авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< 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

Интеллектуальная нейросетевая система идентификации парамет- ров информационных устройств летательных аппаратов

На правах рукописи

НИКИШОВ Александр Николаевич

Интеллектуальная нейросетевая система идентификации парамет-

ров информационных устройств летательных аппаратов

Специальность 05.13.01

Системный анализ, управление и обработка информации

(информатика, управление и вычислительная техника)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва 2011

Работа выполнена на кафедре "Системы автоматического и интеллектуального управле ния" Московского авиационного института (национального исследовательского универ ситета).

Научный руководитель: доктор технических наук, профессор Зайцев Александр Владимирович

Официальные оппоненты:

д.т.н, снс, Гаврилов Владимир Станиславович к.т.н. Лядов Алексей Валерьевич

Ведущая организация:

ФГУП «НПЦ АП им. академика Н.А.Пилюгина»

Защита состоится «26» декабря 2011 года на заседании диссертационного совета Д212.125.11 при Московском авиационном институте (национальном исследовательском университете) «МАИ» по адресу: 125993, А-80, ГСП-3, Москва, Волоколамское ш., 4, зал заседаний Ученого Совета МАИ.

С диссертацией можно ознакомиться в библиотеке МАИ.

Автореферат разослан «24» ноября 2011 года

Ученый секретарь диссертационного совета к.т.н., доцент Горбачев Ю.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. В последние десятилетия наблюдается высо кий рост технологичности оборудования. Если говорить о таких областях как авиация, ракетостроение, медицинская техника, автомобилестроение то необходимо отметить вы сокую роль профилактического обслуживания оборудования. В приведенных областях цена отказа или сбоя оборудования может быть очень высокой, а иногда и привести к неоценимым потерям, связанным с гибелью людей.

Обслуживание подобных систем требует высоких материальных затрат, но в то же время не исключает возможного возникновения сбоев. Очень важную роль занимает процесс принятия решения о целесообразности ремонта данного оборудования или о необходимо сти отказа от дальнейшего использования и списания.

В связи с высокой стоимостью приведенных видов техники в настоящее время на первое место выходит обеспечение длительного срока службы объектов при минимизации затрат на содержание и техническое обслуживание.

В данной работе предлагается реализация системы управления техническим состоянием сложных динамических объектов призванной реализовать периодический контроль со стояния объекта и осуществлять как поддержку принятия решения в процессе диагности ки, ремонта и оценки целесообразности дальнейшей эксплуатации, так и уточнения пара метров алгоритма в ходе эксплуатации оборудования, с целью повышения точности рабо ты алгоритмов управления.

Предлагаемый подход обладает высокой степенью универсальности и высокой глубиной диагностики.

Для более глубокого обоснования и рассмотрения предлагаемого подхода требуется рас смотрение следующих вопросов:

1. Постановка задачи идентификации параметров информационных устройств ле тательных аппаратов;

2. Постановка и решение задачи классификации ТС динамического объекта;

3. Проектирование подсистемы коррекции параметров алгоритма управления.

Объектом исследования в настоящей работе являются информационные устройства летательных аппаратов.

Предметом исследования являются компьютерные средства диагностики и идентифика ции элементов и узлов бортовых информационных систем летательных аппаратов.

Цель диссертационной работы состоит в построении нейросетевой модели для иденти фикации параметров ЛА на основе интеллектуальных технологий для повышения дости гаемой точности управления.

Научная задача, решаемая в диссертационной работе, состоит в разработке научно методического аппарата, обеспечивающего создание моделей идентификации информа ционных устройств, с использованием нейронных сетей.

Методологические основы и методы исследования. Проведенные теоретические и прикладные исследования базируются на методах современного системного анализа, математической статистики, методах математического моделирования, нейроинформати ки.

Моделирование процесса проведено в пакете прикладных программ Matlab и его прило жении Simulink.

