автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий

На правах руко

ИДРИСОВ Ильдар Ирекович

АЛГОРИТМЫ АДАПТАЦИИ И ОБЕСПЕЧЕНИЯ ОТКАЗОУСТОЙЧИВОСТИ СИСТЕМ УПРАВЛЕНИЯ ГАЗОТУРБИННЫМИ ДВИГАТЕЛЯМИ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.13.01 Системный анализ, управление н обработка информации (в промышленности)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 3 лСл

Уфа-2009

003483654

Работа выполнена в ГОУ ВПО «Уфимский государственный авиационный технический университет» на кафедре вычислительной техники и защиты информации

Научный руководитель

д-р техн. наук, проф. Васильев Владимир Иванович

Официальные оппоненты

Ведущая организация

д-р техн. наук, проф.

Асанов Асхат Замилович

проф. кафедры прикладной математики и

информатики Приволжского Федерального

Университета

д-р техн. наук, проф. Лянцев Олег Дмитриевич проф. кафедры АСУ УГАТУ

ФГУП УНПП «Молния», г. Уфа

Защита диссертации состоится 4 декабря 2009 года в 10-00 часов на заседании диссертационного совета Д-212.288.03 при Уфимском государственном авиационном техническом университете по адресу: 450000, г. Уфа, ул. К. Маркса, 12

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан_ноября 2009 г.

Ученый секретарь

диссертационного совета Л 1\л г

д-р техн. наук, проф. П Г^Н ) В.В.Миронов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

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. Добряяского, 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:

1. Разработка и исследование алгоритмов идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.

2. Разработка и исследование алгоритмов синтеза и адаптации нелинейных многорежимных регуляторов ГТД на основе многослойных нейронных сетей.

3. Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД с использованием нейросетевых моделей их элементов и подсистем.

А. 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

1. Алгоритмы и методика идентификации ГТД и исполнительного механизма системы топливопитания на основе рекуррентных нейронных сетей.

2. Алгоритмы синтеза и адаптации нейросетевого регулятора ГТД на основе метода симплексного поиска и байесовской регуляризации.

3. Алгоритмы и методика синтеза отказоустойчивой САУ ГТД с использованием нейросетевых моделей ее функциональных элементов и подсистем.

4. 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

1. 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.

2. 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.

3. 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.

4. 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);

- 1П 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.

СОДЕРЖАНИЕ РАБОТЫ

Во введении дается общая характеристика работы: цель исследования, актуальность решаемых задач, определяется научная новизна и практическая значимость защищаемых результатов.

В первой главе проводится анализ существующих подходов к построению САУ ГТД в классе иерархических интеллектуальных систем управления (ИСУ), приводятся требования к перспективным САУ ГТД. Дается классификация задач, решаемых САУ ГТД с иерархической организацией уровней управления, приводится критерии интеллектуальности этих систем. Показана возможность повышения эффективности САУ ГТД на основе применения алгоритмов интеллектуального управления.

Проводится сравнительный анализ различных парадигм вычислительного интеллекта (экспертные системы, нейросетевые структуры, алгоритмы нечеткой логики и т.д.) с точки зрения перспектив их применения для решения задачи интеллектуального управления ГТД. Показаны преимущества использования нейросетевой парадигмы для решения данной задачи.

Рассмотрены различные подходы к решению задачи идентификации ГТД в реальном времени, адаптации алгоритмов управления и обеспечения отказоустойчивости САУ ГТД. На основе проведенного анализа предложена обобщенная структурная схема иерархической интеллектуальной системы управле-

ния ГТД, раскрывающая функции алгоритмов управления на различных уровнях САУ (рис. 1).

Согласно выбранной нейросетевой парадигме, база знаний ИСУ ГТД представляется в виде нескольких нейронных сетей, распределенных по уровням управления. Информационный обмен между отдельными НС осуществляется либо напрямую, либо посредством использования дополнительных логических блоков.

Рисунок 1 - Обобщенная структурная схема ИСУ ГТД (Д - датчики, ИМ - исполнительные механизмы)

Проведенный анализ работ в области разработки нейросетевых ИСУ ГТД показал, что в данной области остаются нерешенными такие задачи, как: задача адаптации НС-модели под конкретный экземпляр двигателя с учетом старения и изменения условий его эксплуатации; задача идентификации гидромеханических исполнительных механизмов системы топливопитания; задача выбора архитектуры НС-регуляторов и их применения в САУ с селектированием кана-

лов; задача адаптации НС-регуляторов с использованием НС-моделей ГТД в режиме реального времени; задача оперативного контроля и диагностирования отказов датчиков, исполнительных механизмов и системы управления ГТД в целом.

Отмечается, что одной из актуальных проблем в теории нейронных сетей является проблема определения оптимальной структуры нейронной сети, адекватной решаемой задаче. Для решения данной проблемы применительно к САУ ГТД в работе предлагается использование алгоритмов обучения НС с байесовской регуляризацией.

Формулируется цель исследования и задачи, решаемые в диссертационной работе.

Во второй главе рассматривается задача идентификации ГТД и исполнительного механизма системы топливопитания на основе нейронных сетей. Осуществляется выбор топологии и структуры НС, даны рекомендации по построению обучающей выборки и выбору алгоритмов обучения НС. Рассмотрены алгоритмы решения задачи нейросетевой идентификации ИМ и ГТД в широком классе архитектур НС (персептроны, динамические персептроны, рекуррентные сети Элмана). Исследованы зависимости точности идентификации от архитектуры, структуры и методик формирования обучающей выборки НС.

