Содержание к диссертации
СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ 4
ВВЕДЕНИЕ 5
ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ
ИДЕНТИФИКАЦИИ И МНОГОРЕЖИМНОГО УПРАВЛЕНИЯ ГТД 13
Особенности ГТД как многорежимного объекта управления 13
Анализ методов идентификации математических моделей ГТД 17
Анализ методов многорежимного управления ГТД 24
Анализ возможностей применения НС в задачах идентификации и
управления ГТД 28
Выводы по первой главе. Постановка задачи исследований 40
ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ
ИДЕНТИФИКАЦИИ ГТД И ЕГО ЭЛЕМЕНТОВ НА ОСНОВЕ
НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ 42
Общая постановка задачи идентификации ГТД и его элементов на основе нейронных сетей 42
Выбор структуры нейросетевой модели воздушных винтов ТВВД 55
Обучение параметров нейросетевой модели воздушных винтов ТВВД64
Методика идентификации ГТД и его элементов на основе нейронных
сетей 73
Выводы по второй главе 76
ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ СИНТЕЗА НЕЙРОСЕТЕВЫХ
РЕГУЛЯТОРОВ ГТД 77
Выбор структуры многорежимного регулятора ГТД на основе принципа минимальной сложности 77
Разработка и исследование алгоритмов настройки параметров нейросетевого регулятора 94
Синтез структуры и параметров многорежимного нейросетевого регулятора многомерного ГТД 117
Синтез адаптивного нейросетевого регулятора ГТД 128
Выводы по третьей главе 137
ГЛАВА 4. АНАЛИЗ ОСОБЕННОСТЕЙ ТЕХНИЧЕСКОЙ РЕАЛИЗАЦИИ
НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ ГТД 140
4.1 Анализ методов программной реализации нейронных сетей 140
4.2 Анализ особенностей реализации нейросетевых регуляторов ГТД на
базе бортовых ЭВМ 143
Анализ особенностей реализации нейронных сетей на базе нейропроцессоров 148
Особенности проектирования и реализации нейросетевых регуляторов
ГТД на базе ПЛИС 155
Выводы по четвертой главе 162
ЗАКЛЮЧЕНИЕ 163
ЛИТЕРАТУРА 165
СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ
АД - авиационный двигатель
ВВ - воздушный винт
ГТД - газотурбинный двигатель
ИМ - исполнительный механизм
ЛА - летательный аппарат
ЛР - линейный регулятор
ММ - математическая модель
НС - нейронная сеть
ОУ - объект управления
ПЗУ - постоянное запоминающее устройство
ПИ - пропорционально-интегральный
ПИД - пропорционально-интегрально-дифференциальный
ПЛИС - программируемые логические интегральные схемы
САУ - система автоматического управления
СТ - свободная турбина
ТВВД - турбовинтовентиляторный двигатель
ЭВМ - электронно-вычислительная машина
Введение к работе
Актуальность темы
Быстрое развитие авиационной техники неразрывно связано с достижениями во многих областях науки, в том числе, с успехами в области теории и практики двигателестроения, а так же систем автоматического управления авиационными двигателями.
Непрерывно повышающиеся требования к летно-тактическим характеристикам летательных аппаратов (ЛА), усложнение условий их полета вызывают необходимость улучшения характеристик газотурбинных двигателей (ГТД), в первую очередь, повышения удельной и абсолютной тяги, уменьшения удельного расхода топлива, удельной массы и габаритов двигателей, обеспечения устойчивого функционирования ГТД в широком диапазоне изменения рабочих режимов. Отличительными признаками современных ГТД являются необходимость одновременного регулирования сразу нескольких выходных параметров, широкий диапазон изменения динамических характеристик, изменение качественного и количественного состава подсистем управления в процессе функционирования, нелинейность и нестационарность характеристик двигателя.
Разработчики систем управления ГТД сталкиваются на этапе проектирования с отсутствием полной проектной и рабочей информации о характеристиках двигателя как объекта управления, условиях его функционирования, внешних и внутренних возмущениях; с неточностью располагаемых математических моделей ГТД и других элементов системы автоматического управления (САУ); с неоднозначностью представлений о целях и задачах функционирования системы автоматического управления и состоянии окружающей среды.
Все это неизбежно приводит к существенному усложнению законов автоматического управления авиационными двигателями, и, как следствие, к
6 усложнению их систем автоматического управления, с одновременным повышением требований к качеству и надежности их функционирования, удобству эксплуатации и т.д. Современные методы идентификации и многорежимного управления ГТД берут свое начало в работах таких ведущих ученых, как А.А.Шевяков, Б.А. Черкасов, О.С. Гуревич, Т.С. Мартьянова, Ю.М. Гусев, Б.Г. Ильясов, В.И. Васильев, Г.Г. Куликов, Ю.С. Кабальнов, В.Г. Крымский, В.Н. Ефанов.
