Содержание к диссертации
Введение
ГЛАВА 1. Анализ современного состояния и тенденции развития систем контроля и диагностики цифровых САУ ГТД 13
1.1 Архитектура современной цифровой, системы управления и контроля авиационного двигателя 13
1.2 Способы построения алгоритмов контроля и диагностики цифровых САУ ГТД и требования, предъявляемые к ним- 24
1.3 Перспективы применения интеллектуальных алгоритмов для решения задач контроля и диагностики цифровых САУ ГТД 36
1.4 Современное состояние в области технической реализации НС-моделей и алгоритмов 44
1.5 Выводы по первой главе. Цели и задачи исследования 49
ГЛАВА 2. Разработка и исследование неиросетевых моделей в задачах контроля и диагностики САУ ГТД 51
2.1 Разработка и исследование нейросетевых алгоритмов идентификации ГТД 51
2.2 Разработка и исследование нейросетевой модели исполнительного механизма ГТД 75
2.3 Разработка и исследование архитектуры и структуры нейросетевого регулятора в составе интеллектуальной САУ ГТД 86
2.4 Синтез нейросетевых алгоритмов контроля и диагностики САУ ГТД на основе метода FDI 100
2.5 Результаты и выводы по второй главе 107
ГЛАВА 3. STRONG Разработка и исследование алгоритмов контроля и диагностики с учетом реконфигурации САУ ГТД при возникновении отказов на основе интеллектуальных технологий 109
STRONG 3.1 Идея обеспечения отказоустойчивости САУ ГТД на основе интеллектуальных технологий 109
3.2 Разработка алгоритмов контроля и диагностика отказовэлементов канала управления ГТД с учетом реконфигурации при возникновении отказов на. основе методов нечеткой логики 113
3.3 Разработка алгоритмов контроля и диагностики отказов управляющей части САУ ГТД с учетом реконфигурации при возникновении отказов на основе методов нечеткой логики 129
3.4 Разработка алгоритмов контроля и диагностики САУ ГТД на основе интеллектуального супервизора 139
3.5 Исследование отказоустойчивости нейронной сети на примере НС-модели ГТД 143
3.6 Результаты и выводы по третьей главе 147
ГЛАВА 4. Программно-аппаратная реализация неиросетевых алгоритмов контроля и диагностики САУ ГТД 149
4.1 Анализ возможных подходов реализации предложенных нейросетевых алгоритмов контроля и диагностики САУ ГТД 149
4.2 Проектирование нейросетевых модулей и алгоритмовна базе программируемых логических интегральных схем 153
4.3 Реализация нейросетевых алгоритмов контроля и диагностики САУ ГТД на ПЛИС 167
4.4 Сравнительный анализ эффективности различных способов реализации нейросетевых модулей и алгоритмов в составе бортовой САУ ГТД 178
4.5 Результаты и выводы по четвертой главе 185
Заключение 187
Список источников литературы
- Перспективы применения интеллектуальных алгоритмов для решения задач контроля и диагностики цифровых САУ ГТД
- Разработка и исследование нейросетевой модели исполнительного механизма ГТД
- Разработка алгоритмов контроля и диагностики отказов управляющей части САУ ГТД с учетом реконфигурации при возникновении отказов на основе методов нечеткой логики
- Проектирование нейросетевых модулей и алгоритмовна базе программируемых логических интегральных схем
Введение к работе
Актуальность темы
В последние десятилетия развитие и совершенствование авиационных газотурбинных двигателей (ГТД) сопровождается ужесточением требований к надежности и эффективности их систем автоматического управления (САУ). Современные ГТД являются сложными комплексными техническими устройствами, которые отличаются многообразием протекающих в них физических процессов и характеризуются многомерностью, многосвязностью, нелинейностью, нестационарностью рабочих процессов, существенным влиянием режимов работы и внешних условий на характеристики их функционирования. Перечисленные особенности приводят к формированию устойчивой тенденции в развитии САУ ГТД, характеризующейся постоянным ростом сложности и числа решаемых с их помощью задач. Одной из важных задач является совершенствование методов и алгоритмов управления и контроля ГТД и необходимость обеспечения отказоустойчивости САУ, что обусловлено наличием жестких требований к обеспечению безопасности и экономичности полетов.
Важным направлением в обеспечении отказоустойчивости САУ ГТД является совершенствование их архитектуры на основе базовой концепции FADEC (Full Authority Digital Engine Control), заключающейся в построении цифровой системы управления двигателем с полной ответственностью. Современные бортовые САУ ГТД типа FADEC объединяют функции управления двигателем, а также функции контроля технического состояния, диагностики отказов элементов САУ и их парирования. Наряду с традиционными задачами, САУ ГТД нового поколения должны решать дополнительные задачи, связанные с принятием оперативных решений на основе накопленных знаний в условиях неопределенности и адаптации (т.е. изменения своей структуры и параметров) в случае возникновения возможных нештатных ситуаций.