Постановка задачи идентификации

2. Дообучение НС-мод йпи на экспериментальных данных

Дообучение проводилось?

Если качество идентификации не удоепетеорягт заданным требованием, то, а ^

зависимости от еешчшы ошибки, необходим возврат к более ранним тагам алгоритма

1. Инициализация НС

Вьбор алгоритма обучения НС

Предобработка и нормирование данных

Выбор структуры и алгоритмов обучения НС

X

Тестирование сети

Оценка качества идентификации

I

Шаги впго ритма инициализации и дообучения НС на экспериментальных данных одинаковые

Удовлетворяет поставленным требованиям?

Рисунок 2 - Блок-схема методики нейросетевой идентификации ГТД и ИМ

В качестве базовой методики для решения задачи идентификации НС-моделей на примере двухвального ГТД и исполнительного механизма системы топливопитания (дозатора топлива) используется подход, основанный на предварительном обучении (инициализации) НС-моделей с использованием данных, полученных с помощью известных математических моделей ГТД и ИМ, таких как поэлементные математические модели (ПММ) и кусочно-линейные динамические модели (КЛДМ), и последующей адаптацией полученных НС-моделей к конкретным экземплярам объектов идентификации (рис. 2).

На этапе обучения НС использовался алгоритм Левенберга-Маркуордта с байесовской регуляризацией, основанной на использовании регуляризующего члена в выражении для ошибки обучения:

*1+£ л 2 н 2

1=1 от=I st

где £,(&) = 7,-(й)-.^^) - рассогласование между значениями 2-го измеряего параметра ГТД и соответствующего выхода НС-модели; [к\,к\+Ц - «временное окно» данных в пределах которого осуществляется настройка (обучение) НС; Жа<т) - веса синаптических связей НС; т - номер слоя НС (т = 1, ..., М), в нашем случае, для 3-слойной сети М-2; а и ¡3 - экспериментально подбираемые веса для отдельных составляющих ошибки обучения (а + р = 1).

На основе предложенной методики разработаны алгоритмы нейросетевой идентификации ИМ и адаптации полученной НС-модели для конкретного экземпляра ИМ. В качестве источника данных для инициализации НС-модели была использована ПММ исполнительного механизма системы топливопитания.

Показано, что предложенная методика идентификации позволяет решать задачу идентификации конкретного экземпляра ИМ со среднеквадратической ошибкой (СКО) по величине расхода топлива в камеру сгорания, равной 0,55%. Максимальная величина погрешности при этом составила 5Ст "1,5%. Установлено, что наилучшее качество идентификации обеспечивается при использовании НС-модели ИМ на основе 3-слойного персептроиа, содержащего 6 нейронов в скрытом слое.

Рассмотрены алгоритмы нейросетевой идентификации ГТД и адаптации полученной НС-модели для конкретного экземпляра двухвального двигателя. В качестве источника данных для инициализации НС-модели использовалась КЛДМ ГТД. В качестве базового алгоритма обучения было предложено использовать алгоритм Левенберга-Маркуордта с байесовской регуляризацией. Установлено, что наилучшее качество идентификации ГТД обеспечивает рекуррентная сеть Элмана с 12 нейронами в скрытом слое (рис. 3).

В результате применения предложенной методики адаптации для предварительно обученной НС-модели установлено, что задача идентификации конкретного экземпляра ГТД решается со значением СКО на переходных режимах, равными 6и, = 0,68%, би2= 0,63%, 5ПК* = 0,82%, 5Т4* = 0,15%, и с СКО на установившихся режимах - 5я, = 0,49%, 5я2= 0,48%, 5ПК* = 0,61%, 57;* = 0,04%.

Входной слой

Рисунок 3 - НС-модель ГТД на основе рекуррентной сети Элмана

Также был проведен эксперимент, позволяющий оценить точность НС-модели в условиях зашумления регулируемых параметров. В канал датчиков частоты вращения щ и п2 добавлялся равномерно распределенный шум в интервале до ±1% от максимального значения этих параметров. Было установлено, что СКО идентификации НС-модели ГТД в данных условиях не превышает 1,24%.

На основании полученных результатов сделан вывод о том, что применение предложенного подхода позволяет повысить качество идентификации НС-моделей для конкретных экземпляров ГТД и ИМ, и, кроме того, сокращает время, требуемое для реализации процедуры адаптации НС-модели, на 60-80%.

В третьей главе проводится анализ способов построения многорежимных регуляторов ГТД и обеспечения отказоустойчивости САУ ГТД на основе нейронных сетей.

На рис. 4 представлены основные варианты включения НС-регуляторов в астатических САУ ГТД.

Для схемы, изображенной на рис. 4, а, где целью обучения супервизорной НС является минимизация рассогласования между выходами САУ и ее эталонной модели (ЭМ), разработан алгоритм обучения НС, используемой для настройки коэффициентов ПИД-регулятора на основе метода симплексного поиска. Суп. данного метода состоит в том, что движение к оптимуму в и-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 его граней. Симплекс - это фигура в и-мерном пространстве, образованная (и + 1) вершинами, не принадлежащими ни одному из пространств меньшей размерности.

