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

Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна

На правах рукописи

Виткалов Ярослав Леонидович ИССЛЕДОВАНИЕ ПРОБЛЕМ СИНТЕЗА НЕЙРОСЕТЕВОГО КОНТРОЛЛЕРА В ЗАДАЧЕ УПРАВЛЕНИЯ КУРСОМ СУДНА 05.22.19 – Эксплуатация водного транспорта, судовождение.

Автореферат диссертации на соискание ученой степени кандидата технических наук

Владивосток - 2006 2

Работа выполнена в Федеральном государственном образовательном учреждении высшего профессионального образования «Морской государственный универси тет имени адмирала Г.И. Невельского».

Научный консультант: кандидат технических наук, доцент Глушков Сергей Витальевич.

Официальные оппоненты: доктор технических наук, доцент Лентарев Александр Андреевич кандидат технических наук, профессор Голобоков Сергей Анатольевич

Ведущая организация: Институт автоматики и процессов управления дальневосточного отделения Российской Академии наук

Защита состоится « 19 » июля 2006 года в 14.00 часов на заседании диссертационного совета Д 223.005.01 при Морском государственном университете имени адмирала Г. И. Невельского по адресу: 690059, г.

Владивосток, ул. Верхнепортовая, 50 а, ауд.241, факс (4232) 41-49-68.

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

Автореферат разослан « 16 » июня 2006 года

Ученый секретарь диссертационного совета А.Г. Резник

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время практически все промышленно раз витые страны интенсивно работают по созданию новых, более эффективных сис тем автоматического управления движением судна, обладающих повышенной эксплуатационной надежностью. Объясняется это в первую очередь необходимос тью безопасности мореплавания в условиях интенсивного судоходства, резким ростом цен на топливо для судовых силовых установок, а также усиление эколо гических аспектов эксплуатации морского флота, строительством крупнотоннаж ных и скоростных судов, автоматическое управление которыми при использова нии обычных авторулевых не обеспечивается или обеспечивается неудовлетво рительно.

Как показывает практика внедрения и эксплуатации различных автома тизированных систем, они являются наиболее эффективным средством повыше ния тактико-эксплуатационных характеристик судов и условий труда плавсостава.

Автоматизация процессов и операций на судах приводит к уменьшению потерь ходового времени, снижению себестоимости перевозок, сокращения численности экипажей, повышению надежности оборудования, снижению аварийности.

Вместе с тем современный флот оснащается системами, построенных на старой элементной базе с использованием традиционных принципов управления (ПИД регулирование) требующих перенастройки коэффициентов при изменении параметров системы. В тоже время, применение нейросетевых технологий управления, то есть управления с использованием искусственных нейронных сетей, успешно зарекомендовавших себя в других областях автоматического управления сложными, плохо формализованными объектами может решить эту задачу. Если в традиционной системе управления реализуется конкретный вычис лительный алгоритм, то в нейросетевых системах, одна и та же обученная сеть может реализовать множество алгоритмов в реальном масштабе времени.

Целью работы является разработка адаптивного контроллера для системы автоматического управления курсом судна, на основе синергетических подходов нейросетевых технологий, который мог бы адекватно учитывать изменения гидродинамических характеристик судна как объекта управления и условий плавания.

Объектом исследования являлась система управления курсом крупнотон нажного судна, типа контейнеровоз, математическая модель которого была взята за основу при исследовании качества рассматриваемых контролеров.

Для достижения указанной цели определены задачи исследования:

1. Изучить возможности новой синергетической науки и ее связь с проблемами повышения качества судовождения, а также раскрыть актуальность применения нейронного метода управления для судна как сложного нелинейного объекта.

2. Изучить проблемы самонастройки регуляторов авторулевых и проанали зировать существующие адаптивные схемы управления курсом судна.

3. Провести анализ методов нейронного управления, дать характеристику основным методам обучения нейронных сетей, описать основные стадии синтеза нейросетевого контроллера для управления курсом судна.

4. На основе полученных опытных данных предложить новый метод авто матического управления курсом судна, в основе которого лежат синергетичес кие принципы управления.

5. Разработать программное обеспечение для адаптивного контроллера кур сом судна, реализуемое на базе гибкой программируемой логики.

Основные результаты и положения, выносимые на защиту:

1. Методика аналитического и технического синтеза управляющего устро йства курсом судна, построенного на базе искусственных нейронных сетей.

2. Метод технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств.

3. Метод расчета эффективности предложенного нейронного регулятора управления курсом судна.

4. Алгоритм и программное обеспечение адаптивного контроллера системы автоматического управления курсом судна.





Методы исследования. Методы системного анализа, методы линейного и нелинейного программирования, методы нейронного управления, методы математического моделирования, положения теории автоматического управления и теории регулирования.

Научная новизна. Впервые осуществлена попытка применить ныне популярные идеи синергетики для повышения качества управления судном на курсе. В процессе научной работы предложен новый метод автоматического управления судном, который отличается от традиционных подходов совершенно иной концепцией управления, лежащей в его основе. Кроме того, методами математического моделирования определена и оценена эффективность предло женного метода нейронного управления, осуществлен комплексный анализ его работоспособности в сравнении с другими применяемыми в этой области методами управления. До настоящего времени, рассматриваемая в диссерта ционной работе задача, технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств типа PLIS, не являлась предметом исследования.

Достоверность результатов проведенных исследований обеспечивается использованием современных методик планирования эксперимента, корректным использованием принципов построения модели САУКС и нейронных сетей, а также удовлетворительным качественным и количественным совпадением результатов экспериментов и данных, полученных при математическом моделировании.

