Интеллектуальная система автоматического управления судном по курсу Седова Нелли Алексеевна

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Седова Нелли Алексеевна. Интеллектуальная система автоматического управления судном по курсу : диссертация ... кандидата технических наук : 05.22.19 / Седова Нелли Алексеевна; [Место защиты: Мор. гос. ун-т им. адмирала Г.И. Невельского].- Владивосток, 2009.- 157 с.: ил. РГБ ОД, 61 10-5/749

Содержание к диссертации

Введение

1 Основные принципы разработки интеллектуальных систем автоматического управления судном по курсу 13

1.1 Структура систем автоматического управления судном по курсу 14

1.2 Влияние различных факторов на управляемость судов 19

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу 21

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике 22

1.3.2 Разработка интеллектуальных систем автоматического управления с использованием нейросетевых технологий 27

1.4 Архитектура интеллектуальной САУ судна по курсу 37

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу 39

1.4.2 Режим обучения интеллектуальной САУ судном по курсу 40

1.4.3 Режим функционирования интеллектуальной САУ судном по курсу 41

1.5 Выводы по первой главе 41

2 Нейросетевое моделирование динамики движения судна 43

2.1 Математическая модель движения судна 43

2.2 Аппроксимационные свойства нейронных сетей 48

2.3 Архитектуры нейронных сетей 50

2.4 Определение наилучшей нейронной сети для моделирования динамики движения судна 60

2.5 Исследование ошибки обучения нейронной сети от погодных условий эксплуатации 64

2.6 Зависимость ошибки обучения нейронной сети от типа судна 67

2.7 Определение наименьшего количества циклов обучения НС при моделировании движения судна 68

2.8 Выводы по второй главе 74

3 Интеллектуальная САУ судном по курсу 75

3.1 Нейросетевой классификатор интеллектуальной САУ судном по курсу.. 75

3.1.1 Спектральный анализ кривых движения судов 77

3.1.2 Влияние количества гармоник на классификацию кривых движения судов 83

3.1.3 Классификация кривых движения судов нейронной сетью РБФ .93

3.2 Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике 103

3.2.1 Структура и функциональные особенности регулятора на нечеткой логике 103

3.2.2 Целесообразность применения генетических алгоритмов в задачах оптимизации нечёткого регулятора 106

3.2.3 Настройка авторулевого на нечёткой логике по нейросетевой модели судна 110

3.3 Выводы по третьей главе 113

4 Проверка работоспособности метода и алгоритма синтеза системы управления судном по курсу 114

4.1 Компьютерное моделирование для наполнения базы знаний нейросете- вого классификатора 114

4.2 Имитационное моделирование для модели судна типа траулер 119

4.3 Выводы по четвёртой главе 121

Заключение 123

Список использованных источников 124

Приложения 141

Влияние различных факторов на управляемость судов
Аппроксимационные свойства нейронных сетей
Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике
Имитационное моделирование для модели судна типа траулер

Введение к работе

Актуальность темы. Задача управления судном по курсу является сложно формализуемой, не имеющей адекватного математического описания, поэтому применение традиционных подходов становится малоэффективным.

Следует 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 управления. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений 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 (1МО) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе-в современных условиях судоходства.

Использование для задач управления систем искусственного интеллекта (СИИ) позволяет моделировать поведение объекта управления на основе анализа работы реальной системы или данных экспериментов и наблюдений. Однако в работах отечественных и зарубежных авторов по применению СИИ в теории управления не уделено должного внимания задаче управления судном по курсу, поэтому исследования в данной области представляют теоретический и практический интерес.

Возросшие требования к судовым навигационным системам, отсутствие методик моделирования процесса управления судном по курсу с помощью нейросетевых технологий определяют актуальность работы.

Цель работы заключается в разработке адаптивной управляющей системы судна по курсу с привлечением теоретических и практических основ СИИ для обеспечения безопасности мореплавания.

Область исследования — разработка методов и систем обеспечения безопасного плавания в современных условиях судоходства.

Объектом исследования является совокупность методов и средств навигации и судовождения, в частности, системы автоматического управления (САУ) судном по курсу, а предметом исследования - ИСАУ судном по курсу и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий.

Для достижения поставленной цели решены следующие задачи:

Разработка модели ИСАУ судном по курсу на базе нейросетевых технологий, позволяющей выявлять наилучший тип и структуру нейронной сети, моделирующей движение судна.

Синтез нейросетевых моделей движения судна при различных погодных условиях, скорости и водоизмещении судна.

Разработка метода выделения критериальных признаков движения судна по курсу, позволяющего выявить наилучший тип и структуру нейронной сети, моделирующей движение судна.

Разработка метода определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу.

Имитационное моделирование движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна для определения нейросетевых моделей движения судна.

Компьютерное моделирование ИСАУ судном по курсу на базе нейросетевых технологий для проверки работоспособности предложенных методов и модели ИСАУ в целом.

Основные результаты и положения, выносимые на защиту:

Функциональная модель ИСАУ судном по курсу на базе нейросе- тевых технологий.

Метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях и изменении скорости и водоизмещения судна.

Метод определения наилучшего типа и структуры нейронной сети, моделирующей движение судна.

Метод определения наилучшей настройки регулятора на базе нечёткой логики ИСАУ судном по курсу по критериальным признакам движения судна по курсу, позволяющий обеспечить требуемое качество и точность движения судна по курсу.

Методы исследования. При решении, поставленных научных задач в работе использовались методы системного анализа, математической статистики, спектрального анализа случайных процессов, теории искусственных нейронных сетей, нечеткой логики, генетических алгоритмов, имитационного моделирования. Исследование предложенных в работе методов, проводилось с использованием авторских модулей для пакета МАТЬАВ 7.0, а также разработанного специализированного программного обеспечения.

Научная новизна; Научную новизну работы определяют следующие положения:

Предложена и исследована принципиально новая функциональная модель ИСАУ судном по курсу на базе нейросетевых технологий.

Предложен метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна.

Проведён анализ, показывающий, что для различных типов судов и условий плавания требуются разные нейросетевые модели движения судна по курсу. Предложен метод определения наилучшего типа НС, её

структуры и метода обучения, оптимальным образом отражающие характеристики судна в конкретных условиях плавания.

4. Обоснован метод определения наилучшей настройки нечёткого регулятора ИСАУ судном по курсу по критериальным признакам движения судна по курсу, что позволяет обеспечить требуемое качество и точность движения судна по курсу при различных внешних воздействиях.

Достоверность результатов проведённых исследований обеспечивается использованием современных методик планирования эксперимента, корректным применением принципов построения модели САУ судном по курсу, а также качественным и количественным совпадением результатов компьютерного и имитационного моделирования, проведённого на сертифицированном оборудовании (имитатор сигналов для авторулевого ИС- 2005 ЗАО «Инженерный центр информационных и управляющих систем»).

