что такое сау на судне

Введение в теорию автоматического управления. Основные понятия теории управления техническим системами

Публикую первую главу лекций по теории автоматического управления, после которых ваша жизнь уже никогда не будет прежней.

Лекции по курсу «Управление Техническими Системами», читает Козлов Олег Степанович на кафедре «Ядерные реакторы и энергетические установки», факультета «Энергомашиностроения» МГТУ им. Н.Э. Баумана. За что ему огромная благодарность.

Данные лекции только готовятся к публикации в виде книги, а поскольку здесь есть специалисты по ТАУ, студенты и просто интересующиеся предметом, то любая критика привествуется.

1. Основные понятия теории управления техническими системами

1.1. Цели, принципы управления, виды систем управления, основные определения, примеры

Развитие и совершенствование промышленного производства (энергетики, транспорта, машиностроения, космической техники и т.д.) требует непрерывного увеличения производительности машин и агрегатов, повышения качества продукции, снижения себестоимости и, особенно в атомной энергетике, резкого повышения безопасности (ядерной, радиационной и т.д.) эксплуатации АЭС и ядерных установок.

Реализация поставленных целей невозможна без внедрения современных систем управления, включая как автоматизированные (с участием человека-оператора), так и автоматические (без участия человека-оператора) системы управления (СУ).

Определение: Управление – это такая организация того или иного технологического процесса, которая обеспечивает достижение поставленной цели.

Теория управления является разделом современной науки и техники. Она базируется (основывается) как на фундаментальных (общенаучных) дисциплинах (например, математика, физика, химия и т.д.), так и на прикладных дисциплинах (электроника, микропроцессорная техника, программирование и т.д.).

Любой процесс управления (автоматического) состоит из следующих основных этапов (элементов):

Для реализации Процесса Управления система управления (СУ) должна иметь:

Определение: Если система управления (СУ) содержит все перечисленные выше части, то она является замкнутой.

Определение: Управление техническим объектом с использованием информации о результатах управления называется принципом обратной связи.

Схематично такая система управления может быть представлена в виде:

Рис. 1.1.1 — Структура системы управления (СУ)

Если система управления (СУ) имеет структурную схему, вид которой соответствует рис. 1.1.1, и функционирует (работает) без участия человека (оператора), то она называется системой автоматического управления (САУ).

Если СУ функционирует с участием человека (оператора), то она называется автоматизированной СУ.

Если Управление обеспечивает заданный закон изменения объекта во времени независимо от результатов управления, то такое управление совершается по разомкнутому циклу, а само управление называется программным управлением.

К системам, работающим по разомкнутому циклу, относятся промышленные автоматы (конвейерные линии, роторные линии и т.д.), станки с числовым программным управлением (ЧПУ): см. пример на рис. 1.1.2.

Задающее устройство может быть, например, и “копиром”.

Поскольку в данном примере нет датчиков (измерителей), контролирующих изготавливаемую деталь, то если, например, резец был установлен неправильно или сломался, то поставленная цель (изготовление детали) не может быть достигнута (реализована). Обычно в системах подобного типа необходим выходной контроль, который будет только фиксировать отклонение размеров и формы детали от желаемой.

Автоматические системы управления подразделяются на 3 типа:

САР и СС являются подмножествами САУ ==> .

Определение: Автоматическая система управления, обеспечивающая постоянство какой-либо физической величины (группы величин) в объекте управления называется системой автоматического регулирования (САР).

Системы автоматического регулирования (САР) — наиболее распространенный тип систем автоматического управления.

Первый в мире автоматический регулятор (18-е столетие) – регулятор Уатта. Данная схема (см. рис. 1.1.3) реализована Уаттом в Англии для поддержания постоянной скорости вращения колеса паровой машины и, соответственно, для поддержания постоянства скорости вращения (движения) шкива (ремня) трансмиссии.

В данной схеме чувствительными элементами (измерительными датчиками) являются “грузы” (сферы). «Грузы» (сферы) также “заставляют” перемещаться коромысло и затем задвижку. Поэтому данную систему можно отнести к системе прямого регулирования, а регулятор — к регулятору прямого действия, так как он одновременно выполняет функции и “измерителя” и “регулятора”.

