Содержание к диссертации
Введение
Глава 1 Анализ современных систем автоматизации, управлении и диагностирования СДВС 11
1.1 Краткий исторический обзор развития систем автоматизированного управления и диагностирования СДВС 11
1.2 Аналитический обзор современных методов и систем управления СДВС 15
1.3 Выбор адаптивной системы управления СДВС с учетом диагностики технического состояния двигателя 18
1.4 Основные методы оценки технического состояния 23
1.4.1 Признаки, параметры и показатели технического состояния (работоспособности) СДВС 28
1.4.2 Диагностика СДВС по виброакустическим характеристикам 31
Выводы по первой главе 38
Глава 2 Методика расчета частных и обобщенного критериев качества диагностических параметров СДВС на основе функций желательности Харрингтона 40
2.1 Частные функции желательности 40
2.2 Обобщенная функция желательности 43
2.3 Практическая реализация методики для вибродиагностики СДВС 46
2.3.1 Контрольные точки измерения вибрации 48
2.3.2 Методы нормирования вибрации и распознавания ТС объекта.. 50
2.3.3 Обработка данных и результаты исследований 51
Вывод по второй главе 58
Глава 3 Разработка модель определения степени работоспособности судового двигателя внутреннего сгорания 60
3.1 Математическая модель определения степени работоспособности СДВС 60
3.1.1 Обоснование выбранной модели 60
3.1.2 Статистический анализ полученных данных 68
3.2 Разработка модели для определения степени работоспособности СДВС на основе нейро-нечетких систем 74
3.2.1 Обзор использования нейро- нечетких систем в системе управления динамическими объектами 75
3.2.2 Построение модели для определения степени работоспособности СДВС 80
3.2.3 Оценка точности модели 92
Выводы по третьей главе 94
Глава 4 Адаптивная система управления частотой вращения СДВС с учетом диагностики его работоспособности 95
4.1 Адаптивное управление качеством функционирования системы по состоянию объекта управления 95
4.2 Разработка адаптивной системы управления СДВС с учетом диагностики работоспособности на базе нечеткой логики 105
4.2.1 Метод сбора и подготовки данных 105
4.2.2 Моделирование системы адаптивного управления частотой вращения СДВС с подсистемой диагностики работоспособности на основе экспериментальных данных 109
4.2.3 Оценка адекватности модели 117
4.3 Алгоритм адаптивного управления частотой вращения СДВС с учетом диагностики технического состояния оборудования 122
4.4 Аппаратная реализация системы управления СДВС 126
Выводы по четвертой главе 134
Заключение 135
Список использованных источников 136
Приложение А 151
Приложение Б 153
Приложение В 155
Приложение Г 156
Приложение Д 158
Приложение Е 160
- Выбор адаптивной системы управления СДВС с учетом диагностики технического состояния двигателя
- Обработка данных и результаты исследований
- Построение модели для определения степени работоспособности СДВС
- Моделирование системы адаптивного управления частотой вращения СДВС с подсистемой диагностики работоспособности на основе экспериментальных данных
Введение к работе
Актуальность темы диссертации.
К одной из наиболее ответственных областей автоматизации на флоте относятся автоматизированные системы управления судовыми энергетическими установками, объединяющие системы управления главными дизелями и вспомогательными механизмами судна.
Автоматизация систем управления судовым двигателем внутреннего сгорания (СДВС) не всегда позволяет получить требуемые показатели качества управления, так как разработанные математическое и алгоритмическое обеспечение не учитывает фактического состояния оборудования и средств автоматизации.
В настоящее время существует множество средств, методов и систем получения информации о техническом состоянии (ТС) СДВС путём контроля параметров и диагностики ТС, однако все они имеют ряд ограничений и недостатков. Необходимо совершенствовать и разрабатывать новые технологии и способы эффективного адаптивного управления по текущему состоянию СДВС. На сегодня все, даже новейшие системы в сфере управления СДВС, в том числе на базе нейро-нечетких систем (ННС), не используют диагностику объекта в должной мере и, как следствие, не способны выявлять, устранять дефекты и неисправности, прогнозировать остаточный ресурс объекта управления (ОУ).
Одной из серьезных проблем использования систем диагностики в процессе адаптивного управления является большой объем, обрабатываемой информации, что не всегда удается выполнить в режиме реального времени. Одним из возможных решений проблемы является использование ННС. Нейронные сети занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети и матрицы весовых коэффициентов.
