Содержание к диссертации
Введение
ГЛАВА 1. Анализ современного состояния в области проектирования интеллектуальных систем управления газотурбинными двигателями 13
1.1 Тенденции развитии авиационных ГТД и его систем автоматического управления 13
1.2 Анализ существующих методов построения математических моделей ГТД и многорежимного управления ГТД 19
1.3 Функции и задачи интеллектуальных систем управления ГТД 25
1.4 Роль и место неиросетевых технологий в интеллектуальном управлении ГТД 35
1.5 Методы и алгоритмы синтеза интеллектуальных систем управления ГТД 42
1.6 Выводы по первой главе. Постановка задач исследования 49
ГЛАВА 2. Разработка алгоритма и методики идентификации гтд и исполнительного механизма системы топливопитания на основе неиросетевых моделей 51
2.1 Общая постановка задачи идентификации ГТД и исполнительного механизма системы топливопитания на основе неиросетевых моделей 51
2.2 Выбор архитектуры и алгоритмов обучения нейросетевой модели ГТД и исполнительного механизма системы топливопитания 53
2.3 Задача идентификации нейросетевой модели гидромеханической части САУГТД 55
2.4 Методика идентификации и адаптации неиросетевых моделей ГТД 61
2.5 Результаты и выводы по второй главе 69
ГЛАВА 3. Синтез неиросетевых алгоритмов управления ГТД 71
3.1 Постановка задачи синтеза НС-алгоритмов управления ГТД 71
3.2 Синтез супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора 72
3.3 Синтез многорежимного НС-регулятора в астатической САУ 74
3.4 Синтез адаптивных НС-алгоритмов управления ГТД 76
3.5 Анализ устойчивости нейросетевой САУ ГТД 84
3.6 Синтез нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления 90
3.7 Разработка алгоритма построения отказоустойчивой нейросетевой САУ ГТД 100
3.8 Результаты и выводы по третьей главе 106
ГЛАВА 4. Особенности программно-аппаратной реализации неиросетевых алгоритмов управления ГТД . 109
4.1. Методика проектирования НС-алгоритмов управления ГТД 109
4.2. Анализ особенностей технической реализации НС-алгоритмов на основе высокопроизводительной бортовой распределенной вычислительной системы 113
4.2.1. Выбор и обоснование архитектуры вычислителя 113
4.3 Аппаратная реализация на ПЛИС 122
4.3.1 Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС 122
4.3.2 Пример реализации НС-модели ГТД на базе ПЛИС 123
4.3.3 Пример реализации НС-модели исполнительного механизма на базе плис : 126
4.3.4. Пример реализации НС-регулятора заданной структуры и анализ особенностей интеграции спроектированных НС-вычислителей вСАУЛА 128
4.4. Выводы по четвертой главе 130
Заключение 132
Список источников литературы 133
Приложение 148
- Роль и место неиросетевых технологий в интеллектуальном управлении ГТД
- Задача идентификации нейросетевой модели гидромеханической части САУГТД
- Синтез нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления
- Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС
Введение к работе
Актуальность темы
С расширением диапазона высот и скоростей полета летательных аппаратов (ЛА) появилась потребность в адаптации бортовых систем управления к условиям полета и режимам работы их силовых и энергетических установок. Современные газотурбинные двигатели (ГТД) представляют собой сложные технические объекты, которые отличаются многообразием протекающих в них физических процессов и характеризуются многомерностью, многосвязностью, нелинейностью, нестационарностью рабочих процессов, существенным влиянием режимов работы и внешних условий на характеристики их функционирования. Развитие и совершенствование ГТД сопровождается ужесточением требований к их системам автоматического управления (САУ), включая такие требования, как надежность, точность и качество процессов управления.
Современные подходы к построению высокоэффективных САУ ГТД основаны на работах А. А. Шевякова, Б. А. Черкасова, О. С. Гуревича, Ф. Д. Гольберга, Г. В. Добрянского, Т. С. Мартьяновой, Ю. М. Гусева, В. Н. Ефанова, В. Г. Крымского, Ю. С. Кабальнова, Р. Л. Лейбова, О. Д. Лянце-ва, Л. Б. Уразбахтиной, А. И. Фрида и др.
