Содержание к диссертации
Введение
Глава 1 Анализ проблем разработки САУ ТВВД оптимальной по удельному расходу топлива 10
1.1 Турбовинтовентиляторный двигатель как объект управления 10
1.1.1 Принцип работы, управляемые и управляющие параметры двигателя 10
1.1.2 Математическое описание ТВВД 15
1.2. Методы управления ТВВД 20
1.3 Методы оптимизации 26
1.4 Обучающиеся системы 33
1.5 Методы синтеза САУ 36
1.6 Методы решения задачи оптимизации удельного расхода топлива ТВВД 38
1.7 Постановка задачи оптимизации удельного расхода топлива ТВВД и задач исследования 40
1.7.1 Анализ структуры САУ ТВВД 40
1.7.2 Подход к решению задачи оптимизации 42
1.7.3 Постановка задачи 43
Глава 2 Метод оптимизации удельного расхода топлива ТВВД 45
2.1 Алгоритм задачи оптимизации 45
2.1.1 Разработка общей структуры алгоритма задачи оптимизации 45
2.1.2 Оценка влияния характеристик объекта управления на параметры оптимизации 51
2.2 Разработка метода оптимизации расхода топлива на базе генетического алгоритма 67
2.2.1 Определение целевой функции 67
2.2.2 Разработка алгоритма на базе метода генетических алгоритмов 71
2.2.3 Разработка алгоритма настройки математической модели ТВВД 75
2.3 Разработка метода оптимизации расхода топлива на базе нейронной сети 79
2.3.1 Цели и задачи разрабатываемой системы на базе нейронной сети 79
2.3.2 Выбор структуры разрабатываемой нейронной сети 80
2.3.3 Обучение нейронной сети 81
2.4 Разработка алгоритма взаимодействия подсистемы оптимизации в составе
САУТВВД 83
Глава 3 Моделирование работы алгоритма оптимизации удельного расхода топлива ТВВД 86
3.1 Область применения метода оптимизации 86
3.2 Термодинамическая модель ТВВД 90
3.2.1 Расчет термодинамической модели ТВВД 90
3.2.2 Расчет коэффициентов влияния углов установки НА КНД и КВД на основные параметры двигателя 92
3.3 Реализация имитационной модели САУ ТВВД 95
3.4 Исследование результатов работы имитационной модели САУ ТВВД 100
3.4.1. Оценка качества разработанной САУ 100
3.4.2 Исследование влияния управляющих параметров на расход топлива и тягу ТВВД 104
3.5 Исследование работы алгоритмов оптимизации совместно с имитационной моделью САУ ТВВД 108
3.5.1 Исследование работы генетического алгоритма 108
3.5.2 Формирование нейронной сети для подсистемы оптимизации 112
3.5.3 Исследование работы НС 117
3.6 Граничные значения управляющих параметров 119
Глава 4 Численный эксперимент оптимизации расхода топлива 123
4.1 Особенности программной реализации имитационной модели 123
4.2 Исходные данные для эксперимента 131
4.2.1 Характеристики компрессоров низкого и высокого давления ТВВД 131
4.2.2 Результаты термодинамического расчета ТВВД 135
4.3 Экспериментальные зависимости удельного расхода топлива от частот вращения винтов, углов установки направляющих аппаратов 138
4.3.1 Экспериментальные зависимости, полученные при изменении частот вращения винтов ВВ 138
4.3.2 Экспериментальные зависимости, полученные при изменении углов установки НА КНД и КВД 143
4.4 Анализ полученных результатов 151
4.5 Особенности программной реализации подсистемы оптимизации в составе ЭСУТВВД 154
Основные выводы и результаты работы 156
Список использованных источников 158
- Принцип работы, управляемые и управляющие параметры двигателя
- Оценка влияния характеристик объекта управления на параметры оптимизации
- Расчет коэффициентов влияния углов установки НА КНД и КВД на основные параметры двигателя
- Экспериментальные зависимости, полученные при изменении частот вращения винтов ВВ
Введение к работе
Актуальность темы
Одной из приоритетных задач современного авиационного двигателе-строения является повышение топливной эффективности. Предлагаемый метод может использоваться для реализации алгоритмов интеллектуального управления оптимизацией удельного расхода топлива турбовинтовентиляторного двигателя (ТВВД) с соосным винтовентилятором (ВВ) для многодвигательного самолета. В этом случае даже незначительное повышение экономичности работы каждого из двигателей в силовой установке самолета и связанная с этим экономия топлива могут улучшить характеристики летательного аппарата по дальности полета, снизить эксплуатационные затраты и уменьшить выброс вредных продуктов сгорания авиационного топлива в атмосферу.