Большой вклад в исследование и разработку высокоэффективных САУ ГТД внесли отечественные ученые: А. А. Шевяков, С. А. Сиротин, О. С. Гуревич, Т. С. Мартьянова, Ф. Д. Гольберг, Г. В. Добрянский - ЦИАМ; Б. Н. Петров, Б. А. Черкасов - МАИ; В. Г. Августинович, Г. И. Гордеев - ППУ; В. Ю. Рутковский, С. Д. Земляков - Институт проблем управления РАН; Ю. М. Гусев, Б. Г. Ильясов, В. И. Васильев, Г. Г. Куликов, Ю. С. Кабальнов,
B. Н. Ефанов, В. Г. Крымский, Л. Б. Уразбахтина, А. И. Фрид, В. Ю. Арьков,
C. С. Валеев, С. В. Жернаков, О. Д. Лянцев, Р. А. Мунасыпов и др. - УГАТУ.
Несмотря на значительный объем исследований в области построения алгоритмов контроля и диагностики САУ, существующие информационные технологии контроля параметров САУ ГТД и диагностики её функциональных блоков не являются совершенными по ряду причин. С одной стороны, это слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществить поддержку
принятия решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД. С другой стороны, это сложность процессов, протекающих в САУ ГТД, сложность их математического описания, ограниченный состав измеряемых параметров, их технологический разброс и т.д. Указанные факторы приводят к необходимости комплексной автоматизации и интеллектуализации процессов принятия решений о техническом состоянии САУ ГТД в условиях неопределенности, в том числе с использованием метода контроля по модели FDI (Fault Detection and Identification).
В последние годы как в нашей стране, так и за рубежом большое внимание уделяется разработке и исследованию интеллектуальных алгоритмов контроля и диагностики технического состояния САУ ГТД на основе нейронных сетей и алгоритмов нечеткой логики. В то же время, в силу ряда причин (закрытость работ, узкая специализация решаемых задач и т.д.) в большинстве публикаций не приводятся конкретные инженерные методики, отсутствуют теоретические и практические рекомендации по решению подобных задач, что оставляет широкое поле деятельности для проведения научных исследований в данном направлении.
Таким образом, разработка интеллектуальных алгоритмов автоматического контроля и диагностики систем управления ГТД, а также исследование особенностей их практического применения с учетом ограничений на располагаемые вычислительные ресурсы бортовой цифровой вычислительной машины (БЦВМ) является актуальной задачей на современном этапе развития авиадвигателестроения.
Объект исследования. Бортовая система автоматического контроля и диагностики САУ ГТД.
Предмет исследования. Методы и алгоритмы автоматического контроля и диагностики технического состояния САУ ГТД и её элементов.
Цель и задачи исследования
Целью исследования является повышение оперативности и достоверности обнаружения отказов САУ ГТД в условиях изменения режимов работы двигателя на основе разработки интеллектуальных алгоритмов контроля и диагностики систем управления ГТД и методики их программно-аппаратной реализации.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
1. Разработка и исследование алгоритмов идентификации ГТД и их
исполнительных механизмов на основе рекуррентных нейронных сетей.
2. Разработка и исследование архитектуры и структуры нейросетевого
многорежимного регулятора с селектированием каналов управления в составе
интеллектуальной САУ ГТД.
3. Разработка и исследование интеллектуальных алгоритмов контроля и
диагностики САУ ГТД на основе нейросетевых моделей.
Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД на основе мажоритарной схемы резервирования с использованием нейросетевых моделей и алгоритмов нечеткой логики.
Оценка эффективности разработанных интеллектуальных алгоритмов идентификации, контроля и диагностики САУ ГТД и способов их программно-аппаратной реализации на базе программируемых логических интегральных схем (ПЛИС).
Методика исследования
При решении поставленных в диссертационной работе задач
использованы методы системного анализа, искусственного интеллекта, теории
газотурбинных двигателей, теории идентификации, теории автоматического
управления, нейроинформатики и нечеткой логики, методов имитационного
моделирования сложных систем, объектно-ориентированного
программирования.
Результаты, выносимые на защиту
Алгоритмы идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.
Архитектура и структура нейросетевого многорежимного регулятора ГТД с селектированием каналов управления.
Интеллектуальные алгоритмы контроля и диагностики САУ ГТД на основе нейросетевых моделей.