Принимая во внимание задачи экономии топливно-энергетических ресурсов, а также проблемы безопасности транспорта, связанные с отказоустойчивостью СДВС и систем их управления, можно сказать, что тема диссертационной работы, посвященная повышению быстродействия диагностических систем на основе применения ННС и интеграции подсистемы диагностики в систему управления СДВС, является актуальной.
Целью данной работы является разработка системы адаптивного управления СДВС с учетом диагностики его работоспособности на базе ННС.
Для решения поставленной цели в работе сформулированы и решены следующие задачи исследования:
-
Анализ существующих методов автоматизации, управления и диагностирования СДВС и выявление связанных с этим проблем.
-
Применение частных и обобщенного критерия качества диагностических параметров СДВС для определения степени работоспособности объекта.
-
Разработка математической модели и модели на базе ННС для определения степени работоспособности СДВС.
-
Разработка модели и алгоритмического обеспечения работы системы адаптивного управления СДВС с подсистемой диагностики его работоспособности на базе ННС.
Методы исследования. Методологической базой диссертации является исследования таких ученых, как Ю.П. Адлер., В.Н. Дианов, С.Ю., А.В.Барков., Чиркин, С.В. Головко, А.Н. Малявин и др.
В работе использованы теории управления, методы системного анализа и математического моделирования, математические методы планирования многофакторного эксперимента и регрессионного анализа, теории нечетких множеств и нейронной сети.
Основные положения, выносимые на защиту.
1. Метод оценки качества диагностирования СДВС по частным и обобщенному критерию качества на основе функций желательности Харрингтона.
2. Математические модели определения степени работоспособности СДВС по диагностическим параметрам с использованием методов планирования эксперимента.
3. Модель определения степени работоспособности СДВС на основе ННС.
4. Модель и алгоритм системы адаптивного управления СДВС с подсистемой диагностики его работоспособности на базе ННС.
Достоверность результатов обеспечена применением обобщенного критерия качества объекта диагностирования по состоянию вибрации с помощью виброанализатора 795М.
Обоснованность подтверждена удовлетворительным совпадением результатов численного моделирования с результатами экспериментов.
Научная новизна. В рамках диссертационной работы были получены следующие основные результаты:
-
Предложена методика расчета частных и обобщенного критериев качества диагностических параметров СДВС на основе функций желательности Харрингтона.
-
Разработаны новые математические модели и модели на базе ННС для диагностирования степени работоспособности СДВС.
-
Разработана модель и алгоритмическое обеспечение работы системы адаптивного управления СДВС с подсистемой диагностики его работоспособности на базе ННС.
Практическая ценность:
-
Разработана методика расчета частных и обобщенного критериев качества диагностических параметров СДВС на основе функций желательности Харрингтона. Данная методика позволяет сократить время обработки информации с большим количеством сигналов.
-
Разработаны математические модели определения степени работоспособности СДВС на основе методов математического планирования эксперимента и на базе нечеткой логики, обеспечивающие более высокое качество диагностирования судовых двигателей и сократить время стоянки судна в порту.
-
Разработана модель и алгоритмическое обеспечение адаптивного управления частотой вращения вала СДВС, опирающиеся на непрерывное диагностирование его работоспособности, что позволяет повысить эффективность системы предотвращения аварий дизелей в море.
-
Личный вклад автора. Постановка научно- исследовательских задач и их решение, научные положения, выносимые на защиту, основные выводы и рекомендации диссертации принадлежат автору. Личный вклад в работах, опубликованных в соавторстве, отражен в диссертации и составляет не менее 50%.
Реализация и внедрение. Теоретические и практические результаты внедрены в ООО ПКФ «Фатом» при диагностировании судовых двигателей, а также используются в учебном процессе на кафедре «Электрооборудование и автоматика судов» ФГБОУ ВПО «АГТУ» при изучении дисциплин: «Интеллектуальные системы управления» и «Судовые автоматизированные электроэнергетические системы».