Решение вопросов оптимального управления ТВВД как сложного динамического объекта представлены в работах В. Ю. Рутковского, А. А. Шевякова, Ю. М. Гусева, Ю. С. Кабальнова, Б. Г. Ильясова, В. И. Васильева, О. Д. Лянце-ва, В. Г. Крымского, Г. Г. Куликова. В. Н. Ефанова.
В диссертации предлагается решение задачи снижения удельного расхода топлива ТВВД на основе построения подсистемы оптимизации в составе системы автоматического управления (САУ) с использованием методов интеллектуального управления.
Автор выражает благодарность доценту О. Е. Данилину за ценные практические замечания в области проектирования интеллектуальных систем управления.
Цель работы - повышение топливной эффективности ТВВД за счет введения подсистемы оптимизации удельного расхода топлива в систему управления двигателем на основе интеллектуальных методов.
Задачи исследования
Для достижения поставленной цели ставятся следующие задачи:
Разработка алгоритма оптимизации удельного расхода топлива ТВВД.
Разработка структуры подсистемы оптимизации системы автоматического управления (САУ) ТВВД.
Разработка метода оптимизации удельного расхода топлива ТВВД на основе генетических алгоритмов и нейронных сетей.
4. Разработка метода настройки параметров математической модели
ТВВД по реальным данным, получаемым в полете.
Научная новизна
Предложен метод оптимизации удельного расхода топлива ТВВД, основанный на двухэтапном подходе с применением генетических алгоритмов и нейронных сетей, который позволяет обеспечить снижение удельного расхода топлива за счет оптимизации программ регулирования как частот вращения винтов винтовентилятора, так и углов установки направляющих аппаратов.
Предложен модернизированный метод генетических алгоритмов для решения задачи оптимизации удельного расхода топлива на первом этапе.
3. Предложен метод настройки параметров математической модели ТВВД на основе генетических алгоритмов по реальным данным, получаемым в полете.
Практическая ценность и реализация результатов работы
По результатам выполненных работ разработаны:
Алгоритмы работы подсистемы оптимизации удельного расхода топлива в системе управления двигателем. За счет асинхронного изменения частот вращения винтов винтовентилятора и за счет открытия направляющих аппаратов компрессора двигателя достигается снижение удельного расхода топлива.
Метод разработки и программной реализации алгоритмов оптимизации удельного расхода топлива в САУ ТВВД на основе интеллектуальных методов управления для практического применения.
Структура подсистемы оптимизации, которая введена в состав базовой САУ ТВВД на программном уровне, без внесения изменений в аппаратную часть.
Результаты диссертационной работы используются на ФГУП УНПП «Молния».
На защиту выносятся:
Структура подсистемы оптимизации САУ ТВВД.
Метод оптимизации удельного расхода топлива ТВВД, основанный на двухэтапном подходе с применением генетических алгоритмов и нейронных сетей.
Метод настройки параметров математической модели ТВВД на основе генетических алгоритмов по реальным данным, получаемым в полете.
Результаты оценки практической эффективности разработанных алгоритмов.
Апробация работы и публикации
Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях и семинарах: Всероссийской молодежной научной конференции «Мавлютовские чтения», УГАТУ, г.Уфа, 2006; Всероссийской зимней школе-семинаре аспирантов и молодых ученых, г. Уфа, 2008, 2010; Всероссийской научно-практической конференции студентов, аспирантов и молодых специалистов, г. Красноярск, 2009.
Основные материалы диссертационной работы опубликованы в 12 источниках, включая 1 статью в издании из перечня ВАК России («Вестник УГАТУ, Уфа 2010, Т. 14, № 2 (37)), 4-х материалов научных конференций, 1 программного продукта, зарегистрированного в РосАПО (Роспатенте) и 6 научных статей в межвузовских сборниках научных трудов.
Объем и структура работы
Диссертационная работа состоит из 163 страниц машинописного текста, включающего в себя введение, четыре главы, заключение, список литературы из 54 наименований.
