авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 || 4 | 5 |

Методы повышения качества управления судном на основе использования нейросетевых технологий

-- [ Страница 3 ] --

Представим отображение неортогональной, в общем случае, фигуры B пространства в пространстве . Характеристики векторов в пространстве определяют ортогональный параллелепипед с центром в точке и гранями, пропорциональными (рисунок 3). Отображение области полученной системой неравенств (4) из пространства в пространство определяет область – область допустимых значений вектора

  Аппроксимация области-55

Рисунок 3 – Аппроксимация области работоспособности D в пространстве RN

Если предположить, что область D* совпадает с ортогональным параллелепипедом B*, т. е.

, (7)

то вычисление интеграла

где , значительно упрощается, т. к. существуют простые и удобные способы генерирования последовательностей псевдослучайных точек, распределенных с заданным законом вероятности в параллелепипеде B*, позволяющие вычислить интеграл методом Монте-Карло.

Таким образом, задача определения оптимальных параметров системы может быть сформулирована как задача наилучшим образом аппроксимирования области D* подмножеством B* с заданной вероятностью , при котором обеспечивается выполнение ограничений системы неравенств (4). Решение этой задачи позволяет «конструировать» траекторию движения параллелепипеда В в пространстве для всего требуемого диапазона внешних воздействий.

В четвертой главе рассматриваются математические постановки задач отдельных взаимосвязанных этапов:

  • идентификации процессов изменения значений параметров системы под воздействием эксплуатационных факторов;
  • определения существования области работоспособности;
  • определения ориентации области работоспособности в пространстве параметров;
  • определения оптимальных значений параметров с учетом начальных технологических и эксплуатационных отклонений.

Первый этап. Будем полагать, что известны наблюдаемый выход системы (вектор-функция), – расчетный выход, полученный в результате анализа модели системы для известных значений вектора ( – число наблюдений). наблюдается с аддитивной ошибкой е2(Z), вызванной разбросом реализаций процесса изменения значений параметров.

Задача идентификации ставится следующим образом:

на основании экспериментальных данных

, (8)

необходимо указать множество значений вектора в уравнении (2), при котором выполнялось бы неравенство

(9)

где для всех

По своей сути поставленная задача рассматривается как оптимизационная, состоящая в поиске экстремума критерия оптимальности, математическая постановка которой описывается следующим образом:

найти

при или

, (10)

Вектор , где формирует ортогональный параллелепипед В*, оптимальная аппроксимация которым области D* и является решением задачи (10).

Второй этап. Проверяется существование допустимых решений, т.е. существование области D*. В противном случае следует уточнить предлагаемую математическую модель объекта либо пересмотреть и ослабить ограничения на вектор-функцию показателей качества.

Исключаем из рассмотрения начальный разброс значений параметров и влияние эксплуатационных факторов, т. е. будем полагать .

В соответствии с этим область допустимых значений параметров системы можно определить как:

, (11)

Для решения поставленной задачи используется метод непосредственной минимизации невязок ограничений. При исследовании модели этим методом отыскивается решение задачи безусловной минимизации, в которой в качестве целевой функции принимается некоторая штрафная функция:

Найти где (12)

Решение будет допустимым, если значение целевой функции окажется равным нулю, т. е. будет найдено решение, удовлетворяющее всем ограничениям на показатели качества функционирования системы.

Третьим этапом является определение ориентации области работоспособности в пространстве параметров . Для этого проводятся сечения области по координатам Х0, К0 и находится сечение наибольшей области для параметров внешних воздействий Z (рисунок 4).

  Построение экстремалей на-93

Рисунок 4 – Построение экстремалей на множестве допустимых

значений для пространств и

Введем вектор L размерности 2N, который позволит представить экстремальное сечение в виде ортогонального параллелепипеда в пространстве :

(13)

где – ближайший к началу координат, а – наиболее удаленный от начала координат угол ортогонального параллелепипеда .

Целевая функция может быть представлена в виде

. (14)

При известной плотности распределения параметров внешних воздействий ограничения могут быть представлены следующим образом:

, (15)

Четвертый этап. Определение значения обобщенного вектора параметров с учетом начальных отклонений значений.

При построении аппроксимирующего параллелепипеда в пространстве всех параметров ограничения на вероятность выхода за границу области работоспособности D могут определяться неравенством

. (16)

В качестве целевой функции для задачи аппроксимации области выбираем функцию

(17)

где

.