Научная новизна работы состоит в системном подходе к решению задачи синтеза ин теллектуальных программных средств компьютерных систем диагностики на основе по строения нейронных сетей. Решение задачи идентификации параметров информационных устройств летательных аппаратов включает два этапа:

1. На этапе эксплуатации оборудования в ходе периодического контроля осущест вляется определение зависимости масштабного коэффициента измерителя в за висимости от температуры и построение нейроной сети.

2. В процессе полета осуществляется непрерывная активная коррекция параметров алгоритма управления ЛА;

Основные положения выносимые на защиту:

1. Математические модели нейронных сетей, предназначенные для решения задач идентификации и классификации параметров информационных устройств ЛА.

2. Комплекс алгоритмов и программ для построения и обучения нейронных сетей при решении задачи обработки измерений, информации и управления.



Практическая значимость Разработана структура системы идентификации параметров, пригодной для практического использования, получены математические модели нейрон ных сетей предназначенных для уточнения значения масштабного коэффициента и его коррекции. Разработаны конкретные рекомендации к применению созданного научно методического аппарата на этапах проектирования и опытной отработки.

Достоверность и обоснованность полученных результатов обеспечивается корректно стью постановки задачи, полнотой учета факторов, влияющих на характер функциониро вания аппаратно-программных средств системы диагностики неисправностей СУ и под тверждается моделированием на ЭВМ, апробацией результатов диссертации и выступле ниями на научно-технических семинарах и конференциях.

Апробация работы.

Результаты проведенных исследований докладывались и обсуждались на конференциях различного уровня.

Структура и объём диссертации.

Диссертация состоит из введения, трех глав, заключения, библиографического списка и приложений. Диссертация содержит 147 страниц машинописного текста, 43 рисунка, таблицы. Библиографический список содержит 82 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены объект, предмет, цель диссертации. Сформулирована научная задача, основные направления и методоло гия исследований. Кратко излагается содержание работы по главам.

В первом разделе анализируются классические методы оценки технического состояния систем на основе использования вероятностных моделей объектов управления. Вероятно стные модели подразумевают оценку способности системы выполнить поставленную перед ними задачу с заданными точностными и надежностными характеристиками. На основе данного анализа сформирован вид критерия оценки технического состояния сис темы, положенный в основу метода решения задачи оценки технического состояния объ екта управления.

Сформулирована задача оценки и управления техническим состоянием сложных динами ческих систем. Под техническим состоянием объекта понимается состояние системы в целом, и степень соответствия диагностируемого объекта эталонной модели. Техническое состояние может быть удовлетворительным – т.е. каждый блок системы и система в це лом соответствует предъявляемым к ней требованиям, и, следовательно, способна выпол нять поставленную перед ней задачу, и неудовлетворительным – т.е. состояние одного или нескольких блоков системы делают невозможным выполнение ею поставленных перед ней задач.

Таким образом, цель данной работы состоит в синтезе системы, обладающей свойством самоорганизации относительно ансамбля внешних сред, способной выбрать поведение, адекватное заданной среде. Иными словами, интересующая нас система с обной стороны должна быть способна адекватно реагировать на изменения технического состояния объ екта управления, а при подкрепляющем сигнале (дополнительном опросе) параметров, точно определять это состояние и тем самым служить как системой поддержки принятия решений оператором. С другой же, на основании полученной информации о техническом состоянии объекта, должна быть способна выработать корректирующее воздействие на алгоритмы управления объектом, с целью минимизации влияния отклонения параметров объекта управления на качество работы системы управления.

Поведение наблюдаемого объекта полностью определяется вектором параметров матема тической модели объекта, вектором воздействия окружающей среды, а так же предыду щим состоянием объекта.





Согласно анализу поставленной задачи, была предложена общая структура системы идентификации параметров информационных систем летательных аппаратов, базирую щаяся на нейросетевом идентификационном подходе.

Сформулированы основные задачи с решением которых связано проектирование систем.

В составе задачи оценки и управления техническим состоянием выделены следующие задачи:

• Задача тестирования;

• Задача классификации;

• Задача коррекции параметров алгоритмов управления с целью минимизации влияния отклонения параметров.

Задача тестирования некоторой системы сводится к процессу сбора и накопления данных о работе составных элементов рассматриваемой системы.