Апробация работы. Основные научные положения и результаты диссертационной работы докладывались и обсуждались: на заседаниях кафедры «Электрооборудование и автоматика судов», заседаниях Ученого совета института «Морских технологий, энергетики и транспорта» ФГБОУ ВПО «АГТУ»; на семинаре: «Использование результатов фундаментальных научных исследований в судостроении и эксплуатации флота Юга России» (г. Астрахань 2010 г); на студенческой научно-технической конференции АГТУ (г. Астрахань 2010 г); на международной отраслевой научной конференции профессорско-преподавательского состава АГТУ (54 ППС) (г. Астрахань 2010 г); в 5-ой международной научно- практической заочной конференции «Энергетика и энергоэффективные технологии». (г. Липецк, 15-16 декабря 2011 г); на 5-ой Всероссийской научно-технической интернет конференций «Энергетика. Инновационные направления в энергетике.CALS- технологии в энергетике» (г. Пермский, 1-30 ноября 2011 г.); во Всероссийской молодежной научно-практической конференции с международным участием «Инженерная мысль машиностроения будущего» (г. Екатеринбург, апреля 2012 г).
Публикации. По теме диссертации опубликовано 10 печатные работ, в том числе: 5 статьей в публикациях по перечню ВАК, 5 статей в материалах Международных и Всероссийских конференций.
Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения, списка используемых источников и приложений. Основной текст содержит 150 страниц машинописного текста. Библиография –143 наименования.
Выбор адаптивной системы управления СДВС с учетом диагностики технического состояния двигателя
Сложность систем управления СДВС в последнее время существенно увеличивается. Это связано с постоянным ужесточением экологических норм, экономических требований к расходу ГСМ и широким использованием форсирования двигателей. Системы управления СДВС имеют всего два основных параметров регулирования - мощность и частота вращения двигателя. При этом наиболее распространенные - ПИД- регуляторы, применяемые в этих системах, уже не отвечают современным требованиям, так как оптимальное управление, в значительной степени, зависит не только от скорости вращения двигателя и нагрузки, а также от режима работы объекта управления (ОУ).
Математическая модель СДВС, которая полностью не учитывает все особенности работы СДВС, очень сложна и до сих пор не создана. Поэтому во многих системах управления СДВС применяют табличную модель, на основе экспериментальных данных полученных на испытаниях СДВС и с учетом экспертных оценок. Главным недостатком таких моделей заключается в большой трудоемкости составления многомерных таблиц и значительных объемах памяти, которые требуются для их хранения и использования. Необходимо так же учитывать то, что управляющее воздействие - выходной параметр формируется в зависимости от трех и более входных параметров. Максимально возможные эксплуатационные характеристики
Регулируемые параметры необходимы для того, чтобы нормализовать работу двигателя в таких случаях, как[72]:
незначительный, не требующий замены, износ или притирание движущихся частей двигателя в процессе эксплуатации;
замена движущихся частей двигателя;
смещение показаний датчиков в процессе эксплуатации;
изменение условий эксплуатации СДВС (давление, влажность и температура воздуха, используемое топливо, особенности управления судном (скорость, мощность, экономичность));
конструктивные изменения двигателя.
В разрабатываемом алгоритме должно использоваться как можно меньше требуемой памяти и времени вычислительного процесса является еще одной важной особенностью. Это связано с тем, что экономическая стоимость микропроцессоров много зависит от их характеристик. К тому же, выполнив эти требования, позволит уменьшить период регулирования, который не должен быть более 1 миллисекунды по современным требованиям. Разрабатываемый алгоритм должен удовлетворять следующим требованиям[29]:
алгоритм системы должны быть достаточно быстрым в работе, следовательно, максимально простым;
алгоритм системы должен быть гибким и универсальным;
алгоритм системы должен содержать минимальное количество регулируемых параметров;
алгоритм в ходе настройки должен аппроксимировать входные параметры с достаточной точностью;
размерность алгоритма не должна зависеть от количества выборок данных, используемых в процессе настройки.
алгоритм системы должен учитывать всережимность работы ОУ.
Для решения данной проблемы с жестким требованием, целесообразно использовать методов искусственного интеллекта на базе ННС [38]. В настоящее время разработано их достаточно большое количество, поэтому главной задачей будет являться выбор наиболее подходящего алгоритма для выдвинутых требований. Системы, использующие на базе нечеткой логики, наиболее полно удовлетворяют всем вышеперечисленным параметрам. Известно, что системы с нечетким управлением эффективны в следующих случаях [72]:
- для управления очень сложными процессами, когда не существует строгого математическое описание и простой математической модели;
- для нелинейных систем очень высокого порядка;
- для систем с неполной информацией о состоянии объекта управления;
- в тех случаях, когда должна производиться обработка лингвистически сформулированных экспертных знаний;
- для систем с постоянно изменяющимися режимами эксплуатации.