Принцип работы, управляемые и управляющие параметры двигателя
Также влияние НА можно оценить с помощью термодинамической модели ТВВД, которая представляет собой набор некоторых рабочих формул, полученных на основе уравнений теории воздушно-реактивных двигателей: баланса массы, баланса мощности, баланса давлений и энергии. С их помощью по известным р ,Т , G в сечении на входе в узел определяются аналогичные параметры в сечении выхода [11].
В отличие от ГГ для винтовентилятора (ВВ) требуется построение индивидуальной ЛДМ для каждого режима полета, что существенно усложняет модель ВВ. Поэтому в [8] предлагается использовать нелинейную модель ВВ, описание которой приведено в п. 2.1.2.3 главы 2.
Повышение точности ММ ГТД (в нашем случае ТВВД) на установившихся режимах осуществляется за счет идентификации, которая может быть структурной и параметрической. Под структурной идентификацией понимают введение в структуру ММ дополнительных уравнений, учитывающих физические особенности рабочего процесса ГТД более высокого порядка. Под параметрической идентификацией (ПИ) понимается задача уточнения по результатам испытаний ГТД характеристик его узлов. Существуют различные методы ПИ - метод увязки, метод наименьших квадратов, а также их комбинация [12]. Одним из способов непараметрической идентификации является построение ММ ГТД в виде конечного отрезка функционального ряда Вольтера [13]. Рассмотрим подробнее решение данной задачи.
Ядра ряда Вольтера ищутся в виде их разложения по выбранной системе ортогональных функций. Алгоритмы определения коэффициентов разложения основаны на принципах активной идентификации, что предопределяет использование сигналов типа белого шума. Принимается, что статические характеристики реального входного тестового сигнала имеют вид, аналогичный характеристика белого шума. Это позволяет получить относительно простые решения. В прикладных задачах достаточно использовать два-три первых члена ряда Вольтерра. В вопросе выбора ортогональных функций большой интерес представляют функции Уолша - кусочно-постоянные, принимающие только два значения (+1 и -1, либо логические 0 и 1), обладающие рядом только им присущих свойств.
Рассмотрим одновходовую модель нелинейного объекта следующего вида Многовходовую модель с приемлемой точностью можно получить, если уточнить (оптимизировать) коэффициенты {С;,С0\, приближенное значение которых находится при решении следующих систем
В данной работе предполагается использовать готовую математическую модель ТВВД, включающую в себя ММ соосного ВВ с винтами противоположного вращения с учетом экспериментальных многомерных аэродинамических характеристик ВВ [8, 14]. При этом предполагается осуществлять коррекцию (уточнение, оптимизация) этих коэффициентов в процессе эксплуатации двигателя, чтобы используемая модель сохраняла актуальность по отношению к конкретному двигателю ЛА.
Корректировать необходимо только модель ГГ, так как деградация характеристик ГГ наибольшим образом влияет на тягу двигателя, что в свою очередь отражается на расходе топлива. Например, из-за попадания абразивных частиц в турбину происходит износ лопаток, что в свою очередь приводит к снижению степени повышения давления и КПД компрессора. В тоже время характеристики ВВ не подвержены существенным изменениям в процессе эксплуатации, поэтому корректировать модель ВВ нет необходимости.
Системы управления ТВД выполняют многообразные функции по регулированию мощности и тяги, защите двигателя и обеспечению безопасности полета, при отказах. Выбор оптимальных структуры и характеристик этих сис разработано м.н.с. кафедры АД ФГБОУ ВПО УГАТУ А. Г. Годованюком тем требует проведения обширных теоретических и экспериментальных исследований. Это в особенности относится к силовым установкам сложных схем, таких как ТВД с дифференциальным редуктором, двухвальные ТВД со свободной турбиной.
Рассмотрим некоторые функциональные схемы систем управления ТВД. Системы управления ТВД предназначены для осуществления запуска, поддержания или изменения режима работы двигателя по заданной программе, с учетом условий полета ограничения от чрезмерных динамических и тепловых нагрузок на узлы. Системы регулирования ТВД могут быть выполнены по принципу замкнутого и разомкнутого регулирования [16]. Функциональная схема замкнутой САУ приведена на рисунке 1.2.1. одновального ТВД Преимуществом замкнутых схем управления является высокая точность поддержания регулируемых параметров (п,Тг) при действии любых возмущающих воздействии. Недостаток - трудно обеспечить устойчивость работы системы во всем диапазоне режимов работы двигателя и внешних условий. Поэтому систему регулирования по одному из параметров делают замкнутой, а по другому - разомкнутой (рисунок 1.2.2).