В регуляторах прямого действия дополнительного источника энергии для перемещения регулирующего органа не требуется.

В системах непрямого регулирования необходимо присутствие (наличие) усилителя (например, мощности), дополнительного исполнительного механизма, содержащего, например, электродвигатель, серводвигатель, гидропривод и т.д.

Примером САУ (системы автоматического управления), в полном смысле этого определения, может служить система управления, обеспечивающая вывод ракеты на орбиту, где управляемой величиной может быть, например, угол между осью ракеты и нормалью к Земле ==> см. рис. 1.1.4.а и рис. 1.1.4.б

1.2. Структура систем управления: простые и многомерные системы

В теории управления техническими системами часто бывает удобно систему разделить на набор звеньев, соединенных в сетевые структуры. В простейшем случае система содержит одно звено, на вход которого подается входной воздействие (вход), на входе получается отклик системы (выход).

В теории Управления Техническими Системам используют 2 основных способа представления звеньев систем управления:

— в переменных “вход-выход”;

— в переменных состояния (более подробно см. разделы 6…7).

Представление в переменных “вход-выход” обычно используется для описания относительно простых систем, имеющих один “вход” (одно управляющее воздействие) и один “выход” (одна регулируемая величина, см. рисунок 1.2.1).

Обычно такое описание используется для технически несложных САУ (систем автоматического управления).

В последнее время широкое распространение имеет представление в переменных состояния, особенно для технически сложных систем, в том числе и для многомерных САУ. На рис. 1.2.2 приведено схематичное представление многомерной системы автоматического управления, где u₁(t)…u_m(t) — управляющие воздействия (вектор управления), y₁(t)…y_p(t) — регулируемые параметры САУ (вектор выхода).

Рассмотрим более детально структуру САУ, представленную в переменных “вход-выход” и имеющую один вход (входное или задающее, или управляющее воздействие) и один выход (выходное воздействие или управляемая (или регулируемая) переменная).

Предположим, что структурная схема такой САУ состоит из некоторого числа элементов (звеньев). Группируя звенья по функциональному принципу (что звенья делают), структурную схему САУ можно привести к следующему типовому виду:

Рис. 1.2.3 — Структурная схема системы автоматического управления

Символом ε(t) или переменной ε(t) обозначается рассогласование (ошибка) на выходе сравнивающего устройства, которое может “работать” в режиме как простых сравнительных арифметических операций (чаще всего вычитание, реже сложение), так и более сложных сравнительных операций (процедур).

Задача системы управления состоит в том (если она устойчива), чтобы “работать” на уничтожение рассогласования (ошибки) ε(t), т.е. ==> ε(t) → 0.

Следует отметить, что на систему управления действуют как внешние воздействия (управляющее, возмущающее, помехи), так и внутренние помехи. Помеха отличается от воздействия стохастичностью (случайностью) своего существования, тогда как воздействие почти всегда детерминировано.

Для обозначения управляющего (задающего воздействие) будем использовать либо x(t), либо u(t).

1.3. Основные законы управления

Если вернуться к последнему рисунку (структурная схема САУ на рис. 1.2.3), то необходимо “расшифровать” роль, которую играет усилительно-преобразующее устройство (какие функции оно выполняет).

Если усилительно-преобразующее устройство (УПУ) выполняет только усиление (или ослабление) сигнала рассогласования ε(t), а именно: , где – коэффициент пропорциональности (в частном случае = Const), то такой режим управления замкнутой САУ называется режимом пропорционального управления (П-управление).

Если УПУ выполняет формирование выходного сигнала ε1(t), пропорционального ошибке ε(t) и интегралу от ε(t), т.е. , то такой режим управления называется пропорционально-интегрирующим (ПИ-управление). ==> , где b – коэффициент пропорциональности (в частном случае b = Const).

Обычно ПИ-управление используется для повышения точности управления (регулирования).

Если УПУ формирует выходной сигнал ε₁(t), пропорциональный ошибке ε(t) и ее производной, то такой режим называется пропорционально-дифференцирующим (ПД-управление): ==>

Обычно использование ПД-управления повышает быстродействие САУ

Если УПУ формирует выходной сигнал ε₁(t), пропорциональный ошибке ε(t), ее производной, и интегралу от ошибки ==> , то такой режим называетсято такой режим управления называется пропорционально-интегрально-дифференцирующим режимом управления (ПИД-управление).