Практическая значимость работы заключается в том, что результаты проведённой работы могут быть использованы при разработке современных САУ судном по курсу. Представлены алгоритмы и программное обеспечение для технической реализации ИСАУ судном по курсу на базе нейронных сетей. <

Тема связана с теми НИР и ОКР, которые проводились и проводятся на кафедрах «Технические средства судовождения» и «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского в соответствии с общесоюзной программой «Океан», федеральными целевыми программами «Мировой океан» (1998-2012 гг.) и «Развитие транспортной системы России» (2010-2015 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 кафедре «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского. Выводы и рекомендации, полученные при разработке диссертации, были внедрены в ФГОУ ВПО МГУ им. адм. Г. И. Невельского в процесс обучения курсантов и студентов (в виде лекций, курсового и дипломного проектирования).

Апробация работы. Результаты работы докладывались и обсуждались на конференциях и семинарах различного уровня: ежегодные научно- технические конференции Морского государственного университета им. адм. Г. И. Невельского в г. Владивостоке (2006 — 2008 гг.); 64-я региональная студенческая научная конференция «Научно-технические проблемы транспорта, промышленности и образования» в г. Хабаровске (ДВГУПС, 2006 г.); научно-практическая конференция «Безопасность судоходства в Дальневосточном бассейне» в г. Владивостоке (2008 г.); всероссийская выставка научно-технического творчества молодежи в г. Москве (ВВЦ, 2005 г.); XIV, XV и XVII всероссийские семинары «Нейроинформатика, ее приложения и анализ данных» в г. Красноярске (2006, 2007 и 2009 г.); II международная конференция «Параллельные вычисления и задачи управления» в г. Москве (ИПУ им. В.А. Трапезникова РАН, 2004 г.); международная конференция «Нейросетевые технологии и их применение» в г. Краматорске (Украина) (ДГМА, 2004 г.).

Публикации. По результатам исследований опубликовано 10 печатных работ, в том числе 2 работы опубликованы в журналах, рекомендованных ВАК. Получен 1 патент РФ.

Структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 156 наименований и четырех приложений. Основная часть работы изложена на 123 страницах машинописного текста, содержит 94 рисунка, 5 таблиц. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, вторая - порядковый номер внутри данной главы.

1 ОСНОВНЫЕ ПРИНЦИПЫ РАЗРАБОТКИ

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ СУДНОМ ПО КУРСУ

Интеллектуальные системы автоматического управления судном по курсу явились развитием адаптивных систем в направлении расширения возможностей выполнения более сложных задач в неопределённой среде при неполной информации, требуемой для решения задач управления судном по курсу [110]. К ИСАУ судном по курсу относятся системы автоматического управления, использующие математический аппарат теории искусственных нейронных сетей (НС), на основе нечёткой логики (НЛ), на основе экспертных систем, на основе генетических алгоритмов (ГА) или их комбинации.

Судно как объект управления относится к весьма сложным в построении математической модели объектам. Сложность судна как объекта управления обуславливается нелинейностью, высоким уровнем априорной и текущей неопределенности, случайным процессом изменения параметров. Существующие математические модели являются скорее стандартными, чем корректными. Более того, на судно в процессе эксплуатации постоянно действует множество внутренних и внешних возмущающих факторов, многие из которых неуправляемы и ненаблюдаемы, и их чрезвычайно сложно, а иногда и невозможно учесть в управлении [11, 24].

Многочисленные исследования в области систем искусственного интеллекта [29, 30, 40, 50, 55, 74, 75, 80, 99, 103] показали, что эти системы позволяют решать задачу управления сложными объектами и системами, к которым может быть отнесена задача управления судном по курсу, то есть задача, математическая модель которой не в полной мере описывает реальное состояние управляемого объекта. Настоящая глава посвящена обзору перспективных методов и средств разработки САУ судном по курсу с применением технологий искусственного интеллекта, в частности, нейронных сетей и интеллектуальных систем на основе HJL

1.1 Структура систем автоматического управления судном по

курсу

В САУ судном по курсу решаются такие задачи управления различными режимами движения судна, как удержание судна на заданном курсе, его перемещение по определённой траектории, выполнимость вспомогательных манёвров, например, швартовка или отход от пирса, удержание продольной плоскости судна в определённом положении, удержание на «точке» при ветре, течении и др. внешних воздействиях, совместное движение с другими судами.

Использование САУ судном по курсу позволяет повысить технико- эксплуатационные характеристики судов, снизить себестоимость морских перевозок [63].

САУ судном по курсу различаются по назначению, виду объекта, составу технических средств, элементной базе, системотехническим принципам их формирования, однако вне зависимости от этих различий функциональная структура строится по одному принципу [63, 106].

При этом САУ судном по курсу должна соответствовать следующим условиям:

измерение и поддержание постоянным заданного значения курса во время движения судна с требуемой для судовождения точностью;

произведение минимального количества включений средств управления судна;

обеспечение минимума амплитудного отклонения пера руля судна;

устойчивая работа всей САУ судном по курсу без автоколебаний.

Общая функциональная структура САУ судном по курсу состоит из

средства управления (рулевого устройства), регулятора (Р) (авторулевого),
объекта управления (ОУ) (судна), внутренней и внешней обратных связей (ОС) и представлена на рисунке 1.1.

к, -ж

Рисунок 1.1 — Функциональная структура САУ судном по курсу

Кз — заданный курс; К — фактическое значение курса; АК = К3— К — отклонение от заданного курса (угол рыскания); а —угол кладки пера руля; F— возмущающее воздействие на корпус судна.

В процессе работы САУ судном по курсу подвергается следующим воздействиям [110]:

задающее воздействие, содержащее информацию о цели управления;

управляющее воздействие, поступающее на вход судна;

возмущающие воздействия, изменяющие состояние объекта..

Заданный курс является задающим воздействием, угол кладки пера

руля а является выходной величиной регулятора и управляющим воздействием для судна, мгновенное значение курса К является выходным параметром САУ судном по курсу. Также САУ судном по курсу включает в себя внутреннюю обратную связь ОСь предназначенную для ограничения величин кладки пера руля а, и внешнюю обратную связь ОС2, предназначенную для выработки в узле сравнения рассогласования заданного и текущего значения курса. Обратная связь OCi осуществляется с помощью устройства, механически связанного с баллером руля и вырабатывающего электрический сигнал пропорциональный углу кладки пера руля а, а обратная связь ОС2 реализована с помощью курсоуказателя. Так как САУ судном по курсу является сложной системой, то дополнительно могут ис
пользоваться отрицательные обратные связи, например, включающие интегрирующие или дифференцирующие элементы, т.е. так называемые гибкие обратные связи.

Все существующие САУ судном по курсу, независимо от конструкции отдельных звеньев, работают по принципу отклонения, т.е. в авторулевом непрерывно сравниваются фактическое и заданное значения курса, и вырабатывается сигнал управления. Под действием этого сигнала рулевой привод перекладывает руль и возвращает судно к заданному курсу. Сигнал внутренней ОС1 связи останавливает перекладку руля, а затем возвращает руль в среднее положение. Сигнал, пропорциональный скорости поворота судна, повышает чувствительность авторулевого при отклонении судна от заданного курса и обеспечивает сдерживание при возвращении на заданный курс.