В разомкнутой САР по температуре Тг возмущающее воздействие одновременно поступает как на объект регулирования, так и регулятор Г, . Регуля 22 тор Тг выдает команду на изменение регулирующего фактора для парирования действия внешних возмущений, приводящих к отклонению Гг . Расход топлива в двигатель при изменении внешних условий должен изменяться по зависимости G т = р в f (п ,ТВ ) . Так как частота вращения п и Гг зависят от угла установки Ручки управления двигателем (РУД) - аруд или определяются программой регулирования п = п(аруд), Тр =7г (аРУд), то можно записать GT=A /2(«РУДЛ )
Оценка влияния характеристик объекта управления на параметры оптимизации
С целью оптимизации удельного расхода топлива ТВВД в САУ вводится подсистема оптимизации - блок оптимизации (БО). Подсистему оптимизации можно рассматривать как источник внешнего воздействия на САУ, которая вносит возмущения путем изменения частот вращения винтов ВВ и углов установки НА. Очевидно, что желательно наименьшее количество итераций (изменений, частот вращения и углов установки) выполняемых подсистемой оптимизации, чтобы суммарная продолжительность всех переходных процессов была ниже.
На вход подсистемы оптимизации поступает три сигнала: заданная тяга Яж, высота полета Н, М полета. Выходные сигналы подсистемы определяют оптимальный режим работы ТВВД по удельному расходу топлива.
Задача подсистемы оптимизации заключается в снижении Gj при постоянной R за счет корректировки значений частот вращения переднего пив и заднего пзв винтов и углов установки НА КНД анд и КВД севд. Установленные подсистемой частоты ппв и пзв контролируются посредством регулятора, так как частоты вращения винтов могут меняться не только вследствие изменения углов установки, но и из-за изменения мощности свободной турбины д ст, то есть расхода топлива. Так как расход топлива является одним из основных регулирующих параметров ТВВД. Также влиять на расход топлива можно посредством регулирования углов установки направляющих аппаратов (НА).
Целевая функция задачи оптимизации может быть представлена только в неявном виде, так как параметров, влияющих на расход топлива достаточно много и все законы их влияния не известны. Из-за неявного представления целевой функции, каждое новое решение должно проверяться на реальном ТВВД во время полета, либо на его модели.
Решение задачи оптимизации возможно с использованием двухэтапного метода. На первом этапе поиск решения ведется на базе математической модели ТВВД. На втором этапе производится корректировка найденного на первом этапе решения для конкретных условий полета.
Целью работы является повышение топливной эффективности ТВВД за счет введения подсистемы оптимизации удельного расхода топлива в систему управления двигателем на основе интеллектуальных методов. Для достижения поставленной цели ставятся следующие задачи. 1. Разработка алгоритма оптимизации удельного расхода топлива ТВВД. 2. Разработка структуры подсистемы оптимизации САУ ТВВД. При решении данной задачи необходимо определить место подсистемы оптимизации в структуре САУ ТВВД, входные и выходные (управляющие) параметры. 3. Разработка метода оптимизации удельного расхода топлива ТВВД на основе интеллектуальных методов. 4. Разработка метода настройки параметров математической модели ТВВД по реальным данным, получаемым в полете. 5. Определение области применения метода оптимизации (при каких режимах полета, какие измеряемые параметры двигателя используются, а какие не используются). 4.Разработка алгоритма, реализующего один или несколько выбранных методов оптимизации. 5.Проверка разработанного алгоритма на существующей модели авиационного двигателя. Выводы по главе. Основная часть данной главы посвящена обзору объекта управления - ТВВД, методам управления ТВВД, методам оптимизации, методам синтеза САУ и работам, посвященным той же тематике, что и представленная диссертация - оптимизация удельного расхода топлива ТВВД, в частности рассматривается работа Лянцева О.Д.[2].
В данной главе рассмотрены особенности объекта управления - ТВВД и приведено его математическое описание. Рассмотрены классификация систем управления ТВВД и описаны принципы управления, какие величины являются управляющими, а какие управляемыми. Приведена классификация задач оптимизации и методов решения этих задач. Рассмотрены различные методы решения задач оптимизации, в том числе и интеллектуальные. Проанализированы достоинства и недостатки описанных методов оптимизации. Описаны наиболее часто используемые методы синтеза САУ, рассмотрены их достоинства и недостатки.