Одним из новых перспективных направлений в области автоматического управления сложными динамическими объектами является применение интеллектуальных систем управления на основе искусственных нейронных сетей (НС). Главное преимущество данных систем управления заключается в использовании таких свойств нейронных сетей, как возможность аппроксимации произвольных нелинейных зависимостей (за что их нередко называют "универсальными аппроксиматорами"), способность к обучению, высокое быстродействие в силу параллельной природы самой сети, потенциально более высокая помехоустойчивость и отказоустойчивость. Интеллектуальным системам управления и принятия решений на основе НС посвящены работы таких ученых как Галушкин А.И., Нарендра С, Терехов В.А., Тимофеев А.В., Омату С, Юсуф Р, Юсупова Н.И. и др.
Вместе с тем, анализ современной литературы, посвященной нейронным сетям и нейросетевым системам управления, показывает, что, несмотря на ведущиеся активные разработки в этой области, до сих пор не решены многие вопросы, связанные с разработкой алгоритмов и методик идентификации нелинейных объектов на основе нейросетевых моделей, синтеза структуры и алгоритмов адаптации (обучения) параметров нейросетевых регуляторов, особенности их реализации в многорежимных системах управления нелинейными динамическими объектами. Все вышесказанное в полной мере относится и к такому сложному в
динамическом отношении классу объектов управления, какими являются газотурбинные двигатели различных схем.
Таким образом, задачи идентификации характеристик ГТД и их элементов с применением нейронных сетей, а также разработки и исследования алгоритмов многорежимного управления ГТД на основе нейросетевых регуляторов и реализации этих алгоритмов и моделей в реальном времени являются актуальными.
На основании вышеизложенного можно сформулировать следующую цель и задачи исследования.
Цель и задачи исследования
Целью исследования является разработка алгоритмов и методик нейросетевой идентификации характеристик ГТД и их элементов, синтеза и обучения многорежимных нейросетевых регуляторов ГТД, а также реализации предложенных нейросетевых алгоритмов управления в реальном времени.
Для достижения поставленной цели потребовалось решить следующие задачи:
Разработка алгоритма и методики идентификации ГТД и его элементов на основе нейронных сетей.
Разработка алгоритма структурного синтеза многорежимных нейросетевых регуляторов ГТД.
Разработка алгоритмов инициализации и обучения параметров многорежимных нейросетевых регуляторов в составе замкнутой системы управления ГТД.
Разработка алгоритма обучения параметров адаптивных нейросетевых регуляторов ГТД в режиме on-line.
Сравнительный анализ способов реализации нейросетевых регуляторов ГТД на базе программной эмуляции нейронных сетей, нейропроцессоров, программируемых логических интегральных схем.
Методы исследования
Для решения поставленных в диссертационной работе задач использовались методы теории автоматического управления, адаптации и оптимизации, теории авиационных двигателей, систем искусственного интеллекта, теории и практики построения нейронных сетей и нейрокомпьютеров.
Научная новизна
Новизна разработанного алгоритма идентификации математической модели ГТД и его элементов в нейросетевом базисе основана на использовании модульной архитектуры НС прямого распространения, что позволило построить эффективный алгоритм идентификации на основе больших массивов экспериментальных данных, обеспечить требуемую точность идентификации при сокращении затрат памяти и времени вычислений.
Новизна предложенного алгоритма структурного синтеза многорежимных нейросетевых регуляторов ГТД заключается в разработке формализованной процедуры выбора структуры нейронной сети с учетом требований к астатизму, физической реализуемости, устойчивости и качеству переходных процессов в замкнутой системе управления на множестве заданных режимов работы двигателя, что позволяет обоснованно выбирать класс одномерных и многомерных структур нейросетевых регуляторов минимальной сложности.
Предложенный способ инициализации (предварительного обучения) параметров НС на основе анализа линеаризованной модели первого приближения нейросетевого регулятора позволяет гарантировать сходимость процесса обучения параметров и уменьшить время обучения НС, по сравнению с процедурой случайного выбора ее начальных параметров.
Предложены новые алгоритмы off-line и on-line обучения параметров нейросетевых регуляторов ГТД на основе метода симплексного поиска, обеспечивающие сходимость и высокое быстродействие процессов настройки НС при выполнении требований к качеству управления на заданном множестве режимов работы ГТД и условий полета.
