WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


 

На правах рукописи

Глушков Сергей Витальевич

МЕТОДы повышения качества управления

судном  на основе использования нейросетевых технологий

05.22.19  –  Эксплуатация водного транспорта, судовождение

Автореферат диссертации на соискание ученой степени

доктора технических наук

Владивосток – 2008

Работа выполнена в Федеральном государственном образовательном

учреждении  высшего профессионального образования Морском

государственном университете имени адмирала Г. И. Невельского

Официальные оппоненты: 

доктор технических наук, профессор Васьков Анатолий Семенович; доктор технических наук, профессор Розенбаум Анатолий Наумович

доктор технических наук, профессор Жирабок Алексей Нилович

Ведущая организация  – Федеральное государственное унитарное предприятие  «Государственный научно-исследовательский

навигационно-гидрографический институт

Министерства обороны Российской Федерации»

С диссертацией можно ознакомиться в библиотеке Морского государственного университета имени адмирала Г. И. Невельского

Защита состоится 08 октября  2008 г. в 14 часов на заседании совета по защите докторских и кандидатских диссертаций Д 223.005.01 при Морском государственном  университете имени адмирала Г. И. Невельского:

690059, г. Владивосток, 59, ул. Верхнепортовая, 50а, учебный корпус 1,

аудитория №241.

Отзывы присылать по адресу: 690059 г. Владивосток, ул. Верхнепортовая, 50а, Морской государственный университет имени адм. Г. И. Невельского, ученому секретарю Совета Д 223.005.01, тел. Факс (4232) 41-49-68

Автореферат разослан «____» июля 2008 г.

Ученый секретарь совета Резник А. Г.

по защите докторских и

кандидатских диссертаций                                    

Общая характеристика работы

Актуальность проблемы.

Современный этап развития систем мореплавания в мире характеризуется существенными достижениями науки и техники в деле разработки, создания, массового производства высоконадёжной техники судовой навигации, радиосвязи, информатизации и автоматизации судовождения в сложных условиях инфраструктуры акваторий портов, проливов и каналов. В настоящее время во многих морских державах мира разрабатываются новые, более сложные, и в тоже время обладающие большей функциональной нагрузкой системы, позволяющие автоматизировать процесс судовождения. Первопричин такого рода разработок несколько.

Во-первых, необходимость обеспечения безопасного мореплавания в условиях все увеличивающейся интенсивности судоходства, резкий рост цен на топливо для судовых силовых установок, усиление экологических аспектов эксплуатации морского флота, строительство крупнотоннажных и скоростных судов, управление которыми на должном уровне требует дополнительных средств автоматизации процессов. Это позволяет уменьшить потери ходового времени, снизить себестоимость перевозок, сократить численность экипажей, повысить надежность оборудования, качество проводимых операций управления и потому является наиболее эффективным средством повышения тактико-эксплуатационных характеристик судов и условий труда плавсостава.

Во-вторых, для автоматизированного решения многих навигационных задач, связанных с расхождением с судами, когда требуется реализация определенных маневров, при удержании судна на заданном курсе,  или движении по любой необходимой траектории с прогнозированием возможной ситуации и др., необходим адаптивный авторулевой, оптимально настраивающий параметры системы. Такой адаптивный авторулевой должен обеспечивать корректировку математических моделей судна и внешних сил, которые воздействуют в данный момент на судно. Поэтому возникла необходимость в разработке новых адаптивных авторулевых на основе технологий искусственного интеллекта.

Необходимо также отметить, что в Федеральной целевой программе «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений капитаном по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению. Также следует отметить требование Международной морской организации (IMO) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе.

В связи с этим разработка современных автоматизированных систем, обеспечивающих движение судна по заданной траектории, удержание на заданном курсе в условиях изменяющихся погодных факторов, ограниченности маневра и интенсивности движения, оперативная автоматическая коррекция выбранного пути и скорости движения являются приоритетными задачами.

Развитие научно-технического прогресса, оснащение современных судов микропроцессорной техникой и вычислительными машинами при разработанном прикладном математическом и программном обеспечении позволяют решить поставленные задачи.

Проблемная ситуация. С одной стороны, системы автоматического управления курсом судна должны:

– отвечать в полной мере растущим требованиям по обеспечению безопасности плавания, по точности движения на заданном маршруте, надежности, системности выделения и комплексной обработки информации от разнородных приборов;

– обеспечивать оптимальную, в определенном смысле, настройку параметров системы в режиме реального времени без участия вахтенного штурмана;

– корректировать математическую модель системы при изменении гидродинамических характеристик объекта.