В работе Лянцева О.Д., посвященной тематике синтеза САУ ТВВД по критерию минимального удельного расхода было показано, что разные значения частот переднего и заднего винтов позволяют существенно снизить удельный расход топлива, а именно на 2,3%. В данной же работе будет показано, что удельный расход топлива можно снизить не только за счет изменения частот вращения винтов ВВ, но и за счет изменения углов установки НА КНД и KB Д.
В силу слабого воздействия винтовентилятора (ВВ) ТВВД на газогенератор (ГГ) их модели можно рассматривать как автономные, поэтому можно оптимизировать удельный расход топлива отдельно по ВВ и по ГГ. Анализ работы Лянцева О.Д. показал, что снижение расхода топлива достигалось только за счет изменения частот вращения винтов ВВ [2]. Предлагаемая методика развивает работу Лянцева О.Д. Снижение удельного расхода топлива достигается путем не только изменения частот вращения винтов ВВ, но и за счет изменения углов установки направляющих аппаратов (НА) компрессоров низкого давления (КНД) и высокого давления (КВД). Также отличие имеется в самой методике оптимизации - используется двухэтапныи метод оптимизации с применением интеллектуальных методов управления.
Задача оптимизации удельного расхода топлива ТВВД решается на двух этапах. Блок-схема этапов оптимизации приведена на рисунке 2.1.1 [31]. На первом этапе алгоритм оптимизации работает с математической моделью ТВВД. Данная модель ТВВД позволяет вычислять тягу двигателя и расход топлива для различных условий полета: высота полета Н, число М полета, заданная тягаі ж [8]. В качестве алгоритма оптимизации на первом этапе используется метод генетического алгоритма (ГА).
Расчет коэффициентов влияния углов установки НА КНД и КВД на основные параметры двигателя
Перед началом эксплуатации подсистемы оптимизации на конкретном ЛА производится сбор полетных данных двигательной установки (ДУ) ЛА во время полета на различных стационарных режимах. Далее производится считывание, накопленной во время полета информации, осуществляется подстройка ММ ТВВД по полученным полетным данным. Затем осуществляется первый этап оптимизации, обучение НС для подсистемы оптимизации и включении ее в состав САУ ТВВД. Обновление программного обеспечения ЭСУ, запись переобученной НС подсистемы оптимизации. Далее осуществляется второй этап оптимизации -эксплуатация подсистемы оптимизации в составе САУ- ТВВД в полете.
Подстройка подобной модели ТВВД должна проводиться с определенной периодичностью.
Так. как данные управляющие параметры получены на базе модели, которая была скорректирована в соответствии с характеристиками конкретного двигателя, то предлагаемый метод оптимизации можно отнести к комбинированному способу, то есть включающему в себя как пассивную, так и активную оптимизацию [36].
Целью разрабатываемой системы на базе НС является анализ текущих условий полета и выдача в САУ оптимальных управляющих значений, которые были заранее просчитаны на земле и внесены в НС в процессе ее обучения. НС в свою очередь лишь аппроксимирует выходные данные в соответствии с текущими входными данными. Объектом управления является ТВВД, который представляет собой многосвязный объект, то есть изменение входной величины ведет за собой изменение множество внутренних параметров объекта, которые, в конечном счете, влияют на значение выходных величин. Также особенностью объекта управления является то, что он работает в условиях неопределенности. Источником неопределенности является неопределенный характер внешних воздействий на объект и систему в целом.
На вход НС поступают требуемое значение тяги Кж, высота полета Нц, число М полета. Задачей НС заключается в том, чтобы на выходе выдавать углы установки НА аНд, (Хвд и частоты вращения винтов ВВ пПв, Щъ, при которых будет достигаться минимальный расход топлива. Преимущество НС заключается в.том, что все вычисления производятся параллельно-и поиск решения-, занимает 1 итерацию. Основная сложность заключается в обучении НС.
Для реализации данной НС разработчику не будет представленоv никаких специальных аппаратных средств (нейропроцессоров и нейрокомпьютеров). То есть, необходимо разработать НС в виде блока программного кода, который будет внедрен в основной программный код ЭСУ. Исходя из этих условий, НС должна иметь, наиболее простую структуру и сами нейроны должны иметь легко-программируемую передаточную функцию.