В дальнейшем речь пойдет о ННС, как о сетях, объединивших в себе все преимущества нечеткой логики и достоинства нейронных сетей. ННС можно обучить достаточно точно, взяв более большую выборку и потребовав более высокую точность обучения. Увеличение размеров обучающей выборки не влияет на размеры сети и скорость прохождения сигнала по сети, а повлияет только на скорость обучения. ННС занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети и матрицы весовых коэффициентов. Важнейшим преимуществом ННС является возможность построения одной сети для вычисления нескольких выходных значений по нескольким входным. Аппаратные реализации ННС идеально подходят для решения задач идентификации и управления, так как обеспечивают, благодаря параллельной структуре, чрезвычайно высокую скорость выполнения операций. Также преимуществом ННС является то, что они способны аппроксимировать функции любой степени нелинейности. Для обучающей выборки можно брать любые значения с произвольным изменяемым непостоянным периодом дискретизации. Знания предметной области для аналитика не обязательны, так как ННС являются универсальным аппроксиматором.
Непрерывная оптимизация процесса управления, которая достигается использованием алгоритмов ННС, позволит поддерживать максимально возможные эксплуатационные характеристики. Однако оптимизация автоматизированных систем управления СДВС не во всех случаях обеспечивает требуемые показатели качества управления, так как существующие системы управления не учитывают фактического состояния СДВС и состояние самих средств автоматизации. Для решения этой задачи требуется диагностика технического состояния средств автоматизации и оборудования и прогнозирование остаточного ресурса по времени, что также позволит заблаговременно производить необходимый ремонт и избежать аварий.
Большинство современных судов оборудованы системами централизованного управления и контроля, которые обеспечивают мониторинг всех существенных параметров (рисунок 1.2).
Обработка данных и результаты исследований
Обобщенный критерий качества, построенный на основе функций желательности Харрингтона преследует цель упрощения процесса обработки больших объемов диагностических данных, а также получения дифференцированной оценки ТС оборудования, в достаточной степени независимой от способа диагностики. Методика получения обобщенного критерия может послужить основой для разработки системы принятия решений, являющейся важной частью комплексов диагностики.
Под желательностью h будем понимать тот или иной желательный уровень качества, соответствующий шкале желательности, которая меняется от 0 до 1.
Для односторонних ограничений значения кодированной шкалы можно будет определить по формулам (2.8).
Для практической реализации методики получения обобщенного критерия качества использовались данные вибродиагностики подшипников судовых двигателей 6ЧН 15/18(3Д6Н) и 44 9,5/11 проводились в лаборатории тепловых двигателей кафедры «Судостроение и энергетические комплексы морской техники _АГТУ», полученные с помощью виброанализатора 795М и обработанные в пакете «Конспект» [Приложение В].
Анализатор спектра вибрации 795М способен измерять следующие параметры вибрации: виброускорение А(м/сл2), виброскорость V(MM/C), виброперемещение S(MKM) работающего двигателя. На рисунках 2.5-2.6 показаны рабочие окно программы «КонСпект» и зависимость параметра виброускорение от частоты вибрации.
В таблице 2.2 приведены желательности каждого параметра вибрации на всем диапазоне исследуемого спектра. Составлены обобщенные критерии качества на основе функции желательности Харрингтона для двух ранее продиагностированных судовых дизелей. Результаты проведенных исследования показали, что подшипник двигателя 44 9,5/11 не имеет серьезных дефектов, а подшипник двигателя 6ЧН 15/18(3Д6Н) имеет зарождающиеся дефекты. Данный критерий составлялся на основе трех вибропараметров: виброперемещение, виброскорость, виброускорение, в диапазоне частот от 2,817 до 40,3771 Гц (в 58 точках). Были вычислены желательности для значений соответствующих параметров в каждой точке и их среднее геометрическое. Очевидной особенностью применения функции желательности в данном методе является необходимость при вычислении обобщенного критерия для получения достоверной оценки исключать из среднего геометрического значения желательностей на частотах, параметры вибрации на которых имеют значения, близкие к нулю.