С другой стороны, строгое решение задачи управления движением судна, которые обеспечивает синтез управления в реальном времени  и заданного качества в общем случае, не удается получить с помощью используемых сегодня систем автоматического управления курсом судна с традиционным ПИД–регулятором и применяемых методик его настройки. Это вызвано тем, что во время эксплуатации системы параметры и внешние воздействия меняются случайным образом и изменяются в широком диапазоне (направление и сила ветра, высота и длина волны, гидродинамические характеристики судна, осадка, глубина воды  под килем, скорость хода судна).

В зависимости от реализуемых принципов адаптации можно классифицировать несколько типов адаптивных авторулевых.

– Адаптивные авторулевые, характеризующиеся частичной автоматической настройкой параметров системы, в которых используются косвенные критерии оценки качества работы системы. Они не всегда имеют достаточное математическое обоснование. (TSN-2 –Польша, ASAP-II–Швеция). Эти авторулевые не обеспечивают полной оптимизации системы управления курсом судна в различных ситуациях, реализуют традиционный ПИД- закон управления.

– Адаптивные авторулевые с использованием эталонной математической модели объекта или всей системы управления в целом. Управляющий сигнал формируется в зависимости от критерия качества движения судна, являющегося функцией от разности между наблюдаемым и моделируемым курсом судна (Ракал-Декка DP-780- Великобритания).

– Адаптивные авторулевые с самонастраивающейся системой, в которых оптимальное значение настраиваемых параметров определяется по математическому критерию качества, обеспечивающему минимум потерь полезной мощности судовой силовой установки. Такие авторулевые используют априорную информацию о динамике системы управления курсом судна для различных условий плавания, которая хранится в памяти бортовой ЭВМ. Получая информацию от судового гирокомпаса, лага, указателя положения пера руля, ЭВМ по специальной программе выбирает соответствующие оптимальные параметры настройки (Sperry autopilot ASCS, NAVIPILOT AD II – США).

Из отечественных авторулевых можно выделить: ААР-05 – Владивосток 2005 год и  NAVIS AP-3000 – Cанкт-Петербург 2007 год (для последнего не указан метод адаптации).

Анализ эксплуатации вышеописанных адаптивных авторулевых показывает их более высокие характеристики качества управления и технико-экономическую эффективность по сравнению с традиционными авторулевыми, реализующими ПИД–закон управления. Но, несмотря на большое количество публикаций, проблема разработки адаптивного авторулевого все еще не нашла должного решения на уровне современных требований управления судном на всех режимах работы и круга решаемых навигационных задач.

С появлением перспективного класса нейросетевых систем управления положение изменяется. Появляются новые возможности обеспечения этих требований на основании прикладной теории нейросетевого управления и новой элементной базы (микроконтроллеры, сигнальные процессоры, нейросетевые процессоры). Нейросетевая система, как самоорганизующаяся, способна управлять процессами в сложных условиях (нестационарных, нелинейных, со случайными внешними воздействиями), математические модели которых неизвестны.

Разрешать указанную проблему необходимо путем разработки новых  систем на основе использования технологий искусственного интеллекта, комплексной обработки навигационной информации и в результате этого обеспечить требуемое качество управления судном.

Следовательно, необходимость разработки новых научно обоснованных методов создания систем управления судном на основе нейросетевых интеллектуальных систем определяет актуальность крупной научно-технической проблемы, решаемой в диссертации.

Научный базис для решения проблемы. Анализ опубликованных в 1980–2007 годах работ отечественных и зарубежных ученых (Красовский А.А., Пешехонов В.Г., Колесников А.А., Астанов Ю.М., Медведев В.С., Иванов В.А., Фалдин Н.В., Лукомский Ю.А., Корчанов В.И., Скороходов Д.А., Веллер В., Басин А.И., Суевалов Л.Ф., Фрейдзон И.Р., Квакернаак Х., Бессонов А.А., Соболев Г.В. Березин С.Я., Тетюев Б.А. и др.) по классическим методам построения систем автоматического управления и курсом судна в частности, позволяет классифицировать методы по типу используемой математической модели судна, обрабатываемой информации, методам адаптации, конструктивным особенностям. Большая часть научных трудов авторов (Хайкин С., Weierstrass K., Колмогоров А.Н., Hecht-Nielsen r., Stone M., Горбань А.Н.,Терехов В.А., Миркес Е.М., Ефимов Д.В., Тюкин И.Ю., Егупов Н.Д., Омату С., Халид М., Юсуф Р., Mandani E.H., Nomoto K. И др.) посвящена вопросам построения нейросетей и их использования в системах управления. На основе этих работ формируется научное направление «Адаптивные и робастные системы управления движением судна на основе искусственного интеллекта».

Цель работы. Целью диссертационного исследования является разработка теоретических основ и принципов создания робастных адаптивных систем управления судном на основе определения областей работоспособности, с заданной вероятностью обеспечивающих требуемое качество управления, выполненных на базе нейросетевых технологий.