Практическая ценность работы. Практическая значимость полученных результатов заключается в том, что результаты могут быть использованы при разработке систем управления судов, которые только проектируются либо проходят переоборудование. Предложенный подход реализуем на создаваемых в настоящее время современных аппаратных средствах, в том числе на базе гибких программируемых логических устройств типа PLIS, и может быть использован либо как дополнение к существующим регуляторам систем управления курсом, либо как принципиально новый контроллер, приходящий на смену ПИД регуляторам в судовых системах управления курсом судна.

Апробация результатов работы. Основные результаты работы доклады вались на: пятой международной научно-практической конференции «Матема тическое моделирование физических, экономических, технических, социальных систем и процессов» Ульяновск, УГУ, 2003 г., сорок шестой всероссийской межвузовской научно-практической конференции «Проблемы и методы разработ ки и эксплуатации вооружения и военной техники ВМФ». Владивосток, ТОВМИ, 2003 г., шестой международной научно – практической конференции «Проблемы транспорта Дальнего Востока» FEBRAT – 05. Владивосток, МГУ, 2005 г.

Личный вклад автора. Разработана методика аналитического и техническо го синтеза устройства управления применительно к управлению курсом судна, построенного на базе искусственных нейронных сетей, а также программного ядра и его техническая реализация на базе программируемых логических устройств типа PLIS.

Публикации. Список публикаций по материалам диссертации включает одиннадцать работ (материалы научно-практических конференций, публикации в сборниках научных работ и монография).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Основное содержание работы

изложено на страницах машинописного текста и включает 63 рисунка и 4 таблицы. Список литературы содержит 115 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности проблемы оптимизации ка чества управления судном на курсе, поиска эффективных решений на основе достижений новой интегральной науки синергетики для решения этой задачи, а также обоснование необходимости разработки нового адаптивного контроллера, который мог бы адекватно учитывать особенности судна как объекта управления.

В первой главе рассматриваются общие вопросы новой синергетической науки и их связь с проблемами повышения качества судовождения. Описывается актуальность применения нейронного метода управления именно для судна как сложного нелинейного объекта.

Для применения идей синергетики в теории управления необходимо выдер жать концептуальное соответствие основным свойствам самоорганизации:

нелинейность - открытость - когерентность. Из них первостепенным в концептуальном плане для задач управления является открытость систем.

В исходной постановке стандартной задачи управления система описывается дифференциальными уравнениями объекта: x(t ) = F ( x, u, q, M ), в состав которых & входят координаты состояния х(t), а также некоторые внешние силы, состоящие из искомых управлений u(t), задающих q(t) и возмущающих (внешних и параметрических) М(t) воздействий. С целью перехода от схемы «объект – внеш ние силы» к формированию уравнений самоорганизации необходимо эти силы соответствующим образом исключить. Для этого следует расширить исходные уравнения системы «объект - внешние силы», таким образом, чтобы включенные в уравнения системы внешние силы оказались для нее внутренними. Тогда для новой, расширенной, системы ее уравнения могут стать уравнениями самоорга низации, т.е. в результате указанного расширения можно перейти от организации системы к ее самоорганизации.

Одним из направлений развития синергетического управления сложными не линейными объектами является интеллектуальное управление, частным случаем которого является управление с использованием искусственных нейронных сетей.

Данное направление полностью совпадает с общей концептуальной базой синергетики.

Наиболее новым и перспективным классом интеллектуальных систем управ ления, появившемся на стыке 80х и 90х годов, являются искусственные нейрон ные сети, представляющие собой нейроподобные структуры, способные к обуче нию в реальном времени в условиях минимальной априорной информации об объекте управления.

При решении задач нейроуправления вместо классического автоматического регулятора в общем случае будет находиться нейроконтроллер, вырабатываю щий сигналы управления на сервоприводы. При этом на вход нейроконтроллера подается вектор X - набор контролируемых параметров управляемого объекта, а на выходе получаем вектор Y - код, определяющий управляющее воздействие, соответствующее текущим значениям контролируемых параметров. При этом так же представляется возможность реализовывать концепцию ПИД-регулятора с автоматической подстройкой параметров (самонастраивающегося ПИД-регуля тора): в этом случае нейронная сеть выступает в роле «эксперта», анализирует реальные значения выходных параметров Х, а также действующих возмущений F, рассчитывает оптимальные значения параметров ПИД-регулятора, с выхода кото рого получаем требуемое корректирующее воздействие на динамический объект.

Условия внешней среды, в которых приходится решать задачи судовожде ния, весьма разнообразны: штормовые условия, ограниченная видимость, ледо вая обстановка, мелководье, приливные явления, стесненные условия, наличие других судов и т.д. Как видим, задача управления судном связана с учетом боль шого числа факторов, что в общем случае является очень сложной задачей, кото рая на данный момент не может быть надежно решена с помощью средств авто матики без участия человека-оператора. В этой связи качество управления во многом зависит от компетенции и навыков судоводителей. Разрабатываемые в диссертационной работе синергетические нейросетевые регуляторы как раз и «претендуют» на роль экспертных судоводителей.

В общем случае судно в рассматриваемой системе можно представить как объект (рис. 1), на который поступает управляющее воздействие (угол перекладки руля, задаваемый рулевой машиной) u, а на выходе получаем значение курса Х.

При этом на судно действует вектор возмущающих воздействий f = (f1, f2… fn), таких как ветер, волна, течения и т.д., а в самом судне обязательно присутствуют внутренние параметрические возмущения, обусловленные, как уже было сказа но, размерами и формой корпуса, загрузкой судна, характеристиками рулевой машины, руля и т.д.