Функциональная схема САУ судном по курсу представлена на рисунке 1.2.

Рисунок 1.2 - Функциональная схема САУ судном по курсу

На схеме введены следующие обозначения: БФЗУ — блок формирования закона управления, УПУ — усилительно-преобразующее устройство, ИМ — исполнительный механизм рулевого привода, ОС — блок обратной связи системы управления рулем, ГК — гирокомпас, реализующий внешнюю обратную связь.

Так как САУ судном по курсу построены по принципу отклонения, то при отклонении судна от заданного курса, БФЗУ вырабатывает управляющий сигнал U_s. Этот сигнал усиливается в УПУ и поступает на исполнительный механизм, приводящий в действие рулевую машину, и, следовательно, перо руля. При перекладке руля, на вход следящей системы управления рулем по каналу внутренней обратной связи ОС поступает сигнал U,оо, пропорциональный углу кладки пера руля а и противоположный по знаку управляющему сигналу U_s. Перекладка руля происходит до тех пор, пока сигнал обратной связи не компенсирует управляющий сигнал. В этом случае перо руля установится под некоторым углом к диаметральной плоскости (ДП). Отклонение пера руля вызывает появление гидродинамических сил, возвращающих судно на заданный курс. При этом происходит уменьшение управляющего сигнала U_s, снимаемого с БФЗЦ. В результате разностный сигнал = U_s — U_m меняет знак, что приводит к отработке руля в исходное положение. Практически перекладка руля в ту или иную сторону от ДП происходит непрерывно, так как судно периодически уходит с заданного курса как под действием внешних возмущений F, так и из-за внутренних возмущений - помех в элементах САУ судном по курсу.

В функциональном отношении регулятор САУ судном по курсу можно разделить на два субблока: БФЗУ и следящую систему управления рулем, включающую УПУ, ИМ и ОС (рисунок 1.2). Блок формирования закона управления вместе с электронными усилительно-преобразующими блоками располагается на ходовом мостике. Следящая система управления рулем преобразовывает электрический сигнал управления U_c в угол кладки пера руля а и бывает двух типов - электромеханическая или электрогидравлическая.

В зависимости от элементной базы регуляторы (авторулевые) подразделяются на следующие типы: - электромеханические;

электронные аналоговые;

электронные цифровые.

Недостатками традиционных электромеханических и аналоговых регуляторов являются следующие:

морально устаревшая элементная база;

низкий уровень защиты от влияния на качество регулирования волнового рыскания;

недостаточная чувствительность по угловой скорости в тихую погоду для неустойчивых на курсе судов, невысокое качество стабилизации курса из-за низкой эффективности ручной настройки;
отсутствие способов автоматического выполнения поворотов на любой угол требуемым образом, трудность включения в контур системы управление судна по маршруту.

Наибольшие возможности для оптимизации управления судном предоставляют электронные цифровые регуляторы. Они обычно включают блок управления, вмонтированный в этот блок процессор и дисплей для рулевого. Переход к компьютерной технике в регуляторе расширяет возможности применения для управления курсом эффективных алгоритмов [78, 138, 151, 116].

Несмотря на различные схемотехнические реализации и элементную базу, практически все применяемые в настоящее время САУ судном по курсу относятся к классу пропорционально-дифференциальных (ПД) или пропорционально-интегрально-дифференциальных (ПИД) регуляторов. Эти регуляторы строятся на основе классической теории управления и просты для понимания и анализа, однако классические авторулевые, реализованные на ПД и ПИД регуляторах, являются морально и технологически устаревшими, не соответствуют современным требованиям к САУ судном по курсу и имеют в большей или меньшей степени следующие недостатки [18, 76]:

их применение является неадекватным поставленной задаче, поскольку приходится существенно упрощать и линеаризовать математическую модель движения судна;

низкая помехозащищенность при работе в условиях волнения на

море;

низкая эффективность ручной настройки параметров, не обеспечивающая оптимальный режим работы системы как при автоматической стабилизации судна на курсе, так и при маневрировании;

невозможность проведения адаптивных процедур в режиме реального времени.

Эффективность работы САУ судном по курсу находится в прямой зависимости от того, насколько установленные значения регулируемых параметров настройки авторулевого близки к оптимальным для данных условий плавания судна. В этой связи, остро встает проблема правильной (оптимальной и универсальной) настройки параметров регулятора авторулевого, что далеко не всегда возможно из-за изменения районов плавания и сезонных аномалий [18]. Известно, что из-за некачественной работы регулятора с ручной настройкой потери в расходе топлива на крупнотоннажных судах могут достигать 3 %, а на обычных судах — до 1 %. [11].

1.2 Влияние различных факторов на управляемость судов

Судно как объект управления имеет следующие особенности [11,

24]:

различия в управляемости из-за многообразия движительно- рулевых комплексов, размеров и форм корпуса судна;

большая инерционность;

неполная управляемость и возможность потери управляемости;

влияние на динамические свойства судов изменений нагрузки и условий плавания (мелководье, каналы, реки);

зависимость эффективности средств управления от хода, скорости, режима работы движителей, вида перемещений и др. причин;

значительность влияния на движение судна возмущений среды (течения, ветер, волнение и т.д.);

неоднозначная в ряде случаев реакция на управляющие воздействия.

При различной загрузке судна меняются масса и подводная часть корпуса, что сказывается на управляемости. В общем случае в балласте и в грузу суда обладают разной устойчивостью на курсе. При уменьшении осадки чаще всего устойчивость судна на курсе снижается. При наличии крена судно уходит в сторону возвышенного борта, и его поворотливость становится неодинаковой.

При уменьшении скорости судна управляемость ухудшается, т.к. боковая сила руля, пропорциональная квадрату скорости набегающего на него потока, становится меньше. Ухудшение управляемости судна с уменьшением скорости хода выражается в снижении способности противодействовать возмущениям среды: ветру, волнению, переменному течению.

Обрастание подводной части корпуса способствует снижению скорости, увеличению нагрузки на двигатели, росту расхода топлива и т.д.

Снижение скорости при движении в мелководье связано с тем, что возрастает буксировочное сопротивление судна [9, 20, 22, 23, 28, 43, 56, 69, 82, 133, 146]. Явления, сопровождаемые движение судна по каналу, во многих отношениях аналогичны процессам движения на мелководье, однако они ещё сложнее и имеют большую инерционность [98, 100].

Судоводителям приходится сталкиваться с различными видами течений: ветровыми, приливными, речными и др. Течения вызывают как смещение судна, так и его разворот.

Действующая на судно сила ветра зависит от многочисленных факторов: скорости ветра, направления ветра, размеров судна и т.д. Суда различных типов по-разному реагируют на действие ветра [32, 42, 46, 67, 81, 129]: одни суда уваливаются по ветру, когда руль находится в диаметральной плоскости судна, другие - приводятся к ветру, т.е. разворачиваются носом на ветер. Для удержания приводящегося к ветру судна на прямом курсе среднее положению руля смещается на определённый угол подветренного борта. При малых скоростях даже максимальным смещением руля невозможно обеспечить движение прямым курсом, и в этом случае судно теряет управляемость. На малых скоростях несколько ускоряется реакция судна на перекладки руля.