Область исследования – разработка моделей и методов оценки эффективности судовождения в различных условиях их эксплуатации.

Объектом исследования являются методы и средства навигации и судовождения, в частности, системы автоматического управления курсом судна, а предметом исследования – робастные адаптивные системы управления курсом судна и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий.

Решение научной проблемы в соответствии со сформулированной целью включает в себя следующие научные задачи:

  1. Разработка теоретических основ определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности.
  2. Обоснование принципов определения существования областей работоспособности – областей допустимых вариаций параметров системы автоматического управления курсом судна в различных условиях эксплуатации.
  3. Доказательство методов определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна.
  4. Разработка принципов определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющая создать алгоритмы и программное обеспечение для поставленной задачи.
  5. Представление принципиально новой модели самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий, позволяющая определять оптимальный тип и структуру нейронной сети, моделирующей движение судна, используемую для решения навигационных задач.
  6. Обоснование принципа определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющая обеспечить требуемое качество и точность движения судна на курсе.

       

Основные положения, выносимые на защиту:

  1. Классификация систем автоматического управления курсом судна.
  2. Принцип определения математической модели системы автоматического управления курсом судна, который обеспечивает робастность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности.
  3. Принципы определения существования областей работоспособности – областей допустимых вариаций параметров системы автоматического управления курсом судна, не нарушающих с заданной вероятностью требований качества и точности управления судном на курсе.
  4. Принципы определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна, которые обеспечивают учет возможного диапазона внешних воздействий.
  5. Методы определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющие создать алгоритмы и программное обеспечение для поставленной задачи.
  6. Функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий. Система позволяет определять оптимальный тип и структуру нейронной сети, моделировать движение судна необходимое для решения навигационных задач.
  7. Принцип определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющий обеспечить требуемое качество и точность движения судна на курсе.
  8. Алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий.
  9. Опытная модель разработанного образца адаптивного регулятора системы автоматического управления курсом судна.

Методы исследования. При решении поставленных научных задач использовались методы системного анализа, корреляционного и спектрального анализа случайных процессов, имитационного моделирования и натурного эксперимента, положения теории автоматического управления, методы нейросетевого управления, методы линейного и нелинейного программирования.

Научная новизна работы:

1. Предложен и теоретически обоснован принцип определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров посредством определения области работоспособности. Принцип предполагает в режиме реального времени на основании наблюдаемых характеристик движения судна на курсе и известного управления, в пространстве размерности математической модели судна определяется область допустимых значений параметров модели.

2. Рассмотрен и теоретически обоснован принцип определения существования областей параметров, обеспечивающих работоспособность системы автоматического управления курсом судна. Предложенный принцип позволяет на основании уточненной математической модели судна для предполагаемого диапазона внешних воздействий в пространстве параметров регулятора определяется область допустимых значений параметров регулятора, обеспечивающий с заданной вероятностью точность и качество движения на курсе.

2.1. Предложены и теоретически обоснованы метод определения существования областей допустимых вариаций параметров системы автоматического управления курсом судна и метод определения конфигурации расположения области допустимых вариаций параметров системы. Область допустимых вариаций параметров системы управления курсом судна в общем случае может быть неодносвязанной (при нелинейности математической модели), или таких областей может быть несколько.

2.2. Представлено теоретическое обоснование метода определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и внутренних параметров системы, т.е. определение сечения в этой области с наибольшим диапазоном изменения условий эксплуатации судна.

3. Рассмотрена принципиально новая функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий.

       3.1. Для этой модели теоретически обоснованы методы определения оптимального типа и структуры нейронной сети, моделирующей объект управления, и метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, что позволяет обеспечить требуемое качество и точность движения судна на курсе при данных внешних воздействиях.

3.2. Представлены алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий.

4. Создан опытный образец адаптивного регулятора системы автоматического управления курсом судна, прошедший испытания и принятый Российским Регистром морского судоходства.

Достоверность результатов доказывается корректностью применения хорошо апробированного математического аппарата и совпадением результатов теоретических исследований с данными стендовых, натурных экспериментов и имитационного моделирования работы системы управления курсом судна.

Практическая ценность работы заключается в теоретической и практической разработке всех этапов получения нейросетевой модели объекта управления, нейросетевого регулятора и на этой основе создания робастных адаптивных систем автоматического управления курсом судна. Наличие нейросетевой модели системы позволяет также моделировать, т.е. решать  в автоматическом режиме реального времени, комплекс задач, связанный с оптимальной проводкой судна до точки назначения, оптимального маневрирования и расхождения судна со встречными судами и препятствиями. Результаты могут быть использованы при разработке систем управления судами, которые только проектируются либо проходят переоборудование в нашей стране. Предложенные методы синтеза робастного адаптивного авторулевого реализуемы в современной микропроцессорной аппаратной среде.