В общем виде характеристика изменения курса судна Х является некой слож ной функцией многих переменных: X = F [y1, y2, …yn], где вектор переменных y включает в себя управляющие воздействия рулевой машины, внешние возму щения и параметрические возмущения и неопределенности внутри самого судна.

Как следует из выше сказанного, судно является сложным, многомерным, многосвязным, существенно нелинейным динамическим объектом с перемен ными параметрами, для управления которым целесообразным представляется применение синергетического подхода.

Рис. 1. Судно как управляемый объект Во второй главе рассматриваются проблемы самонастройки регуляторов авторулевых, описанию математических моделей судна, анализу существующих адаптивных схем управления.

Несмотря на различные схемные реализации и элементную базу, практичес ки все применяемые в настоящее время на судах отечественные и зарубежные авто рулевые относятся к классу ПИД- или ПД- регуляторов. Их применение в силу ис пользования обратной связи не требует знания точной модели, поэтому они эффе ктивны в управлении сложными динамическими объектами и промышленными процессами, математические модели которых достаточно сложно определить.

ПИД- контроллеры строятся на основе классической теории управления и просты для понимания. Установление связей между параметрами и управление действия ми системы могут осуществляться инженерами-практиками и операторами.

Традиционная САУ курсом судна может быть представлена следующим образом (рис. 2).

Рис. 2. Традиционная САУ курсом судна Однако классические авторулевые, работающие на принципе отклонения выходной величины, реализованные на ПИД-регуляторах, имеют в большей или меньшей степени следующие основные недостатки:

– низкую помехозащищенность при работе в условиях волнения на море;

– низкую чувствительность в тихую погоду, поскольку дифференциальная сос тавляющая сигнала управления, пропорциональная скорости поворота судна, вы рабатывается путем дифференцирования угла отклонения, поступающего от гирокомпаса;

– низкую эффективность ручной настройки параметров, не обеспечивающую оптимальный режим работы системы как при автоматической стабилизации судна на курсе, так и при маневрировании.

Эффективность работы системы автоматического управления движением суд на по курсу находится в прямой зависимости от того, насколько установленные значения регулируемых параметров настройки авторулевого близки к оптималь ным для данных условий плавания судна. При этом под оптимальной понимают такую настройку параметров авторулевого, при которой обеспечивается макси мальная эксплуатационная скорость движения судна при минимальных потерях полезной мощности судовой силовой установки на управление. В этой связи, остро встает проблема правильной (оптимальной и универсальной) настройки параметров регулятора авторулевого, что далеко не всегда возможно из-за изме нения районов плавания и сезонных аномалий.

Для оценки качества работы разрабатываемых синергетических контролле ров, проводится математическое моделирование рассматриваемой САУ курсом судна. Для упрощения математического аппарата, будем используется ряд обще принятых упрощений, которые, вообще говоря, не влияют на настройку контроллера.

Практически все существующие системы автоматического управления движе нием судна по курсу, независимо от схемы и конструкции отдельных звеньев, работают по принципу отклонения, т. е. в авторулевом непрерывно сравнива ется фактическое и заданное значения курса и вырабатывается сигнал управ ления. Под действием этого сигнала рулевая машина перекладывает руль и возвра щает судно на заданный курс. Сигнал внутренней отрицательной обратной связи останавливает перекладку руля, а затем возвращает руль в диаметральную плос кость. Сигнал, пропорциональный скорости поворота судна, повышает чувстви тельность авторулевого при отклонении судна от заданного курса и обеспечи вает одерживание при возвращении на заданный курс.

Вводимые Курсовой данные угол Система управления Рис. 3. Традиционная структурная схема САУ курсом судна Традиционная структурная схема САУ курсом судна (рис. 3) имеет сле дующие особенности:

Первая особенность САУ курсом судна обуславливается большой инерцион ностью судна как объекта регулирования и изменением его гидродинамических параметров при изменении скорости хода и загрузки. Это ограничивает возмож ность выбора структуры системы и типа корректирующих устройств.

Для сохранения одинаковых показателей качества работы системы автомати ческого управления (например, одной и той же ошибки) при разных режимах ра боты судна (разных скоростях, загрузке, глубине под килем и т.д.) необходимо в эту систему вводить дополнительные корректирующие устройства и/или менять настройку параметров регулятора авторулевого в процессе эксплуатации. Таким образом, при исследовании и расчете САУ курсом судна следует знать численные значения гидродинамических параметров и пределы их изменений в зависимости от режима работы судна. Большая инерционность судов приводит также к затруд нению экспериментального исследования макетов систем в процессе их создания.

Вторая особенность САУ курсом заключается в том, что они имеют внутрен ние жесткие обратные связи, т. е. включают в себя самостоятельную следящую систему управления рулем.

Следящие системы управления рулем обладают малыми скоростями отработ ки (2-3°/с), сложной нелинейной зависимостью момента сопротивления на испол нительном устройстве от угла перекладки руля, неравенством углов заводки и отработки системы из-за того, что коэффициент обратной связи системы, как правило, меньше единицы. Эти особенности следящих систем управления рулем приводят к необходимости разработки специальной методики их исследования и расчета.

Третьей особенностью систем автоматического управления движением судна по курсу является многорежимность работы. Они могут работать при случайных внешних управляющем и возмущающем воздействиях, приложенных к разным звеньям системы.

При построении математического описания движение судна рассматривается только в горизонтальной плоскости подвижной системы координат с началом отс чета в центре тяжести судна. Скорость судна считается постоянной, а ее измене ниями из-за непостоянства частоты вращения гребного винта и других факторов пренебрегают. Выбор такой системы координат в большинстве случаев отвечает поставленным задачам и позволяет считать коэффициенты присоединенных масс жидкости, увлекаемой движущимся судном, постоянными.