Действие волн также существенно отражается на управляемости судна [2, 3, 6, 7, 44, 59, 60, 68, 104, 149]: теряется скорость, возрастает рыскание, ухудшается режим работы гребного винта и руля, возникает снос судна в направлении бега волн и т.д.

Низкие маневренные качества судов и недостаточное знание судоводителями свойств судна как объекта управления являются причинами дополнительных экономических расходов и морских аварий. Необходимость передачи утомительного и чреватого субъективными ошибками ручного процесса управления судном привела к развитию теории автоматического управления курса судном, которая в настоящее время занимает важное положение среди судовых автоматизированных систем [63].

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу

В настоящее время развиваются САУ на нечёткой логике и с нейронным управлением [21, 29, 37, 40, 49, 50, 57, 58, 74, 75, 79]. Для первых характерно реализуемое средствами нечёткой логики эвристическое построение стратегий управления с использованием экспертных знаний. Основой вторых систем служит искусственная НС, способная к обучению и выбору в различных условиях эксплуатации таких значений своих параметров, при которых она наилучшим образом справляется с поставленной задачей. Достоинство обоих видов систем заключается в отсутствии необходимости для решения задачи аналитического описания движения объекта управления [24], отсюда и общий недостаток — невозможность аналитического исследования качества работы.

способностью реализовывать распределенные схемы выполнения вычислений, что позволяет управлять многомерными процессами и системами без значительного увеличения времени необходимых вычислений;

возможностью описания процессов управления средствами простого, близкого к естественному, языка;

возможностью неаналитического представления нелинейных объектов управления и описания процессов, характеризующихся неоднозначностью и большим количеством самых разных возмущающих воздействий;

способностью самонастройки параметров регулятора до оптимальных значений, что позволяет устранить необходимость ручной корректировки параметров регулятора при изменении режима работы объекта;

робастностью системы, т.е. когда обеспечивается ее асимптотическая устойчивость в допустимом диапазоне параметрических возмущений;

возможностью практической реализации на современной элементной базе;

возможностью интегрировать частные данные для определения закономерностей процесса управления.

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике

Выше показано, что НЛ является одним из наиболее перспективных направлений современной теории управления. По сравнению с традиционными САУ основные преимущества систем, базирующихся на нечёткой логике, состоят в возможности:

более полного учёта неточностей и неопределенностей, присущих реальной системе, путём подбора подходящих лингвистических переменных и использования правил логического вывода, учитывающих опыт решения задачи управления человеком и знания экспертов об объекте управления, выраженные на естественном языке;

повышения быстродействия процессов управления;

решения задач управления, трудно формализуемых методами традиционной математики;

повышения эффективности фильтрации случайных возмущений при обработке информации (при определённых условиях схема с нечёткой логикой является универсальным аппроксиматором, способным в компактной форме представить любую непрерывную функцию);

снижения вероятности ошибочных решений.

В настоящее время уже применяются на судах гражданского флота серийно выпускаемые высокоэффективные управляющие курсом системы, основанные на нечёткой логике, например, авторулевые NavipilotvAD II (фирмы Sperry Marine) и NAVpilot 500 (фирмы Furuno). Для пояснения принципов работы таких регуляторов охарактеризуем ряд понятий нечёткой логики.

В нечётких системах описывается связь всех возможных состояний сложной системы с управляющими решениями на основе нечёткого вывода. Система нечёткого вывода образуется элементами теории нечётких множеств [21, 49, 57, 72, 79, 86, 154, 156] при добавлении правил импликации и нечётких рассуждений. В зависимости от выбора операции композиции (свёртки) и операции нечёткой импликации принято различать несколько модификаций нечётких систем принятия решений [80]: модель Мамдани [134, 135], модель Цукамото [58], модель Ларсена, модель Суге- но [147], модель Такаги-Сугено-Канга [150] и др.

Характерными чертами алгоритмов решения задач методами нечеткой логики является наличие в базе данных некоторого набора утверждений (правил), каждое из которых представляет собой совокупность событий (условий) и результатов (выводов). Процесс получения нечёткой системой чёткого значения некоторой переменной на основе известных входных значений по правилам базы данных состоит в выполнении следующих действий (рисунок 1.3).

Рисунок 1.3 — Схема функционирования системы на нечёткой логике

1. Фазификация известных чётких переменных.

Эта операция заключается в преобразовании множества входных данных в нечёткое множество. При этом производится вычисление степеней истинности известных чётких переменных на основе их функции принадлежности. Идея обработки состоит в преобразовании нечётких значений условий и выводов в количественную форму, при этом чёткие величины преобразуются в нечёткие, описываемые лингвистическими переменными [155] в базе знаний. За счёт этой операции фазификации происходит переход в другое (новое) пространство, в котором производится обработка нечётких переменных с использованием логических операций.

2. Нечёткий вывод на основе выбранного алгоритма.

Целью этой процедуры является вычисление итоговой функции принадлежности. Обработка нечётких переменных производится после постановки задачи в терминах правил по специальным алгоритмам. Алгоритмы нечёткого вывода различаются по видам используемых правил нечёткой импликации. Наиболее часто используется принцип минимакса в виде алгоритма Мамдани - Заде (в качестве нечёткой импликации используется операция взятия минимума), или алгоритма Ларсена (в качестве нечёткой импликации используется операция умножения), или алгоритма Цукамото (для монотонных функций принадлежности), или других алгоритмов [55]. При этом нечёткие входные данные преобразуются в требуемые воздействия, которые также носят нечёткий характер, с помощью нечётких условных правил, заложенных в базе знаний.

3. Дефазификация нечётких величин.

Данная операция заключается в преобразовании полученной нечёткой величины (результат логической обработки) в чёткую величину. При этом используются обратные преобразования, переводящие ранее вычисленные нечёткие величины в исходное пространство чётких числовых переменных. Полученные чёткие величины используются для дальнейших действий (для управления объектом и др.).

По такой схеме функционируют, по сути, все системы с нечеткой логикой: сначала данные фазифицируются (переводятся в нечеткий формат), затем обрабатываются, дефазифицируются и в виде привычных сигналов подаются на исполнительные устройства. При этом следует заметить, что, в общем случае, нечёткие системы способны применять множество нечётких правил. Поэтому для «состыковки» модуля вывода решения с дефази- фикатором применяется блок агрегирования равнозначных результатов импликации многих правил, реализуемый в виде логического сумматора.

Однако следует заметить, что существуют системы нечёткого вывода, в которых исполнительный механизм (модуль вывода решения) непосредственно выдаёт чёткие значения, которые не требуется подвергать де- фазификации, например, нечёткая система Такаги-Сугено-Канга — TSK [150].