Тема связана с НИР и ОКР, проводимых на кафедрах «Технические средства судовождения»  и «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского (ранее ДВВИМУ, ДВГМА) в соответствии с общесоюзной программой «Океан», планом НИР ММФ на 1981–1995 гг., федеральными целевыми программами «Мировой океан» (1998–2012 гг.) и «Модернизация транспортной системы России» (2002–2010 гг.), планами НИР вуза в рамках тем «Датчики навигационной информации для судового измерительного комплекса», «Повышение эффективности технических средств навигации и разработка методов их комплексного использования».

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедрах «Автоматика и вычислительная техника», «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского (ДВВИМУ, ДВГМА).

Выводы и рекомендации, полученные при разработке диссертации, были внедрены в филиал ЦНИВТ (г. Владивосток) при разработке управляющих систем, в конструкторском бюро «ДАЛЬНЕЕ» лаборатории подводных аппаратов Института автоматики и процессов управления ДВО АН СССР (ныне Институт проблем морских технологий ДВО РАН) при разработке системы управления необитаемого автономного подводного аппарата, в ФГОУ ВПО МГУ им. адм. Г. И. Невельского в процессе обучения курсантов и студентов (лекции, курсовое и дипломное проектирование).

Апробация результатов работы. Основные теоретические положения подтверждены экспериментально при испытании макетных образцов адаптивного авторулевого на стендах, в морских условиях на исследовательских судах и автономном необитаемом подводном аппарате, имитационном моделировании системы автоматического управления курсом судна. При разработке макетов и программ для ЭВМ использованы результаты теоретических исследований, изложенные в диссертационной работе.

Материалы работы были доложены и одобрены на ежегодных научно-технических конференциях (НТК) ДВВИМУ (ДВГМА, МГУ) им. адм. Г. И. Невельского (1985–2007 гг.), на 5-й всесоюзной НТК «Технические средства изучения и освоения океана» в г. Ленинграде (1985 г.), на всесоюзных (всероссийских) межвузовских НТК в ТОВВМУ (ТОВМИ) им. С. О. Макарова, г. Владивосток (1988–2002 гг.), X юбилейной международной научно-практической конференции «Современные техника и технологии СТТ'2004» (Томск, 2004 г.), Всероссийской выставке научно-технического творчества (Москва, ВВЦ, 2004, 2005гг.), конкурсе научно-исследовательских работ «Наука – процветанию морской отрасли» (Владивосток, ДВМП, 2005 г.), научно-практической конференции «Молодежь и научно-технический прогресс» (Владивосток, ДВГТУ, 2006 г.), международной НТК «Наука – морскому образованию на рубеже веков» (2000 г.) в г. Владивостоке, пятой и шестой международных научно-практических конференциях «Проблемы транспорта Дальнего Востока» (2003 г. и 2005 г.),  международной научной конференции «Безопасность на море. Научно-технические проблемы и человеческий фактор» (Владивосток, МГУ, 2002 , 2006, 2007 гг.), , международной выставке морского оборудования «Кормарин-2005» (Республика Корея, Пусан, 2005 г.).

Авторулевой установлен на головном судне «Ураганный», строящейся серии судов РС-450, успешно прошел швартовые, ходовые и морские испытания, утвержден Российским Регистром морского судоходства.

Публикации. По результатам исследований опубликованы две монографии и 28 работ, в том числе восемь без соавторства, получено два патента на изобретения в соавторстве и одно свидетельство об официальной регистрации программ для ЭВМ (общий объем опубликованных работ – 21,72 п. л., личное участие – 14,43 п. л.).

Структура и объем диссертации. Диссертация представлена на 244 листах машинописного текста и состоит из введения, шести глав, заключения, списка использованных источников и трёх приложений. Работа содержит 54 рисунка, 15 таблиц и список использованных источников из 229 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении кратко рассмотрены задачи и роль систем автоматического управления курсом судна в комплексе с другими техническими средствами навигации в решении поставленных задач. Обоснована актуальность и сформулирована цель работы, дано краткое изложение результатов работы.

В первой главе проведен анализ существующих систем автоматического управления курсом судна: неадаптивных и адаптивных трех типов. Первый тип – с частичной автоматической настройкой параметров, использую­щих различные косвенные критерии оценки качества работы системы. Авторулевые второго типа осуществляют автоматическую адаптацию системы с использованием эталонной математической модели объекта или всей системы управления в целом. Существенной особенно­стью этих систем является необходимость наличия корректной математической модели судна. К третьему типу адаптивных авторулевых следует отнести самонастраивающиеся системы, определяющие оптимальные значения параметров настройки непосредственно по заданному, математически обоснованному, критерию качества. Показаны недостатки работы систем. Также в первой главе проведен анализ используемых методов адаптации САУ применительно к построению систем автоматического управления курсом судна. Проведена классификация систем с учетом специфики их конструктивно-аппаратного исполнения  и возможности их применения.