Система нелинейных дифференциальных уравнений, связывающая угловые параметры движения судна в подвижной системе координат, при отсутствии внешних возмущений имеет вид:

d ) + q21 + r21 + F (, ) + s21 = 0;

' ' ' ( dt (1) d ( ) + q31 + r31 + (, ) + s31 = 0;

' ' ' dt где q21, r21, s21, q31, r31, s31, - гидродинамические коэффициенты корпуса судна и руля после приведения системы к размерной форме;

F(, ) и Ф(, ) нелинейные функции угла дрейфа и угловой скорости судна.

Единого мнения о точном аналитическом выражении нелинейных функций, входящих в систему управления (1), нет. Однако установлено, что влияние нели нейного слагаемого F(, ) сказывается значительно сильнее, чем Ф(, ). По мнению многих исследователей, эти нелинейности могут быть представлены в виде суммы степенных функций аргументов и и их произведения, поэтому при малых отклонениях от режима движения на прямом курсе (т. е. при малых значениях ) их влияние можно считать несущественным.

Попытки прямого аналитического решения системы управления (1) относите льно приводят к сложному нелинейному уравнению, неудобному для дальней ших исследований, поэтому нелинейная математическая модель судна как объек та в системе автоматического управления курсом обычно записывается в виде d 2 d d + q' + f ( ) = s'31 + s ', 2 + 2r ' (2) dt dt dt где 2r' = r'31 + q'21;

q' = r'31q'21 - r'21q'31;

s' = q'31s21 - q'21s31.

Вид нелинейной функции f() определяется непосредственно по диаграмме управляемости судна - по его статической характеристике. Анализ диаграмм показывает, что с достаточной для практических расчетов точностью нелиней ный член в уравнении (2) может быть представлен как f ( ) = d ' c, (3) где dс - постоянный коэффициент.

В этом случае уравнение (2) запишется в виде d 2 d d + q' + d ' c = s '31 + s ' 2 + 2r ' (4) dt dt dt или в операторной форме (T2 p 2 + T1 p ± 1 + d c ) = k c (1 + p), (5) s' d' s' 1 2r ' ;

T1 = ;

d c = c ;

k c = ;

= 31.

где T2 = s ' q' q' q' q' Для неасимтотически устойчивых на курсе судов перед единицей в левой части уравнения (5) ставится знак «+», а для неустойчивых судов знак «–».

Рис. 4. Диаграмма управляемости судна Предварительное суждение об устойчивости судна на курсе может быть сде лано по виду его диаграммы управляемости уст = f() (рис. 4) либо по критерию устойчивости, предложенному Г. В. Соболевым. Согласно этому критерию к асимптотически устойчивым на курсе относят суда, удовлетворяющие неравенст B, где – коэффициент полноты корпуса;

В – ширина судна;

T – осадка ву ( ) T судна.

В работах зарубежных авторов для исследования управляемости судов пред лагается нелинейная математическая модель в виде уравнения Номото второго порядка:

( 1 2 p 2 + ( 1 + 2 ) p ± 1 + c 2 + d c ) = k c (1 + 3 p), (6) где с – постоянный коэффициент.

Отличие от уравнения (5) состоит лишь в виде нелинейного члена f(), куда входит также составляющая, пропорциональная кубу угловой скорости.

Обе математические модели (5) и (6) дают близкие результаты для обычных надводных водоизмещающих судов и, как показали расчеты, вполне удовлетво рительно описывают поведение неасимптотически устойчивых и неустойчивых на курсе судов как при малых углах перекладки руля (в режиме стабилизации на прямом заданном курсе), так и при больших углах (в режиме управления и на циркуляции).

Для исследования и проектирования САУ курсом судна, основным режи мом работы которых является режим стабилизации судна на прямом заданном курсе, обычно пользуются линейной математической моделью объекта. Из урав нений (5) и (6) видно, что в режиме стабилизации при малых значениях нели нейным членом можно пренебречь, как величиной второго и третьего порядка малости, и тогда математическая модель объекта примет вид (T2 p 2 + T1 p ± 1) = k c (1 + p ). (7) Уравнение (7) является основным приближенным уравнением линейной тео рии управляемости судна, записанным относительно угловой скорости поворота судна под действием руля. Знак перед единицей в левой части уравнения опреде ляется устойчивостью судна на курсе.

Принимая за выходную функцию в выражении (3) угол отклонения судна от p (T2 p 2 + T1 p ± 1) = k c (1 + p ).

курса, получаем (8) Переходя к операционной форме записи, запишем передаточную функцию судна по управляющему воздействию:

k c (1 + s ). (9) W (s) = s (T2 s 2 + T1 s ± 1) Полагая, что Т2 = 11, Т1 = 1+2, = 3, для асимптотически устойчивого судна получим операционную форму записи модели Номото второго порядка:

k c (1 + 3 s ). (10) W ( s) = s( 1 s + 1)( 2 s + 1) Параметры передаточных функций (9, 10) зависят от скорости судна и его загрузки (осадки).

Значительно сложнее составить математическое описание поведения судна, связывающее угловые параметры его движения в штормовую погоду. На судно, движущееся с определенной скоростью в условиях ветра и волнения, действуют дополнительные гидродинамические силы и моменты, влияющие на характерис тики его управляемости. Особенно неблагоприятное действие оказывает попутное волнение моря. Однако практика показала, что если судно имеет хорошую управ ляемость на тихой воде, то оно будет обладать достаточной управляемостью и на волнении. Поэтому при исследовании и проектировании авторулевых обычно используют уравнение движения судна на тихой воде. Важным обстоятельством при этом является тот факт, что у обычных морских транспортных судов корреля ционная связь между процессами качки и рыскания незначительная.