Добиваясь минимума этой функции, находим максимальный объем вложенного ортогонального параллелепипеда

В пятой главе представлено теоретическое обоснование использования нейросетевого классификатора для решения поставленной задачи. Рассмотрены методы выделения признаков движения судна на курсе. Представлено обоснование использования преобразования Фурье в решении поставленной задачи. Главными факторами использования нейросетевого классификатора являются достоинства НС, наиболее существенными из которых являются обучаемость, свойство аппроксимации и адаптивность. Эти свойства позволяют в реальном времени корректировать функцию управления в нестационарной среде.

Возможны два варианта функционирования нейронной сети как элемента системы автоматического управления курсом судна:

  1. НС обучается в реальном времени, одно­временно формируя управляющее воздействие САУ курсом судна, при этом цель обучения НС и цель управления объектом совпадают, что отражается в зада­нии единой целевой функции.
  2. Сначала НС обучается заданной функцией управления, затем происходит аппроксимация этой функции в режиме управления объектом при тех же условиях или близких к ним, при этом целевая функция обучения НС и цель управления объектом могут отличаться друг от друга.

В шестой главе описывается проверка работоспособности разработанного метода и алгоритма синтеза системы управления курсом судна, обеспечивающая рабастность к заданному диапазону внешних воздействий. В диссертационной работе предлагаются результаты компьютерного моделирования, проведённого для выявления оптимального типа НС, архитектуры НС и её параметров. Компьютерное моделирование проводилось с помощью программной среды MATLAB 7.0. фирмы The Math Works, Inc, при этом варьировались различные параметры НС: Competitive, Feed-forward backprop (FFB), Hopfleld, Probabilistic, RBF, Simple recurrent network (SRN), Time-delay neural network (число слоёв НС, число нейронов в скрытых слоях, тип функции активации и некоторые другие в зависимости от типа НС). Проведённое моделирование показало, что при различных воздействиях на объект управления НС соответствующего типа ведёт себя хуже, чем та же НС при ограниченных параметрах. Таким образом, в качестве регулятора предлагается использовать самоорганизующуюся систему, способную выбирать и работать с определённой НС, оптимальной для управления курсом судна в текущих условиях плавания. Представленная система предусматривает последовательную реализацию обработки данных о поведении судна на курсе каждой из нейронной сети (RBF, SRN, FFB). Количество типов НС в составе программного комплекса самоорганизующейся системы с одной стороны ограничено производительностью вычислительной архитектуры системы, а с другой – предъявляемыми к ней требованиями. Система предусматривает последовательную реализацию следующих основных режимов: подготовки данных, обучения нейронной сети, обработки данных. Режим подготовки данных состоит из трех связанных процессов: формирование исходных векторов данных о курсе судна, их идентификация, создание рабочих массивов данных о курсе судна. В режиме обучения осуществляют адаптацию параметров всех интеллектуальных элементов информационно-вычислительного анализатора под выбираемую архитектуру в соответствии с предъявляемыми требованиями к выходной информации, при этом производят обучение интеллектуальных элементов НС и пополнение памяти анализатора. Функциональная схема самоорганизующейся САУ курсом судна представлена на рисунке 5.

  Функциональная схема-111

Рисунок 5 – Функциональная схема самоорганизующееся системы автоматического управления курсом судна. НСР – нейросетевой регулятор, ОУ– объект управления, БО – блок оптимизации, НСМ ОУ – нейросетевая модель объекта управления, НСА – нейросетевой анализатор

1. Режим подготовки данных о курсе судна состоит из трех связанных процессов:

  • Формирование исходных векторов данных о курсе судна.
  • Идентификация исходных векторов данных о курсе судна.
  • Создание рабочих массивов данных о курсе судна.

1.1.Формирование исходных векторов данных.

Данные о курсе судна собираются с помощью входного интерфейса в исходные вектора, каждый из которых представляет собой совокупность данных о курсе судна, усредненную за заданное время измерений.

1.2. Идентификация исходных векторов данных.

Идентификация исходных векторов данных о поведении судна на курсе заключается в присвоении им идентификационных меток Pj. Идентификационные метки соответствуют уникальным свойствам этих векторов. Процесс идентификации векторов заключается в осуществлении соответствующих вычислений над их элементами.

1.2.1. Физические принципы идентификации исходных векторов данных.

  1. Анализ спектра данных, полученного с помощью быстрого преобразования Фурье.
  2. Измерение статистических характеристик сигнала с объекта управления.

1.3. Создание рабочих массивов данных.

Процесс создания рабочих массивов данных о курсе судна состоит в постановке соответствия каждому сформированному в долговременной памяти исходному вектору данных действительного курса судна Xj (j = 1, 2, …, J) вектора меток Pj. В результате этого образуется рабочий массив данных о поведении судна на курсе Aj = {X, P}j, после чего над ними производят дальнейшие операции (обучение и/или обработку) в зависимости от режима работы системы. Массив представляет собой базу знаний, созданную для того, чтобы в будущем при появлении таких же (или близких) характеристик поведения судна на курсе по вектору идентификационных меток брать готовую (обученную) НС в качестве основы нейросетевого регулятора.