Алгоритмы обеспечения отказоустойчивости САУ ГТД на основе мажоритарной схемы резервирования с использованием нейросетевых моделей и алгоритмов нечеткой логики.
Методика проектирования интеллектуальных алгоритмов идентификации, контроля и диагностики САУ ГТД, а также практические рекомендации по их технической реализации на базе ПЛИС.
Научная новизна результатов
Новизна предложенных нейросетевых алгоритмов идентификации ГТД и исполнительного механизма системы топливопитания состоит в использовании новых классов архитектур НС, таких как многослойные и каскадные рекуррентные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило повысить точность идентификации по сравнению с известными методами с учетом ограничений на вычислительные ресурсы БЦВМ.
Новизна предложенного способа построения нейросетевого регулятора с селектированием каналов управления состоит в применении новых классов архитектур НС, включая многослойные и каскадные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило обеспечить высокое качество процессов управления в широком диапазоне изменения режимов работы двигателя.
Новизна предложенных интеллектуальных алгоритмов контроля и диагностики САУ ГТД состоит в применении нейронных сетей и алгоритмов нечеткой логики для анализа и распознавания текущего состояния ГТД,
исполнительного механизма системы топливопитания и управляющей части САУ ГТД в режиме реального времени, что позволило повысить эффективность контроля и диагностики элементов системы управления ГТД за счет расширения числа обнаруживаемых отказов.
Новизна предложенных интеллектуальных алгоритмов обеспечения отказоустойчивости САУ ГТД заключается в использовании алгоритмов реконфигурации управляющей части САУ при возникновении отказов, отличающихся тем, что обнаружение отказов в системе осуществляется на основе мажоритарной схемы контроля с использованием нейросетевых моделей элементов САУ и алгоритмов принятия решения на основе нечеткой логики, что позволяет повысить оперативность и достоверность обнаружения отказов.
Новизна методики программно-аппаратной реализации интеллектуальных алгоритмов контроля и диагностики САУ ГТД на основе ПЛИС Altera заключается в предложенном способе текстово-графического представления нейросетевых моделей и алгоритмов нечеткой логики, а также программного задания функций активации нейронов, что позволяет повысить оперативность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.
Практическая значимость работы
Разработаны алгоритмы и инженерные методики синтеза нейросетевых моделей и алгоритмов нечеткой логики для решения задач идентификации, контроля и диагностики САУ ГТД, применение которых позволяет повысить оперативность и достоверность обнаружения отказов САУ ГТД в реальном времени. Предложены методические и практические рекомендации по реализации разработанных алгоритмов идентификации, контроля и диагностики элементов САУ ГТД на базе ПЛИС в САПР Quartus, что позволяет автоматизировать основные этапы проектирования и отладки систем с учетом имеющихся ограничений на вычислительные ресурсы БЦВМ.
Апробация работы
Основные положения, представленные в диссертационной работе, докладывались и обсуждались на:
IX, XI Международных научных конференциях "Компьютерные науки и информационные технологии (CSIT)" (Уфа, 2007; Ретимнон, Греция, 2009);
Международных молодежных научных конференциях "XXXIII-XXXV Гагаринские чтения" (Москва, 2007, 2008, 2009);
Всероссийских молодежных научных конференциях "Мавлютовские чтения" (Уфа, 2007, 2010, 2011);
III-VI Всероссийских зимних школах-семинарах аспирантов и молодых ученых "Актуальные проблемы в науке и технике" (Уфа, 2008-2011);
Российско-немецких семинарах "Инновационные информационные технологии: теория и практика" (Уфа, 2009; Дрезден, Германия, 2010);
IX Всероссийской научной конференции "Нейрокомпьютеры и их
применение" (Москва, 2011); - заседании Башкирского отделения научного совета РАН по методологии
искусственного интеллекта (Уфа, 2011).
Публикации
По теме диссертации опубликовано 17 работ, в том числе 3 статьи в рецензируемых журналах из перечня изданий, рекомендованных ВАК.
Структура и объем работы
Диссертационная работа состоит из введения, четырех глав основного материала, заключения, приложений и библиографического списка. Работа изложена на 151 страницах машинописного текста и включает 96 рисунков, 36 таблиц. Библиографический список содержит 155 наименований.