Практическая значимость работы
Разработаны алгоритм и методика идентификации математической модели ГТД и его элементов в нейросетевом базисе, обеспечивающие сокращение требуемых затрат памяти в 24-3 раза и времени вычислений по сравнению с классическими методами интерполяции нелинейных характеристик. Предложены формализованные алгоритмы синтеза структуры и обучения параметров многорежимных нейросетевых регуляторов ГТД, эффективность которых подтверждается примерами моделирования САУ в широком диапазоне изменения характеристик ГТД и условий полета. Выявлены области предпочтительного применения программной реализации нейросетевых регуляторов и моделей ГТД, а также их реализации на основе нейропроцессоров и программируемых логических интегральных схем. Перспективность предложенных алгоритмов и методик подтверждается актом их внедрения на ФГУП У HI 111 «Молния» (г.Уфа), а также актом использования полученных результатов в учебном процессе Уфимского государственного авиационного технического университета.
На защиту выносятся
Алгоритм и методика идентификации математической модели ГТД и его элементов на основе нейронных сетей.
Алгоритм и методика структурного синтеза нейросетевых многорежимных регуляторов ГТД на основе принципа минимальной сложности.
Алгоритм инициализации (предварительного обучения) параметров нейросетевых регуляторов ГТД.
Алгоритм обучения параметров адаптивных нейросетевых регуляторов в составе многорежимной системы управления ГТД.
Алгоритм on-line обучения нейросетевых регуляторов ГТД.
Рекомендации по технической реализации нейросетевых моделей и алгоритмов управления ГТД в реальном времени.
Апробация работы
Основные положения и результаты диссертации докладывались на следующих научно-технических конференциях:
Российско-китайский симпозиум по проблемам авиадвигателестроения (г.Уфа, 1999);
Международная молодежная научно-техническая конференция «Интеллектуальные системы управления и обработки информации» (г.Уфа, 1999);
Вторая Всероссийская научно-техническая конференции «Нейроинформатика-2000» (г. Москва, 2000);
Международная научно-техническая конференция «Менеджемент, управление и контроль в производственных системах» ASI-2000 (г. Бордо, Франция, 2000);
Международная научно-техническая конференция «Идентификация систем и задачи управления» (г. Москва, 2000);
7-ая Национальная конференция по искусственному интеллекту КИИ'2000 (г. Москва, 2000);
8-ая Международная конференция по нейронным сетям ICONIP'2001 (г. Шанхай, Китай, 2001).
Объем и структура работы
Диссертационная работа включает в себя введение, четыре главы основного материала, заключение, библиографический список из 129 наименований. Работа изложена на 178 страницах, в том числе 161 страницы текста, включает 79 рисунков и 16 таблиц.
Публикации
Основные результаты исследований по теме диссертации опубликованы в 10 работах, в том числе в 9 статьях и 1 тезисе.
Автор выражает благодарность к.т.н., доценту Валееву С.С. за ценные рекомендации, обсуждение результатов работы и консультации в области идентификации и построения нейросетевых систем управления.
Содержание работы
Во введении обосновывается актуальность темы исследований в области построения нейросетевых моделей и интеллектуальных систем управления ГТД на основе использования нейронных сетей, указывается цель работы, решаемые в ней задачи, обсуждаются научная новизна и практическая ценность выносимых на защиту результатов.
В первой главе проводится анализ существующих методов решения задач идентификации и многорежимного управления авиационными двигателями. Приводится анализ известных алгоритмов построения и алгоритмов идентификации моделей ГТД.
Во второй главе рассматривается общий подход к идентификации моделей ГТД на основе нейронных сетей, выбору топологии и структуры нейронных сетей. Осуществляется сравнение и выбор алгоритмов обучения нейронных сетей. Дается обоснование применения модульных нейронных сетей для решения задачи идентификации параметров воздушных винтов турбовинтовентиляторного двигателя.
В третьей главе проводится анализ способов построения
многорежимных регуляторов, а также построения их аналогов на основе нейронных сетей. Решается задача синтеза структуры нейросетевого регулятора для многорежимной системы автоматического управления одномерного и многомерного ГТД, выбора способов инициализации (предварительного обучения) НС на основе анализа линеаризованной модели первого приближения НС-регулятора, выбора алгоритма обучения и критериев качества обучения нейросетевого регулятора в составе замкнутой САУ ГТД, рекомендации по on-line обучению и дообучению параметров НС-регуляторов САУ ГТД.
В четвертой главе проводится анализ основных базисов (способов) реализации нейровычислений, выявлены области их предпочтительного применения в зависимости от уровня сложности решаемых задач управления и допустимых вычислительных затрат на реализацию в реальном времени на борту ЛА.