Для моделирования САУ курсом судна было взято контейнерное судно со следующими характеристиками:

- длина наибольшая (length overall) –171,80 м;

- длина между перпендикулярами (length between perpendiculars) –160,93 м;

- наибольшая ширина (maximum beam) – 23,17 м;

- расчетная осадка (design draft) – 8,23 м;

- расчетное водоизмещение (design displacement) – 18541 м3;

- расчетная скорость (design speed) - 15 узлов.

Судно с указанными характеристиками имеет следующие параметры передаточной функции (модель Номото второго порядка) (6):

1=118 c;

2 = 7,8 c;

3 = 18,5 c;

kc = 0,175.

Подставив выше указанные параметры в (6), получим передаточную функцию нашего судна как объекта регулирования:

0,175(1 + 18,5s ) G ( s) =. (11) s (118s + 1)(7,5s + 1) Полагая Т = 1+2–3 = 118+7,8-18,5 = 107,3 с, понизим порядок модели:

0, G(s) =. (12) s(107,3s + 1) В третьей главе подробно рассматриваются возможности нейронного упавле ния, даются характеристики основным методам анализа и обучения нейронных сетей, описываются основные стадии синтеза нейросетевого контроллера для управления курсом судна.

Многослойная нейронная сеть выполняет в динамической системе функции адаптивного регулятора. Сеть при этом формирует оптимальный закон управ ления. Цели обучения сети управления и объектом совпадают, то есть имеют общую целевую функцию, подлежащую минимизации.

Управление, реализованное на основе многомерной нейронной сети, относит ся к интеллектуальным технологиям управления и обработки информации. Имен но эти технологии позволяют решать плохо формализуемые задачи управления сложными динамическими объектами, к которым может быть отнесена задача управления курсом судна, то есть в задачах, когда “жесткие” априорные модели и алгоритмы не адекватны реальному состоянию управляемого объекта.

Основной задачей искусственных нейронных сетей (ИНС) является форми рование требуемого значения выходного параметра (отклика) на один или нес колько входных. Для решения поставленной задачи сеть подстраивается (обу чается). После обучения ИНС должна иметь заданную грубость, то есть допускать изменение входных и внутренних параметров в заданных пределах. Особо следует отметить, что весьма важно в задачах управления тот факт, что ИНС формирует выходной сигнал не с помощью априори заданного алгоритма, а благодаря своей структуре, то есть архитектуры расположения базовых про цессорных элементов (БПЭ), связей между ними и их весов.

Рис. 5. Схема базового процессорного элемента (искусственного нейрона) Базовый процессорный элемент, схема которого приведена на рис. 5, осу ществляет отображение Rn Ri в соответствии с соотношением для его выхода q:

n n q = f w jrj + w 0 r0 = f w jrj, (13) j=1 j= 0 где r0, r1, …, rn – входы БПЭ;

w0, w1, …, wn – весовые коэффициенты синап тических связей БПЭ.

ИНС наиболее эффективны в решении тех задач, когда имеет место неопре деленность, вызванная теми или иными причинами. В задаче управления курсом судна неопределенностей более чем достаточно. К основным неопределенностям следует отнести внешние (ветровые, волновые) воздействия, влияние поверхности дна на мелководье, внутренние параметрические неопределенности и др.

Применение классического подхода к решению данной задачи с этой точки зрения является непомерно трудоемким, а в ряде случаев даже неадекватным поставленной задаче, поскольку приходится существенно упрощать и линеари зовывать математическую модель.

Нейронная сеть для управления сложными динамическими объектами предс тавляет собой как минимум двухслойную динамическую структуру, для которого необходимо решить задачи статического и динамического синтеза. В рассмат риваемом случае задача сводится к “статическому и динамическому обучению” МНС. Алгоритм настройки такой сети можно записать в обобщенном виде w i l ) = А i l ) (…, w (l ), … ;

q (K),…,q (0) ;

f (l) ;

(l) ;

t);

l = 1,K;

i = 0, n l, &( ( (14) nl где А i l ) () – нелинейный оператор преобразования своих аргументов;

(l) - век ( тор обобщенной ошибки обучения БПЭ в слое l.

Интегрируя по времени обе части этого выражения, получаем t w i l) = ( (l) Ai ()d + (0), (15) t где (0) – функция, учитывающая начальные условия w (l) (0).

Настройка элементов многослойной сети, удовлетворяющая приведенным соотношениям, иллюстрируется обобщенной схемой настройки БПЭ, изобра женной на рис. 6. Это замкнутая структура, где интегрирующее звено охвачено нелинейной обратной связью, соответствующей функции А i l ) ().

( Рис. 6. Обобщенная схема настройки БПЭ Представление процессов обучения (настройки) и преобразование МНС в виде системы нелинейных дифференциальных уравнений и ее описание на языке структурных преобразований позволяет рассматривать соединение динамическо го объекта с обучаемой нейросетью в едином пространстве координат {q, w, x} и позволяет привести задачу к классической последовательности синтеза нелиней ных систем управления.

В четвертой главе приводится сравнительный анализ характеристик систе мы с многослойным нелинейным нейросетевым контроллером (НСК), с контрол лером на основе нечеткой логики (НЛК), ПИД-контроллером с настройкой регу лятора нейросетью (НПИД) и обычным ПИД-контроллером идеального типа.