ПИД-управление позволяет зачастую обеспечить “хорошую” точность управления при “хорошем” быстродействии

1.4. Классификация систем автоматического управления

1.4.1. Классификация по виду математического описания

По виду математического описания (уравнений динамики и статики) системы автоматического управления (САУ) подразделяются на линейные и нелинейные системы (САУ или САР).

Каждый “подкласс” (линейных и нелинейных) подразделяется на еще ряд “подклассов”. Например, линейные САУ (САР) имеют различия по виду математического описания.
Поскольку в этом семестре будут рассматриваться динамические свойства только линейных систем автоматического управления (регулирования), то ниже приведем классификацию по виду математического описания для линейных САУ (САР):

1) Линейные системы автоматического управления, описываемые в переменных «вход-выход» обыкновенными дифференциальными уравнениями (ОДУ) с постоянными коэффициентами:

где x(t) – входное воздействие; y(t) – выходное воздействие (регулируемая величина).

Если использовать операторную («компактную») форму записи линейного ОДУ, то уравнение (1.4.1) можно представить в следующем виде:

где, p = d/dt — оператор дифференцирования; L(p), N(p) — соответствующие линейные дифференциальные операторы, которые равны:

2) Линейные системы автоматического управления, описываемые линейными обыкновенными дифференциальными уравнениями (ОДУ) с переменными (во времени) коэффициентами:

В общем случае такие системы можно отнести и к классу нелинейных САУ (САР).

3) Линейные системы автоматического управления, описываемые линейными разностными уравнениями:

где f(…) – линейная функция аргументов; k = 1, 2, 3… — целые числа; Δt – интервал квантования (интервал дискретизации).

Уравнение (1.4.4) можно представить в «компактной» форме записи:

Обычно такое описание линейных САУ (САР) используется в цифровых системах управления (с использованием ЭВМ).

4) Линейные системы автоматического управления с запаздыванием:

где L(p), N(p) — линейные дифференциальные операторы; τ — время запаздывания или постоянная запаздывания.

Если операторы L(p) и N(p) вырождаются (L(p) = 1; N(p) = 1), то уравнение (1.4.6) соответствует математическому описанию динамики звена идеального запаздывания:

а графическая иллюстрация его свойств привдена на рис. 1.4.1

5) Линейные системы автоматического управления, описываемые линейными дифференциальными уравнения в частных производных. Нередко такие САУ называют распределенными системами управления. ==> «Абстрактный» пример такого описания:

Система уравнений (1.4.7) описывает динамику линейно распределенной САУ, т.е. регулируемая величина зависит не только от времени, но и от одной пространственной координаты.
Если система управления представляет собой «пространственный» объект, то ==>

где зависит от времени и пространственных координат, определяемых радиусом-вектором

6) САУ, описываемые системами ОДУ, или системами разностных уравнений, или системами уравнений в частных производных ==> и так далее…

Аналогичную классификацию можно предложить и для нелинейных САУ (САР)…

Для линейных систем выполеняются следующие требования:

Статической характеристикой называется зависимость выхода от величины входного воздействия в установившемся режиме (когда все переходные процессы затухли).

Для систем, описываемых линейными обыкновенными дифференциальными уравнениями с постоянными коэффициентами статическая характеристика получается из уравнения динамики (1.4.1) приравниванием нулю всех нестационарных членов ==>

На рис.1.4.2 представлены примеры линейной и нелинейных статических характеристик систем автоматического управления (регулирования).

Нелинейность членов, содержащих производные по времени в уравнениях динамики, может возникнуть при использовании нелинейных математических операций (*, /, , , sin, ln и т.д.). Например, рассматривая уравнение динамики некоторой «абстрактной» САУ

отметим, что в этом уравнении при линейной статической характеристики второе и третье слагаемые (динамические члены) в левой части уравнения — нелинейные, поэтому САУ, описываемая подобным уравнением, является нелинейной в динамическом плане.