Перспективы применения интеллектуальных алгоритмов для решения задач контроля и диагностики цифровых САУ ГТД
Для связи с объектом управления используется мультиплексированный канал информационного обмена, который управляется с помощью контроллера. Для упрощения процедуры передачи управления от резервной гидромеханической системы цифровой системе все используемые устройства двигателя оснащаются датчиками обратной связи: Параллельный канал БЦВМ используется для связи с регистрирующей аппаратурой. Электронный регулятор предназначен для выполнения ло-гических, управляющих и контролирующих функций, обеспечивающих управление двигателем на всех режимах работы во всех условиях эксплуатации. Он встроен в бортовой управляющий комплекс, который выдает информационные сигналы в многоканальную систему регистрации параметров (МСРП), комплексную информационную систему сигнализации (КИСС) и встроенную систему управления тягой (ВСУТ). Блок коммутации (БК) предназначен для усиления сигналов управления электронными агрегатами пусковой системы» и коммутации сильноточных цепей электроагрегатов по сигналам электронного регулятора двигателями по сигналам из кабины самолета. БК обеспечивает формирование команд управления ручным запуском двигателя при отказе электронного регулятора. БК, как правило, устанавливается непосредственно на двигателе.
В -электронной- части ЄАУ ЕТД автоматически контролируется исправность. элементов САУ. При отказе каких-либо элементов информация о неисправности выдается в систему контроля САУ ЛА. Далее выполняется реконфигурация программ управления и структуры электронной части САУ ГТД для сохранения её работоспособности. Резервный регулятор (как правило, гидромеханический или гидропневматический) объединяется с качающим узлом - дозатором топлива, исполнительной частью электронной системы. В этом случае данный агрегат, называемый насосом-регулятором, предназначен для подачи топлива в камеру сгорания двигателя и надсистемного ограничения частоты вращения ротора компрессора высокого давления (КВД). При работе на резервной автоматике насос-регулятор управляет режимом, механизацией двигателя и обеспечивает переходные режимы без забросов и колебаний параметров двигателя. Однако управление в данном слу 22 чае, как правило, осуществляется по упрощенным программам с пониженной точностью из условия обеспечения требуемой тяги для безаварийного полета;
Примером реализации этой архитектуры являются отечественные разработки электронных САУ для двигателей пятого и шестого поколений, которые проводятся на многих отечественных предприятиях. Одним из таких предприятий является ОАО "Научно-производственное предприятие "Темп" им. Ф.Короткова", которое является ведущим разработчиком и производителем электронных ЄАУ для двигателей боевых и гражданских самолётов; Высокая надежность разрабатываемых САУ обеспечивается использованием дублированной электронной системы управления, контроля и диагностики, а также резервированием; основных функций управлешмгДвигателемхпомощьюгМКИОЬОАУ обеспечивает управление двигателем-С: полной5 ответственностью и использует гидромеханическое резервирование элементов; Архитектура системы, позволяет проводить адаптацию-САУ под различные модификации; двигателям чисто: программными средствами без внесения конструктивногоизменения вработу САУ[2].
Начинает развиваться обещающая? большие: преимущества концепция беспроводных систем управления,.в--которых связь.между отдельными устройствами САУ осуществляется помощьюірадиосигналов:
В авиационной технике применение беспроводных систем и устройств уже начинается вряде направлений [140], таких как контроль давления в шинах самолета, управление освещением , распознавания меток на.объектах, подключения ноутбука во время; сервисного обслуживания; связь, с техническими службами аэропорта и др. Фирма Boeing в настоящее время финансирует программу с названием "Wireless Aircraft" (самолет без проводов), направленную на внедрение беспроводных технологий на самолетах гражданской авиации [135].
Исследовательский центр Dryden Flight Research Center NASA проводит работы по оценке возможности применения беспроводных технологий в: системе управления, контроля и диагностики ГТД военной авиации с целью повы 23 шения надежности и безопасности, снижения массы, габаритов и стоимости системы [147].
Использование беспроводных технологий в электронных системах управления газотурбинными авиадвигателями позволит создать высокоэффективные системы нового поколения с гибкой, легко изменяющейся структурой. В части создания и внедрения беспроводных технологий в системы управления и контроля ГТД известна комплексная работа, проводимая фирмой Honewell совместно с рядом американских университетов [112].
Важным направлением совершенствования- архитектуры САУ ГТД является объединение функций управления и контроля двигателя в одном агрегате, что позволяет значительно сократить количество блоков и датчиков, обеспечить снижение веса, повысить надежность и эксплуатационную технологичность [61,119]..
Перспективным направлением совершенствования? архитектуры САУ ГТД явилась разработка базовой концепции FADEC, которая представляет собой цифровую систему управления двигателем с полной ответственностью. Идея этой концепции, закладываемой при проектировании современных САУ ГТД пятого и шестого поколений, состоит в использовании двухканального электронного управляющего модуля, гидромеханического модуля и выделенных сенсоров для поддержания оптимальных характеристик работы авиадвигателя с минимальным расходом топлива.