Цель сравнительного анализа состоял в том, что, применяя каждый из алгоритмов к решению одной задачи управления, можно объективно оценить общие и отличи тельные черты этих подходов. Анализ результатов, полученных с использованием разных подходов при работе в идентичных условиях, позволил оценить их достоинства и недостатки. Названный подход в современной практике управления судами еще практически не применяется, именно поэтому сравнение его с други ми методами (в том числе, фаззи-регуляторами, уже успешно реализованными в системах управления судами) представляет несомненный интерес. Следует отме тить, что практически невозможно сравнить работу линейных контроллеров типа ПИД и самонастраивающихся ПИД (СНПИД) с нелинейными нейросетевыми контроллерами в системах управления такими сложными, слабо структурирован ными и слабо алгоритмизируемыми объектами управления, как судно. Поэтому исследование проводилось на системе с упрощенной математической моделью объекта (модель Номото 1-го порядка). Прямое сравнение четырех использован ных алгоритмов позволяет проанализировать каждый из рассматриваемых подхо дов и провести сравнительный анализ. Для обеспечения точности сравнения, эксперименты проводились при одинаковых возмущающих воздействиях и вариа циях параметров в объекте управления.

Для каждого типа системы управления проведено четыре группы эксперимен тов: изменение задающего сигнала в систему (маневр курсом в следящем режиме авторулевого);

воздействие простого внешнего волнового возмущения;

воздейст вие сложного волнового возмущения;

существенные изменения параметров. Для реализации каждого из алгоритмов требовалось локальная настройка и коррекция модели объекта управления, выполнявшаяся на основе эвристических соображе ний. Исследования были направлены на выявление положительных сторон каждо го типа систем управления.

е Рис. 7. Схема нейронного управления с эмулятором и контроллером или «обратное распространение во времени»: у – выход системы управления;

- выход эмулятора;

u – управление;

r – вход в систему управления;

- ошибка эмуляции;

е – ошибка системы Для варианта системы управления с нейросетевым контроллером выполня лось автономное обучение многослойных нейронных сетей на основе алгоритма обратного распространения с целью изучения моделей инверсной и прямой дина мики объекта управления. Далее нейронные сети настраивались в соответствии с архитектурой, приведенной на рис. 7.

Нейроконтроллер обучается на инверсной модели объекта управления, а нейроэмулятор – на обычной модели объекта управления. Нейроконтроллер может обучаться непосредственно на основе обратного распространения ошибки через эмулятор.

Реакция на ступенчатое изменение курса (изменение уставки) осуществляется следующим образом. Производим один за другим два маневра курсом: первый ма невр – на 10°, второй - на 40°. Для каждого контроллера приводятся два графика:

первый график показывает задаваемый курс (уставку) в виде ступенчатого воз действия и переходный процесс в системе (отработку уставки – выход на зада ваемый курс), второй график показывает поведение пера руля. На рис. 6, 7 отра жена реакция системы под управлением четырех рассматриваемых контрол леров: нейросетевым (НСК), на нечеткой логике (НЛК), ПИД-контроллера с настройкой нейронной сетью (НПИД) и традиционным ПИД-регулятором.

Из приведенных графиков следует, что в целом при правильной настройке все контроллеры демонстрируют хорошее качество управления. Однако здесь следует сделать замечание: при больших углах перекладки судно становится неадекватно своей линеаризованной математической модели (модели Номото), в этой связи на практике маневр на большой угол может быть не столь качественным для традиционных регуляторов.

Наилучшие показатели демонстрирует адаптивный нейросетевой контроллер, создающий оптимальный сигнал управления, в силу чего выход на заданный курс осуществляется за минимальное время, без перерегулирования и с минимальным усилием рулевой машины.

Неплохие показатели, близкие к нейросетевому контролеру, у нечеткого конт роллера – несколько большее время переходного процесса можно объяснить заданной формой функций принадлежности, т.е. чем меньше отклонение, тем меньше сигнал отработки (на лицо свойство робастности). Перерегулирование отсутствует.

t, c t, c Рис. 6. Отработка ступенчатого воздействия контроллером НСК ПИД-контроллер с близкими к оптимальным параметрами также обеспе чивает довольно быстрый переходный процесс с незначительным перерегу лированием, однако нагрузка на рулевую машину при одерживании судна здесь максимальна.

t, c t, c Рис. 7. Отработка ступенчатого воздействия контроллером ПИД Нейросетевой ПИД-регулятор обеспечивает неплохой переходный процесс, в целом схожий с обычным ПИД-регулятором, однако небольшая неточность имеет место при выходе на заданный курс. Погрешность, впоследствии устраняемая ин тегральной составляющей, в завершении переходного процесса составляет 1-2 °.

Проблема, скорее всего, заключается в особенностях обучения (настройки) нейро сети, которое для данного контроллера довольно сложно. Проблему можно решить, применив большее количество обучающих образцов.

При определении реакции на аддитивное волновое возмущение рассматри валось поведение судна в режиме стабилизации курса (т.е. авторулевой включен в режиме «автомат»). На судно в той или иной мере действует внешнее волновое возмущение, вызванное волнением моря. Модели волнового возмущения рассмат ривались в упрощенном виде как синусоидальное воздействие с периодом 5- секунд и небольшой постоянной составляющей f0, соответствующей постоянному сносу судна с курса из-за ветра и волн: f (t ) = f 0 + A sin(t ).

Для каждого контроллера приводятся два графика: на первом показана форма аддитивного возмущения f(t) и фактический курс судна K. При этом значение заданного курса (уставка) было взято 0°. На втором графике показано поведение пера руля. Волновое возмущение было специально взято небольшим по силе (амплитуде), так как плавание во время сильного волнения является особым режимом плавания. Графики приводятся на рис. 8 -10. Из графиков видно, что все контроллеры без проблем справляются с задачей стабилизации судна на курсе.