1.4.2. Классификация по характеру передаваемых сигналов

По характеру передаваемых сигналов системы автоматического управления (или регулирования) подразделяются:

Системой непрерывного действия называется такая САУ, в каждом из звеньев которой непрерывному изменению входного сигнала во времени соответствует непрерывное изменение выходного сигнала, при этом закон изменения выходного сигнала может быть произвольным. Чтобы САУ была непрерывной, необходимо, чтобы статические характеристики всех звеньев были непрерывными.

Системой релейного действия называется САУ, в которой хотя бы в одном звене при непрерывном изменении входной величины выходная величина в некоторые моменты процесса управления меняется “скачком” в зависимости от величины входного сигнала. Статическая характеристика такого звена имеет точки разрыва или излома с разрывом.

Системой дискретного действия называется система, в которой хотя бы в одном звене при непрерывном изменении входной величины выходная величина имеет вид отдельных импульсов, появляющиеся через некоторый промежуток времени.

Звено, преобразующее непрерывный сигнал в дискретный сигнал, называется импульсным. Подобный вид передаваемых сигналов имеет место в САУ с ЭВМ или контроллером.

Наиболее часто реализуются следующие методы (алгоритмы) преобразования непрерывного входного сигнала в импульсный выходной сигнал:

На рис. 1.4.5 представлена графическая иллюстрация алгоритма амплитудно-импульсной модуляции (АИМ). В верхней части рис. представлена временная зависимость x(t) — сигнала на входе в импульсное звено. Выходной сигнал импульсного блока (звена) y(t) – последовательность прямоугольных импульсов, появляющихся с постоянным периодом квантования Δt (см. нижнюю часть рис.). Длительность импульсов – одинакова и равна Δ. Амплитуда импульса на выходе блока пропорциональна соответствующей величине непрерывного сигнала x(t) на входе данного блока.

Данный метод импульсной модуляции был весьма распространен в электронно-измерительной аппаратуре систем управления и защиты (СУЗ) ядерных энергетических установок (ЯЭУ) в 70-х…80-х годах прошлого столетия.

На рис. 1.4.6 представлена графическая иллюстрация алгоритма широтно-импульсной модуляции (ШИМ). В верхней части рис. 1.14 представлена временная зависимость x(t) – сигнала на входе в импульсное звено. Выходной сигнал импульсного блока (звена) y(t) – последовательность прямоугольных импульсов, появляющихся с постоянным периодом квантования Δt (см. нижнюю часть рис. 1.14). Амплитуда всех импульсов – одинакова. Длительность импульса Δt на выходе блока пропорциональна соответствующей величине непрерывного сигнала x(t) на входе импульсного блока.

Данный метод импульсной модуляции в настоящее время является наиболее распространенным в электронно-измерительной аппаратуре систем управления и защиты (СУЗ) ядерных энергетических установок (ЯЭУ) и САУ других технических систем.

Завершая данный подраздел, необходимо заметить, что если характерные постоянные времени в других звеньях САУ (САР) существенно больше Δt (на порядки), то импульсная система может считаться непрерывной системой автоматического управления (при использовании как АИМ, так и ШИМ).

1.4.3. Классификация по характеру управления

По характеру процессов управления системы автоматического управления подразделяются на следующие типы:

Выходной стохастический сигнал характеризуется:

Кроме приведенных основных видов классификации систем управления, существуют и другие классификации. Например, классификация может проводиться по методу управления и основываться на взаимодействии с внешней средой и возможности адаптации САУ к изменению параметров окружающей среды. Системы делятся на два больших класса:

1) Обыкновенные (несамонастраивающиеся) СУ без адаптации; эти системы относятся к разряду простых, не изменяющих свою структуру в процессе управления. Они наиболее разработаны и широко применяются. Обыкновенные СУ подразделяются на три подкласса: разомкнутые, замкнутые и комбинированные системы управления.

2) Самонастраивающиеся (адаптивные) СУ. В этих системах при изменении внешних условий или характеристик объекта регулирования происходит автоматическое (заранее не заданное) изменение параметров управляющего устройства за счет изменения коэффициентов СУ, структуры СУ или даже введения новых элементов.

Другой пример классификации: по иерархическому признаку (одноуровневые, двухуровневые, многоуровневые).

