»; терму «максимальная» — «включить все вентиляторы». Такой алгоритм легко может быть реализован, если каждая вентиляторная группа, устанавливаемая в одном поперечном сечении тоннеля, состоит из четырех вентиляторов. Тогда перечисленным командам соответствует включение от одного до четырех вентиляторов в каждой вентиляторной группе. Иное решение можно предложить, если на каждой позиции (в поперечном сечении) установлено по одному вентилятору. При подобной схеме целесообразно дефаззифицированные данные в виде сигналов, подаваемых на частотный регулятор двигателя вентилятора, например, 25 Гц (малая), 50 Гц (средняя), 75 Гц (большая), 100 Гц (максимальная). Тогда скорость вращения вентилятора (а, следовательно, и воздушный поток) будут пропорционально изменяться. В более сложных случаях результатом логического вывода может быть несколько термов выходной переменной. Тогда, найдя предварительно функцию принадлежности выходной величины, необходимо определить степень ее принадлежности к соответствующим термам, после чего можно найти окончательное значение выходного параметра. Для устранения нечеткости окончательного результата существует несколько методов, которые приводятся в специальной литературе. В рамках настоящей статьи можно упомянуть только, что самый простой из них — метод наибольшего значения, который заключается в том, что правило дефаззификации выбирает максимальное из полученных значений выходной переменной. А наиболее часто используется метод центра тяжести (метод центроида), когда окончательное значение определяется как проекция центра тяжести фигуры, ограниченной функциями принадлежности выходной переменной с допустимыми значениями. Микроконтроллер FLC, реализующий нечеткую логику, состоит из следующих частей (рис. 5) [6]: блок фаззификации, база данных, логическое устройство, блок дефаззификации. Блок фаззификации преобразует четкие величины, измеренные на выходе объекта управления, в нечеткие величины, описываемые лингвистическими переменными в базе данных. Логическое устройство использует нечеткие условные правила, заложенные в базе данных, для преобразования нечетких входных данных в требуемые управляющие воздействия, которые носят также нечеткий характер. Блок дефаззификации преобразует нечеткие данные с выхода логического устройства в четкую величину, которая используется для управления струйными вентиляторами системы тоннельной вентиляции. Управление тоннельной вентиляцией с применением нечетких логических регуляторов обеспечивает: ❏ минимально необходимый воздушный поток для ассимиляции вредных выделений в соответствии с санитарными нормами; ❏ комфортную среду в тоннеле; ❏ минимальное время выхода на заданный режим; ❏ уменьшение расхода электроэнергии (по данным из зарубежных источников [7, 8, 9, 10, 11, 12] на 20–40 %). Недостатки нечетких систем: ❏ отсутствие стандартной методики конструирования нечетких систем; ❏ невозможность математического анализа нечетких систем существующими методами; ❏ применение нечеткой логики по сравнению с вероятностным подходом не может привести к повышению точности вычислений. Первый из перечисленных недостатков предопределяет уникальность каждого нового решения разработки нечетких схем. Это обусловлено необходимостью описания конкретных особенностей вентиляции каждого тоннеля с помощью нечетких правил, что, в свою очередь, порождает «одноразовые» индивидуальные приемы и подходы, различные сочетания входных и выходных лингвистических переменных и т.п. Поэтому мы не стали в качестве примера приводить описание системы управления вентиляцией какого-либо конкретного «образцового» тоннеля, а также пытаться сделать обобщающий литературный обзор зарубежных материалов по реализации схем нечеткой логики в системах управления тоннельной вентиляцией [7, 8, 9, 10, 11, 12 и др.]. Тем не менее, хотелось бы обратить внимание на особенности прогнозного управления в нечеткой логике, о которых упоминается в некоторых работах. К прогнозным параметрам можно отнести те переменные, которые заранее предвосхищают развитие изменений атмосферного воздуха в тоннеле. В работе [7] рассмотрена схема управления вентиляцией в тоннеле с двухсторонним движением Ucˇka (Хорватия) — на фото 1. Несмотря на немалую длину тоннеля (более 5 км), в нем используется продольная схема вентиляции. Управление вентиляцией основано на нечеткой логике и включает прогнозную цепь упреждения. Эта система управления заменила прежнюю, которая была без прогнозной цепи, т.