Одним из преимуществ предложенного метода является простота преобразования формы представления результатов в зависимости от поставленных задач. Например, графики на рисунке 2.7 показывают обобщенную желательность значений трех параметров вибрации на исследуемых уровнях частоты, что позволяет выделить характерные точки спектра для определения не только уровня работоспособности объекта, но и наличия конкретного типа дефекта.
На основе результатов диагностики были получены не только ТС объекта, но и дальнейшие рекомендации по эксплуатации объекта. Предложенная методика представляет собой принципиальную основу нового метода обработки диагностической информации. Методика получения обобщенного критерия может послужить основой для разработки математической модели, определяющиеся степени работоспособности объекта.
Построение модели для определения степени работоспособности СДВС
Применение нейро-нечетких систем (ННС) является важней проблемой, потому, что они могут обеспечить более высокую точность принятия решения. Главное достоинство нечетких систем, по сравнению с традиционными заключается в относительно простом разрешении задач управления объектами, в которых присутствует значительная неопределенность и большое количество факторов с широким диапазоном измерения. Для таких объектов система нечеткого управления разрабатывается с обязательной реализацией основных этапов нечеткого вывода (рисунок 3.7).
Для повышения точности определения степени работоспособности двигателя, необходимы, выбрать признаки, которые дают наиболее информационности и высокой чувствительности к изменению работоспособности двигателя. Для этого построим две подсистемы :
1) определение степени работоспособности подшипников;
2) определение работоспособности системы смазки.
Построение модели определения работоспособности подшипников СДВС: Определение обучающих данных, для модели системы ННВ, начинается с нахождения входных и выходных лингвистических переменных.
За входные переменные принимаются следующие параметры: максимальный шум подшипника (dBm) и собственный шум подшипника (dBc), температуру подшипника (ТІ), обобщенный критерий качества Харрингтона (НІ). Выходная переменная - степень работоспособности подшипника (R1).
Для загрузки данных воспользуемся кнопкой Load Data в левой нижней части графического окна. После загрузки обучающих данных из файла «Модельна!» их структура будет отображена в рабочем окне редактора ANPIS (рисунок 3.8).
Для каждой строке данных, в графическом окне, определена соответствующая точка графика (точки графика в окне изображается кружком). По оси ординат расположены порядковые номера каждой строки данных, по оси абсцисс откладываются значения соответствующей выходной переменной.
На следующем этапе, на базе обучающих данных, производится генерация структуры системы нейро-нечеткого вывода. Структура системы нейро-нечеткого вывода представляется моделью гибридной сети в среде MATLAB.
С помощью кнопки «Generate FIS» в нижней части окна редактора ANFIS начинается процесс генерации структуры. При выполнении данной операции две первые опции в окне редактора это часть структуры гибридной сети, а две последующие - разбиения входных переменных. При формировании новой структуры распределяем входные переменные по областям их значений «Grid partition». Альтернативный вариант - применение процедуры субтрактивной кластеризации, которая производит разбиение значений входных переменных по разделам близких значений - «Sub. Clustering».
Нажатием кнопки «Generate FIS» открывается окно в котором приведены числа и типа функций принадлежности, всех термов входных переменных и выходной переменной (рисунок 3.9). Производится задание типа функций, принадлежности, выбираем трапецеидальный.
Кнопкой «Structure» запускается процесс создания вида структуры гибридной сети - визуализация структуры. Кнопка «Structure» расположена в правой части графического окна редактора ANFIS.
Структура полученной в результате системы нечеткого вывода FIS отображается в отдельном окне и достаточно тривиальна по своему виду (рисунок 3.10).
В структура сгенерированной система ННВ входят - 4 входных переменных с 4 термами, 256 правила нечетких продукций и одно выходная переменная с 4 термами. Компоненты структуры системы нейро-нечеткого вывода FIS представлены на рисунке как узлы определенного цвета.
Для задания параметров обучения гибридной сети необходимо применить опции расположенные в нижней части рабочего окна редактора ANFIS:
1. Задается метод обучения гибридной сети - или обратного распространения «backpropa» или гибридный «hybrid». Гибридный метод обучения сети это сочетание двух методов - наименьших квадратов и убывания обратного градиента.
2. Задать минимальный уровень ошибки обучения «Error Tolerance» - 0.