Рисунок 1.4 - Графическое представление колоколообразной функции принадлежности

В связи с тем, что практически все значимые нечёткие системы с де- фазификаторами могут быть приведены к виду, имеющему в качестве функции принадлежности обобщённую гауссовскую функцию (модель Мамдани - Заде), общий вид которой показан на рисунке 1.4, регулируемыми параметрами системы являются параметры этой функции:

г \^2Ь' х — с ^л

(1.1)

К & J

М{х) = ехр

где с обозначает центр нечёткого множества, сг называется коэффициентом широты (чем его значение меньше, тем крутизна функции больше), параметр Ь влияет на форму кривой. На рисунке 1.4 хо - начальное значение лингвистической переменной, х^ — конечное значение, х_с — значение базовой переменной, при котором достигается максимальное значение функции принадлежности М(х). При уменьшении сг происходит равномерное «стягивание» кривой к вертикальной оси симметрии при сохранении об-

щей формы самой кривой, а при уменьшении Ъ форма кривой меняется от трапецеидальной, через треугольную (при Ъ = 0,6; с=1и<т = 1)к пикооб- разной.

1.3.2 Разработка интеллектуальных систем автоматического управления с использованием нейросетевых технологий

Ниже рассматривается некоторые базовые вопросы нейросетевых парадигм с целью уточнения терминологии и исходных положений.

История теории НС начинается в 1943 г. с новаторской статьи Мак- Каллока и Питтса [64, 137], в которой они описали логику вычислений в НС на основе результатов нейрофизиологии и математической логики. В настоящее время теория НС стала междисциплинарной областью исследований, тесно связанной с нейробиологией, математикой, психологией, физикой и инженерией, имеющая достаточный теоретический и прикладной потенциал.

НС имеют множество достоинств: параллельный механизм обработки данных, способность прогнозировать изменения входной информации, сохранение работоспособности при частичном выходе из строя элементов и связей, самообучаемость, гибкость, ассоциативность, абсолютная и быстрая сходимость к одному из устойчивых состояний под действием входного сигнала, попадающего в область притяжения этого состояния.

Недостаток НС заключается в том, что они не являются универсальными [47]. Программа НС определена её строением. Чтобы перепрограммировать НС на решение новой задачи, необходимо фактически заново создать её внутреннюю архитектуру.

Однако подобное сужение специализации НС компенсируется их способностью к обучению, основному их преимуществу. При соответствующем обучении НС приобретает способность выполнять практически любые преобразования данных, даже в том случае, если они не могут быть описаны определённой функциональной зависимостью. Для воспроизведе
ния тех или других особенностей НС создаются их модели с заданным набором свойств.

Искусственный нейрон (ИН) представляет собой единицу обработки информации в НС. На блок-схеме (рисунок 1.5) показана модель ИН, лежащего в основе НС. В этой модели можно выделить три основных элемента:

набор синапсов или связей, каждый из которых характеризуется своим весом. В частности, сигнал Xj на входе синапса у, связанного с ИН к, умножается на вес м>1д. Важно обратить внимание на то, в каком порядке указаны индексы синаптического веса -Мц. Первый индекс относится к рассматриваемому ИН, а второй - ко входному окончанию синапса, с которым связан данный вес. В отличие от синапсов мозга синаптиче- ский вес ИН может иметь как положительные, так и отрицательные значения.

сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов ИН. Эту операцию можно описать как линейную комбинацию.

Ъ_к

XI Х\М>_к\

"V" 1

7=1

(Р

"V" 3

Рисунок 1.5 - Нелинейная модель нейрона

3. нелинейный оператор действием характеристической функции ф (функции активации) переводит входной сигнал, поступающий с выхода сумматора, в выходной, от явного вида которого зависит тип нейрона.

Функция активации ограничивает амплитуду выходного сигнала ИН. ИН, у которых отсутствуют нелинейные операторы, называются линейными. Свойства нелинейной функции (р, особенно её непрерывность, оказывают определяющее значение на выбор способа обучения ИН, при котором происходит подбор обучающих коэффициентов, и на функциональные возможности всей НС.

В модель ИН, показанную на рисунке 1.5, включен пороговый элемент, который обозначен символом ЪЭта величина отражает увеличение или уменьшение входного сигнала, подаваемого на функцию активации.

В математическом представлении функционирование ИН к можно описать следующей парой уравнений:

«*=1>*Л» (1-2)

У*=ф_к+Ь_к) (1.3)

где х\,х2,...,х_т — входные сигналы,

м/л, .., м>кт - синаптические веса ИН к, щ — линейная комбинация входных воздействий; Ьк — порог;

ф(') ~ функция активации; у_к - выходной сигнал ИН.

Порог Ьк является внешним параметром искусственного ИН к:

и_к = и_к+Ь_к. (1.4)

Принимая во внимание выражение (1.4), формулы (1.2), (1.3) можно преобразовать к следующему виду:

=!>**,» (1.5)

У_к=ф_к) (1.6)

В ИН добавился новый синапс. Его входной сигнал равен:

*о = +1, (1.7)

а его вес:

= Ъ_к.

(1.8)

Функции активации, представленные в формулах как (р(ь), определяют выходной сигнал ИН в зависимости от и. Можно выделить несколько основных типов функций активаций.

1. Функция единичного скачка, или пороговая функция, униполярный вид которой показан на рисунке 1.6. и описывается следующим образом:

(1.9)

Рисунок 1.6 — График униполярной пороговой функции активации

Пороговая функция биполярного вида (рисунок 1.7) описывается следующим образом:

(1.10)

Рисунок 1.7 - График биполярной пороговой функции активации

Это выражение описывает свойство «все или ничего» модели Мак- Каллока-Питтса [64, 137].

2. Кусочно-линейная функция, показанная на рисунке 1.8, является биполярной и описывается следующей зависимостью:

~ I о>1,

<р(о) = \ | У -I <и<1, (1.11)

-I

-1, и<-1.

Рисунок 1.8 - График биполярной кусочно-линейной функции активации

Униполярная кусочно-линейная функция активации описывается следующим образом:

Ч о>1,

ф) = < И, — /<и

О, и<-1.

Если коэффициент усиления линейной области принять бесконечно большим, то кусочно-линейная функция вырождается в пороговую.

3. Сигмоидальная функция активации является наиболее широко используемым типом активационной функции. Она была введена по аналогии с пороговой функцией, но везде является строго монотонно возрастающей, непрерывной и дифференцируемой. Существуют биполярные и униполярные сигмоидальные функции, описываемые зависимостью

1 - е~^х" 1 <Р(^и) ⁼ Т—з^г (рисунок 1.9) и (р(и) = — (рисунок 1.10), соответствен-

1 + ё

но.

Рисунок 1.9 - Биполярный вид сигмоидальной функции активации

Ф)

Рисунок 1.10- Униполярный вид сигмоидальной функции активации

Параметр % определяет наклон функции, за счёт чего получаются разные виды сигмоид. Наиболее часто используется ^ = 1. В случае бесконечно большого % сигмоидальная функция вырождается в пороговую. В качестве модификаций сигмоид широко используются биполярные функ-

ции гиперболического тангенса <р(и) = Щи), арктангенса <р(и) = —аг^(и)

-X»

1 + е

и упрощённой сигмоиды ф{и) = , имеющие схожий вид с разной кри-

1 + и

визной, а также униполярные модификации этих функций.