К числу основных факторов, которые необходимо учитывать при проектировании САУ ГТД, относятся факторы неопределенности, такие как неполнота априорной и рабочей информации, неточность математических моделей ГТД, погрешности датчиков и исполнительных механизмов, изменение характеристик двигателя в течение срока эксплуатации, возникновение возможных отказов функциональных элементов САУ. В качестве перспективного направления при решении задач проектирования САУ ГТД в последние годы рассматривается их построение в классе интеллектуальных систем управления, обеспечивающих робастность, адаптивность и отказоустойчивость процессов управления ГТД в условиях неопределенности.
Вопросам построения интеллектуальных систем управления (ИСУ) ГТД посвящены работы Б. Г. Ильясова, В. И. Васильева, Г. Г. Куликова, С. В. Епифанова, В. Ю. Арькова, С. С. Валеева, С. В. Жернакова, Р. А. Мунасыпова и др. В этих работах показана, в частности, возможность применения искусственных нейронных сетей (НС) для решения задач идентификации и управления ГТД. Использование НС-технологий должно обеспечить адаптацию алгоритмов управления ГТД в широком диапазоне изменения режимов работы и условий полета на основе механизмов обучения и самообучения.
Вместе с тем, анализ современной литературы, посвященной построению ИСУ ГТД, показывает, что многие задачи, связанные с построением НС-моделей ГТД и исполнительных механизмов (ИМ) систем топливопитания, нейросетевых адаптивных алгоритмов многорежимного управления ГТД, а также применением НС дл оперативного контроля и диагностирования отказов датчиков, исполнительных механизмов и системы управления ГТД в целом, до
сих пор остаются открытыми. Вопросы программно-аппаратной реализации НС-алгоритмов управления и контроля САУ ГТД также требуют дополнительного исследования.
Таким образом, проблема разработки моделей, алгоритмов и программно-аппаратной реализации интеллектуальных систем управления ГТД с использованием современных нейросетевых технологий является своевременной и актуальной.
Цель и задачи исследования
Целью исследования является разработка теоретических и методических основ синтеза нейросетевых алгоритмов идентификации, многорежимного управления и обеспечения отказоустойчивости САУ ГТД, позволяющих повысить эффективность процессов управления ГТД в условиях неопределенности.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
Разработка и исследование алгоритмов идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.
Разработка и исследование алгоритмов синтеза и адаптации нелинейных многорежимных регуляторов ГТД на основе многослойных нейронных сетей.
Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД с использованием нейросетевых моделей их элементов и подсистем.
Оценка эффективности разработанных нейросетевых алгоритмов идентификации и управления ГТД и способов их программно-аппаратной реализации (ПЛИС).
Методика исследования
Поставленные в работе задачи решались с использованием методов системного анализа, теории идентификации и теории автоматического управления, нейроинформатики, методов имитационного моделирования на ЭВМ.
Результаты, выносимые на защиту
Алгоритмы и методика идентификации ГТД и исполнительного механизма системы топливопитания на основе рекуррентных нейронных сетей.
Алгоритмы синтеза и адаптации нейросетевого регулятора ГТД на основе метода симплексного поиска и байесовской регуляризации.
Алгоритмы и методика синтеза отказоустойчивой САУ ГТД с использованием нейросетевых моделей ее функциональных элементов и подсистем.
Методика проектирования нейросетевых алгоритмов идентификации и управления ГТД, а также практические рекомендации по их технической реализации на базе программируемых логических интегральных схем (ПЛИС).
Научная новизна результатов
Предложены НС-алгоритмы динамической идентификации ГТД и исполнительного механизма системы топливопитания, отличающиеся тем, что они основаны на использовании новых классов архитектур НС, таких как динамические персептроны и рекуррентные сети Элмана, и алгоритмов обучения на основе байесовской регуляризации, что позволило повысить точность идентификации по сравнению с известными методами при наличии ограничений на вычислительные ресурсы БЦВМ.