Исходя из поставленной выше задачи видно, что НС будет представлять собой сеть прямого распространения (персептрон). Для решения поставленной задачи сформируем трехслойную сеть. Количество нейронов во входном и выходном слоях определяется количеством входных и выходных параметров. Количество нейронов в среднем слое влияет на точность поиска.решения. В тоже время нельзя использовать слишком большое количество нейронов, так как это усложнит программную модель разрабатываемой сети. Таким образом, во входном слое будет 3 нейрона (по числу компонент входного вектора) с передаточной функцией purelin - функция вида у = х, 6 нейронов во втором слое с передаточной функцией logsig - сигмоидальная функция вида у = и 4 нейрона в выходном слое (по числу компонентов выходного вектора) с передаточной функцией purelin. Передаточные функции нейронов выбирались из перечня, представленного в инструменте для разработки НС Neural Network. Именно это средство разработки НС программного продукта Matlab 6 используется в данной работе. Для обучения НС необходимо получить большое количество экспериментальных данных, которые должны быть представлены в виде таблицы 2.3.1. Данные для этой таблицы получаются в процессе моделирования, что будет описано в главе 3. По этой таблице производится обучение НС. В колонке «Входы» таблицы 2.3.1 представлен массив входных векторов, в колонке «Выходы» - массив выходных векторов, которой будет использоваться в качестве эталонного в процессе обучения. Массив выходных векторов был получен на первом этапе оптимизации методом ГА. Обучение НС производится по схеме, приведенной на рисунке 2.3.1. Процедура обучения НС заключается в изменении весов связей сети таким образом, чтобы снизить Е - сумму квадратов разности между вектором эталонных выходных значений у и вектором выходов НС _уНс при одном и том же векторе входов где є,- =_уг- - Уна отклонение реального значения вектора выхода от эталонного; ЕдОП -допустимая величина ошибки обучения [22]. В качестве обучающего алгоритма в среде Matlab выбран алгоритм Leven-berg-Marquardt (trainlm) - метод Левенберга-Марквардта - метод нелинейной оптимизации, использующий для поиска минимума комбинированную стратегию -линейную аппроксимацию и градиентный спуск; переключение с одного метода на другой происходит в зависимости от того, была ли успешной линейная аппроксимация; такой подход называется моделью доверительных областей. Этот алгоритм обеспечивает быстрое обучение, но требует много ресурсов. Обучение НС будет производиться в третьей главе, после моделирования имитационной модели САУ ТВВД и получения необходимых входных и выходных массивов данных.
Экспериментальные зависимости, полученные при изменении частот вращения винтов ВВ
В процессе анализа работы имитационной модели совместно с блоком оптимизации, реализующим метод ГА, был произведен ряд исследований. Целью исследований являлась оценка качества работы ГА в составе имитационной модели САУ ТВВД. В исследование входила оценка среднего значения числа поколений, необходимого для поиска оптимального решения, оценка оптимального соотношения вероятностей скрещивания и мутации.
Для поиска оптимального значения удельного расхода топлива программе моделирования требуется в среднем 10 поколений, экономия топлива при этом составляет 5,5%. При этом вероятность скрещивания 60%, мутации 40%. Каждое поколение состоит из 10 особей, то есть решений. Структура особи описывалась во второй главе. На проверку одного решения уходит порядка 10 секунд - это время;включает в себя инертность самого ТВВД и время переходных процессов в ЄАУ ТВВД. Таким образом, на поиск оптимального значения удельного расхода! топлива требуется1 перебрать.в среднем 1,10 решений; на.что уйдет около 1100 секунд (-18;; минут); Эксперимент проводился; на-ПК типа Gore 2 Duor 1F6 . Производительность контроллера, входящего; в состав ЗЄУ значительно меньше, а, следовательно, и времени на, поиск решения: будет затрачено в разы больше. Поэтому метод КА.применим только для наземных испытаний; и используется в предлагаемом методе на первом этапе оптимизации.