2. Режим обучения.

В режиме обучения осуществляется изменение весовых коэффициентов матриц связей НС определенной архитектуры, сформированной заранее с функцией активации.

Целью обучения является настройка нейронной сетью весовых коэффициентов wjq своей матрицы связей W между входным Xj и выходным Yj векторами данных НС для определяемого множества всех возможных комбинаций вектора меток Pj.

Это достигается путем поиска оптимальных характеристик используемой архитектуры НС: алгоритма обучения данных, алгоритма обработки данных о курсе судна, числа слоев НС, числа нейронов в каждом слое НС.

После обучения НС, любой входной вектор Xj, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, будет соответствовать выходному вектору Yj однозначно. Таким образом, обученные НС готовы для обработки данных о курсе судна.

После проведения компьютерных экспериментов и экспериментов на стенде АР из пяти НС было выбрано три типа (RBF, SRN, FFB), которые давали наилучшую корреляцию между курсом модели и курсом судна. Далее для определенных внешних воздействий, случайно взятых из заданного диапазона, находилась наилучшая НС (с наилучшими настройками), записывалась в базу знаний в качестве нейросетевой модели судна. После проведения 100 экспериментов со случайно взятыми внешними воздействиями, в базу знаний было загружено 15 НС различных по типу и структуре (рисунок 6).

  Характеристики меток-112

Рисунок 6 – Характеристики меток движения судна на курсе для всего диапазона возможных внешних воздействий

После этого эксперименты вновь были повторены. Но теперь, на основании характерных показателей движения судна на курсе, из базы знаний загружалась готовая НС в качестве модели судна и соответствующий характеристикам регулятор на нечеткой логике. При этом в итеративном режиме продолжается проводиться уточнения загруженной НС, поскольку структура предложенной САУКС позволяет процессы управления судном и процесс оптимизации выбранной НС проводить параллельно. Если качество управления судном на курсе (квадратичный интегральный критерий) отличается более чем на 5%, то улучшенная НС загружается в качестве регулятора и записывается в базу знаний. В работе в качестве регулятора используется не просто нечеткая логика, а так называемая гибридная нечеткая логика, в которой выводы о значении управляемого сигнала (положении пера руля) делаются на основании аппарата нечеткой логики, но соответствующие функции принадлежности настраиваются с использованием алгоритмов обучения НС (случайный метод, генетический алгоритм). Такие гибридные НС имеют априорную информацию о качестве управления (знания эксперта), что значительно ускоряет процесс обучения и приобретения новых знаний (адаптация к изменившимся условиям плавания), являются логически более понятными, чем «черный ящик» нейронной сети. Как было выше сказано, проверка проводилась в три этапа: компьютерного моделирования, полунатурных испытаний с помощью имитатора сигналов для авторулевого «ИС-2005», а также натурных морских испытаний опытного образца адаптивного авторулевого на судне водоизмещением 21 т «Галс» и рыболовецком сейнере РС-450 «Ураганный». На первом этапе в процессе моделирования использовалась математическая модель судна по управлению (1). Путем последовательных подстановок и и замены выражений получено уравнение по управлению вида:

и по возмущению:

где , получены из монограмм справочной литературы для судна подобного «Галс» и «Ураганный». Коэффициенты и постоянные времени являются нелинейными зависимостями от угла закладки пера руля, частоты вращения винта, скорости судна, направления действия волны и ветра, расположения рубки. Параметры представлены для кормового расположения рубки, расчеты проводились при слабом – Т=02 сек, AВ=00.25 м; умеренном – Т=23 сек, AВ=0.250.75 м; значительном – Т=35 сек, AВ=0.751.25 м волнении моря (Т–период, AВ –высота волны). Условимся называть эту модель судном, а идентифицированную модель – математической моделью. Целевой функцией алгоритма идентификации являлась минимизация среднеквадратического отклонения мгновенного значения выхода математической модели от соответствующего текущего курса судна

. (18)

Предварительно в качестве возмущающего сигнала использовалась синусоида с постоянной составляющей . Идентификация приводит к следующим результатам: и . Соответственно погрешности определения параметров следующие: , , , , что говорит о достоверности идентификации. Для исследований, приближенных к реальным условиям, введем в уравнение возмущающего воздействия случайную составляющую:

. (19)



Pages:     | 1 | 2 || 4 | 5 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.