Предложены алгоритмы синтеза и адаптации многорежимного нейро-сетевого регулятора ГТД, отличающиеся тем, что для компенсации нелинейных характеристик двигателя используется его нейросетевая обратная модель, обучаемая в режиме реального времени, что позволило повысить качество процессов управления в широком диапазоне изменения режимов работы двигателя.
Предложены алгоритмы обеспечения отказоустойчивости САУ ГТД, основанные на использовании метода FDI (Fault Detection and Identification), отличающиеся тем, что обнаружение отказов в системе осуществляется путем анализа рассогласований выходов функциональных элементов САУ с выходами аналогичных элементов в эталонной нейросетевой модели САУ, настраиваемой в режиме реального времени, что позволяет повысить оперативность и достоверность обнаружения отказов в широком диапазоне изменения режимов работы и характеристик САУ ГТД.
Предложена формализованная процедура моделирования и отладки нейросетевых алгоритмов управления ГТД на основе ПЛИС в среде САПР "Quartus", отличающаяся тем, что задание функции активации нейронов осуществляется табличным способом, а структура НС определяется с помощью тек-стово-графического представления, что позволяет повысить наглядность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.
Практическая значимость работы
Разработаны инженерные методики синтеза и моделирования НС-алгоритмов идентификации и управления ГТД, применение которых позволяет формализовать основные этапы анализа, синтеза и моделирования САУ ГТД. Предложена методика анализа устойчивости нелинейной САУ ГТД с НС-регулятором, основанная на использовании теоремы о малом коэффициенте усиления. Разработаны методические и практические рекомендации по реализации НС-моделей и алгоритмов управления ГТД на программируемых логических интегральных схемах (ПЛИС) в САПР «Quartus».
Апробация работы
Основные положения, представленные в диссертационной работе, докладывались и обсуждались на:
- VII, IX-XI Международных научных конференциях «Компьютерные науки и информационные технологии (CSIT)» (Уфа, 2005, 2007; Анталья, Турция, 2008; Ретимнон, Греция, 2009);
- Четвертой Международной научной молодежной школе «Нейроинфор-
матика и системы ассоциативной памяти» (Таганрог, 2008);
- Всероссийской молодежной научной конференции «Мавлютовские
чтения» (Уфа, 2008);
III и IV Всероссийских зимних школах-семинарах аспирантов и молодых ученых «Актуальные проблемы в науке и технике» (г. Уфа, 2008, 2009);
Российско-немецком семинаре «Инновационные информационные технологии: теория и практика» (г. Уфа, 2009).
Публикации
По теме диссертации опубликовано 15 работ, в том числе 1 статья в рецензируемом журнале из перечня изданий, рекомендованных ВАК.
Структура и объем работы
Диссертационная работа состоит из введения, четырех глав основного материала, заключения, приложений и библиографического списка. Работа изложена на 150 страницах машинописного текста и включает 59 рисунков, 16 таблиц. Библиографический список содержит 144 наименования.
Роль и место неиросетевых технологий в интеллектуальном управлении ГТД
Под планированием при этом понимается формирование цели (стратегии) поведения системы, выбор возможных действий в различных ситуациях, в том числе и нештатных (критических), формирование требуемой программы управления ГТД. Координация подразумевает коррекцию программы управления, структуры и параметров системы при изменении окружающей среды, режимов работы ГТД, изменении цели функционирования ИСУ. Регулирование - это формирование с помощью обычных регуляторов управляющих воздействий, подаваемых на ИМ ГТД, для реализации заданной программы изменения его состояния или выходных переменных [15].
Главная архитектурная- особенность, которая отличает интеллектуальную систему управления (рис. 1.4) от системы, построенной по «традиционной» схеме, связана с использованием механизмов хранения и обработки знаний для реализации способностей по выполнению требуемых функций в неполно заданных (или неопределенных) условиях при случайном характере внешних возмущений. К возмущениям подобного рода, как уже отмечалось, относятся непредусмотренное изменение целей, эксплуатационных характеристик системы и объекта управления, параметров внешней среды и т.д. Состав системы, при необходимости, дополняется средствами самообучения, обеспечивающими обобщение накапливаемого опыта и, на этой основе, пополнение знаний [47].