Задача классификации системы представляет собой задачу определения принадлежности рассматриваемой системы к одному из двух предопределенных классов:

1. Классу исправных систем;

2. Классу неисправных систем.

Рассмотрим некоторую систему, описываемую передаточной функцией:

(1) =,,…,,,,…, Где, •,,…, = - параметры системы, значение которых может быть изме нено в результате управления системой;

•,,…, = – параметры системы, значение которых не может быть изме нено в результате управления системой.

Техническое состояние системы полностью определяется векторами и. В силу того, что параметры элементов используемых в процессе производства системы, имеют техно логический разброс значений, и различные коэффициенты ухода значений при опреде + -мерное пространство, ленных воздействиях внешней среды, можно определить которое, в свою очередь, включает в себя оба описанных выше класса систем. Множество векторов, соответствующих системе удовлетворяющей эксплуатационным ха рактеристикам образует область безразличия к изменению параметров передаточной функции системы. Данная область граничит с пространством состоящим из бесконечного множества векторов соответствующих системе не удовлетворяющей эксплуата + -мерное пространство в свою очередь представляет ционным характеристикам.

собой бесконечный набор всевозможных систем, описываемых передаточной функцией (1).

При решении задачи классификации встает вопрос о критерии отнесения рассматривае мой системы к тому или иному классу. В данной работе в качестве критерия предлагается использовать критерий, использующий вероятностную модель объекта управления, ши роко используемую при решении задач поддержки принятия решений в процессе управ ления техническими объектами.

Вид критерия определяется структурой объекта, типом выбранного контроля и плотно стью вероятности времени отказа системы.

1, при, при, = (2) отк 0, при и= где, • - область допустимых состояний элемента системы;

• – плотность вероятности времени отказа;

• – состояние элемента системы в момент контроля С учетом высказанных соображений задачу тестирования можно представить как задачу восстановления вектора параметров передаточной функции (1) по результатам наблюде ния за выходными параметрами наблюдаемой системы, что представляет собой задачу параметрической идентификации системы с заранее известной структурой.

= н= (3) где, • y – вектор выходных параметров наблюдаемой системы;

• н - вектор параметров передаточной функции вида (1), описывающей наблюдаемую систему;

• - оператор выполняющий параметрическую идентификацию.

Задача диагностики системы сводится к задаче поиска причин приводящих к изменению вектора параметров передаточной функции (1):

= н э (4) д = ( ) где, • - приращение вектора параметров передаточной функции описываю щей наблюдаемую систему относительно вектора параметров передаточной функции описывающей эталонную систему;

• д - вектор результата диагностики, представляет собой вектор состояния эле ментов входящих в состав динамического объекта.

На основании предложенного критерия оценки технического состояния динамического объекта можно предложить структурную схему интеллектуальной системы управления техническим состоянием динамических систем.

Пусть система описывается ПФ указанной в выражении (1). Представим ПФ в виде:

(5) = Структурная схема модели идентификации парамтеров СУ ЛА приведена на рисунке №1.

Рис. 1. Структурная схема модели идентификации парамтеров СУ ЛА Здесь, • - Вектор параметров динамического объекта в момент времени контроля н ;

• ( ) ( ) – вектор входных параметров и управляющих воздействий • ( ) – вектор выходных параметров объекта;

• ( ) – вектор промежуточных выходных параметров объекта;

• – состояние элемента системы в момент контроля ;

• – прогнозируемое состояние элемента системы в момент предстояще п го контроля которому соответствует вектор параметров ;

н • – Управляющее воздействие на контролируемые параметры ПФ объекта управления;

Второй раздел посвящён решению задачи параметрической идентификации примени тельно к решению задачи управления техническим состоянием СДС.

В качестве аппарата для решения задачи параметрической идентификации выбран аппа рат нейронных сетей. В данном разделе проведен анализ наиболее широко используемых для решения поставленной задачи нейросетевых структур. На основани данного анализа разработаны алгоритмы построения нейронной сети для решения поставленной задачи, а именно, алгоритм формирования обучающей выборки, алгоритмы коррекции архитекту ры нейронной сети и прочее.