3. Определить требуемое число циклов обучения «Epochs».
Последующий подбор параметров сгенерированной гибридной сети производится посредством графических средств, входящих в стандартный набор пакета Fuzzy Logic Toolbox.
В ходе выполнения этой операции редактора ANFIS открывает доступ к редактору функций принадлежности системы ПИВ, редакюру правил системы ННВ, программе для просмотра правил системы ННВ и программе для просмотра поверхности сгенерированной системы ННВ. На рисунке 3.12 приведена структура сгенерированной ННВ для определения степени работоспособности СДВС по четырем параметрам.
Моделирование системы адаптивного управления частотой вращения СДВС с подсистемой диагностики работоспособности на основе экспериментальных данных
Адекватность разрабатываемой модели СДВС зависит от технических и технологических характеристик используемого двигателя, которые данная модель должна учитывать. Гибкость управляющего алгоритма обеспечена модульной структурой модели, что позволит уменьшить объемы оптимизации для достижения эффективного результата. Перед нами управляющая система СДВС с функцией диагностики, использующая обобщенный параметр работоспособности оборудования R.
Рассмотрим работу модели. На входе система использует три управляющих сигнала и шесть диагностических, на выходе имеет два. Для удобства восприятия условные обозначения сигналов с расшифровками сведены в таблицу 4.2.
Моделирование проводилось с использованием пакета MATLAB Simulink [4]. Для моделирования был выбран дизель 6ЧН 15/18(ЗД6Н). По разработанной методике были получены экспериментальные данные системы управления двигателем. Также были проведены испытания и получены скоростные характеристики дизеля.
Рисунок 4.6 - Структурная схема адаптивного управления СДВС с подсистемой диагностики его работоспособности Модель включает в себя следующие подсистемы:
"Расчет R"- определение работоспособности СДВС;
"Расчет п" - расчет частоты вращения коленчатого вала двигателя и определение режима работы двигателя с учетом работоспособности;
"Расчет Р"- Расчет ограниченной мощности с учетом работоспособности двигателя;
"Delay" - моделирование переменной задержки сигнала обратной связи с датчика положения коленчатого вала двигателя.
Первоначально входные сигналы поступают на мультиплексор, где формируется единый вектор входных значений, который далее подается на блок "Расчет п", задачей которого является расчет оптимальный частоты вращения в соответствии с полученными входными данными (рисунок 4.6) с применением нечетких алгоритмах типа Сугено (Sugeno). Для формирования базы правил систем нечеткого вывода предварительно определили входные и выходные лингвистические переменные. В качестве входных переменных используем степень работоспособности подшипника (R), удельный расход топлива (ge) момент нагрузки двигателя (Ме) и расход топлива (Gt). В качестве выходной переменной используем частоты вращения с режимом работы двигателя (п).
На рисунке 4.13 представлены графически каждую из полученных подсистем Сугено. Обучение систем нейро-нечеткого вывода осуществлялось при помощи пакета Anfis на массиве экспериментальных данных, полученных при испытании на экспериментальных работах.
Аналогично с расчета частоты вращения, в блоке расчет мощности двигателя с учетом диагностики его работоспособности используем два входных переменных: «частота вращения» -п «работоспособность двигателя» -R и один выходной «мощность» - Р (рисунок 4.14).
Время задержки определяется из периода одного полного оборота вала. Так как стандартный блок "Variable time delay" не позволяет устранить эту разницу, то вместо него был использован выше описанный блок. Выходной характеристику частоты вращения двигателя получают суммированием выходного сигнала с временем задержки. Следующим действием определим.
Сигнал из блока определения работоспособности двигателя «» с сигналом обратной частоты вращения, формируется единый вектор входных значений, который подается на блок "Расчет Р", которого задачей является определить мощности на валу двигателя.
Блок "Расчет Р" так же, как блок "Расчет п", обучены на основе ННС типа Сугено. В связи с тем, что ограничение набора экспериментальных данных, полученных с стендовой испытании, и специфики работы гибридных сетей, сигнал с выхода блока "Расчет п" проходит несколько элементов сравнения, которые позволяют сформировать граничные условия, обусловленные недостаточностью данных. После этого сигнал поступает на выход системы, который связаны с рейки топлива через редукторы или исполнительного механизма, чего происходит увеличения или уменьшения частоты вращения двигателя.