Источник

Интеллектуальная система автоматического управления судном по курсу Седова Нелли Алексеевна

Содержание к диссертации

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

1.1 Структура систем автоматического управления судном по курсу 14

1.2 Влияние различных факторов на управляемость судов 19

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу 21

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике 22

1.3.2 Разработка интеллектуальных систем автоматического управления с использованием нейросетевых технологий 27

1.4 Архитектура интеллектуальной САУ судна по курсу 37

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу 39

1.4.2 Режим обучения интеллектуальной САУ судном по курсу 40

1.4.3 Режим функционирования интеллектуальной САУ судном по курсу 41

1.5 Выводы по первой главе 41

2 Нейросетевое моделирование динамики движения судна 43

2.1 Математическая модель движения судна 43

2.2 Аппроксимационные свойства нейронных сетей 48

2.3 Архитектуры нейронных сетей 50

2.4 Определение наилучшей нейронной сети для моделирования динамики движения судна 60

2.5 Исследование ошибки обучения нейронной сети от погодных условий эксплуатации 64

2.6 Зависимость ошибки обучения нейронной сети от типа судна 67

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

2.8 Выводы по второй главе 74

3 Интеллектуальная САУ судном по курсу 75

3.1 Нейросетевой классификатор интеллектуальной САУ судном по курсу.. 75

3.1.1 Спектральный анализ кривых движения судов 77

3.1.2 Влияние количества гармоник на классификацию кривых движения судов 83

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

3.2.1 Структура и функциональные особенности регулятора на нечеткой логике 103

3.2.2 Целесообразность применения генетических алгоритмов в задачах оптимизации нечёткого регулятора 106

3.2.3 Настройка авторулевого на нечёткой логике по нейросетевой модели судна 110

3.3 Выводы по третьей главе 113

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

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

4.2 Имитационное моделирование для модели судна типа траулер 119

4.3 Выводы по четвёртой главе 121

Список использованных источников 124

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

Следует также отметить, что в Федеральной целевой программе «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем управления. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению. Также следует отметить требование Международной морской организации (1МО) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе-в современных условиях судоходства.

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

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

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

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

Для достижения поставленной цели решены следующие задачи:

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

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

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

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

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

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

Основные результаты и положения, выносимые на защиту:

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

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

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

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

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

Научная новизна; Научную новизну работы определяют следующие положения:

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

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

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

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

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

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

Недостатками традиционных электромеханических и аналоговых регуляторов являются следующие:

морально устаревшая элементная база;

низкий уровень защиты от влияния на качество регулирования волнового рыскания;

недостаточная чувствительность по угловой скорости в тихую погоду для неустойчивых на курсе судов, невысокое качество стабилизации курса из-за низкой эффективности ручной настройки;

отсутствие способов автоматического выполнения поворотов на любой угол требуемым образом, трудность включения в контур системы управление судна по маршруту.

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

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

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

низкая помехозащищенность при работе в условиях волнения на

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

невозможность проведения адаптивных процедур в режиме реального времени.

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

1.2 Влияние различных факторов на управляемость судов

Судно как объект управления имеет следующие особенности [11,

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

неполная управляемость и возможность потери управляемости;

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

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

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

неоднозначная в ряде случаев реакция на управляющие воздействия.

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

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

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

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

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

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

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

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу

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

Целесообразность использования в качестве авторулевых регуляторов на основе нечёткой логики и теории искусственных нейронных сетей определяется рядом преимуществ перед классическими регуляторами, к которым относятся ПД и ПИД регуляторы [31]:

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

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

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

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

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

возможностью практической реализации на современной элементной базе;

возможностью интегрировать частные данные для определения закономерностей процесса управления.

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике

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

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

повышения быстродействия процессов управления;

решения задач управления, трудно формализуемых методами традиционной математики;

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

снижения вероятности ошибочных решений.

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

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

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

Рисунок 1.3 — Схема функционирования системы на нечёткой логике

1. Фазификация известных чётких переменных.

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

2. Нечёткий вывод на основе выбранного алгоритма.

3. Дефазификация нечётких величин.