На рисунке 2 приведена схема процесса обучения нейронной сети решению задачи пара метрической идентификации.

Рис. 2. Схема процесса обучения нейронной сети решению задачи параметрической идентификации В качестве эталонной системы используется «расширенная» математическая модель объ екта управления. В рассматриваемой математической модели выбираются одна или более наблюдаемых контрольных точек. Генератор тестового сигнала предназначен для форми рования типового воздействия на эталонную математическую модель системы с целью получения ее отклина на указанное воздействие. Задающее устройство формирует вектор параметров эталонной системы тем самым, модифицируя ее структуру. В качестве вход ного воздействия на вход нейронной сети подается образ переходного процесса наблю даемого в контрольных точках. В качестве желаемого выходного сигнала сети принят вектор параметров математической модели системы сформированный задающим устрой ством. Под воздействием алгоритма обучения матрицы весов и смещений нейронной сети настраиваются с целью достижения минимального рассогласования между желаемым и фактическим откликом обучаемой нейронной сети.

Разработанные алгоритмы аппробированы при решении задачи параметрической иденти фикации аналоговой части маятникового акселерометра. В качестве эталонной модели взята аналоговая часть цифровой модели маятникового поплавкового акселерометра.

Перед обучаемой нейронной сетью поставлена задача восстановить вектор параметров эталонной модели по наблюдаемому отклику на типовое воздейтвие.

Рис. 3. Математическая модель маятникового акселерометра (MATLAB) Результатом работы разработанных алгоритмов является нейронная сеть структуры 44 60-80-3 способная восстановить вектор параметров с заданной точностью. Структура сети приведена на рисунке 4.

Рис. 4. Структура нейронной сети для решения задачи параметрической идентификации Рис. 5. Примеры расположенные на границе выборки, идентифицированные с нарушением критерия точности На рисунке 5 отражены те примеры, на которые в ходе тестирования обученная сеть вы дала результат с превышением заданной допустимой ошибки. Плотность распределения данных ошибок возрастает с приближением к границе обучающей выборки.

При требуемой точности определения вектора параметров 0,001, процент ошибок состав ляет 0,8%. Что соотвествует 8-и ошибкам на 1000 примеров. При требуемой точности определения вектора параметров 0,0001, процент ошибок составляет 3.5%. Что соотвест вует 35-и ошибкам на 1000 примеров. При требуемой точности определения вектора па раметров 0,00001, процент ошибок составляет 11.8%. Что соотвествует 118-и ошибкам на 1000 примеров.

Рис 6. Плотность распределения ошибок, в зависимости от степени близости к границе обучающей выборки (се мейство графиков в зависимости от степени требований по точности) На рисунке 6 отражена зависимость плотности распределения ошибок в зависимости от степени близости к границе обучающей выборки (изображена пунктирной линией часть справа от линии включена в обучающую выборку, слева - нет).

Отметим, что при подготовке обучающей выборки область определения параметров объ екта управления была расширена, что в свою очередь позволяет говорить о достижени требуемой точности работы полученной сети.

В третьем разделе решены две задачи из определенного в начале работы списка:

• Задача классификации;

• Задача выработки корректирующего воздействия;

Решение задачи классификации. Согласно полученным во второй главе результатам на вход системы классификации подается вектор параметров наблюдаемого объекта управ ления (результат решения задачи параметрической идентификации), результатом работы системы классификации является вектор (матрица) технического состояния.

Для разработки системы классификации следует определить требования, предъявляемые к глубине диагностики, а именно, к размерности выхода системы, которая определяется исходя из минимального структурного (конструктивного) элемента состояние которого должно быть отражено в выходном векторе (система, подсистема, блок, элемент, узел).