ЭМ

НС

HI

пид- и ИМ ГТД д

регулятор

1 ** НС, и им ГТД д

S

е-*-

НС

Рисунок 4 - Схемы включения НС-регулятора в САУ ГТД

Для схемы, изображенной на рис. 4, б, предложен алгоритм адаптации параметров многорежимного нейросетевого регулятора ГТД на основе обратной модели ГТД с использованием рекуррентной НС, дообучаемой в режиме реального времени. Предполагается, что сеть НС2 непрерывно обучается в процессе функционирования САУ, а сеть HQ формирует управляющее воздействие на ИМ ГТД> причем после очередного цикла дообучения (адаптации) сети НСг ее параметры копируются в управляющую часть САУ - сеть HQ.

Предло^еиа методика анализа абсолютной устойчивости нелинейпой САУ ГТД с НС-регулятором на основе теоремы о малом коэффициенте усиления. Рассмотрен случай, когда ГТД как объект управления на различных режимах описывается набором передаточных функций (s), где г - номер базового режима эксплуатации двигателя (r=l,...,R), а обученный НС-регулятор

описывается нелинейным отображением и = Ф(х). Методика анализа устойчивости включает в себя следующие этапы: 1) приведение структурной схемы САУ ГТД к эквивалентной структурной схеме «нелинейный элемент - линейная часть»; 2) построение нелинейной характеристики «вход-выход» НС-регулятора и определение граничного коэффициента усиления (с) сектора ее изменения; 3) вычисление максимального собственного числа замкнутой линейной система описываемой матрицей передаточных функций =

H^(s) |/ + cW^(s)j , где -матрица передаточных функций линей-

ной части САУ для r-го режима работы ГТД; 4) построение амплитудно-фазовых характеристик линейной части САУ ГТД и принятие решения об устойчивости САУ на указанном множестве режимов.

Приведен пример, показывающий особенности применения предложенной методики анализа устойчивости для конкретных характеристик САУ ГТД.

Разработан алгоритм и методика синтеза нейросетевого регулятора, применяемого в составе системы автоматического управления ГТД с селектирова-нием каналов управления. В современных САУ ГТД селекторы используются в САУ для устранения зоны совместной работы различных каналов управления. В работе показана возможность построения НС-регулятора, позволяющего совмещать функцию регулирования с селектированием каналов управления.

Для обеспечения требуемой точности аппроксимации при меньших вычислительных затратах, было предложено представить НС-регулятор в виде двух НС, позволяющих реализовать функции селектирования.

Рисунок 5 - Структурная схема нейросетевого регулятора ГТД с селектированием каналов

На рис. 5 показана схема реализации нейросетевого регулятора ГТД, где сеть НС] обеспечивает аппроксимацшо характеристик селектора по минимуму,

а НС2 - селектора по максимуму. Здесь - производная по частоте вращения ротора компрессора высокого давления; Дл] - величина ошибки управления по ль ИМ - исполнительный механизм (дозатор топлива).

С целью выбора оптимальной структуры НС был проведен ряд экспериментов. Наибольшая точность обучения была получена для HCl, содержащей 5 нейронов в скрытом слое, для НС2 - 3 нейрона в скрытом слое. Установлено, что поставленные требования к показателям качества процессов управления при этом выполняются на заданном множестве режимов работы ГТД.

Разработана методика построения отказоустойчивой САУ ГТД с использованием НС па основе метода FDI (Fault Detection and Identification). В рамках данного метода выбрана архитектура, структура и алгоритм обучения НС, реализующей функции блока диагностики отказов. Алгоритм работы НС-классификатора при этом основан на анализе невязок между выходами элементов исследуемой САУ ГТД и ее НС-модели, обучаемой на основе данных, полученных как на нормальных, так и на нештатных режимах, обусловленных возникновением отказов.

На рисунке 6 изображена схема построения отказоустойчивой САУ ГТД, где НС] - нейросетевой регулятор с селектированием каналов управления, представляющий собой НС-модель цифрового регулятора; НСг - нейросетевая модель ГТД; НС3 - нейросетевая модель ИМ. Блок диагностирования (НС-классификатор) реализован на базе 3-слойного динамического персептрона.

, г' НС-классификатор -

(.блйк/шапюсшрозаш!

Логика полключешш резершшх улеисшои

—*ф ' Исследуемая

САУ сшшгацнсН отказов

'' V

г

ЦР

ИМ пл•д

нс'з на

Эталонна» (предварительно обучешш) НС-модсли САУ

Рисунок 6

- Схема отказоустойчивой САУ ГТД

Входными сигналами для нейросетевого классификатора являются: Ае -невязка по ошибке управления; Ли - невязка по выходному сигналу цифрового регулятора (ЦР); Ау - вектор невязки по выходным параметрам САУ ГТД; АОт - невязка по расходу топлива; у0 - величина уставки управления. Выходом нейросетевого классификатора является вектор Р\, ..., элементы которого принимают значения 0 или 1, в зависимости от сложившейся ситуации в САУ.

Исследовались зависимости показателей качества процессов контроля и диагностирования САУ от выбора архитектуры и структуры НС. Наилучшее качество распознавания отказов достигалось при построении НС-классификатора на основе динамического персептрона, с задержкой значений входных сигналов на 4 такта и 7 нейронами в скрытом слое.