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

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

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

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

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

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

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

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

где х\,х2. х_{т — входные сигналы,}

Порог Ьк является внешним параметром искусственного ИН к:

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

В ИН добавился новый синапс. Его входной сигнал равен:

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

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

Рисунок 1.6 — График униполярной пороговой функции активации

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

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

ф) = х » 1 и ) = Т—з^г (рисунок 1.9) и (р(и) = — (рисунок 1.10), соответствен-

Рисунок 1.10- Униполярный вид сигмоидальной функции активации

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

ции гиперболического тангенса г для некоторого регуляризующего параметра ст и представлена

Рисунок 1.11— Радиально-базисная функция активации

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

слабосвязные, в которых каждый ИН связан только с ближайшими

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

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

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

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

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

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

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

где А: — число нейронов в слое п+1.

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

персептронные сети с прямыми связями;

самоорганизующиеся НС. К ним относятся:

НС адаптивного резонанса;

НС с обратными связями:

двунаправленная ассоциативная память; (1. рекуррентные НС;

НС встречного распространения;

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

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

1.4 Архитектура интеллектуальной САУ судна по курсу

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

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

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

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

управления судном по курсу

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

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

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу

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

Формирование исходных векторов данных

Идентификация исходных векторов данных

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

Предлагаемыми физическими принципами идентификации исходных векторов данных являются следующие:

анализ спектра данных, полученного с помощью дискретного преобразования Фурье;

измерение статистических характеристик сигнала с объекта управления.

Процесс создания рабочих массивов данных о курсе судна состоит в

постановке соответствия каждому сформированному в долговременной

памяти базы знаний > исходному вектору данных действительного курса

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

1.4.2 Режим обучения интеллектуальной САУ судном по курсу

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

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

После обучения НС, любой входной вектор X), принадлежащий множеству обучающих пар, но не совпадающий с его значениями, будет соответствовать выходному вектору Yj однозначно. Таким образом, обученные НС готовы для обработки данных о движении судна по курсу.

Влияние различных факторов на управляемость судов

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

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

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

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

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

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

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

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

Аппроксимационные свойства нейронных сетей

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

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

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

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

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

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

Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике

В работе в качестве регулятора используется гибридная нечеткая логика, в которой выводы о значении управляемого сигнала (положении пера руля) делаются на основании аппарата нечеткой логики, но соответствующие функции принадлежности настраиваются с использованием генетического алгоритма. Такие гибридные нейронные сети имеют априорную информацию о качестве управления (знания эксперта), что значительно ускоряет процесс обучения и приобретения новых знаний (адаптация к изменившимся условиям плавания), являются логически более понятными, чем «черный ящик» нейронной сети.

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

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

Каждая группа элементов в матрице дает одно нечеткое правило (ассоциацию), указывающее, как следует изменить переменную управления и для наблюдаемых величин входных нечетких переменных е и В качестве примера приведем интерпретацию правила <РЬ, 2Е, N1) на естественном языке.

Если ошибка (рассогласование) между заданным и фактическим значением курса положительная и большая и скорость изменения ошибки близка к нулю, то сигнал управления в рулевую машину должен быть максимальным.

Некоторые правила могут опускаться или, наоборот, добавляться в зависимости от расширения или сжатия задачи.

Для нечетких подмножеств двух нечетких переменных выбраны функция Гаусса и сигмовидная функция принадлежности (рисунок 3.49). р к нулю) выбирается более узкие, чем другие. Это позволяет повысить точность управления вблизи заданного значения курса и повысить робаст- ность системы.

Имитационное моделирование для модели судна типа траулер

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

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

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

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

Анализ результатов проведённого моделирования показал качественное удержание судна по курсу при помощи авторулевого на нечеткой логике и при заданной нагрузке на рулевой привод. По проведенным исследованиям следует также отметить, что адаптированный регулятор на нечеткой логике удерживает судно по курсу в заданных пределах рыскания (1 градус) для всех введенных условий плавания. К тому же из-за малых размеров испытательного судна оно считается трудным в управлении. Качественная работа авторулевого на таком судне позволяет говорить о его работоспособности на судах, имеющих гораздо большие размеры и, следовательно, менее чувствительных к внешним воздействиям. Проведенные компьютерное и имитационное моделирование подтверждают теоретические выводы работы.

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

Источник