Современной тенденцией развития САУ ГТД и ее элементов является, применение интеллектуальных технологий для решения задач контроля, диагностики и управления ГТД. Об этом свидетельствуют в частности решения Правительства РФ по формированию Перечня критических технологий, в которых в качестве одного из перспективных направлений указывается технология создания интеллектуальных систем навигации и управления [96]. Применение интеллектуальных технологий при проектировании САУ позволит создать так называемый "интеллектуальный двигатель", применительно к которому функции управления, контроля и диагностики также будут выполняться с помощью алгоритмов интеллектуальных технологий обработки данных. В целом, применение интеллектуальных технологий сегодня считается магистральным направлением повышения эффективности процессов управления, контроля и диагностики ГТД на базе архитектур САУ ГТД с использованием концепции FADEC, поэтому исследование вопросов теории и практики построения таких систем является актуальным.
Разработка и исследование нейросетевой модели исполнительного механизма ГТД
Классическим примером цифровой системы управления и контроля типа FADEC является система, установленная на самолете Airbus А320, в состав которой входят 7 управляющих компьютеров: 2 компьютера ELAC (Elevator Aileron Computer), 3 компьютера SEC (Spoilers Elevator Computer) и 2 компьютера FAC (Flight Augmentation Computer), которые работают на процессорах Motorola 68000, Intel 80186. Каждый из этих компьютеров имеет два независимых модуля - управляющий модуль (Control Unit) и следящий (резервный) модуль (Monitoring Unit), которые получают и обрабатывают одинаковые данные. Если следящий модуль обнаруживает несовпадение результатов с результатами вычислений управляющего модуля, то данный компьютер считается неисправным. Даже в случае полного отказа пары, другие пары смогут выполнять её функции. Для исключения возможных ошибок, программное обеспечение управляющего и следящего модуля разрабатывалось разыми группами программистов на разных высокоуровневых языках программирования. Так, например, за триммер стабилизатора отвечает компьютер ELAC2. В случае его отказа, функции ELAC2 сможет взять на себя ELACi, затем SEC і, затем SEC2. Таким образом обеспечивается многократное резервирование системы управления полетом за счет параллельно работающих одинаковых блоков.
Существует несколько уровней режима работы компьютеров, управления полетом, которые в терминологии компании Airbus называются "laws". Первый режим (normal law) является основным, при котором самолет будет подчиняться пилоту, но не даст превысить критические значения угла1 атаки, перегрузки, крена и тангажа, а также будет контролировать скорость, не позволяя перейти ограничения максимальной и минимальной скоростей для текущего режима полета. Данный режим сохраняет работоспособность при отказе любого из 7 компьютеров. При отказе нескольких компьютеров активизируется второй-режим (alternate law), при котором сохраняется защита от критических перегрузок, а также от потери или превышения скорости. При множественных отказах компьютеров активизируется третий режим (direct law), при котором сигналы с сайдстика не обрабатываются и поступают напрямую на сервоприводы. В случае полного отказа всех 7 компьютеров управления полетом, А-320 имеет гидромеханическую систему резервирования по курсу и тангажу.
Инженеры компании Боинг при проектировании системы управления полетом самолета Боинг-777 использовали схему "tripleriple redundant architecture", где в каждом из трех компьютеров системы Fly-by-Wire самолета в целях исключения ошибок использовали три процессора разных производителей — Intel 80486, Motorola 68040 и AMD 29050, которые выполняют одинаковые задачи. Каждый процессор требует своего собственного компилятора, что также повышает надежность системы в целом. При выявлении различий в результатах, компьютер отключается, управление продолжает вестись с помощью двух оставшихся компьютеров.
В Научно-техническом центре имени А. М. Люльки (г. Москва) впервые в стране разработана система управления, двухконтурным турбореактивным двигателем с форсажной камерой с распределенной структурой типа FADEC, в которой все электронные агрегаты САУ объединены по последовательным интерфейсам в единую резервированную сеть, что позволило: гибко распределять задачи управления между электронными агрегатами; использовать при отказах для регулирования информациюот датчиков, подключенных к другому каналу и другим блокам САУ; унифицировать обслуживание электронных агрегатов; синхронно регистрировать параметры каждый период счета при проведении испытаний, при этом можно совместно анализировать данные штатных регуляторов и стендовой системы измерений.
В состав прикладного программного обеспечения включены резервные программы управления, позволяющие обеспечить работоспособность системы при отказах датчиков входной информации и исполнительных механизмов. Архитектура системы и программного обеспечения позволяет продолжить полет при наличии двух и более отказов [55].