В первой главе приводятся особенности математического описания САУ курсом судна, представляющей собой сложную управляемую техническую систему с переменными параметрами и функционирующую в изменяющихся условиях внешней среды. В настоящее время существует ряд математических моделей движения судна, представленных в литературе (Соболев Г.В., Федяевский К.К., Васильев А.В., Белоглазов В.И., Войткунский Я.И., Павленко В.Г., Гофман А.Д., Тумашик А.П., Лукомский Ю.А., Скороходов Д.А., Юдин Ю.И.). Общей особенностью большинства существующих моделей движения судна является то, что они получены на основании  натурных экспериментов с физическими макетами корпусов этих судов, после чего характерные геометрические размеры, скорости, глубины и измеряемые силы пересчитываются с учетом масштабных коэффициентов, что, в свою очередь, является источником дополнительных погрешностей. Математические модели следует классифицировать следующим образом:

– по возможности распространения на множество объектов моделирования (модели для одной системы или для некоторого класса систем);

– по возможности применения и типам решаемых задач (универсальные модели или специальные модели, используемые только для ограниченного круга задач, отражающие определенный режим функционирования системы);

– по виду математических уравнений (линейные, частично линеаризованные, нелинейные).

Следует отметить, что чисто линейных математических моделей по всем компонентам воздействий не существует. В большинстве случаев изменением осадки, углов крена, дифферента в процессе моделирования пренебрегают и рассматривают только плоскопараллельное движение судна в горизонтальной плоскости. В качестве управляющего сигнала рассматривают угол перекладки руля, частоту вращения и шаговое отношение винта. Линейная модель сильнее всего искажает поведение судна и приемлемо работает только при небольших углах дрейфа и закладок пера руля.

Частично линеаризованная модель предполагает некоторую кусочнолинейную  аппроксимацию для боковых сил, действующих на корпус судна на циркуляции и при небольших глубинах. Модель не может адекватно отражать циркуляцию судна одновременно с разгоном и торможением, дает большие ошибки при сильном попутном ветре, если надстройка смещена в корму или нос судна, при маневрировании на малых ходах или, когда возмущения линейной скорости (ветер, волнение) становятся соизмеримы с собственной скоростью судна.

Нелинейные модели прогнозирования движения судна с учетом возможных маневров судна с произвольными углами дрейфа являются наиболее предпочтительными, однако построение универсальных моделей для любых классов судов весьма затруднительно из-за  недостаточного объема исследований. Поэтому, в случае необходимости, предпочитают взять за основу ту или иную частично линеаризованную модель, используя полную неупрощенную систему дифференциальных уравнений, и дополнив ее поправочными коэффициентами для конкретного исследуемого судна.

В первой главе представлено математическое обоснование модели судна, используемой для исследований.  Все исследования проведены в три этапа:

– компьютерное моделирование;

– исследования, проведенные на специальном стенде, имитирующем рулевую машину и судно при различных внешних воздействиях;

– натурные исследования на реальных судах.

При компьютерном моделировании в качестве модели судна используется частично линеаризованная модель Номото, имеющая вид:

,

где 2r' = r'31 + q'21; q' = r'31q'21 - r'21q'31; s' = q'31s′21 - q'21s′31 , q′21, r′21, s′21, q′31, r′31, s′31, – гидродинамические коэффициенты корпуса судна и руля после приведения системы к размерной форме, нелинейная функция f() определяется непосредственно по диаграмме управляемости судна - по его статической характеристике. В операторной форме

       ,                                        (1)

где ; ; ; ; .

По результатам проведенных теоретических исследований сделаны выводы, в которых сформулированы научные задачи, требующие решения.

Вторая глава посвящена постановки задачи синтеза нейросетевого авторулевого. Рассмотрены общая постановка задачи. Проведен анализ возможности использования нейронных сетей, их архитектур, различных функций активации, правил обучения. Рассмотрена постановка задачи создания классификатора.

В третьей главе  рассмотрена общая постановка задачи разработки системы автоматического управления курсом судна, обеспечивающей принцип робастности  к внешним воздействиям и технологическому отклонению значений внутренних параметров. Математические модели, используемые для вычисления выходного вектора системы, имеют большую размерность, обладают большой трудоемкостью при вычислениях и оптимизации проекта, поэтому возникает необходимость использования методов, инвариантных к размерности математической модели. Структурная схема системы представлена на рисунке 1.