Точность удержания в данном случае составила примерно 0,5°. В этой связи необходимо, прежде всего, проанализировать нагрузку на рулевую машину.

Нейросетевой контроллер стабилизирует судно на курсе с высокой точнос тью, при этом нагрузка на рулевую машину минимальна. К небольшим возмуще ниям такого рода САУ курсом судна с таким контроллером практически пол ностью робастна.

Контроллер на нечеткой логике и нейросетевой ПИД-контроллер показы вают примерно одинаковые результаты (схожие с нейросетевым контролером):

высокую точность удержания с незначительными перекладками руля, не превы шающими 1°.

t, c t, c Рис. 8. Отработка простого волнения контроллером НСК t, c t, c Рис. 9. Отработка простого волнения контроллером ПИД ПИД – контроллер с теми же настройками, что и при осуществлении первого маневра, существенно загружает рулевую машину, что неприемлемо. В данном режиме целесообразно выключать канал производной или вводить дополнитель ный фильтр по волновому возмущению. Последний вариант несколько ухудшит общие показатели системы с ПИД-контроллером. Для сравнения на рис.10 приве дена реакция системы с ПИД-контроллером с выключенным каналом произ водной.

t, c t, c Рис. 10. Отработка простого волнения контроллером ПИД (с выключенным каналом производной) Реакция на сложное волновое возмущение определялась при аппроксимации его двумя синусоидами, к которым еще добавляется незначительное постоянное воздействие. Данное сложное волновое воздействие можно интерпретировать как морскую волну с большим периодом ( 25-30 сек.), на которую накладываются маленькие волны меньшего периода (3-6 сек.). Небольшое постоянное воздейст вие вызвано сносом из-за ветра и волн. Математически данное сложное возмуще ние можно выразить следующим образом: f (t ) = f 0 + A sin(1t ) + B sin( 2 t ), 1 при мерно равно 0,15 рад/с, а 2 примерно равно 1,1 рад/с.

Для каждого контроллера приводятся два графика (рис. 11, 12): на первом показана форма сложного волнового возмущения f(t) и фактический курс судна K.

При этом значение заданного курса (уставка) было взято 0°. На втором графике показано поведение пера руля. Основное волновое возмущение (с большим периодом) было взято небольшим по амплитуде, так как плавание во время сильного волнения является особым режимом плавания.

Наиболее робастным показал себя нейросетевой контроллер, который практи чески не реагировал на высокочастотное волновое возмущение. Судно хорошо удерживалось на курсе с минимальным количеством перекладок руля.

Примерно схожие результаты показали контроллер на нечеткой логике и ПИД - контроллер с нейросетью: хорошее удержание на курсе, практически отсутст вующее рыскание. Однако руль незначительно реагировал на высокочастотное волнение.

Традиционный ПИД-регулятор без подстройки параметров показал свою не пригодность в условиях сложного волнения: имела место максимальная нагрузка на рулевую машину, вызванная большими по амплитуде и частыми перекладка ми, а также присутствующее рыскание судна. Очевидно, что необходимо загруб лять канал производной, т.е. проводить дополнительную настройку при плавании в таких условиях.

t, c t, c Рис. 11. Отработка сложного волнения контроллером НСК t, c t, c Рис. 12. Отработка сложного волнения контроллером ПИД Реакция на резкое внешнее возмущение определялась при интерпретации его как резкий порыв ветра или удар большой волны. Рассматривались резкие возму щения разных знаков и величин. Характерные графики для рассматриваемых контроллеров приводятся на рис.13, 14. При этом на первом графике каждого рисунка представлены два возмущения противоположных знаков, имеющие раз ную амплитуду и длительность. Второй график показывает реакцию судна на дан ные возмущения в режиме стабилизации. Третий график демонстрирует нагрузку на рулевую машину. При этом предполагалось, что судно уже находится под воздействием несильного волнового возмущения, поэтому положение пера руля в общем случае не совпадает с диаметральной плоскостью судна.

t, c t, c t, c Рис. 13. Отработка резких возмущений контроллером НСК t, c t, c t, c Рис. 14. Отработка резких возмущений контроллером ПИД Представленные графики позволяют отметить, что все используемые конт роллеры среагировали на подобные возмущения. Поскольку резкое возмущение, очевидно, вызвало небольшой снос судна с курса (на 1-2°), контроллеры начали отрабатывать рассогласование, отклоняя перо руля в противоположную сторону.

Наиболее робастным к подобным возмущениям оказался нейросетевой конт роллер, продемонстрировавший незначительную отработку рулем с последую щим плавным выходом на прежний курс.

Примерно аналогично отреагировал контроллер на нечеткой логике: неболь шая отработка рулем с возвращением на прежний курс, время восстановления несколько больше, чем у нейросетевого контроллера.

С небольшим запаздыванием отреагировал нейросетевой ПИД- контроллер, в этой связи несколько большее время восстановления после возмущения. Переход ный процесс восстановления в целом робастный с хорошим качеством.

Традиционный ПИД- регулятор при подобного рода возмущениях осуществ ляет более резкую отработку рулем, тем самым сильнее нагружая рулевую машину.

Таблица 1. Сравнительные характеристики рассмотренных схем управления курсом судна.

Критерии НСК НЛК НПИД ПИД Математическая Желательна в модель объекта Не обязательна Не обязательна процессе Не обязательна управления обучения Настройка пара- Самонастройка. Коэффициенты Самонастройка. Требуется метров контрол- Настройка пара- масштбирова- Настройка настройка лера метров не тре- ния нечеткого основных ПИД параметров буется, однако контроллера параметров контроллера Кр, требуется пред- требуется выби- осуществляется Кi и КD (или Кс, варительно выб- рать предвари- нейросетью. Тi, Те).