Реакция НС-классификатора

Переходные процессы в моделируемой САУ ГТД

Рисунок 7 - Результаты имитационного моделирования процессов распознавания и парирования отказов в САУ ГТД

Для оценки эффективности предложенных алгоритмов в исследуемой САУ имитировались два последовательных отказа: обрыв датчика частоты вращения щ в момент времени I = 10 с, и наводка (помеха) на входе ЦР (/= 14 с). На рисунке 7 показаны переходные процессы в САУ ГТД при возникновении отказов и соответствующая реакция НС-классификатора. В момент времени 1= 10,05 с на соответствующем выходе НС-классификтора появляется сигнал, равный единице, что соответствует отказу датчика П] (обрыв). Логика

подключения резервных элементов реагирует на данный сигнал и подключает резервный датчик. В момент времени t = 14,05 с сеть распознает очередной сымитированный отказ (отказ ЦР) и, после переключения на резервный элемент, выходные параметры ГТД приходят к нормальным значениям через (0,5... 1) с (время отработки возмущений регулятором).

Результаты проведенного имитационного моделирования САУ ГТД подтверждают работоспособность предложенных алгоритмов диагностики отказов и обеспечения отказоустойчивости САУ. Время надежного распознавания для рассмотренных видов отказов при этом составило 50 мс (2 такта работы системы).

В четвертой главе приводится методика синтеза интеллектуальной системы управления ГТД на основе нейронных сетей, проводится анализ основных способов аппаратной реализации нейровычислителей, решается задача программно-аппаратной реализации разработанных нейросетевых моделей на элементной базе ПЛИС.

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 обеспечения отказоустойчивости САУ ГТД. Применение данной методики позволяет автоматизировать процесс разработки и уменьшить сроки проектирования ИСУ ГТД.

С целью оценки требуемых аппаратных затрат при реализации разработанных алгоритмов НС-управления, определены требования, предъявляемые к бортовым вычислителям САУ ГТД. Делается вывод о том, что существующие бортовые вычислительные системы не обеспечивают реализацию предложенных НС-алгоритмов. На основании проведенного в работе сравнительного анализа различных способов программно-аппаратной реализации НС-моделей, основанных на использовании универсальных процессоров, цифровых сигнальных процессоров, специализированных процессоров (нейрочипов), заказных СБИС и ПЛИС, сделан вывод о том, что ПЛИС в наибольшей степени удовлетворяют критерию эффективности реализации НС-алгоритмов управления и контроля в САУ ГТД.

Приведены примеры программно-аппаратной реализации НС-моделей исполнительного механизма системы топливопитания (дозатора топлива), двухвального ГТД и НС-регулятора на элементной базе ПЛИС в САПР «Quar-tus». Показано, что спроектированные НС удовлетворяют поставленным требованиям по точности и вычислительным затратам.

Рассмотрены вопросы реализации информационного обмена разработанного нейровычислителя с бортовыми системами САУ ГТД с использованием интерфейсов MIL-STD-1553 и ARTNC-429.

В заключении приводятся основные результаты, полученные в процессе исследований, и делаются соответствующие выводы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

1. Предложена методика динамической идентификации ГТД и исполнительного механизма системы топливопитания с использованием НС. Показано, что полученные НС-модели пригодны для использования их в составе САУ ГТД. Исследованы зависимости точности идентификации от архитектуры, структуры и методики формирования обучающей выборки НС. Предложена методика НС-идентификации ГТД с использованием алгоритмов регуляризации. Показано, что данный подход обеспечивает уменьшение погрешности идентификации на 1,9% (до 0,55%) для индивидуального экземпляра ИМ и на 2,7% (до 0,82%) для индивидуального экземпляра ГТД по сравнению с известными методами, основанными на интерполяции нелинейных характеристик объекта.

2. Решена задача синтеза алгоритма обучения супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора ГТД, и синтеза адаптивного многорежимного нейросетевого регулятора ГТД, включая нейросете-вой регулятор с селектированием каналов управления. Предложена методика анализа устойчивости САУ ГТД с многорежимным нейросетевым регулятором на основе теоремы о малом коэффициенте усиления.

3. Разработаны алгоритмы обеспечения отказоустойчивости системы автоматического управления ГТД с использованием нейросетевых моделей ее элементов и подсистем на основе метода FDL Показано, что данный подход позволяет осуществлять распознавание отказов за время (25-^75) мс, что удовлетворяет требованиям, предъявляемым к современным САУ ГТД.

4. Проведена оценка эффективности предложенных нейросетевых алгоритмов идентификации и управления ГТД, даны рекомендации по их программно-аппаратной реализации на специализированной элементной базе ПЛИС.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В рецензируемом журнале из списка ВАК

1. Алгоритмы проектирования и анализа устойчивости интеллектуальной системы управления ГТД / В. И. Васильев, И. И. Идрисов // Вестник УГАТУ: науч. журн. Уфимск. гос. авиац. ун-та. Серия «Управление, вычислительная техника и информатика». 2008. Т. 11, №1 (28). С. 34-42.

В других издания

2. Идентификация параметров ГТД с использованием нейронной сети / И. И. Идрисов // Туполевские чтения : междунар. молодежи, науч. конф., поев. 1000-летию г. Казани. Казань : КГТУ, 2005. Т. 4. С. 39-40.

3. Идентификация параметров ГТД с использованием нейронной сета / И. И. Идрисов // VIII Королевские чтения. Сб. тр. всерос. молодежи, науч. конф. Самара: СГАУ им. С. П. Королева, 2005. С. 307.