Рисунок 1 – Структурная схема САУ курсом судна. Р – регулятор, ОУ– объект управления, БО – блок оптимизации, МОУ – модель объекта управления, БИ – блок идентификации, х –заданное значение курса, у – действительное значение курса, уm – значение курса модели, – управляющее воздействие (закладка пера руля), f – внешнее воздействие, е1 – ошибка управления, е2– ошибка идентификации

Отличительной особенностью поставленной задачи является еще и то, что при выборе оптимального проекта необходимо определять не оптимальную точку в пространстве параметров системы, а оптимальное расположение некоторой области значений, определяемой классами точности параметров системы и их изменениями вследствие эксплуатации. Показатели качества функционирования системы, как правило, формулируются в виде функций некоторых обобщенных параметров. Эти параметры представлены в виде трех множеств:

  1. множество управляемых параметров – т. е. тех, значения которых являются для данного объекта наблюдаемыми и управляемыми. Под номинальным значением параметра Xoi понимается математическое ожидание  распределения случайной величины  p(Xi; Xoi, σxi); σxi – отклонение значений, вызванное точностью настройки;
  2. множество неуправляемых параметров – известное множество существующих вне технической системы параметров любой природы, оказывающих влияние на объект. Таким множеством может быть совокупность требуемых диапазонов возможных значений внешних факторов, например, силы ветра, направления ветра, периода и высоты волн. Номинальные условия эксплуатации и возможный диапазон отклонения внешних воздействий так же, как и для первых двух множеств, будем определять через математическое ожидание распределения и среднеквадратичное отклонение σzi.;
  3. множество коэффициентов выбранных моделей изменения параметров элементов системы. Это множество определяется физическими характеристиками влияния внешних факторов. В настоящее время такие модели в работах принято выражать в виде полиномов первого – третьего порядка. В общем виде модель представляется полиномом

        (2)

где n1 – размерность вектора номинальных значений первого множества, – размерность вектора внешних факторов, r – порядок полинома модели изменения параметра от каждого внешнего фактора, n2 – размерность вектора коэффициентов модели, .        

Коэффициенты модели дрейфа параметров также имеют разброс, обусловленный неоднородностью факторов среды эксплуатации системы. Значение величины отождествляется с математическим ожиданием распределения .

       Таким образом, модель объекта проектирования представляется в виде зависимости от множества величин, описывающих процесс функционирования объекта, образующих в общем случае отдельные множества:

        – вектор номинальных значений параметров элементов размерности n1;

– вектор коэффициентов моделей отклонения значений параметров размерности n2;

– вектор внешних воздействий размерности n3.

Обозначим обобщенным параметром , , который является совокупностью номинальных значений параметров, коэффициентов изменения этих параметров и внешних воздействий.

       Таким образом, объектом исследования в работе является математическая модель системы управления курсом судна заданной структуры и со случайными параметрами, функционирование которой оценивается известными показателями качества (действительный курс судна, производная от действительного курса судна, нагрузка рулевой машины и т.д.)

.                       (3)

Условия работоспособности системы определяются одно- или двухсторонними ограничениями на эти показатели качества – векторами ограничений на выходные координаты системы

  .  (4)

Определение вероятности обеспечения заданного качества работы системы в общем случае сводится к вычислению m-кратного интеграла в пределах области интегрирования, определяемой ограничениями на выходные координаты объекта.

                              (5)

где  …, fy(Y1,…,Ym) – m-мерная плотность совместного распределения  вероятностей случайных величин – выходных координат.

В принципе, задача статистического анализа системы может быть решена, если известны методы нахождения вида функции f(Y1,…,Ym) в аналитической форме при известных законах плотностей распределения параметров hi. Однако задача нахождения f(Y1,…,Ym) практически неразрешима при нелинейных математических моделях систем управления курсом судна.

Для  решения задачи  представим общую постановку как определение значений вектора параметров, при котором выполнялись бы все ограничения на показатели качества, т.е. удовлетворения вероятности нахождения обобщенного вектора h в области допустимых значений D,

(6)

где , – ограничения на область допустимых значений показателей качества из (3) и (4), выраженные в виде одностороннего ограничения. Такая оценка является функцией интересующих параметров . С учетом технологического разброса значений вектора параметров – это можно представить как некоторое движение ортогонального параллелепипеда  в области D , образующего неортогональну фигуру В (рисунок 2).

Рисунок 2 – Возможные тренды дрейфа управляемых параметров в области работоспособности D(фигуры B1 и B2)

  Если задача ставится  таким образом, что известен диапазон внешних воздействий и необходимо определить оптимальное значение настраиваемых параметров, то это означает вписывание такого начального параллелепипеда, последующее движение которого по некоторой траектории не вызывает его выхода из области D для заданного диапазона внешних воздействий.

Таким образом, наилучшее построение неортогональной фигуры можно считать задачей оптимизации обеспечения заданного качества эксплуатации системы с учетом внешних воздействий.