рать и обучить тельно.

нейронную Требуется руч сеть. ная настройка при резких из менениях режи ма работы.

Возможна само настройка.

Вычислительная Высокая Минимальная Высокая Невысокая сложность Характеристики следящего режи- Средние Лучшие Высокие Средние ма (выход на за- или высокие данный курс) Работа в услови- Средняя Лучшая Высокая Наихудшая ях возмущений или высокая Параметричес Лучшие Средние Средние Наихудшие кие возмущения Нагрузка на ру- Низкая Минимальная Средняя Максимальная левую машину или средняя Сглаживание управляющего Среднее Среднее Наихудшее Плохое сигнала Как видно из сравнительных характеристик (табл. 1) наиболее эффективным для сложных нелинейных систем является управление с использованием идей самонастройки (синергетики). Синергетическая система, выполненная на базе искусственной нейронной сети, показала лучшие результаты.

В заключении делаются соответствующие выводы и рекомендации по практическому использованию результатов работы.

Основные научные и практические результаты. На основании выполнен ных исследований были получены следующие результаты.

1. Методами математического моделирования определена и оценена эффек тивность предложенного метода нейронного управления, осуществлен комп лексный анализ его работоспособности в сравнении с другими применяемыми в этой области методами управления.

2. Исследована возможность технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств типа PLIS.

3. Проанализирован и систематизирован набор алгоритмов обучения, связанных с определенной архитектурой и перечнем решаемых задач.

4. Разработана методика аналитического и технического синтеза простого и надежного управляющего устройства применительно к курсу судна.

5. Изучена практическая значимость полученных результатов, которые могут быть использованы при разработке систем управления курсом судов, находя щихся в стадии проектирования либо проходят переоборудование в нашей стране.

6. Предложен подход реализации нейросетей на создаваемых в настоящее время аппаратных средствах как дополнение к существующим регуляторам сис тем управления курсом, либо как принципиально новый контроллер, приходящий на смену ПИД-регуляторам в судовых системах управления курсом судна.

Основные положения диссертации опубликованы в следующих работах:

1. Виткалов, Я.Л. Идентификация нелинейного объекта с помощью искусст венных нейросетей [Текст] / В.И.Богданов, Я.Л.Виткалов // Материалы 5 между народной конференции «Математическое моделирование физических, экономии ческих, технических, социальных систем и процессов».- Ульяновск, УГУ, 2003. С. 24-26.

2. Виткалов, Я.Л. Нелинейный регулятор для управления давлением воздухо опорных гусениц [Текст] / Богданов В.И., Виткалов Я.Л. // Материалы 46 Всерос сийской межвузовской научно-практической конференции.- Владивосток, МО РФ, ТОВМИ, 2003. - Т. 2.-С. 18 - 21.

3. Виткалов, Я.Л. Нечеткий регулятор и некоторые проблемы обучения нейрон-ных сетей [Текст] / В.И. Богданов, Я.Л.Виткалов, А.С. Потапов // Сб.:

Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. - Владивосток, МО РФ, ТОВМИ, 2003. – Вып. 44. - С. 11 - 16.

4. Виткалов, Я.Л. ПИ- и ПИД- контроллеры с самонастройкой [Текст] / В.И.

Богданов, Я.Л. Виткалов, А.С. Потапов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. - Владивосток, МО РФ, ТОВМИ, 2005. - Вып. 54.-С. 11 - 18.

5. Виткалов, Я.Л. Самонастройка в задачах управления вездеходом [Текст] / В.И. Богданов, Я.Л. Виткалов, А.С. Потапов // Сб.: Проблемы и методы разработ ки и эксплуатации вооружения и военной техники ВМФ. – Владивосток, МО РФ, ТОВМИ, 2005.- Вып.54. - C. 19 - 33.

6. Виткалов, Я.Л. Анализ синергетических методов синтеза систем нейрон ного управления [Текст] / В.И. Богданов, Я.Л. Виткалов, А.С. Потапов // Сб.:

Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. – Владивосток, МО РФ, ТОВМИ, 2005. – Вып.55. – С.55 - 67.

7. Виткалов, Я.Л. Анализ экспериментальных данных, полученных в резуль тате синтеза систем нейронного управления [Текст] / В.И. Богданов, Я.Л.

Виткалов, А.С. Потапов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ.– Владивосток, МО РФ, ТОВМИ, 2005.– Вып.55.-С.43 - 55.

8. Виткалов, Я.Л. Сравнительный анализ синергетических методов синтеза систем нейронного управления [Текст] / В.И. Богданов, Я.Л. Виткалов // Мате риалы 6 международной научно – практической конференции. Проблемы транс порта Дальнего Востока. FEBRAT – 05. - Владивосток, МГУ, 2005.- С. 127 - 129.

9. Виткалов, Я.Л. Синергетика и нейросетевые системы управления курсом судна [Текст] / Монография // В.И. Богданов, Я.Л. Виткалов, С.В. Глушков, А.С.

Потапов - Москва -С.Петербург - Владивосток, ПИТЕР, 2006.- 205 C.

10. Виткалов, Я.Л. Самонастройка как вид управления [Текст] / В.И.

Богданов, Я.Л. Виткалов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. – Владивосток, МО РФ, ТОВМИ, 2006. – Вып.57. – С. 16 - 28.

11. Виткалов, Я.Л. Нечеткий регулятор в задаче управления морским подвиж ным объектом [Текст] / В.И. Богданов, Я.Л. Виткалов, С.В. Глушков // Вестник МГУ. Серия судовождение. – Владивосток, МГУ, 2006. – С. 112 - 119.

Виткалов Ярослав Леонидович Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна.



 



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.