В таблице 3.5.1 представлены результаты; оценки среднего значения числа поколений, необходимого для: поиска оптимальногофешения. Из таблицы видно, что возможны различные: оптимальные сочетания пар частот вращения: винтов ВВ;, при которых, достигается минимальный, расход топлива. Также можно оценить разброс значений удельного расхода топлива; получаемого! в результате: работы подсистемы оптимизации. Разброс составляет от-0,2 до+0;4%:На рисунке 3.5.1 приведена зависимость числа поколений р, которое потребовалось для поиска оптимального значения расхода топлива при различных соотношениях вероятностей скрещивания и мутации Pkr\Pmut. Наименьшее число поколений, а, следовательно, и наивысшая скорость поиска решения имеет место при вероятности скрещивания 40%, мутации 60%. Наибольшее число поколений наблюдается требуется ГА для поиска оптимального решения, когда вероятность мутации равна 0%, то есть мутация вообще исключена. В этом случае обновление поколения происходит только за счет скрещивания особей внутри поколения, то есть новых значений из вне поколение не получает, и в итоге особи вырождаются. Если процент мутации сделать ненулевым, то число поколений, необходимых ГА для поиска оптимального решения резкой пойдет вниз. Это происходит из-за того, что мутация позволяет «прыгать» во всем диапазоне возможных решений, исключая попадание алгоритма в локальные экстремумы. Но если процент мутации будет превышать процент скрещивания, то алгоритм будет постоянно прыгать по всему диапазону решений и при этом терять решения, поэтому число поколений возрастает при значительном проценте мутации.
На рисунке 3.5.2 приведена зависимость числа поколений р от точности поиска оптимального значения удельного расхода топлива. Из этой зависимости видно, что при изменении точности поиска в пределах 1% наблюдается резкое падение числа поколений, а, следовательно, и увеличение скорости поиска решения. Для отладки алгоритма и проверки работоспособности метода оптимизации на модели ТВВД нет необходимости задаваться высокой точностью поиска решения, а, следовательно, тратить на это большое количество времени. То есть, достаточно ограничиться точностью поиска решения 1-2%.
Если же речь идет о подготовке данных для обучения НС, которая будет использоваться в полете, тогда нужно ставить точность порядка 0,5%, что естественно увеличит время поиска оптимального решения.
В результате работы первого этапа оптимизации с использованием ГА была получена таблица содержащая оптимальные значения искомых значений /7пв5 «зв ащь авд, при которых достигается минимальный удельный расход топлива для различных условий полета Н, М, і?ж- В таблице 3.5.2 приведена часть данных, полученных на первом этапе. НС обучается для различных режимов полета - для различного числа М, высоты полета и заданной тяги ЯЖ- В таблице для примера рассматривается коридор 1 км - от 10 до 11 км на крейсерском режиме полета. Опираясь,на таблицу 3.5.2, построена и обучена НС для подсистемы оптимизации в инструменте Neural-Network Toolbox пакета программ Matlab. В качестве массива входных данных берется часть таблицы 3.5.2, обозначенная как «Входы». В качестве массива выходных эталонных данных берется часть таблицы 3.5.2, обозначенная как «Выходы». С этими данными будут сравниваться результаты, выдаваемые НС в процессе обучения.
В п 2.3.2 диссертации было определено; что структура НС представляет собой сеть прямого распространения (персептрон). Сеть состоит из трех слоев: в первом слое 3 нейрона (по количеству входных данных), во втором слое 6 нейронов, в третьем слое 4 нейрона (по количеству выходных данных). Количество нейронов во входном и выходном слоях определяется количеством входных и выходных параметров. Увеличение числа нейронов в скрытом слое и увеличение количество скрытых слоев ведет к увеличению точности сети [22]. В тоже время увеличение числа нейронов в скрытом слое, а также числа самих слоев ведет к усложнению программной реализации такой сети. Например, если в выбранной НС будет три нейрона во входном слое, 6 в скрытом и 4 в выходном, тогда увеличение числа нейронов в скрытом слое на один приводит к увеличении количества умножении на 13 (при условии использования сигмоидальной передаточной функции нейрона скрытого слоя), а количества сложений на 10. При этом точность сети возрастает не более чем на 0,5%. Поскольку точность трехслойной сети прямого распространения с 6 нейронами в промежуточном слое выше точности используемой ММ ТВВД, то был сделан вывод, чтої 6 нейронов в скрытом слое является оптимальным значением. В качестве передаточной функции/ нейронов среднего слоя выбрана сигмоидальная функция, как наиболее часто-рекомендуемая и используемая в настоящее время [19].
![Рациональное управление системой психологической помощи на основе медицинского мониторинга и организации психопрофилактического процесса [Электронный ресурс]](/i/i/4409/168295.png "Рациональное управление системой психологической помощи на основе медицинского мониторинга и организации психопрофилактического процесса [Электронный ресурс] Склярова Татьяна Петровна")