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

       

Рисунок 3 – Аппроксимация области работоспособности D в пространстве RN

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

,  (7)

то вычисление интеграла

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

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

В четвертой главе рассматриваются математические постановки задач отдельных взаимосвязанных этапов:

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

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

Задача идентификации ставится следующим образом:

на основании экспериментальных данных

  , (8)

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

  (9)

где   для всех

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

найти

                        при    или

,                                         (10)

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

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

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

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

,        (11)

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

Найти где   (12)

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

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

Рисунок 4 – Построение экстремалей на множестве допустимых

значений для пространств   и

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

(13)

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

Целевая функция может быть представлена в виде

.                               (14)

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

,                         (15)

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

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

.               (16)

В качестве целевой функции для задачи аппроксимации области выбираем функцию

                (17)

где 

.

Добиваясь минимума этой функции, находим  максимальный объем вложенного ортогонального параллелепипеда

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

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

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

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

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

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

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

1.1.Формирование исходных векторов данных.

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

1.2. Идентификация исходных векторов данных.

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

1.2.1. Физические принципы идентификации исходных векторов данных.

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

1.3. Создание рабочих массивов данных.

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

2. Режим обучения.

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

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

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

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

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

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

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

и по возмущению:

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

.  (18)

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

.  (19)

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.

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).

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%).

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

  1. Глушков, С.В. Метод расчета параметров системы управления курсом судна с учетом внешних воздействий [Текст] / С.В. Глушков //Сб. статей: Моделирование и управление. Владивосток: ДВГТУ, 1986.– С. 134 – 139. (0,33 п.л.).
  2. Глушков, С.В. Расчет параметров динамических систем управления [Текст] / С.В. Глушков, В.С. Перечесов // Материалы международной научной конференции творческой молодежи: Безопасность на море. Научно-технические проблемы и человеческий фактор. Владивосток:  МГУ им.адм. Г.И. Невельского, 2002. – С. 72 – 75. (0,25/0,2 п.л.).
  3. Глушков, С.В. Метод параметрической адаптации технических систем [Текст] / С.В.Глушков // Материалы XI Всероссийского семинара: Нейроинформатика и ее приложения. Красноярск: ИВН СО РАН, 2003. – С. 42–44. (0,2 п.л.).
  4. Глушков, С.В. Алгоритмы работы самонастраивающейся системы управления курсом судна [Текст] / С.В. Глушков, В.С. Перечесов // Материалы X Юбилейной международная научно-практическая конференции студентов, аспирантов и молодых ученых: Современные техника и технологии. Томск: ТПУ, 2004. – С. 116 – 117. (0,12/0,06 п.л.).
  5. Глушков, С.В. Алгоритм автоматической настройки параметров регулятора авторулевого [Текст] / С.В. Глушков, В.С. Перечесов, В.А. Седов // Материалы региональной научно-технической конференции: Молодежь и научно-технический прогресс. Владивосток: ДВГТУ, 2006. – С. 146 – 147. (0,12/0,06 п.л.).
  6. Глушков, С.В. Задача распознавания объектов с использованием нейросетевых технологий [Текст]/ С.В. Глушков, Е.Г. Чемодакова, Н.Н. Жеретинцева // Сб. докл. IX межд. очно-заочную научно-практическую конф: Интеллектуальный потенциал вузов – на развитие Дальневосточного региона России и стран АТР. Владивосток: ВГУЭС. 2006. – С. 6-7. (0,12/0,06 п.л.).
  7. Глушков, С.В. Нечеткий регулятор в задаче управления морским подвижным объектом [Текст]/ В.И. Богданов, Я.Л. Виткалов, С.В. Глушков // Вестн. Морского государственного университета. Сер. Судовождение. – Владивосток, МГУ им. адм. Г.И. Невельского,–2006. Вып. 2. – С. 112 - 119. (0,6/0,3 п.л.).
  8. Глушков, С.В. Использование нейросетевых технологий при идентификации технического состояния судовых систем [Текст]/ С.В. Глушков, И.А. Жеретинцев // Сб. докл. Научно-техническое и экономическое сотрудничество стран АТР в XXI веке: труды Пятой Международной научной конференции творческой молодежи. Хабаровск: ДВГУПС. 2007. Т. 4. – С. 80–84. (0,33/0,20 п.л.).
  9. Глушков, С.В. Алгоритмы обучения нейронной сети для задачи распознавания объектов при расхождении судов технологий [Текст]/ С.В. Глушков, Е.Г. Чемодакова, И.А. Жеретинцев // Сб. докл.. Всероссийская научно техническая конференция: Информационные системы и  модели в научных исследованиях, промышленности и экологии. Тула: ТулГУ, 2007. – С. 6-7. (0,10/0,05 п.л.).
  10. Глушков, С.В. Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст]/ С.В. Глушков, Е.Г. Чемодакова, И.А. Жеретинцев // Сб. докл. Всероссийская научно техническая конференция: Информационные системы и  модели в научных исследованиях, промышленности и экологии. Тула: ТулГУ, 2007. – С. 8-9. (0,10/0,06 п.л.).
  11. Глушков, С.В. Метод построения области работоспособности в решении задачи технической диагностики системы [Текст] / С.В. Глушков, Е.Г. Чемодакова, И.А. Жеретинцев // Мат. конф. Научно-техническая конференция «Технические проблемы освоения Мирового океана», материалы конференции. Владивосток: ДВО РАН, 2007.– С. 200–205. (0,33/0,20 п.л.).
  12. Глушков, С.В. Решение задач распознавания объектов [Текст] / С.В. Глушков, Е.Г. Чемодакова, И.А. Жеретинцев // Мат. конф. Научно-техническая конференция «Технические проблемы освоения Мирового океана», материалы конференции. Владивосток: ДВО РАН, 2007. – С. 205–209. (0,33/0,20 п.л.).
  13. Глушков, С.В. Использование нейронной сети для распознавания объектов при судовождении [Текст] / С.В.Глушков, Н.Н. Жеретинцева, Ю.В. Шемчук // Материалы XV Всероссийского семинара: Нейроинформатика и ее приложения. Красноярск: ИВН СО РАН, 2007. – С. 28-30. (0,15/0,10 п.л.).
  14. Глушков, С.В. Метод  идентификации морских объектов [Текст] / С.В.Глушков, Н.Н. Жеретинцева, Ю.В. Шемчук // Сб. докл. научно-практической конф: Безопасность судоходства в дальневосточном бассейне. Владивосток: МГУ им. адм. Г.И. Невельского, 2007.– С. 221-228. (0,50/0,25 п.л.).
  15. Глушков, С.В. Решение задачи идентификации морских объектов [Текст] / С.В.Глушков, Н.Н. Жеретинцева, Ю.В. Шемчук // Сб. докл. научно-практической конф: Безопасность судоходства в дальневосточном бассейне. Владивосток: МГУ им. адм. Г.И. Невельского, 2007.– С. 228-239. (0,52/0,33 п.л.).