Поскольку функционирование ИСУ предполагает непосредственное обращение к базе знаний, то актуальными являются вопросы их автоматического формирования, обобщения и пополнения. В качестве базовых технологий обработки знаний при этом могут использоваться технологии экспертных систем, нейросетевых структур, нечеткой логики и ассоциативной памяти. Как показывает анализ, общим свойством этих технологий является способность к решению задач классификации, которые возникают на каждом уровне иерархии ИСУ и лежат в основе ситуационного управления [47]. В то же время, специфика каждой из интеллектуальных технологий в конечном итоге определяет оперативность логического вывода, реализуемость на аппаратном уровне, особенности организации процессов пополнения и обобщения знаний, в том числе в режиме самообучения. С развитием элементной базы проблема аппаратной реализуемости данных технологий теряет свою остроту. На первый план выходят вопросы эффективности алгоритмического и компактности программного обеспечения.
Одним-из малоисследованных до настоящего времени вопросов в области анализа разрабатываемых ИСУ ГТД является вопрос оценки уровня интеллектуальности систем управления. Сами понятия и термины «интеллектуальная», «интеллектуализированная» применительно к ИСУ используются в большом количестве работ [96,108], однако единого толкования этих терминов в контексте количественных оценок меры интеллектуальности (интел-лектуализированности) системы пока не сложилось. Общим недостатком ряда предлагаемых подходов [86,19,83,141,143,144] является использование терминов, связанных с интеллектуализацией, исключительно в интуитивном (неоперационном) понимании. Использованный в [80] подход требует точного знания о принципе функционирования системы и способах принятия решений, что в случае ИСУ с самообучением может быть невозможным.
Предлагаемый в [71] подход основан на допущении о том, что основным назначением «интеллектуальности», вводимой в компьютерную систему, является снижение интеллектуальной нагрузки на пользователя системы. В предельном случае, этот критерий можно рассматривать как требование, согласно которому роль человека при взаимодействии с прикладной компьютерной системой должна сводится лишь к постановке задачи [50].
Основное свойство человеческого интеллекта - это способность на уровне мышленияюсуществлять метасистемные переходы. Именноэто свой-ство сложно реализовать.в искусственных интеллектуальных системах [20]. Если есть чёткое формализованное описание того, как должна вести себя система, то нет никаких препятствий, кроме технических, для построения искусственной системы с таким поведением. Поэтому, согласно [90], интеллектуальность заключается не в способности следовать определенному сложному алгоритму поведения; а в способности самообучаться и «придумывать» новые алгоритмы своейфаботы для решения-новых задач.
Применительно ккритериям интеллектуальности ЄАУ можно-говорить о том; что этикритерий должны характеризовать: внешнее поведение- системы,, которое отражает ее соответствие предъявляемым требованиям вС условиях действия факторов: неопределенности (т.е. оценка состояниям и. степени опасности внешней среды, стремление к сохранению характеристик системы в условиях изменения внешних условий или изменение цели управления в случае необходимости); внутренний состав алгоритмов (способностей) системы (т.е. набор средств, с помощью которых обеспечивается заданное поведение системы, выполнение предписанных ей функций. Эти средства включают в себя: базу знаний, интеллектуальные инструменты, например нейронные сети, механизмы обучения, самообучения и реконфигурации).
Задача идентификации нейросетевой модели гидромеханической части САУГТД
Возможны различные способы применения НС в ИСУ ГТД [8,11,39,40,102,112]. На рис. 3.1 представлены наиболее распространенные варианты включения НС в астатическую САУ ГТД. На рис. 3.1, а представлена схема замкнутой САУ ГТД с эталонной моделью (ЭМ), в которой супервизорная НС используется для настройки параметров линейного ПИД-регулятора с учетом режима работы ГТД и внешних условий. НС-аппроксиматор обеспечивает в данном случае более гибкие возможности адаптации (обучения) к изменению внешних условий и параметров ГТД по сравнению с классическим (табличным) способом аппроксимации коэффициентов.