Вектор параметров определен в Главе II как количество параметров передаточной функ ции объекта управления. Вектор классификации определен как степень глубины диагно стики и может варьироваться от 2 до которое определяется числом элементов входящих в состав объекта управления. Например, при построении системы классифика ции для объекта управления, состоящего из 3-х блоков, вектор выхода системы класси фикации может содержать два элемента (при построении системы тестирования) или более в зависимости от глубины диагностики (т.е. равно 4-м, при диагностике с точно стью до блока, или более, при диагностике с более высокой точностью).

Интерпретация значения выходного вектора. Выходной вектор системы классификации может быть рассмотрен ка результат решения системы уравнений:

1, при,, отк п отк треб (6) 0, при,, отк п отк треб Таким образом, задача состоит в построении системы осуществляющей отнесение вход ного вектора параметров к одному из заранее предопределенных классов. Задача решает ся на основании применения критерия сформулированного в Главе 1.

В результате проведенного анализа в качестве решающей структуры избрана LVQ-сеть основанная на конкурентном механизме самоорганизации.

• Число нейронов в выходном слое LVQ-сети определяется числом классов, на которые необходимо разделить множество входных векторов.

• Число входных узлов определяется размерностью вектора параметров диагно стируемой системы.

• Число нейронов в скрытом слое определяется сложностью области приемлемо сти параметров. Чем выше число скрытых нейронов, тем на большее число про межуточных классов будет разделено пространство параметров системы, что в свою очередь приведет к повышению точности окончательной классификации.

Рис. 7. Структурная схема процесса обучения нейронной сети На рисунке 7 приведена схема процесса обучения нейронной сети решению задачи клас сификации.

Рис. 8. Структураная схема нейронной сети классификации В результате применения алгоритма обучения была получена нейронная сеть (рис. 8) способная решить задачу классификации вектора параметров.

Согласно постановке задачи, задача управления техническим состоянием разделена на части, 1-ая состоит в решении задачи тестирования и диагностики (классификации), 2-ая в выработке корректирующего воздействия на структуру объекта управления либо на алгоритм управления объектом.

Согласно постановке задачи объект управления описывается передаточной функцией вида:

(7) =,,…,,,,…, Где, •,,…, = - параметры системы, значение которых может быть изме нено в результате управления системой;

•,,…, = – параметры системы, значение которых не может быть изме нено в результате управления системой.

Рассмотрим задачу построения блока формирования корректирующего воздействия, на правленного на сохранение требуемого качества работы объекта управления.

В общем случае задача управления может быть сформулирована как сформулировать корректирующее воздействие на алгоритм управления объектом с целью минимизации отклонения отклика объекта управления на типовое воздействие вызванного отклонением параметров передаточной функции объекта управления и/или минимизации воздействия внешней среды.

(8) =, вн, Где – корректирующее воздействие;

– вектор параметров объекта управле ния ;

вн – воздействие внешней среды;

t –время.

Аппарат применяемый для формирования корректирующего воздействия может быть разнообразен. Для выработки данного сигнала могут быть применены системы основан ные на нечеткой логике, на нейронных сетях, гибридные ситсемы, а так же классические алгоритмические методы. Выбор конкретного инструментария зависит от сложности за дачи и от степени ее определенности.

В качестве объекта управления в настоящей работе рассматриваются системы входящие в состав РКК «Старт».

Рассмотрим процесс уточнения значения масштабного коэффициента маятникового аксе лерометра входящего в состав СУ РКК «Старт» при движении на активном участке трае тории.

Задача сформулированна сладующим образом: Сформировать корректирующее воздейст вие на алгоритм температурной компенсации масштабного коэффициента.

Предлагаемый метод решения задачи основанный на нейросетевом идентификаци онном подходе:

Решение осуществляется с использованием 2-х контуров. Внешний контур решает задачу сбора и анализа информации о текущем техническом состоянии прибора. Предназначен решения задачи параметрической идентификации прибора в условиях проведения регла ментных профилактических работ.

Внутренний контур представляет собой выработку корректирующего воздействия на основании параметров, полученных в ходе последнего запуска внешнего контура совме стно с использованием наблюдаемых факторов, которые могут повлиять на точность ре шения поставленной задачи. Таким образом, внутренний цикл вычисляет поправку мас штабного коэффициента, как функцию от вектора технических параметров измерителя, и функцию от значения температуры. В данном случае температура взята как наиболее значимый наблюдаемый член выражения, влияющего на определение величины мас штабного коэффициента.

