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 | 3 || 5 |

Методы повышения качества управления судном на основе использования нейросетевых технологий

-- [ Страница 4 ] --

При использовании сигнала (19) и при малых значениях амплитуды случайной составляющей идентификация приводит к схожим результатам и максимальная ошибка определения параметров не превышает 1.5 %.

Однако при повышении амплитуды случайного сигнала алгоритм идентификации не позволяет идентифицировать параметры судна. Например, при амплитуде B’ = 5 в результате идентификации получены значения параметров Kсу = 0,08, T0 = 0,82, T1 = 14,93 и T2 = 38,20. Как видно из графика (рис. 7), выходной сигнал модели значительно отличается от соответствующего сигнала судна. Такое значительное отклонение результатов идентификации от истинных параметров обусловлено наличием в спектре случайного сигнала низкочастотных составляющих и присутствием в передаточной функции модели судна астатизма первого порядка. Для исключения влияния астатизма в качестве целевой функции предложено использовать квадрат разности ошибки производных от курса математической модели и действительного курса судна

. (20)

В этом случае алгоритм поиска должен стремиться к минимизации расхождения между производными выходных сигналов в текущие моменты времени. Результаты интегральных критериев I1 =0.66477 и I2 =0.3071 (рисунок 7).

Рисунок 7 – Результаты моделирования алгоритма идентификации

с целевыми функциями (18), (20) и возмущающим воздействием (19)

Вторым этапом проверки алгоритма были полунатурные испытания с помощью имитатора «ИС-2005», разработанный в ООО «Навис» (С.-Петербург). Имитатор позволяет моделировать шесть моделей судов. Испытания проводились на всех моделях, однако для дальнейшего описания представим модель судна, наиболее близкую по параметрам к судну натурных испытаний. Параметры этой модели следующие: тип –судно прибрежного плавания, длина – 35,5 м, ширина – 7,2 м, осадка – 2,15 м, коэффициент общей полноты – 0,63, площадь руля – 1,5 м2, скорость хода – 10 уз. Поведение судна имитатора представлено на рисунке 8.

  Поведение судна имитатора до-143

Рисунок 8 – Поведение судна имитатора до и после адаптации

Среднеквадратический интегральный критерий отклонения судна от курса уменьшился с 0,43 до 0,16. Оптимизация критерия проходила при условии обеспечения работы рулевой машины не более 2/3 исследуемого периода. Если ослабить эти требования до 3/4, то критерий составляет 0,21.

На третьем этапе опытный вариант авторулевого испытывался на судне, имеющем следующие характеристики: длина – 16 м, ширина – 4 м, осадка носом – 0,8 м, осадка кормой – 1,6 м, водоизмещение – 21 т, скорость – 8 уз.

Результаты работы алгоритма оптимизации представлены на рисунке 9.

Рисунок 9 – Результаты проведения натурных испытаний

Для проверки сходимости работы алгоритма проведены испытания при движении судна постоянным курсом и повторными проведениями адаптации. Такие испытания проводились сериями на разных курсах. Как видно из рисунка, поведение судна на курсе заметно улучшилось (курс 3).

Проведенные испытания подтверждают результаты моделирования и полунатурных испытаний первого и второго этапов. К тому же, из-за малых размеров испытательного судна, оно считается трудным в управлении. Качественная работа авторулевого на таком судне позволяет говорить о его работоспособности на судах, имеющих гораздо большие размеры, и, следовательно, менее чувствительных к внешним воздействиям.

В шестой главе представлены результаты исследований использования в качестве регулятора гибридной нейронной сети на нечеткой логике. Нечеткий регулятор представляет собой набор лингвистических условных операторов или нечетких ассоциаций, определяющих конкретные ситуации управления. Для рассматриваемой системы управления курсом судна использовались следующие параметры:

у – сигнал на выходе (фактический курс судна);

х – сигнал на входе (заданный курс судна);

е – ошибка между заданным и фактическим курсом судна;

е’ – скорость изменения ошибки e (скорость ухода судна с курса);

u – выход регулятора.

В ходе исследования две нечеткие переменные были представлены в виде девяти нечетких подмножеств: от нулевого значения ZE до высокого положительного значения PL и высокого отрицательного (таблица 1).

Таблица 1 – Матрица нечетких ассоциаций управления курсом судна

e e PL PS PM POM ZE NOM NM NS NL
PL NL NS NM NOM ZE
PS NM NOM ZE ZE POM
PM NL NL NS NM NOM ZE ZE POM PM
POM NL NS NM NOM ZE ZE POM PM PS
ZE NS NM NOM ZE ZE POM PM PS PL
NOM PL PS PM POM ZE POM PM PS PL
NM PL PL PS PM POM ZE NOM NM NS
NS POM PM PM PS PM
NL ZE POM PM PS PL

Матрица нечетких ассоциаций (правил) для системы управления курсом судна составляется на основании экспертных суждений.