4. Радиально-базисная активационная функция имеет Гауссовый вид

<р(и) = е ^г для некоторого регуляризующего параметра ст и представлена

на рисунке 1.11. Она применяется в тех случаях, когда реакция нейрона должна быть максимальной для некоторого определенного значения и₀.

Рисунок 1.11— Радиально-базисная функция активации

НС, состоящие из слоёв, сформированных из представленных выше ИН, в зависимости от структурных особенностей связей классифицируются на несколько типов [47]:

слабосвязные, в которых каждый ИН связан только с ближайшими

ИН;

полносвязные, в которых каждый ИН связан со всеми другими ИН, и все входные сигналы подаются всем ИН;

циклические, состоящие из цепи равноправных ИН, в которых последний ИН связан с первым, причём, такие НС, как и полносвязные, до получения ответа могут функционировать неограниченно долго;

многослойные, в которых ИН образуют слои, в которых они не взаимодействуют друг с другом, а только с ИН последующего, по ходу распространения информации, слоя;

слоисто-циклические, отличающиеся тем, что слои замкнуты в кольцо, причём все слои равноправны и могут как получать входные сигналы, так и выдавать выходные.

Обучение считается законченным, когда сеть проверена на тестовых примерах и дальнейшее обучение не вызывает значительного изменения настраиваемых весовых коэффициентов. От того, насколько качественно будет выполнен этап обучения, зависит способность сети решать поставленные задачи. Обучение нейронных сетей напоминает процесс интеллектуального развития человеческой личности. Алгоритм работы нейронной сети является итеративным, его шаги называют эпохами или циклами. Эпоха - одна итерация в процессе обучения, включающая предъявление всех примеров из обучающего множества и, возможно, проверку качества обучения на контрольном множестве. Процесс обучения осуществляется на обучающей выборке. Сеть обучается, чтобы для некоторого множества входов давать желаемое множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор. Количество необходимых наблюдений зависит от сложности решаемой задачи. При увеличении количества признаков [40] количество наблюдений возрастает нелинейно, эта проблема носит название «проклятие размерности». При недостаточном количестве данных рекомендуется использовать линейную модель [30]. Далее веса и смещения автоматически настраиваются таким образом, чтобы минимизировать разность между желаемым и полученным на выходе сигналами. Минимизация разности между желаемым и полученным на выходе сигналами называется ошибкой обучения. Ошибка обучения вычисляется путем сравнения выходных и желаемых значений. Из полученных разностей формируется функция ошибок. Функция ошибок — это целевая функция, требующая минимизации в процессе управляемого обучения нейронной сети. С помощью функции ошибок можно оценить качество работы нейронной сети во время обучения. Например, часто используется сумма квадратов ошибок. От качества обучения нейронной сети зависит ее способность решать поставленные перед ней задачи.

Алгоритмы обучения НС могут быть с учителем, когда известно выходное пространство решений НС, без учителя, когда НС формирует выходное пространство решений только на основе входных воздействий, а также смешанное.

В общем случае задача обучения НС сводится к нахождению некой функциональной зависимости У= (Х), где X — входной, а У — выходной векторы.

В этом случае задача при ограниченном наборе входных данных имеет бесконечное множество решений. Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки нейронной сети, которая находится по методу наименьших квадратов:

= 1.13)

2 /=1

где у₁ - значение ]-го выхода НС, — целевое значение ]-го выхода, р — число нейронов в выходном слое, т.е. минимизация функционала

» ду_к <33 _к д_У] * ду_к <%_к '^{к (1Л4)}

где А: — число нейронов в слое п+1.

По архитектуре и обучению различают следующие известные нейронные сети [37]:

персептронные сети с прямыми связями;

самоорганизующиеся НС. К ним относятся:

НС Кохонена;

НС адаптивного резонанса;

рециркуляционные НС;

НС с обратными связями:

НС Хопфилда;

НС Хэмминга;

двунаправленная ассоциативная память; (1. рекуррентные НС;

гибридные НС:

НС встречного распространения;

НС с радиально-базисной функцией активации (РБФ — сети).

При построении нейронной сети важно выбрать тип сети, число слоев и число нейронов в каждом слое, а также размер обучающей выборки, чтобы обеспечить наилучшее качество её функционирования. Так как до сих пор не существует аналитических методов выбора параметров нейронных сетей, то выбор архитектуры сети должен производиться на основе опыта и экспериментов.

1.4 Архитектура интеллектуальной САУ судна по курсу

Анализ патентных источников, например, патенты иБ 6611737, опубл. 26.08.2003 и Ш 5485545, опубл. 16.01.1996, показал, что в качестве регулятора используется нейросетевой регулятор на базе программной среды МАТЬАВ, однако качественные и количественные показатели работоспособности нейросетевого регулятора не приведены. Анализ непатентных источников [14, 18, 51, 62, 74, 75, 122, 139] показал, что НС чаще всего используется для определения параметров классических регуляторов (использующих ПИД-у правление).

В ряде работ [13, 14, 17, 19] описана практическая реализация нейронной сети Хопфилда для САУ судном по курсу, однако выбор архитектуры НС проводился эмпирическим способом. Математически обоснованных правил выбора архитектуры НС пока не существует, есть только рекомендации исследователей, и поэтому приходилось для каждой конкретной задачи проводить компьютерное моделирование. В работах [15, 27, 3335] приводится сравнительный анализ характеристик системы с многослойным нелинейным нейросетевым контроллером, с контроллером на основе НЛ, ПИД-контроллером с настройкой регулятора НС и обычным ПИД-контроллером идеального типа, при этом доказано, что регулятор на основе нечёткой логики показал лучшие результаты.

Таким образом, проведённый анализ показывает, что в настоящее время при разработке ИСАУ не существует методов, позволяющих выявить наилучший тип и структуру нейронной сети.

Дальнейшее совершенствование ИСАУ может заключаться в использовании преимуществ и нейросетевых технологий, и интеллектуальных систем на основе нечёткой логики. Таким образом, предлагается использовать ИСАУ судном по курсу, функциональная схема которой представлена на рисунке 1.12.

Рисунок 1.12 - Функциональная схема интеллектуальной системы автоматического

управления судном по курсу

РНЛ - регулятор на нечёткой логике, ОУ - объект управления, БО - блок оптимизации, НСМ ОУ - нейросетевая модель объекта управления, НСА - нейросетевой классификатор, Кз - заданный курс, в]- ошибка управления, е^ - ошибка идентификации, а - управляющее воздействие (угол кладки пера руля), К - значение действительного курса судна, у_м - значение действительного курса модели судна, - внешние воздействия, IV - вектор параметров нейронной сети, У_г — вектор настраиваемых параметров регулятора, У_а - вектор данных управляющих воздействий, У_у - вектор данных действительного курса судна, Уа — вектор критериальных признаков движения судна

ИСАУ судном по курсу способна выбирать и работать с нейронными сетями, наилучшими для моделирования динамики движения судна по курсу в текущих условиях плавания. Количество типов нейросетевых моделей динамики движения судном в составе ИСАУ, с одной стороны, ограничено производительностью вычислительной архитектуры системы, а с другой, — предъявляемыми к ней требованиями.