4. Синтез алгоритмов и моделирование процессов управления в ЧС /

B. И. Васильев, И. У. Ямалов, И. И. Идрисов, Т. М. Буреева // Компьютерные науки и информационные технологии : CSIT'2005 : междунар. науч. изд-е. Уфа: УГАТУ, 2005. Т. 2. С. 122-125 (Статья на англ. яз.).

5. Синтез и исследование адаптивных нейросетевых алгоритмов управления газотурбинного двигателя / И. И. Идрисов // Искусственный интеллект. Интеллектуальные и многопроцессорные системы-2006 : 7-я междунар. науч.-техн. конф. Таганрог : ТРТУ, 2006. Т.2. С. 267-271.

6. Алгоритм адаптивного нейросетевого управления ГТД / И. И. Идрисов // Вычислительная техника и новые информационные технологии: межвуз. науч. сб. Отв. ред. В. И. Васильев. Уфа : УГАТУ, 2007. Вып. 6. С. 64-69.

7. Адаптивное управление газотурбинным двигателем с использованием нейронных сетей / И. И. Идрисов // Компьютерные науки и информационные технологии : CSIT'2007 : междунар. науч. изд-е. Уфа : УГАТУ, 2007. Т. 3.

C. 1-3. (Статья на англ. яз.).

8. Интеллектуальные алгоритмы управления и идентификации авиационного двигателя / И. И. Идрисов, С. С. Москвичев // Мавлютовские чтения : сб. тр. всерос. молодежи, науч. конф., поев. 75-летию УГАТУ. Уфа : УГАТУ, 2007. Т.З.С. 96.

9. Исследование абсолютной устойчивости системы управления многорежимным динамическим объектом с нейросетевым регулятором / И. И. Идрисов, Н. В. Кучкарова // Актуальные проблемы в науке и технике : сб. ст. всерос. зимн. шк.-сем. аспирантов и молодых ученых. Уфа : Диалог, 2008. Т. 1. С. 314320.

10. Синтез и техническая реализация нейросетевых алгоритмов идентификации и управления ГТД на базе бортовых высокопроизводительных вычислительных систем / И. И. Идрисов // Нейроинформатика и системы ассоциативной памяти : 4-я междунар. молодежи, школа. Таганрог : ТТИ ЮФУ, 2008. С. 139-144.

11. Синтез многорежимных систем автоматического управления с использованием нейросетевых регуляторов / В. И. Васильев, И. И. Идрисов // Компьютерные науки и информационные технологии : CSIT'2008 : междунар. науч. изд-е. Уфа : УГАТУ, 2008. Т. 1. С. 105-109. (Статья на англ. яз.).

12. Алгоритмы обеспечения отказоустойчивости САУ ГТД / В. И. Васильев, И. И. Идрисов // Проблемы машиноведения, процессов управления и критических технологий : сб. науч. тр. Уфа: Гилем, 2008. С. 185-190.

13. Нейросетевые технологии проектирования САУ ГТД / В. И. Васильев, И. И. Идрисов, А. С. Макаров // Инновации в информационных технологиях:

теория и практика : Российско-немецкий сем. Уфа : УГАТУ, 2009. С. 72-77. (Статья на англ. яз.).

14. Разработка нейросетевых алгоритмов управления газотурбинного двигателя / И. И. Идрисов // Актуальные проблемы науки и техники Информатика, управление компьютерные науки : сб. тр. 4-й всерос. зимн. шк.-сем. аспирантов и молодых ученых. Уфа : Диалог, 2009. Т. 1. С. 231-235.

15. Проектирование перспективных нейросетевых САУ ГТД / В. И. Васильев, И. И. Идрисов, А. С. Макаров // Компьютерные науки и информационные технологии : С51Т'2008 : междунар. науч. изд-е. Уфа : УГАТУ, 2009. Т. 1. С. 13-18. (Статья на англ. яз.).

Диссертант

Идрисов И.И.

ИДРИСОВ Ильдар Ирекович

АЛГОРИТМЫ АДАПТАЦИИ И ОБЕСПЕЧЕНИЯ ОТКАЗОУСТОЙЧИВОСТИ СИСТЕМ УПРАВЛЕНИЯ ГАЗОТУРБИННЫМИ ДВИГАТЕЛЯМИ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.13.01 Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 30.10.2009. Формат 60x84 1/16. Бумага офсетная. Печать плоская. Гарнитура Times New Roman Cyr. Усл. Печ. л. 1,0. Усл. кр.- отт.1,0. Уч.- изд. л. 0,9. Тираж 100 экз. Заказ № 546.

ГОУ ВПО Уфимский государственный авиационный технический университет Центр оперативной полиграфии 450000, Уфа-центр, ул.К.Маркса, 12

ОГЛАВЛЕНИЕ.

СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ, ПРИНЯТЫЕ В РАБОТЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ В ОБЛАСТИ ПРОЕКТИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ГАЗОТУРБИННЫМИ ДВИГАТЕЛЯМИ.

1.1 Тенденции развитии авиационных ГТД и его систем автоматического управления.

1.2 Анализ существующих методов построения математических моделей ГТД и многорежимного управления ГТД.

1.3 Функции и задачи интеллектуальных систем управления ГТД.

1.4 Роль и место нейросетевых технологий в интеллектуальном управлении ГТД.

1.5 Методы и алгоритмы синтеза интеллектуальных систем управления ГТД

1.6 Выводы по первой главе. Постановка задач исследования.