Одним- из способов аппаратного контроля функционирования больших систем является мажоритарный контроль, который основан на принципах голосования "два из трех", "три из пяти" и-т.д. и сводится к сравнению информации, получаемой на выходе идентичных устройств, включенных параллельно и реализующих одну и ту же функцию, и к отключению того из них, которое выдало информацию, отличную от выходной информации остальных устройств. Данный метод контроля требует применения дополнительного оборудования и применяется в тех случаях, когда функциональный отказ системы может привести к тяжелым последствиям (материальному ущербу, гибели людей) [127]. Из вышесказанного следует, что задачи, решаемые с помощью системы контроля и диагностики САУ ГТД типа FADEC, являются ключевым моментом в процессе её функционирования, так как их решение напрямую обеспечивает безопасность полетов. Однако нерешенными остаются многие вопросы- реализации указанных алгоритмов контроля и диагностики. Несмотря на значительный объем исследований в данной области, существующие информационные технологии контроля параметров САУ ГТД и диагностики её функциональных блоков пока не являются совершенными в силу ряда причин: с одной стороны, это слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществить поддержку принятия решений при возникновении отказов и, как следствие, сокращать, общее время, затрачиваемое на обслуживание ГТД и его системы управления; с другой стороны— сложность физических процессов, протекающих в САУ ГТД, сложность их математического описания, ограниченный состав измеряемых параметров, их технологический разброс и т.д. Указанные факторы приводят к необходимости развития исследований в области автоматизации и интеллектуализации процессов принятия решений о техническом состоянии САУ ГТД и её подсистем в условиях неопределенности, с использованием алгоритмов контроля и диагностики по модели на основе метода FDI.
Разработка алгоритмов контроля и диагностики отказов управляющей части САУ ГТД с учетом реконфигурации при возникновении отказов на основе методов нечеткой логики
В таблице 2.5 представлены числовые значения СКО обучения НС для исследуемых функций активации и различных алгоритмов обучения НС. Значения СКО более 0,1 % дают Байесовский алгоритм обучения (trainbr) и пороговый алгоритм обратного распространения (trainrp) в сочетании с рациональной и кусочно-линейной активационными функциями.
Показано, что минимальная ошибка обучения обеспечивается при использовании кусочно-линейной функции активации в сочетании с алгоритмом обучения Левенберга-Маркуордта (trainlm) - СКО 0,01%. При этом относительная приведенная погрешность идентификации для отдельных параметров ГТД с помощью рекуррентной каскадной НС принимает следующие значения: бпі = 0,52%, 5п2 = 0,49%, 8Т4 = 0,57%, 5Пк = 0,11%, полученные путем моделирования НС в режиме параллельного функционирования вместе с КЛДМ.
Было предложено проанализировать выбор функции активации нейронов с учетом дополнительного критерия регуляризации - минимума суммы квадратов весов (СКВ) (рис. 2.9). Предполагается, что сеть с меньшими значениями суммы квадратов весов будет обладать лучшими обобщающими свойствами.
Установлено, что НС с кусочно-линейной (pwlinear) функцией активации нейронов обучается за то же количество эпох с меньшим значением суммы квадратов весовых коэффициентов и приблизительно одинаковым значением СКО, равным 0,01%.
Очевидно, что использование кусочно-линейной функции активации нейронов значительно упрощает реализацию НС. Поэтому далее предлагается использовать каскадную НС в качестве базовой архитектуры НС, в качестве алгоритма обучения сети выбрать алгоритм Левенберга-Маркуордта, а в качестве функции активации - кусочно-линейную функцию.
Результаты проведенных экспериментальных исследований рекуррентных нейронных сетей (Элмана, многослойной НС, каскадной НС) представлены в таблице 2.6. Как видно из таблицы, каскадная НС обеспечивает относитель 69 ную приведенную погрешность идентификации по отдельным параметрам ГТД не более 0,57%, многослойная НС - не более 0,62%, НС Элмана - не более
Эффективным способом для решения проблемы повышения точности НС является как использование алгоритмов регуляризации [143], так и обучение НС на зашумленных обучающих-выборках [138]t - Результаты имитационного моделирования исследуемых рекуррентных нейронных сетей с добавлением шума (±1,5%, ±3%) в-обучающую выборку представлены в таблице 2.7.
Анализ полученных результатов показывает, что каскадная НС обеспечивает в данном случае относительную приведенную погрешность идентификации для отдельных параметров ГТД не более 0;31%, многослойная НС - не более 0,33%, НС Элмана — не более 0,35% при добавленишшума ±3% в обучающую выборку. При добавлении шума +1,5% относительная приведенная погрешность идентификации ГТД с помощью каскадной НС составляет не более 0,43%, для многослойной НС - не более 0,5%, для НС Элмана - не более 0,51%. Таблица 2.7. Относительная приведенная погрешность идентификации ГТД рекуррентными НС с добавлением шума в обучающую выборку
Остается нерешенным еще один вопрос в рамках выбора структуры НС сети - это вопрос выбора количества нейронов в скрытом слое, а также возможного уточнения вида функции активации нейронов. Под уточнением вида функции активации при этом понимается дополнительное сравнение эффективности использования рациональной сигмоиды и кусочно-линейной функции активации, прежде всего в составе каскадной НС.