На4рис. 3.1, б представлена схема включения НС в канал управления0 ГТД, обеспечивающая реализацию нелинейного ПИ-закона управления. Как и в предыдущих случаях (рис. 3.1, а-б), настройка параметров (весовых ко 72 эффициентов) НС осуществляется таким образом, чтобы после завершения процесса обучения характеристики «вход-выход» САУ совпадает (с точностью до погрешности едд(О) с характеристиками «вход-выход» ЭМ. Рассмотрим структурную схему САУ, изображенную на рис. 3.1, а. Для обучения параметров НС, обеспечивающей настройку коэффициентов усиления ПИД-регулятора на различных режимах работы ГТД, можно воспользоваться различными алгоритмами. Как показали исследования, высокую эф 73 фективность процесса обучения НС показывает метод последовательного симплексного поиска [14,27]. Суть данного метода состоит в том, что движение к оптимуму в n-мерном пространстве варьируемых параметров (в нашем случае выходов НС, которые представляют собой настраиваемые коэффициенты усиления ПИД-регулятора), осуществляется путем последовательного отражения вершин симплекса относительно одной из граней. Симплекс представляет собой фигуру в n-мерном пространстве, образованную (п + 1) вершинами, не принадлежащими ни одному из пространств меньшей размерности. В соответствии с методикой настройки параметров НС-регулятора, предложенной в [93], первым этапом (шагом) является инициализация НС, т.е. ее предварительное обучение вне состава САУ, исход из условия реализации нелинейной зависимости F: у0 —К#П К$, Яд), гДе Яп, Яи, Яд - значения коэффициентов усилении ПИД-регулятора, соответствующих значению уставки 0. После инициализации НС можно переходить к настройке параметров НС-регулятора в составе замкнутой САУ ГТД с использованием процедуры обучения на основе метода последовательного симплексного поиска. В качестве критерия обучения НС использовалась суммарная квадратическая ошибка между реакцией системы (у) и выходом эталонной модели (уэм) при малом изменении уставки (уо) на каждом из заданных базовых режимах работы САУ ГТД. В качестве эталонной модели принималось звено с переда точной функцией W3M(s) = -—, где Т= /рег/3; /рсг = 3-ь4 с — время регулирования. Для»оценки качества обучения НС, результаты, полученные при тестировании работы САУ ГТД с обученной НС, сравнивались, с результатами, полученными путем кусочно-линейной аппроксимации табличных значений коэффициентов ПИД-регулятора. Анализ полученных переходных процессов показывает, что заданные требования к показателям качества процессов управления на различных режимах работы ГТД выполняются и в том, и в другом случае (более детально с результатами исследований можно ознакомиться в работах [38,135]). Однако, применение НС для настрйоки параметров ПИД-регулятора обеспечивает такие преимущества, как: возможность с малыми затратами времени перенастраивать ПИД-регулятор при изменении режима работы ГТД; нелинейный характер и свойство обобщения НС обеспечивает более точную настройку параметров ПИД-регулятора по сравнению с кусочно-линейной аппроксимацией этих параметров. 3.3 Синтез многорежимного НС-регулятора в астатической САУ Для синтеза многорежимного НС-регулятора можно воспользоваться методикой, предложенной в [11] и включающей в себя следующие этапы: 1) выбор архитектуры (структуры) нейронной сети; 2) определение состава обучающей выборки для обучения НС регулятора в составе замкнутой САУ ГТД; 3) обучение параметров НС-регулятора ГТД; 4) тестирование САУ ГТД с обученным НС-регулятором. В качестве базовой рассмотрим схему САУ ГТД, изображенную на рис. 3.1, б, где выходная переменная ГТД представляет собой-частоту вращения ротора компрессора низкого давления щ. Регулятор, построенный согласно приведенной схеме, представляет собой нелинейный многорежимный ПИ-регулятор, коэффициенты усиления которого настраиваются из условия получения заданных показателей качества на заданном- множестве режимов работы. ГТД. Согласно критерию минимальной сложности [82], простейшей из возможных НС в данном случае будет персептрон, имеющий 2 нейрона, во входном слое, 3 нейрона в скрытом слое и 1 нейрон во выходном слое.