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ ИДЕНТИФИКАЦИИ ГТД И ИСПОЛНИТЕЛЬНОГО МЕХАНИЗМА СИСТЕМЫ ТОПЛИВОПИТАНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ.

2.1 Общая постановка задачи идентификации ГТД и исполнительного механизма системы топливопитания на основе нейросетевых моделей.

2.2 Выбор архитектуры и алгоритмов обучения нейросетевой модели ГТД и исполнительного механизма системы топливопитания.

2.3 Задача идентификации нейросетевой модели гидромеханической части САУ ГТД.

2.4 Методика идентификации и адаптации нейросетевых моделей ГТД.

2.5 Результаты и выводы по второй главе.

ГЛАВА 3. СИНТЕЗ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ ГТД.

3.1 Постановка задачи синтеза НС-алгоритмов управления ГТД.

3.2 Синтез супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора.

3.3 Синтез многорежимного НС-регулятора в астатической САУ.

3.4 Синтез адаптивных НС-алгоритмов управления ГТД.

3.5 Анализ устойчивости нейросетевой САУ ГТД.

3.6 Синтез нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления.

3.7 Разработка алгоритма построения отказоустойчивой нейросетевой САУ ГТД.

3.8 Результаты и выводы по третьей главе.

ГЛАВА 4. ОСОБЕННОСТИ ПРОГРАММНО-АППАРАТНОЙ РЕАЛИЗАЦИИ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ ГТД.

4.1. Методика проектирования НС-алгоритмов управления ГТД.

4.2. Анализ особенностей технической реализации НС-алгоритмов на основе высокопроизводительной бортовой распределенной вычислительной системы.

4.2.1. Выбор и обоснование архитектуры вычислителя.

4.3 Аппаратная реализация на ПЛИС.

4.3.1 Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС.

4.3.2 Пример реализации НС-модели ГТД на базе ПЛИС.

4.3.3 Пример реализации НС-модели исполнительного механизма на базе плис.:.

4.3.4. Пример реализации НС-регулятора заданной структуры и анализ особенностей интеграции спроектированных НС-вычислителей в

САУЛА.

4.4. Выводы по четвертой главе.

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, многосвяз-ностью, 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. Кабального, Р. JI. Лейбова, О. Д. Лян-цева, JI. 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 классе1 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. Мунасыпо-ва 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. м !?

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Разработка и исследование алгоритмов идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.

2. Разработка и исследование алгоритмов синтеза и адаптации нелинейных многорежимных регуляторов ГТД на основе многослойных нейронных сетей.

3. Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД с использованием нейросетевых моделей их элементов и подсистем.

4. 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

1. Алгоритмы и методика идентификации ГТД и исполнительного механизма системы топливопитания на основе рекуррентных нейронных сетей.

2. Алгоритмы синтеза и адаптации нейросетевого регулятора ГТД на основе метода симплексного поиска и байесовской регуляризации.

3. Алгоритмы и методика синтеза отказоустойчивой САУ ГТД с использованием нейросетевых моделей ее функциональных элементов и подсистем.

4. Методика проектирования нейросетевых алгоритмов идентификации и управления ГТД, а также практические рекомендации по их технической реализации на базе программируемых логических интегральных схем.

Научная новизна результатов

1. 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.

2. Предложены алгоритмы синтеза и адаптации многорежимного ней-росетевого 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.

3. 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.

4. 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* текстово-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 «Нейроин-форматика 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.

4.4. Выводы по четвертой главе

1. Предложена блок-схема методики разработки. ИСУ ГТД на; основе нейронных сетей, позволяющая автоматизировать процесс разработки. ИСУ ГТД, снизить время разработки элементов ИСУ ГТД и избежать необходимости проведения дополнительных исследований, за счет, следования предлагаемым в методике рекомендациям;

2. На основе проведенной оценки вычислительных затрат при аппаратной реализации нейросетевой САУ ГТД с. помощью: .процессоров? фон-Неймановской архитектуры,показано, что существующая бортовая-вычислит тельная система не подходит для. реализации- на ее основе НС-алгоритмов; и требуется разработка более производительного вычислителя.

3. На основании проведенного анализа различных способов программно-аппаратной реализации НС моделей на базе специализированных процессоров (нейрочипов), заказных СБИС, универсальных процессоров, цифровых сигнальных процессоров и ПЛИС, сделан вывод о том, что ПЛИС в большей степени удовлетворяет критерию эффективности применения нейронных процессоров в САУ ГТД.

5. Выполнена программно-аппаратная реализация НС-модели ГТД на базе ПЛИС Altera. Показано, что спроектированная НС обеспечивает сум-марно-квадратическую ошибку вычисления параметров ГТД с помощью НС-модели на тестовой последовательности данных соответственно: 5^1=1,98%, 5и2=1,49%, 5Г4*=1,61%.

6. Выполнена программно-аппаратная реализация НС-модели исполнительного механизма на базе ПЛИС Altera. Показано, что спроектированная НС обеспечивает суммарно-квадратическую ошибку идентификации 5&г*=1,54%, что удовлетворяет поставленным требованиям.

7. Выполнена программно-аппаратная реализация на ПЛИС НС-регулятора ГТД. Среднеквадратическая ошибка вычисления значений управляющих воздействий Gj и Fc с использованием спроектированной сети и эталонными значениями при этом составила 0,76%.