е. наподобие рассмотренной в нашем примере. В новой системе управления, помимо лингвистических переменных, отражающих фактические значения загрязнений воздуха в тоннеле, контроллер также обрабатывает входные переменные, отражающие интенсивность трафика, тип транспортных средств и погодные условия. Эти параметры определяются с помощью датчиков, установленных у порталов, и используются для определения воздушного потока для ассимиляции тех загрязнений, которые появятся через некоторое время, когда транспортные средства проедут через весь тоннель. Там же приведены результаты, полученные по новой концепции в сравнении с прежней системой управления. Представленные результаты сравнения показывают, что средние значения концентрации СО в тоннеле в сопоставимых случаях практически одинаковы (9,4 ppm), но различия в динамике являются значительными — при использовании прогнозного регулирования отклонения этого параметра от среднего значения существенно уменьшились. Это происходит благодаря тому, что контроллер нечеткой логики сразу реагирует на любые изменения в трафике или погодных условиях, прежде чем эти изменения повлияют на изменение концентрации СО. При сравнении динамики работающих струйных вентиляторов (рис. 6) видно, что пуски и остановки вентиляторов при использовании прогнозного регулирования снизились в два раза. При этом также значительно снизились токовые нагрузки, поскольку они достигают максимума при пуске вентиляторов. Уменьшение потребляемой электрической мощности составило приблизительно 5 %. От включения и выключения вентиляторов зависит скорость воздуха в тоннеле. Отмечено, что отдельные скачки скорости, которые были зафиксированы с прежней системой управления, приводили к некоторому ухудшению видимости из-за поднявшейся пыли. Очевидно, что преимущества прогнозных схем нечеткого регулирования более ощутимы в длинных тоннелях, чем в коротких. Поскольку изменения концентрации вредных примесей в воздушной атмосфере тоннеля являются очень сложными и описываются нелинейными зависимостями, довольно трудно эффективно управлять системами вентиляции, основываясь только на традиционных алгоритмах. Это обусловило широкое распространение методов нечеткой логики для управления системами продольной вентиляции тоннелей. Исполнение контроллеров FLC и эффективность их применения зависят от определения нечетких правил регулирования и выбора соответствующих функций принадлежности. Большинство западных исследований по применению контроллеров FLC основываются на опыте исследователей или на предыдущих исследованиях и направлены на уменьшение вредных концентраций в тоннелях при минимизации энергозатрат. Например, с этой целью в работе [8] исследованы и оптимизированы диапазоны функций принадлежности. Крайне полезно, используя накопленный зарубежный опыт, развивать и совершенствовать методы нечеткой логики в системах продольной вентиляции в отечественных тоннелях. 1. Вишневский Е.П. Проектные решения и технические средства вентиляции тоннелей // Журнал «С.О.К.», №6/2008. 2. Вишневский Е.П., Чепурин Г.В. Автодорожные тоннели. Расчет продольной схемы вентиляции // Журнал «С.О.К.», №11/2010. 3. Zade L.A. The concept of a linguistic variable and its application to approximate reasoning. Part 1, 2, 3 // Information Sciences, No. 8–9/1975. 4. СНиП 3204–97. Тоннели железнодорожные и автодорожные. 5. ГОСТ 12.1.005–88. Общие санитарно-гигиенические требования к воздуху рабочей зоны. 6. Бондарь Е.С., Гордиенко А.С., Михайлов В.А., Нимич Г.В. Автоматизация систем вентиляции и кондиционирования воздуха. Под общ. ред. Е.С. Бондаря. — Киев: ТОВ «Видавничий будинок “АванпостПрим”», 2005. 7. Bogdan Stjepan, Birgmajer Bruno. Model Predictive Fuzzy Control of Longitudinal Ventilation System in a Road Tunnel // Automatika, Vol. 47, No. 1–2/2006. 8. Baeksuk Chu, Dongnam Kim, Daehie Hong, Jooyoung Park, Jin Taek Chung, JaeHun Chung and TaeHyung Kim. GAbased fuzzy controller design for tunnel ventilation systems // Automation in Construction. Vol. 17, Issue 2, January 2008. 9. D. Hong, B. Chu, W.D. Kim, J.T. Chung, and T.H. Kim. Pollutant Level Estimation for Tunnel Ventilation Control // JSME International journal, Series b, Vol. 46, No. 2/2003. 10. P.H. Chen, J.H. Lai, and C.T. Lin. Application of Fuzzy Control to Road Tunnel Ventilation System // Fuzzy Sets and Systems, vol. 100, 1998. 11. T. Yoshimochi. Ventilation Control System Using Fuzzy Control for Twoway Traffic Tunnel in Highway // Aerodynamics & Ventilation of Vehicle Tunnels. 8th Int. Sym., 1993. 12. K. Ikebe. Verification of Saving Energy Effect by Road Tunnel Ventilation Control System Based on Knowledge Engineering and Fuzzy Theory // Aerodynamics & Ventilation of Vehicle Tunnels. 8th Int. Sym., 1993.