Предлагаемая ИСАУ судном по курсу предусматривает последовательную реализацию следующих основных режимов: подготовки данных, обучения нейронных сетей, функционирования.

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу

Режим подготовки данных о курсе судна состоит из трех связанных процессов, схема которых представлена на рисунке 1.13.

Формирование исходных векторов данных

-К

т/

Идентификация исходных векторов данных

Рисунок 1.13 - Схема подготовки данных

Формирование исходных векторов данных происходит по следующей схеме: данные о курсе судна собираются с помощью входного интерфейса в исходные векторы, каждый из которых представляет собой-совокупность данных о курсе судна, данных о скорости рыскания, кладках пера руля, скорости перекладок пера руля, средней скорости движения судна. -

Идентификация исходных векторов данных о характеристиках рыскания судна заключается в присвоении им идентификационных меток Р_гИдентификационные метки соответствуют уникальным свойствам этих векторов. Процесс идентификации векторов заключается в осуществлении соответствующих вычислений над их элементами.

Предлагаемыми физическими принципами идентификации исходных векторов данных являются следующие:

анализ спектра данных, полученного с помощью дискретного преобразования Фурье;

измерение статистических характеристик сигнала с объекта управления.

Процесс создания рабочих массивов данных о курсе судна состоит в

постановке соответствия каждому сформированному в долговременной

памяти базы знаний > исходному вектору данных действительного курса

судна Yj вектора меток Ру В результате этого образуется рабочий массив данных о поведении судна по курсу {У, Р}у, после чего над ними производят дальнейшие операции (обучение и/или обработку) в зависимости от режима работы ИСАУ судном по курсу. Массив представляет собой базу знаний, созданную для того, чтобы в будущем, при появлении таких же (или близких по статистическим признакам) характеристик поведения судна по курсу, по вектору идентификационных меток выбирать готовую (обученную) НС в качестве модели судна и соответствующий ей регулятор на нечёткой логике. ¹

1.4.2 Режим обучения интеллектуальной САУ судном по курсу

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

Целью обучения является настройка нейронной сетью весовых коэффициентов м>_]ч своей матрицы связей Ж между входным X; и выходным векторами данных НС для определяемого множества всех возможных комбинаций вектора меток Рр что достигается путем поиска наилучших характеристик используемой архитектуры НС: алгоритма обучения данных, алгоритма обработки данных о движении судна по курсу, числа слоев НС, числа нейронов в каждом слое НС.

После обучения НС, любой входной вектор X), 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 движении судна по курсу.

Влияние различных факторов на управляемость судов

Судно как объект управления имеет следующие особенности [11, 24]: - различия в управляемости из-за многообразия движительно- рулевых комплексов, размеров и форм корпуса судна; - большая инерционность; - неполная управляемость и возможность потери управляемости; - влияние на динамические свойства судов изменений нагрузки и условий плавания (мелководье, каналы, реки); - зависимость эффективности средств управления от хода, скорости, режима работы движителей, вида перемещений и др. причин; - значительность влияния на движение судна возмущений среды (течения, ветер, волнение и т.д.); - неоднозначная в ряде случаев реакция на управляющие воздействия.

Целесообразность использования в качестве авторулевых регуляторов на основе нечёткой логики и теории искусственных нейронных сетей определяется рядом преимуществ перед классическими регуляторами, к которым относятся ПД и ПИД регуляторы [31]: - способностью реализовывать распределенные схемы выполнения вычислений, что позволяет управлять многомерными процессами и системами без значительного увеличения времени необходимых вычислений; - возможностью описания процессов управления средствами простого, близкого к естественному, языка; - возможностью неаналитического представления нелинейных объектов управления и описания процессов, характеризующихся неоднозначностью и большим количеством самых разных возмущающих воздействий; - способностью самонастройки параметров регулятора до оптимальных значений, что позволяет устранить необходимость ручной корректировки параметров регулятора при изменении режима работы объекта; - робастностью системы, т.е. когда обеспечивается ее асимптотическая устойчивость в допустимом диапазоне параметрических возмущений; - возможностью практической реализации на современной элементной базе; - возможностью интегрировать частные данные для определения закономерностей процесса управления.

Аппроксимационные свойства нейронных сетей

Нейронные сети обладают рядом достоинств, наиболее существенными являются обучаемость, свойство аппроксимации и адаптивность [103]. Под свойством аппроксимации будем понимать свойство НС осуществлять нелинейное преобразование типа «вход-выход» со сколь угодно малой ошибкой аппроксимации. Адаптивностью называется свойство НС адаптировать свои свободные параметры к изменениям внешней среды [103].

Наилучшей объявляется НС, наиболее точно моделирующая движе-; ние судно по курсу, имеющая алгоритм обучения со скоростью, определяемой наименьшим числом эпох в процессе адаптации НС [1].

Математической основой для обоснования свойства аппроксимации НС с различными функциями активации послужили следующие работы.

В 1885 г. Вейерштрасс [152] доказал теорему о том, что любая непрерывная функция на замкнутом интервале действительной оси может быть представлена абсолютно и равномерно сходящимся рядом многочленов. В 1948 г. Стоун обобщил теорему Вейерштрасса на кольцо многочленов от любого набора функций. В 1956-58 гг. в работах [4, 5, 53, 54] Колмогорова и Арнольда было впервые доказано, что любую непрерывную функцию п переменных можно точно представить с помощью операций сложения, умножения и суперпозиции из непрерывных функций одного переменного. В 1987 г. Хехт-Нильсен [126] применил теорему Колмогорова для объяснения свойства аппроксимации многослойных НС. В работе [120] показано, что многослойная НС прямого распространения с одним скрытым слоем, пороговой функцией и линейным выходным слоем представляет собой частный случай «сети Фурье», обеспечивающей на выходе аппроксимацию заданной функции рядом Фурье. Однако в контексте обычной многослойной НС прямого распространения Цыбенко в 1989 г. впервые строго продемонстрировал, что одного скрытого слоя достаточно для аппроксимации произвольной непрерывной функции, заданной на единичном гиперкубе [113]. В этом же году была опубликована работа по использованию НС прямого распространения в качестве универсальных аппроксиматоров [118]. Работа [141] описывает историю переформулировок теорем Колмогорова и Стоуна-Вейерштрасса для НС и конструктивных алгоритмов формирования НС на основе этих теорем, в том числе при задании допусков на точность аппроксимации искомой функции многих переменных НС и при наличии погрешностей реализации нелинейных функций активации нейронов. В работах [131, 132] была впервые показана возможность аппроксимации любой непрерывной функции НС при любой произвольной нелинейной функции активации нейронов. В исследованиях [38, 39, 121] было переоткрыто, что главным условием универсальных аппроксимирующих свойств НС является нелинейность функций активации.