8. Проведен анализ особенностей интеграции спроектированных НС-вычислителей в САУ ЛА, который показал высокую пригодность разработанных нейровычислителей, реализованных на основе ПЛИС, для их использования в качестве элементов БРВС.

ЗАКЛЮЧЕНИЕ

1. Предложена методика динамической идентификации ГТД и исполнительного механизма системы топливопитания с использованием НС. Показано, что полученные НС-модели пригодны для использования их в составе модели САУ ГТД. Исследованы зависимости точности идентификации от архитектуры, структуры и методики формирования обучающей выборки НС. Предложена методика НС-идентификации ГТД с использованием алгоритмов регуляризации. Показано, что данный подход обеспечивает уменьшение погрешности идентификации на 1,9% (до 0,55%) для индивидуального экземпляра ИМ и на 2,7% (до 0,82%) для индивидуального экземпляра ГТД по сравнению с известными методами, основанными на интерполяции нелинейных характеристик объекта.

2. Решена задача синтеза алгоритма обучения супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора ГТД, и синтеза адаптивного многорежимного нейросетевого регулятора ГТД; включая ней-росетевой регулятор с селектированием каналов управления. Предложена методика анализа устойчивости САУ ГТД с многорежимным нейросетевым регулятором на основе теоремы о малом коэффициенте усиления.

3. Разработаны алгоритмы обеспечения отказоустойчивости системы автоматического управления ГТД с использованием нейросетевых моделей ее элементов и подсистем на основе метода ГОТ Показано, что данный подход позволяет осуществлять распознавание отказов за время (25-^75) мс, что удовлетворяет требованиям, предъявляемым к современным САУ ГТД.

4. Проведена оценка эффективности предложенных нейросетевых алгоритмов идентификации и управления; ГТД, даны рекомендации по их программно-аппаратной' реализации на специализированной элементной базе ПЛИС.

1. Аналитический обзор. Работы ведущих авиадвигателестроительных компаний по созданию перспективных авационных двигателей / под общ. ред.

2. B.А. Скибина, В.И. Солонина, М.Я. Иванова. М.: ЦИАМ, 2004. - 424с.

3. Андриевский Б.Р., Фрадков A.JL. Избранные главы теории автоматического управления с примерами на языке Matlab .— СПб.: Наука, 1999. 468 с.

4. Антонов В. Н., Терехов В. А., Тюкин Ю. И. Адаптивное управление в технических системах. СПб: Изд-во С.-Петербургского университета, 2001.244 с.

5. Архитектуры и топологии многопроцессорных вычислительных систем. Курс лекций. Учебное пособие /A.B. Богданов, В.В. Корхов, В.В. Мареев, E.H. Станкова / М.:ИНТУИТ.РУ, 2004. 176 с.

6. Валеев С.С. Проектирование интеллектуальных систем управления динамическими объектами на основе принципа минимальной сложности (на примере авиационных двигателей) // Автореферат диссертации на соискание ученой степени д.т.н. / Уфа: УГАТУ. 2005. 32 с.

7. Валеев С.С., Шилоносов A.A., Каримов A.A. Нейросетевая интерполяция характеристик ТВВД // Труды Российско-Китайского симпозиума по актуальным проблемам двигателестроения, УГАТУ-НУАА, Уфа, 1999.1. C. 111-115.

8. Васильев В.И. и др. Алгоритмы идентификации и многорежимного управления. ГТД на основе нейронных сетей / Васильев В.И.,.Валеев-С.С., Шило-носов A.A. // Вестник УГАТУ. 5т. - 2004. - № 1(9). - С. 118-125.

9. Васильев,В.И. и др. Синтез-многосвязной адаптивной системьгуправления ГТД на основе нейронных сетей / В.И'. Васильев, С.С. Валеев, A.A. Шилоносов1// Авиакосмическое приборостроение. 2003. -№7. - С. 36-53.

10. Васильев В.И., Валеев С.С. Проектирование интеллектуальных систем управления ГТД на основе принципа минимальной сложности // Вестник УГАТУ. 2007. - №2(20). - С. 32-41.

11. Васильев В.И., Валеев С.С., Шилоносов A.A. К выбору структуры нейро-регулятора в системе управления динамическим объектом // Нейрокомпьютеры: разработка и применение. 2001, № 4-5. С. 52-60.

12. Васильев В.И., Жернаков С.В. Контроль и диагностика технического состояния авиационных двигателей на основе экспертных систем // Вестник УГАТУ, Том 9, № 4 (22), 2007. С. 11-23.

13. Васильев В.И., Идрисов И.И. Алгоритмы обеспечения отказоустойчивости САУ ГТД // Проблемы машиноведения, процессов управления и критических технологий: сборник,научных трудов. — Уфа: Гилен, 2008; С. 185-190.

14. Васильев В. И. Оценка сложности нейросетевых моделей на основе энтропийного подхода / В. И. Васильев, С. С. Валеев //Нейрокомпьютеры, разработка, применение. 2004. - № 9. - С. 10-16.

15. Великий тлумачний словник сучасно'1 украшсько!' мови. — Кшв, 1ршнь: ВТФ «Перун», 2004. 1440 с.

16. Ворожцов А.В. Критерии интеллектуальности искусственных систем // Рефлексивные процессы и управление, 2004, Том 4, № 2. С. 20-41.