На рис. 2.10 показаны результаты моделирования каскадной нейронной сети с различным количеством нейронов в скрытом слое для случаев использования рациональной сигмоиды и кусочно-линейной функции активации. Соответствующие числовые данные представлены в таблице 2.8. Каскадная НСn it 0,30 I3Шо. 0,25 -ос 0,20XВЭ 0,15 -юіо.с 0Д0 -кЯXІ 0,05 -х и О
Зависимость СКО обучения НС от вида функции активации и количества нейронов в скрытом слое Анализ таблицы показывает, что использование кусочно-линейной функции активации при восьми нейронах в скрытом слое дает относительную приведенную погрешность в семь раз меньше, чем для случая рациональной функции активации. Погрешность идентификации ГТД при одиннадцати нейронах в скрытом слое и использовании рациональной сигмоиды-не превышает 0,09%, для кусочно-линейной функции активации - не более 0,02%.
Как видно из таблицы 2.8, наилучшее качество идентификации.ГТД обеспечивает НС, имеющая кусочно-линейную функцию?активации с 8 нейронами в скрытом слое.
Проведем дополнительное сравнение эффективности различных алгоритмов обучения для рекуррентной каскадной НС с 8 нейронами в,скрытом слое и с кусочно-линейной функцией активации (рис: 2. IT).
Как видно из рисунка, алгоритм обучения Левенберга-Маркуордта обеспечивает минимальную относительную приведенную погрешность обучения НС, что также подтверждает предыдущие выводы относительно выбора алгоритма обучения. Алгоритмы обучения с циклическим представлением входа (trainc), в режиме случайного, представления входа (trainr) и Байесовский алгоритм обучения обеспечивают относительную приведенную погрешность равную 0,1%, в то время как пороговый алгоритм обратного распространения ошибки (trainrp) - 0,7%.
Проектирование нейросетевых модулей и алгоритмовна базе программируемых логических интегральных схем
В последние годы получает все большее распространение процедура контроля и диагностики технического состояния; сложных технических объектов с использованием метода FDI (рис. 1.5), основанного на анализе: невязки между результатами измерений выходных параметров контролируемого устройства (например, ГТД) и расчетными значениями этих параметров, вычисленными по модели (более подробно рассмотрен в 1 главе).
Предполагается, что отказьь - устойчивые (т.е. нет сбоев), и в один момент времени в системе может произойти только один отказ. При обнаружении сигнала отказа вначале инициируется алгоритм распознавания отказа, который состоит из-ряда повторных проверок, которые проводятся прежде, чем принимаетсяi решение о достоверности отказа. Поэтому на время, равное периоду расчета, фиксируется последнее показание датчика. После того, как отказ подтверждается, показание датчика заменяется значением соответствующего параметра, рассчитываемого в бортовой модели [51].
На рис. 2.32 представлена структура НС-классификатора (интеллектуального супервизора), который і принимает решениео том»илиином отказе в системе на основе рассогласований (невязок) A],A2,...,Am5 где At = у — yfC; Уі — выходы объекта контроля; yfz - соответствующие выходы нейронной сети. Выход НС-классификатора F представляет собой бинарный вектор F = {Flt F2,... і FN], компоненты которого принимают значения 0 или 1 и отражают результаты диагноза ( V— количество1 выявляемых отказов).
Базовые архитектуры НС-классификатора - рекуррентные нейронные сети: рекуррентная сеть Элмана, рекуррентная многослойная НС, рекуррентная каскадная НС. Функции активации нейронов: логистическая сигмоида, тангенциальная сигмоида, рациональная сигмоида.