Каждая группа элементов в матрице дает одно нечеткое правило (ассоциацию), указывающее, как следует изменить переменную управления u для наблюдаемых величин входных нечетких переменных е и e’. В качестве примера приведем интерпретацию правила (PL, ZE, PL) на естественном языке.

Если ошибка (рассогласование) между заданным и фактическим значением курса положительная и большая и скорость изменения ошибки близка к нулю, то сигнал управления в рулевую машину должен быть максимальным.

Некоторые правила могут опускаться или, наоборот, добавляться в зависимости от расширения или сжатия задачи.

Для нечетких подмножеств двух нечетких переменных выбраны функция Гаусса и сигмовидная функция принадлежности (рисунок 10).

  Функции принадлежности-145

Рисунок 10 – Функции принадлежности нечеткой переменной e

Нечеткое подмножество нечетких переменных ZE (значения близкие к нулю) выбирается более узкие, чем другие. Это позволяет повысить точность управления вблизи заданного значения курса и повысить робастность системы.

Исходя из априори эвристических соображений, считаем, что непрерывные нечеткие подмножества в каждом из наборов перекрываются примерно на 20 – 30 процентов. При слишком большом перекрытии теряются различия между величинами, соответствующими разным подмножествам. При слишком малом перекрытии возникает тенденция к «двухзначному» управлению, что приводит к ухудшению качества процесса (неоднозначность решения, большое перерегулирование и т.д.). В реальных условиях перекрытия позволяют сглаживать переход от одного управляющего воздействия к другому в процессе работы системы управления. Вычисление параметров функционирования нечеткого регулятора можно представить в виде следующего алгоритма.

1. Просчитать (измерить) выходную величину процесса у(t).

2. Вычислить ошибку e(t) и скорость изменения ошибки e’(t) для момента времени t.

3. Провести формирование соответствующих нечетких подмножеств путем квантования величин e(t) и e’(t).

4. На основе сформированных функций принадлежности вычисляются степени принадлежности ошибки и производной ошибки: m(ei) и m(e’i).

5. Из базы правил активизируются заключения со степенями принадлежности , вычисляемыми по степеням принадлежности посылок m(ei) и m(e’i) с помощью нечеткой логической операции «И».

6. Величина «срезается» до величины методом кодирования по минимуму корреляции.

7. Вычисляется действительная выходная степень принадлежности путем выполнения нечеткой логической операции «ИЛИ» между значениями – всех активизированных заключений.

8. Выход нечеткого регулятора определяется дискретным аналогом центроидного метода.

То есть упрощенный алгоритм нечеткого вывода применяется по следующей форме записи предикатных правил:

Пi: если e есть Аi1 и е’ есть Ai2, тогда с= zi, где zi- вещественные числа,

Aij- нечеткие числа из функций Гаусса и сигмоидальных функций.

На рисунке 11 представлены кривые выхода судна на курс 10 градусов и фрагменты удержания судна на курсе, при ухудшении погоды и нерегулярном волнении для каждого эксперимента (увеличении амплитуды возмущающего сигнала на 40% и частоты на 50%).

  Курс судна, перекладки пера-151

  Курс судна, перекладки пера-152

  Курс судна, перекладки пера-153

Рисунок11 – Курс судна, перекладки пера руля

В работе использовался случайный метод поиска параметров предикатных правил (генетический алгоритм), который позволяет избежать остановки алгоритма на локальном экстремуме и не зависеть от размерности задачи.

При проведении исследований амплитуда внешних воздействий составляла четверть высоты надводного борта, длина волны – половину ширины борта судна. Из кривых видно качественное удержание судна на курсе при помощи регулятора на нечеткой логике и усиление нагрузки на рулевой привод. При адаптации регулятора возможны и другие целевые функции, позволяющие минимизировать нагрузку на рулевой привод, при соблюдении условия качественного удержания судна на курсе. По проведенным исследованиям следует также отметить, что регулятор на нечеткой логике удерживает судно на курсе в заданных пределах рыскания 1 градус для гораздо большего значения амплитуд внешних воздействий, чем традиционный ПИД регулятор.

В настоящее время опытный образец авторулевого установлен на рыболовном судне типа РС «Ураганный» и успешно прошел швартовые и ходовые испытания, утвержден Российским Регистром морского судоходства. Центральный прибор авторулевого представлен на рисунке 12.