Для предварительного обучения НС необходимо определить установившиеся значения входов (е, v) и выхода (и0) НС на установившихся режимах работы САУ ГТД для того, чтобы использовать эти значения в качестве обучающей выборки. После построения обучающей выборки проводится предварительное обучение (инициализация) параметров НС, с использованием одного из методов оптимизации. Эксперименты показали, что для этой цели достаточно воспользоваться методом градиентного спуска.
После завершения предварительного обучения НС можно переходить к обучению НС-регулятора в составе замкнутой САУ ГТД. Для этого на каждом из заданных базовых режимов работы ГТД на вход САУ подается малое отклонение уставки у0, вычисляется рассогласование между выходным параметром ГТД и выходом эталонной модели (желаемой реакцией САУ), после чего производится корректировка весов НС в сторону уменьшения этого рассогласования. Данные действия повторяются до тех пор, пока рассогласование (ошибка обучения НС) не достигнет заданного малого значения.
Как показали эксперименты, высокую эффективность в процессе обучения НС-регулятора показал метод последовательного симплексного поиска. Варьируемыми параметрами в данном случае являются значения весов синаптических связей НС. Для- корректной работы алгоритма необходима предобработка исходных данных для построения исходного симплекса в пространстве весов НС, так как веса предварительно обученной НС имеют значения, изменяющиеся в широком диапазоне — от десятков до сотых долей единицы. Для каждого нейрона были определены максимальные значения его весов, после чего соответствующие веса были нормированы в диапазоне [-1,1].
Синтез нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления
Синтезирован алгоритм настройки параметров супервизорной НС, используемой для аппроксимации коэффициентов ПИД-регулятора на основе метода последовательного симплексного поиска. Показано, что использова-ние метода позволяет с высоким качеством и скоростью проводить оптимизацию параметров супервизорного НС-регулятора в составе САУ ГТД.
Предложен алгоритм обучения параметров многорежимного нейро-сетевого регулятора ГТД на основе метода последовательного симплексного поиска. Показано, что заданные требования к качеству процессов управления ГТД выполняются, т.е. использование предложенной процедуры обучения параметров многорежимного НС-регулятора является эффективным. 3. Предложен алгоритм синтеза и адаптации нелинейного многоре жимного регулятора ГТД, основанного на включении НС в канал управления двигателем, отличающийся тем, что для компенсации нелинейных характе ристик двигателя используется его нейросетевая обратная модель, обучаемая в режиме реального времени, что позволило повысить качество процессов управления в широком диапазоне изменения режимов работы ГТД. При ис пользовании рекуррентных НС и схемы инверсно-прямого управления управления ГТД величина перегулирования переходных процессов по часто те вращения при этом уменьшилась на 16% по сравнению с системой управ ления с ПИД-регулятором. При наличии шумов, использование НС регулятора также позволяет уменьшить величину перегулирования по часто те вращения на 22% по сравнению с САУ с ПИД-регулятором 4. Разработана методика анализа устойчивости нейросетевых САУ ГТД на основе теоремы о малом коэффициенте усиления. Рассмотрен конкретный пример применения данной методики, подтверждающий ее практическую эффективность. 5. Разработаны алгоритм и методика синтеза нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления. Исследована зависимость показателей качества управления САУ от выбора архитектуры и структуры НС. Показано, что среднеквадратическая ошибка управления на переходных режимах при этом составляет: для Ъп2 = 0,82%; Ъщ = 0,27%; Ъп2 = 0,39%; 574 = 0,71%; ббт = 0,41%; на установившихся режимах: 8п2 — 0,03%; б«! = 0,07%; 8п2 = 0,09%; 5Г4 = 0,09%; 5GT = 0,03%. т.е. поставленные требования к показателям качества процессов управления ГТД- выполняются. 6. Предложен алгоритм обеспечения отказоустойчивости САУ ГТД, основанные на использовании метода FDI (Fault Detection and Identification), отличающийся тем, что обнаружение отказов в системе осуществляется путем сравнения выходов функциональных элементов САУ с выходами аналогичных элементов в эталонной нейросетевой модели САУ, настраиваемой в режиме реального времени, что позволяет повысить оперативность и достоверность обнаружения отказов в широком диапазоне изменения режимов работы и характеристик САУ ГТД.