Для реализации внутреннего контура и для решения задачи выработки корректирующего воздействия, а именно, расчета поправки масштабного коэффициента, используются по казания датчика температуры прибора, и вектор параметров, полученный в ходе решения задачи идентификации объекта. За счет использования табличных данных в ходе обуче ния сети нейронная сеть аппроксимирует и обобщает полученные данные, тем самым минимизируя возможную ошибку, получаемую за счет дискретного характера табличных данных. Так же использование при выработке поправки масштабного коэффициента из влеченных параметров идентифицированного объекта, позволяет минимизировать влия ние временных зависимостей и соответственно исключить риск неучета изменения дан ных в таблице от времени.

ИП АЧ ИП ДПЧ ИП АЧ ИП ДПЧ ДТ РГП ИП НС Поправка МК НС2 РГП ИП НС а) внешний контур б) внутренний контур Рис. 9. Структурная схема системы оценки и управления техническим состоянием объекта На структурной схеме изображены:

ИП АЧ– измерительный прибор, аналоговая часть;

ИП ДПЧ– измерительный прибор, часть преобразующая аналоговый сигнал в дискрет ный;

НС1 – Нейронная сеть обученная решению задачи параметрической идентификации;

НС2 – Нейронная сеть обученная решению задачи классификации;

РГП ИП – Регистр параметров измерительного прибора, служит для хранения вектора параметров измерительного прибора, полученного в ходе ПТО в результате решения за дачи параметрической идентификации конкретного образца измерительного прибора.

ДТ – Датчик температуры измерительного прибора;

НС3 – Нейронная сеть обученная решению задачи расчета поправки масштабного коэф фициента на основании информации о техническом состоянии измерительного прибора и о текущей температуре.

Вектор параметров с выхода нейронной сети извлечения признаков (результат решения задачи параметрической идентификации) фиксируется в защелке вектора параметров и используется как входной вектор для нейронной сети 3. Нейронная сеть 3 представляет собой многослойный персептрон, обученный для решения задачи выработки корректи рующего воздействия.

°, … (9) = ;

Коррекция масштабного коэффициента используется при пересчете значения мас штабного коэффициента используемого при рассчете значения ускорения на основе показаний измеренных акселерометром.

а) Значение масштабного коэффицента б) Значение приращения масштабного коэффициента Рис. Значение масштабного коэффициента определяется как сумма начального значения с корректирующим значением, в общем случае так же может быть представлен в виде функции, зависящей от тпараметров математической модели измерительного прибо ра:

°, … (10) = + = ;

Для проведения эксперимента взяты табличные данные описывающие изменение мас штабного коэффициента в зависимости от температуры:

Рис. 11 Изменение масштабного коэффициента от температуры, семейство кривых соответствует различным векто рам параметров математической модели прибора Сформирована обучающая выборка, состоящая из 1000 примеров. Каждый пример состо ит из пары вход-выход. На вход нейронной сети подается вектор состоящий из парамет ров математической модели измерительного прибора измеренных на этапе решения зада чи параметрической идентификации, и значение температуры с датчика температуры измерительного прибора. На выходе нейронной сети получается значение масштабного коэффициента.

Для решения данной задачи принято решение использовать нейронную сеть прямого рас пространения сигнала со структурой (3,3,1).

а) Структура нейронной сети б) Структура слоя 1 в) Структура слоя Рис. 12. Структурная схема нейронной сети формирующей приращение масштабного коэффициента Состоящую из 2-х слоев. С 3-мя входами и 1 выходом. Число нейронов скрытого слоя равно 3-м.

В результате применения функции обучения нейронной сети была получена структура, способная к расчету скорректированного значения масштабного коэффициента, как функции от температуры и вектора параметров устройства.

Значение масштабного коэффициента применяется при расчете показаний акселерометра и преобразовании их в цифровой формат. Значение кажущегося ускорения используются при расчете скорости и дальности полета.