Рисунок 12 – Внешний вид центрального прибора, установленного в рулевой рубке

Заключение

В диссертационной работе на основании выполненных исследований по лучены следующие основные научные результаты и выводы

  1. В диссертационной работе выполнены исследования и представлены теоретические положения, позволяющие решать крупную научную проблему по разработке адаптивных систем автоматического управления курсом судна с использованием искусственного интеллекта, внедрение которых вносит значительный вклад в развитие экономики, ее конкурентоспособности и повышении обороноспособности страны.
  2. Представлен математический метод определения уточненной математической моделей системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров.
  3. Разработан математический аппарат определения областей параметров, обеспечивающих работоспособность системы.
  4. Рассмотрен и обоснован метод определения существования областей допустимых вариаций параметров системы автоматического управления курсом судна.
  5. Представлено математическое обоснование метода определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна.
  6. Разработан математический метод определения оптимальных значений параметров нейросетевого регулятора системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и внутренних параметров системы.
  7. Рассмотрена функциональная модель принципиально новой самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий.
  8. Представлен математический метод определения оптимального типа и структуры нейронной сети, моделирующей движение судна на курсе.
  9. Разработан математический метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критерию точности и качества управления с учетом внешних воздействий.

Для представленных математических методов разработаны алгоритмы и программное обеспечение, подтвержденные патентами и свидетельствами об официальной регистрации программ.

10. Создан опытный образец адаптивного авторулевого, успешно прошедший морские ходовые испытания и утвержденный Российским Регистром морского судоходства.

Основные положения диссертации опубликованы в следующих работах:

Соискатель Глушков С.В. имеет 43 опубликованные работы, в том числе по теме диссертации 30 работ. 10 работ опубликованных в ведущих рецензируемых журналах и изданиях, определенных ВАК, из них четыре без соавторов:

Статьи, опубликованные в рецензируемых журналах, определенных ВАК:

  1. Глушков, С.В. Самообучающиеся системы диагностики технического состояния судовых устройств [Текст] / С.В. Глушков // Транспортное дело России. М. : Морские вести России, 2004. – Выпуск №2. – С. 14–15. (0,15/0,15 п.л.).
  2. Глушков, С.В. Использование многослойных нейронных сетей для задач управления нелинейными системами на примере управления курсом судна [Текст] / В.И Богданов, Я.Л. Виткалов, С.В. Глушков // Транспортное дело России. М. : Морские вести России, 2006. – Выпуск №7. – С. 46–50. (0,33/0,2 п.л.).
  3. Глушков, С.В. Теоретические аспекты нейросетевого управления курсом судна [Текст]/ С.В. Глушков, Н.А. Седова // Транспортное дело России. М. : Морские вести России, 2006. – Выпуск № 7. – С. 54–57. (0,30/0,2 п.л.).
  4. Глушков, С.В. Нечеткие множества в системах управления курсом судна [Текст] / С.В. Глушков // Транспортное дело России. М. : Морские вести России, 2006. – Выпуск №7. – С. 14–15. (0,15/0,15 п.л.).
  5. Глушков, С.В. Результаты моделирования и испытания адаптивного авторулевого [Текст] / С.В. Глушков, В.С. Перечесов // Транспортное дело России. М. : Морские вести России, 2006. – Выпуск № 7. – С. 16–18. (0,20/0,1 п.л.).
  6. Глушков, С.В. Задача распознавания объектов при движении судна по траектории. [Текст]/ С.В. Глушков, И.А. Жеретинцев, Н.Н. Жеретинцева // Транспортное дело России, 2006. – Спецвыпуск №11. – С.12–16. (0,33/0,2 п.л.).
  7. Глушков, С.В. Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров [Текст]/ С.В. Глушков, И.А. Жеретинцев, Н.Н. Жеретинцева // Транспортное дело России. М. : Морские вести России, 2006. – Спецвыпуск №11. – С. 20–24. (0,33/0,2 п.л.).
  8. Глушков, С.В. Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст]/ С.В. Глушков, Е.Г. Чемодакова, Н.Н. Жеретинцева // Транспортное дело России. М. : Морские вести России, 2006. – Спецвыпуск №11. – С. 16–20. (0,33/0,2 п.л.).
  9. Глушков, С.В. Использование нечеткой логики в системе автоматического управления курсом судна [Текст] / С.В. Глушков // Приборы и системы. Управление, контроль, диагностика, 2007. – Вып. 8. – С 28–32. (0,33 п.л.).
  10. Глушков, С.В. Автоматическое управление курсом судна с использованием регулятора на нечеткой логике. [Текст] / С.В.Глушков, //М.: Новые технологии, Мехатроника, Автоматизация, Управление, 2007. – Вып 12. – С. 32-36. (0,33 п.л.).

Монографии

  1. Глушков, С.В. Самообучающиеся системы диагностики состояния технических объектов [Текст] / С.В. Глушков // Владивосток: МГУ им. адм. Г.И. Невельского, 2005. – 108с. (5,1 п.л.).
  2. Глушков, С.В. Синергетика и нейросетевые системы управления курсом судна [Текст]/ В.И. Богданов, Я.Л. Виткалов, С.В. Глушков., А.С. Потапов. – С.–П.: ПИТЕР, 2006. – 205 с. (10,0/5,0 п.л.).

Статьи и доклады на конференциях



Pages:     | 1 |   ...   | 2 | 3 || 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.