В рамках данного метода выбрана структура и алгоритм обучения нейронной сети, реализующей функции блока диагностирования отказов. В качестве входных параметров НС-классификатора используются невязки между входами элементов исследуемой САУ ГТД и ее НС-модели, обучаемой на основе данных, полученных как на нормальных, так и нештатных режимах. Результаты проведенного имитационного исследования САУ ГТД подтверждают работоспособность предложенных алгоритмов диагностирования отказов и обеспечения отказоустойчивости САУ на основе реконфигурации ее управляющей части.
Как было показано в предыдущих главах, применение НС-технологий позволяет получить высокие показатели качества САУ ГТД в условиях действия неопределенности. Актуальной задачей в области построения интеллектуальных систем управления ГТД является анализ способов программной и аппаратной реализации разработанныхНС- алгоритмов.
Общая методика проектирования НС-алгоритмов управления ГТД базируется на предложенных во второй и третьей главах алгоритмах анализа и синтеза нейросетевых моделей ГТД, НС-регуляторов и НС-алгоритмах обеспечения отказоустойчивости САУ ГТД.
В качестве программно-инструментальной базы для реализации предложенной методики в работе использовался пакет Neural Network Toolbox for Matlab — мощное средство программной среды MATLAB, предназначенное для проектирования, обучения и моделирования нейронных сетей. Пакет Neural Network Toolbox обеспечивает всестороннюю поддержку проектирования, обучения и моделирования множества известных сетевых парадигм, от базовых моделей персептрона до ассоциативных и самоорганизующихся сетей.
Для создания моделей САУ ГТД был использован набор инструментальных средств Simulink, который является приложением к пакету MATLAB. При моделировании с использованием Simulink реализуется принцип визуального программирования, в соответствии с которым, пользователь на экране из библиотеки стандартных блоков создает модель системы-и осуществляет необходимые расчеты.
Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС
Универсальные микропроцессоры являются наиболее доступными и успешно используются для моделирования нейронных сетей. В качестве их основных недостатков для моделирования нейронных сетей обычно отмечается избыточность архитектуры и сложности, связанные с каскадированием, то есть сложности при построении многопроцессорных систем для увеличения суммарной производительности.
Цифровые сигнальные прог\ессоры (DSP) на протяжении нескольких десятилетий являются элементной базой для построения как нейроускорителей, так и контура логики общесистемного управления нейрокомпьютеров. Для реализации нейроускорителей могут использоваться практически любые DSP [52].
Вместе с тем, DSP имеют ряд недостатков, которые приходится учитывать. Во-первых, практически недоступны DSP в радиационно-защищеином исполнении. Во-вторых, каждое семейство DSP имеет собственные коды команд, что делает практически невозможным перенос реализованного алгоритма на DSP других семейств или создания универсальных библиотек алгоритмов. Существующие компиляторы с языков высокого уровня, например, с Сщ также ориентированы на конкретные DSP: В9-третьих, при1 реализации сложных параллельных структур существует большая сложность отладки многопроцессорных систем на DSP. Наконец, в-четвертых, DSP, как правило, требуют внешних навесных элементов для реализации интерфейса связи с источниками и приемниками данных [52].
Специализированные нейрочипы обеспечивают среднюю производительность для подобного класса устройств, однако имеют систему команд, оптимизированную для операций нейронного типа и достаточно хорошую каскадируемость [26].