Таким образом, составляющая ошибки работы навигационной системы, зависящая от ошибки измерения показаний кажущегося ускорения может быть рассчитана как:

= = (11) Согласно результатам моделирования, при изменении температуры прибора в заданных пределах, колебания масштабного коэффициента происходят в пределах значения при ращения (0.5 2.5)10, при значении рассчетного масштабного коэффициента 2. 5 10, значение результирующего показателя колеблется от(2.49 2.53)10. Для анализа последствий неучета подобного рода изменений требуется задать программу изменения ускорения в ходе полета.

Предположим активный участок полета объекта управления составляет 180 секунд. Ус корение в ходе полета изменяется в пределах до 10g.

На рисунке 13 приведен график измерений полученных с выхода аналоговой части аксе лерометра.

Рис 13. Измерения с выхода аналоговой части акселерометра При заданном характере изменения ускорения, растояние, пройденное объектом управле ния на активном участке полета составляет 1035 км, при этом если система управления не учитывает характер изменения масштабного коэффициента, то согласно данным БЦВМ, на конце активного участка объект управления преодолел расстояние 1033 километра.

А) Скорость объекта управления м/с Б) Дистанция пройденная объектом управления (м) Рис. 14. Параметры полета Синим цветом изображена система с коррекцией показаний, Красным без коррекции, т.е.

рассчеты выполнены без учета температурной зависимости масштабного коэффициента (всвязи с принятым масштабом графика линии сливаются).

Согласно результатам моделирования ошибка вызванная неучетом температурной зави симости параметров может приводить к существенным ошибкам в рассчете значения пройденного пути.

Рис. 15 Ошибка рассчета дальности полета вызванная неучетом колебаний масштабного коэффициента Так, при длительности полета 180 секунд, при заданном изменении ускорения промах по дальности составляет 1.899 км. График изменения ошибки рассчета значения дальности полета приведен на графике изображенном на рис 15.

Существующие методы решения позволяют снизить ошибку вызванную дрейфом пара метров в зависимости от воздействия окружающей среды.

Заключение Использование табличных данных, применяемых в современных алгоритмических мето дах коррекции, не исключает влияния ошибки, хоть и снижает ее до определенного уров ня. Величина ошибки существенно зависит от выбранного шага измерений. Чем выше требуется точность, тем большие объемы памяти требуются для реализации методов.

Реальные значения масштабного коэффициента несколько отличаются от табличных за счет применения достаточно грубой сетки с шагом 5 град. Уменьшение шага приводит к существенному увеличению затрат памяти и других ресурсов.

Использование таблиц требует существенных затрат времени и сложных технологиче ских операций по поверке и коррекции табличных данных в ходе эксплуатации прибора.

Предлагаемый подход позволяет существенно упростить процесс компенсации измене ний характеристик прибора связанных как с течением времени, так и с воздействием внешних факторов (таких как температура).

Он не исключает проведение лабораторных испытаний прибора, однако позволяет сни зить роль инструментальных погрешностей при проведении обучения решающих моду лей, так и непосредственно в ходе эксплуатации оборудования за счет использования нелинейного решающего модуля, способного к аппроксимации сложных функций, ис ключения объемных корректирующих таблиц, и использования непрерывной коррекции параметров в режиме реального времени.

1. Проведенный анализ показал, что предложенный подход к построению систем управления техническим состоянием динамических объектов реализуем и обладает вы сокой универсальностью на различных уровнях.

2. Предложенные алгоритмы, и структуры обладают достаточно высокой гибко стью, что позволяет использовать результаты работы при работе с широким спектром объектов управления.

3. Информация от экспертов используется на этапе постановки задачи и планиро вания эксперимента, обучение сетей осуществляется на основании результатов модели рования. Использование результатов моделирования позволяет минимизировать роль человека в процессе диагностики, что в свою очередь снижает влияние человеческого фактора.

4. Предложены пути дальнейшего развития предлагаемого подхода.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях, рекомендованных перечнем ВАК РФ Никишов А. Н.Олейник А.А. Талиманчук Л.Л. Зайцев А.В., Суханов Н.В., «Ин 1.