Теорема об универсальной аппроксимации для НС прямого распространения сформулирована в [103] и является теоремой существования, т.е. математическим доказательством возможности аппроксимации любой непрерывной функции конечным рядом Фурье, однако она не уточняет ни вида функций активации, ни методов обучения НС, создаваемой для реализации данного преобразования. Тем не менее, из теоремы не следует, что один скрытый слой является оптимальным в смысле времени обучения, простоты реализации и, что более важно, качества обобщения.

Теорема об универсальной аппроксимации является очень важной с теоретической точки зрения, так как она обеспечивает необходимый математический базис для доказательства применимости сетей прямого распространения с одним скрытым слоем для решения задач аппроксимации. Без такой теоремы можно было бы безрезультатно заниматься поисками решения, которого на самом деле не существует. Однако эта теорема не конструктивна, поскольку она не обеспечивает способ нахождения НС прямого распространения, обладающего заявленными свойствами аппроксимации.

Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике

В работе в качестве регулятора используется 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 генетического алгоритма. Такие гибридные нейронные сети 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.

Разработанный нечеткий регулятор представляет собой набор лингвистических условных операторов или нечетких ассоциаций, определяющих конкретные ситуации управления. Для рассматриваемой системы управления судном по курсу использовались следующие параметры: К— сигнал на выходе (фактический курс судна); Кз - сигнал на входе (заданный курс судна); е — ошибка между заданным и фактическим судном по курсу; е- скорость изменения ошибки е (скорость ухода судна с курса); и — выход регулятора.

В ходе исследования две нечеткие переменные были представлены в виде девяти нечетких подмножеств: от нулевого значения 2Е до высокого положительного значения РЬ и высокого отрицательного ИЬ (таблица 3.2).

Матрица нечетких ассоциаций (правил) для системы управления судном по курсу составляется на основании экспертных суждений.

Каждая группа элементов в матрице дает одно нечеткое правило (ассоциацию), указывающее, как следует изменить переменную управления и для наблюдаемых величин входных нечетких переменных е и В качестве примера приведем интерпретацию правила {РЬ, 2Е, N1) 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 3.49). р к нулю) выбирается более узкие, чем другие. Это позволяет повысить точность управления вблизи заданного значения курса и повысить робаст- ность 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: - просчитать (измерить) выходную величину процесса у(г)\ - вычислить ошибку e(t) и скорость изменения ошибки e/(t) для момента времени t\ - провести формирование соответствующих нечетких подмножеств путем квантования величин e(t) и е (t)\ - на основе сформированных функций принадлежности вычисляются степени принадлежности ошибки и производной ошибки: М(е$ и М(е[)\ - из базы правил активизируются заключения со степенями принадлежности Мщ , вычисляемыми по степеням принадлежности посылок M(eD и М(е[) с помощью нечеткой логической операции «И»; - величина Мщ «срезается» до величины М методом кодирования по минимуму корреляции; - вычисляется действительная выходная степень принадлежности Мэ путем выполнения нечеткой логической операции «ИЛИ» между значениями MSi — всех активизированных заключений; - выход нечеткого регулятора определяется дискретным аналогом центроидного метода. То есть упрощенный алгоритм нечеткого вывода применяется по следующей форме записи предикатных правил: П,: если е есть аи и d есть ai2, тогда с- zb где zt— вещественные числа, ау — нечеткие числа из функций Гаусса и сигмоидальных функций.

Имитационное моделирование для модели судна типа траулер

Для дальнейшего анализа системы была взята модель судна типа траулер. Параметры этой модели следующие: длина - 85 м, ширина - 15,9 м, осадка - 5,6 м, коэффициент общей полноты - 0,64, площадь руля - 11,7 м , скорость хода - 12 уз.

После проведения серии экспериментов моделирования в базе знаний нейросетевого классификатора было сохранено 12 нейросетевых моделей траулера для различных погодных условий и различной скорости движения. Поведение модели судна имитатора до и после адаптации представлено на рисунке 4.10.

На рисунке 4.11 показан процесс адаптации для судна типа траулер при резком изменении погоды (скорость ветра от 0 до 2 м/сек, высота волны 0,25 м; скорость ветра от 8 до 10 м/сек, высота волны 1,25 м)

Среднеквадратический интегральный критерий отклонения судна от курса уменьшился с 2,43 (за первые три минуты) до 0,16 (за последние 3 минуты). Оптимизация критерия проходила при условии обеспечения работы рулевой машины не более 2/3 исследуемого периода (рис 4.12, курс 1). При адаптации регулятора возможны и другие целевые функции, позволяющие минимизировать нагрузку на рулевой привод, при соблюдении условия качественного удержания судна на курсе. Если ослабить требования времени работы до Уг (рис 4.12, курс 2), т.е ввести в условие оптимизации параметров регулятора на нечеткой логике целевую функцию вида судна на курсе. Интегральный критерий в этом случае составляет 0,31.

В работе использовался случайный метод (генетический алгоритм) оптимизации параметров предикатных правил авторулевого на нечеткой логике, который позволяет избежать остановки алгоритма на локальном экстремуме и не зависеть от размерности задачи.

Анализ результатов проведённого моделирования показал качественное удержание судна по курсу при помощи авторулевого на нечеткой логике и при заданной нагрузке на рулевой привод. По проведенным исследованиям следует также отметить, что адаптированный регулятор на нечеткой логике удерживает судно по курсу в заданных пределах рыскания (1 градус) для всех введенных условий плавания. 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. Проведенные компьютерное и имитационное моделирование подтверждают теоретические выводы работы.

В диссертационной работе на основании выполненных исследований получены следующие основные научные результаты и выводы: 1. Разработана модель ИСАУ судном по курсу на базе нейросетевых технологий, позволяющая выявлять наилучший тип и структуру нейронной сети, моделирующей движение судна. 2. Синтезированы нейросетевые модели движения судна при различных погодных условиях, скорости и водоизмещении судна. 3. Разработан метод выделения критериальных признаков движения судна по курсу, позволяющий выявить наилучший тип и структуру нейронной сети, моделирующей движение судна. 4. Разработан метод определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу, позволяющей обеспечить требуемое качество и точность движения судна по курсу. 5. Получены путём проведения имитационного моделирования нейросетевые модели движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна. 6. Анализ результатов компьютерного моделирования ИСАУ судном по курсу на базе нейросетевых технологий подтвердил достоверность разработанных методов, выводов и рекомендаций, полученных теоретическим путем. 7. Для представленных методов разработаны алгоритмы и программное обеспечение, подтверждённые патентом.

Интеллектуальная система автоматического управления судном по курсу Седова Нелли Алексеевна

Влияние различных факторов на управляемость судов

Аппроксимационные свойства нейронных сетей

Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике

Имитационное моделирование для модели судна типа траулер

Похожие диссертации на Интеллектуальная система автоматического управления судном по курсу