Нейронный процессор можно рассматривать как cynep-RISC-процессор, ориентированный на выполнение нейронных операций и обеспечивающий их массовое выполнение. Разумеется, нейропроцессор обеспечивает большую скорость при выполнении нейронных операций, чем универсальные или RISC-процессоры. Современные проектные решения позволяют интегрировать неиропроцессоры в вычислительные системы, построенные на базе RISC-процессоров, обеспечивая таким образом их совместимость [59].
В основе нейросигнальных процессоров лежит то же самое ядро, что и для других распространенных процессоров DSP. Отличие заключается в добавочных архитектурных решениях, оптимизирующих данные процессоры для разработок на их базе нейронных сетей.
Достоинства нейросигнальных процессоров: высокая производительность реализации нейроалгоритмов, наличие стандартных решений и все другие достоинства DSP. К недостаткам можно отнести отсутствие совместимости и ориентация на конкретный вид нейросети [142,143].
Заказные СБИС, специфичные для конкретного приложения, отличаются максимальной производительностью, адаптацией под конкретный алгоритм обработки, предельно низкой стоимостью кристаллов в серийном-производстве. Однако для- мелко серийных партий использование данного решения нерентабельно, поскольку требует больших капиталовложений для подготовительного процесса [52].
Нейроны в аналоговых СБИС представляют собой пороговые усилители с сигмоидальной передаточной функцией. Основные преимущества аналотовых СБИС заключаются в высоком быстродействии, которое ограничивается только частотными характеристиками усилителей, а недостатки заключаются в усложненном алгоритме обучения и необходимости обеспечивать СБИС постоянный температурный режим, а также использовать стабильные источники питания, так как СБИС чувствительны к внешним условиям. Указанные недостатки серьезно ограничивают распространение аналоговых СБИС в области моделирования нейронных сетей [62].
В последние годы резко возрос интерес к использованию программируемых логических интегральных схем (ПЛИС) в качестве элементной базы нейровычислителей. Этому способствовало появление на рынке высокочастотных ПЛИС и продолжающаяся тенденция к снижению их цены, а, следовательно, и конечной стоимости разработок. Напряжение питания ПЛИС с каждым новым поколением этих микросхем постоянно уменьшается, что позволяет снижать энергопотребление при увеличении быстродействия.
Технологические особенностиПЛИС делают их удобным объектом для использования в качестве элементной базы аппаратной реализации нейронных сетей. За счет гибкой реконфигурации ПЛИС, в одни и те же кристаллы, установленные в конструктиве, возможна загрузка совершенно разных конфигураций нейронных сетей. Имея развитую библиотеку фрагментов сетей и универсальный аппаратный комплекс, на одной и той же программно-аппаратной платформе можно быстро и эффективно решать разнообразные задачи.
В настоящее время активно проводятся разработки элементов систем управления, реализованных на ПЛИС [49]. Применительно к управлению двигателем также ведутся разработки отдельных блоков системы управления на базе ПЛИС [21].
Задача аппаратной реализации НС на базе ПЛИС является сложной технической проблемой, для разрешения которой необходимо решение следующих задач: разработка блоков выполнения элементарных операций (умножения, сложения, вычисления активационных функций и сигнала смещения нейрона); разработка на основе блоков элементарных операций блоков нейронов (одно-, двух-, трех-, четырех- и шестивходовых); разработка НС заданной структуры на основе технологии ПЛИС. В процессе разработки блоков элементарных операций необходимо обеспечить выполнение следующих требований: входные сигналы нейрона являются действительными числами; входной сигнал представлен числом, дробная часть которого содержит два разряда после запятой;. веса нейрона являются действительными числами; вес нейрона представлен числом, дробная часть которого содержит два десятичных разряда после запятой; сигнал смещения нейрона являются действительным числом; сигнал смещения нейрона представлен числом, дробная часть которого содержит два разряда после запятой; в качестве активационных функций рассматриваются тангенциальная и логистическая (сигмоидальная) функции.