версно-адаптивная схема управления сложным динамическим объектом» Ней рокомпьютеры, №1, 2010, с.34-39.

Никишов А. Н.Зимарин А.М. «Оптимальное управление сложными технически 2.

ми системами с использованием обобщённого квадратичного показателя качест ва» Приборы и системы. Управление, контроль, диагностика.– 2011. – № 6. – С.

5-8.

Никишов А. Н. Канушкин С.В. «Поэтапная процедура принятия решений в ус 3.

ловиях риска» Известия института инженерной физики.2011 – № 2(20). – С. 49 53.

Никишов А.Н. Зайцев А.В. Канушкин С.В. Семенов А.В. «Подход к тестирова 4.

нию и диагностике авиакосмических систем с использованием нейросетевого идентификатора» Электронный журнал «Труды МАИ». 2011 г. Выпуск №47. с. www.mai.ru/science/trudy/ Публикации результатов работы в других изданиях:

Никишов А. Н. «Постановка задачи построение интеллектуальной системы 5.

оценки и управления техническим состоянием сложных технических систем в авиационной и ракетнокосмической области» Международная научно техническая конференция «Системы и комплексы автоматического управления»

М.: Из-во МИРЭА, 2008, с.259-265.

Никишов А. Н. Зайцев А.В. «Анализ алгоритмов систем идентификации слож 6.

ных динамических объектов» Материалы докладов IX 22. НТК “Повышение эффективности средств обработки информации на базе математического моде лирования”. Тамбов: 2009. с. 282-287.

Никишов А. Н., Козина М.А., Зайцев А.В., Яловец П.С. «Задача управления тех 7.

ническим состоянием сложных технических систем как задача адаптивного управления» Материалы 68 научно-методической и научно-исследовательской конференции Московского автомобильно-дорожного государственного техни ческого университета (МАДИ), секция «Наземные комплексы, стартовое обору дование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.36- Никишов А. Н. Козина М.А., Зайцев А.В., Яловец П.С. «Пути создания систем 8.

распознавания образов и идентификации сложных систем и объектов» Материа лы 68 научно-методической и научно-исследовательской конференции Москов ского автомобильно-дорожного государственного технического университета (МАДИ), секция «Наземные комплексы, стартовое оборудование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.62- «Анализ принципов построения экспертных систем по оценке информации о 9.

системе управления ракетой.» Итоговый отчет о НИР «Метод построения экс пертной системы оценивания информации о системе управления ракеты за га рантийными сроками на основе нечеткой логики». АНО НИЦ РКТ, 10. «Синтез системы стабилизации движения при уточнении параметров двигатель ной установки, полученных при решении задачи идентификации.» Итоговый от чет о НИР «Методика синтеза системы стабилизации движения ракеты с учётом продлённых сроков эксплуатации». АНО НИЦ РКТ, 11. «Алгоритм расчета динамических ошибок измерения и контроля процессов функционирования системы управления.» Итоговый отчет о НИР «Адаптивные алгоритмы контроля и прогнозирования технического состояния систем управ ления ракет за гарантированными сроками эксплуатации». АНО НИЦ РКТ, 12. «Разработка экспериментальной установки для исследования влияния конструк ционных, эксплуатационных и технологических факторов на техническое со стояние материалов и элементов конструкции ракетной техники.» Итоговый от чет о НИР «Методика технического диагностирования ракет и стартовых ком плексов в период продлённых сроков эксплуатации с использованием метода га зоразрядной визуализации». АНО НИЦ РКТ, 13. «Синтез системы стабилизации движения при уточнении параметров двигатель ной установки, полученных при решении задачи идентификации.» Итоговый от чет о НИР «Анализ результатов эксплуатации и достаточности ресурса постоян но функционирующих приборов системы управления, подготовка, проведение исследований конструкционных материалов и разработка отчёта-заключения о продлении сроков эксплуатации до 23 лет». ЦП СЯС,

 

Похожие работы:





 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

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.