Постановка задачи оптимизации структуры НС-классификатора: пусть m - количество входов (невязок) НС-классификатора; N - количество выходов НС-классификатора; М - количество классов (типов) отказов; R - объем обучающей выборки, тогда условия работы НС-классификатора можно записать в следующем виде: 1) Ситуация So (исправное состояние OK, R = 0): (2.14) W=fN(Awf,wf) = F r 2). Ситуация Si (отказ 1-го типа, R = 1): F? =/1(A« , ))=F;(1) 3) Ситуация SM (отказ М-го типа, R = М): уж = д (Дда и ц (2)-) = Fj(«) Пусть V - количество уравнений; Q - количество переменных (число настраиваемых весов); Ncc — количество нейронов в скрытом слое, тогда: V=(M+1)-N; (2.17) Q = m-Ncc + Ncc-N (2.18) Условие разрешимости задачи выглядит следующим образом: Q V (2.19) Предложенная в данной работе архитектура интеллектуальной отказоустойчивой САУ ГТД предполагает наличие интеллектуального супервизора (рис. 2.33), который должен выявлять отказы элементов системы на основе анализа значений векторов невязок Ае, Au, AGT, Ay, подключая (при необходимости) резервные элементы системы цифровой регулятор (ЦР), исполнительные механизмы (ИМ), датчики (Д).
Нейронная сеть НС і представляет собой в данном случае рекуррентную каскадную нейронную сеть, разработанную во 2-ой главе в качестве НС-модели цифрового регулятора; нейронная сеть НСг — модель, исполнительного:-механизма; нейронная сеть НСз — модель газотурбинного двигателя и его датчиков. Предполагается, что указанные нейронные сети построены по известным (эталонным) динамическим моделям ЦР, ИМ, ГТД, Д, в, таком; случае: достоверность обнаружения и классификации отказовбудет максимальной.
Рассмотрим методику построения; интеллектуального супервизора (НС-классификатора), которая состоит из следующих последовательных этапов: 1. Анализмножества возможных отказовжих последствий. 2." Построение обучающей выборки: 3! Выборхтруктурыш алгоритмаюбучения+НС.
Отказоустойчивая САУ РТД;с использованием интеллектуального супервизора 1. Анализ множества возможных отказов и их последствий В исследуемой цифровой С АУ ЕТД предполагаются:- возможными отказы следующих элементов: 1) датчики (Д); 2) исполнительный механизм (ИМ); 3) цифровой регулятор (ЦР). Возможные проявления отказов: а) "короткое замы 104 кание" - сигнал "пропадает"; б) "обрыв" - сигнал принимает некоторое случайное постоянное значение; в) параметрический отказ — изменяется характеристика датчика, ИМ коэффициент усиления канала передачи данных в ЦР; г) наводка, случайные помехи.
Предполагается, что отказы - постоянные (т.е. нет сбоев), и в один момент времени в системе может произойти только один отказ. Моделируются отказы следующих элементов: датчик щ, датчик п2, датчик Т 4, входной канал ЦР, выход ЦР.
Для обучения HG-классификатора создается обучающая выборка, содержащая как данные, полученные на штатных режимах (установившиеся режимы, переход ГТД с одного режима на другой — приемистость, дросселирование), так и на нештатных режимах, моделируемых путем "имитации-отказов отдельных элементов САУ.
Переходные процессы в САУ ГТД моделировались путем изменения величины уставки управления. На рис. 2.36: Ае — невязка ошибки управления; Ди - невязка .выходного сигнала ЦР; Ау — невязка выходных сигналов датчиков ГТД; у0 - величина уставки управления.
Данные снимались с частотой дискретизации, равным 40 Гц. Обучающая выборка строилась на основе временного окна длиной 50 с (2000 последовательных значений). Данные для обучения НС предварительно нормировались путем приведения их к интервалу (0,1).
Входными сигналами для интеллектуального супервизора отказов являются невязки (рассогласования) по основным координатам САУ: Ае — невязка по ошибке управления; Аи - невязка по сигналу управления от ЦР; Ау - вектор невязки по выходным параметрам САУ ГТД: Выходом интеллектуального супервизора является вектор управляющих воздействий, который принимает бинарные значения (0 или 1) в зависимости от сложившейся ситуации управления.
Элмана, рекуррентная многослойная НС, рекуррентная каскадная НС), проведенных в предыдущих параграфах, было предложено выбрать рекуррентную каскадную НС и проанализировать три вида функции активации нейронов - логистическая сигмоида, тангенциальная сигмоида, рациональная сигмоида. Количество классов (типов) отказов М=7-4=28, количество входов (невязок) НС-классификатора т=5, тогда N = log2M = 5;V=(28 + l)-5 = 145; Ncc (5 + 5) 145 (2.20) Тогда количество нейронов в скрытом слое Ncc будет равно 15. Структура исследуемой каскадной НС 5-15-5 включает в себя 25 нейронов, 115 весов синаптических связей, с линией задержки на 4 такта. Выбор данного числа элементов задержки обусловлен необходимостью распознавания медленно изменяющихся значений невязок, возникающих, например, при отказах в выходном канале ЦР.
![Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс]](/i/i/4381/168311.png "Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс] Ходеев Денис Владимирович")