  Патенты и свидетельства об официальной регистрации программ ЭВМ

  1. Заявка патент 2004126822/28 Российская Федерация, МПК G05D 1/00. Способ автоматического управления курсом судна и система авторулевого для реализации способа [Текст] / Авторы и заявители С.В. Глушков, А.В. Артемьев, В.С. Перечесов; заявл. 31.08.2004; опубл. 27.02.2006, Бюл. №6. – 2с.
  2. Свидетельство об офиц. регистр. программ для ЭВМ, №2007612767, Программа реализации нейронной сети типа Когнитрон «NeuroMashine [Текст] / Авторы и заявители С.В. Глушков, В.Я. Домбрич, опубл. 28.06.2007
  3. Заявка патент № 2007144406/28(048654). Нейросетевой регулятор для управления курсом судна. [Текст]/ С.В. Глушков, Н.А. Седова, зарег.  29.11.07, опубл. 28.03.2008.

Характеристика опубликованных работ:

Две монографии объемом 11 п.л. (одна без соавторов), два патента в соавторстве, одно свидетельство на регистрацию программ для ЭВМ в соавторстве, десять статей в изданиях, рекомендованных ВАК РФ для докторских диссертаций (в том числе четыре без соавторов).

Работы [1, 4, 9, 10, 11, 13] выполнены автором лично.

В работах выполненных в соавторстве, личным вкладом автора являются:

–  в [2, 3] автор участвовал в постановке задач, разработке алгоритмов, моделировании системы управления курсом судна;

    • в [6–8, 11, 12] автор участвовал в постановке задач, получении аналитических выражений;
    • в [4, 14, 26, 28, 29, 30] автор участвовал в постановке задач, разработке алгоритмов, структурных и принципиальных электрических схем, макетировании устройств, стендовых и натурных испытаниях
    • в  [15, 17–25, 27] автор участвовал в постановке задач, разработке структурных схем имитационных моделей и их моделировании, выполнял численные исследования;

Глушков Сергей Витальевич

МЕТОДы повышения безопасности

плавания и качества систем управления

судном  на основе нейросетевых технологий.

Автореферат

диссертации на соискание ученой степени

доктора технических наук

Усл. изд. л. 2,0; уч.-изд. л. 2,0                                        Формат 60 × 841/16

Тираж 100 экз.                                                        Заказ № 500        

                       

Отпечатано в типографии ИПК МГУ им. адм. Г. И. Невельского

690059, г. Владивосток, ул. Верхнепортовая, 50а







© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

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.