17. Вычужанин В. Устройство управления двигателем на ПЛИС // http://www.kit-e.iTi/assets/files/pd1^20040288.pdf

18. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2001. -384 с.

19. Галушкин А.И. Основы нейроуправления // Нейрокомпьютеры: разработка и применение. 2002, № 9-10. С. 87-106.

20. Галушкин А.И. Теория нейронных сетей. Кн. 1. М.: ИПРЖР, 2000. — 416 с.

21. Гребнев А.Н. Разработка методов самоорганизации коммуникационных информационных систем в научно-образовательной среде : Автореф. дис. канд. техн. наук : 05.13.01 : Ижевск, 2007 20 с.

22. Грибачев В. Элементная база аппаратных реализаций нейронных сетей // Компоненты и технологии №8 2006. С. 100-103.

23. Дамбраускас А.П. Симплексный поиск. — М.: Энергия, 199. 176 с.

24. Дезоер Ч., Видьясагар М. Системы с обратной связью: вход-выходные соотношения. — М.: Наука, гл. редакция физ.-мат. лит-ры, 1983. 280 с.

25. Джексон П. Введение в экспертные системы. 3-е издание. М.: Издательский дом "Вильяме", 2001. - 624 с.

26. Жернаков C.B. Идентификация характеристик ГТД на основе технологии нейронных сетей // Полет. 2006. - № 10. - С. 9-15.

27. Жернаков C.B. Контроль h диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных // Диссертация на соискание ученой степени д.т.н. / Уфа: УГАТУ, 2005. 340 с.

28. Жернаков C.B. Контроль технического состояния ГТД на основе нейронных сетей // Авиакосмическое приборостроение. — М.: 2006. № 8. - С. 34-37.

29. Жернаков C.B. Параметрическая идентификация ГТД гибридным ансамблем нейросетей // Нейрокомпьютеры: разработка и применение. 2001, № 4-5. -С. 31-35.

30. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

31. Захаров В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. I. Научно-организационные, технико-экономические и прикладные аспекты // Техническая кибернетика. -1992.-№5.-С. 171-196.

32. Идентификация параметров ГТД гибридным ансамблем нейросетей; / Жернаков C.B. //Научная сессия МИФИ- 2000. Сборник научных трудов. -М., 2000.-С. 45-51.

33. Идрисов И.И. Алгоритм адаптивного нейросетевого управления ГТД // Вычислительная техника и новые информационные технологии:, межвузовский научный сборник. Выпуск 6 / ГОУ ВПО УГАТУ; отв. ред. В. И: Васильев. Уфа : УГАТУ, 2007. - С. 64-69:

34. Идрисов И.И: Синтез и исследование адаптивных нейросетевых алгоритмов управления газотурбинного двигателя // Искусственный: интеллект: Интеллектуальные и многопроцессорные системы-2006 // Материалы Седьмой

35. Международной научно-технической конференции. Т.2. Таганрог: Изд-во ТРТУ, 2006.-С. 267-271.

36. Интегральные системы автоматического управления силовыми установками самолетов / под ред. А. А. Шевякова. М.: Машиностроение, 1983. -283 с.

37. Интеллектуальные системы управления и контроля газотурбинных'двигателей / под ред. академика С.Н. Васильева. М.: Машиностроение, 2008. -550 с.

38. Интеллектуальные системы управления с использованием генетических алгоритмов: Учебное пособие / В.И.Васильев, Б.Г.Ильясов; УГАТУ. Уфа, 1999. - 105 с.

39. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие / В'.И. Васильев, Б.Г. Ильясов, С.С. Валеев и др.; Уфимск.гос.авиац.техн.ун-т. Уфа, 1997. 85 с.

40. Искусственные иммунные системы и их применение / Под ред. Д. Дас-гупты. Пер. с англ. под ред. Романюхи. — М.: Физматлит, 2006. 344 с.

41. Искусственный интеллект и интеллектуальные системы управления / И.М. Макаров, В.М. Лохин, C.B. Манько, М.П. Романов; под ред. ИМ. Макарова. М.: Наука, 2006. - 333 с.

42. Карпенков А. Применение ПЛИС в системе управления // "Электронные компоненты", №1 2007. С. 49-51.

43. Карпов В.Э. К вопросу об управлении мобильным роботом в условиях общей постановки задачи // Вестник компьютерных и информационных технологий, №1, 2008. С. 2-9.

44. Киреев В.И. Численные методы в примерах и задачах: Учебное пособие. — М.: Высшая школа, 2004. 480 с.

45. Колосов В.В. Проблемные вопросы технической реализации аппаратных средств бортового нейросетевого обеспечения малых космических аппаратов // "Нейрокомпьютеры: разработка, применение", №10-11 2005. С. 75-87.

46. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. - С. 352.

47. Короткий С., Нейронные сети: алгоритм обратного распространения, http://newasp.omskreg.ru/intellect/f22.htm

48. Куликов Г.Г., Котенко П.С., Фатиков B.C., Ищук В.П. Интегрированное управление самолетом с турбовинтовентиляторными двигателями при посадке на короткие площадки // Мир авионики. № 4, 2008. С. 44-49.

49. Курейчик В.М., Родзин С.И. Эволюционные вычисления: генетическое и эволюционное программирование. Новости искусственного интеллекта, №5, Москва, 2003. С. 13-20.

50. Лебедев Г.Н. Интеллектуальные системы управления и их обучение с помощью методов оптимизации: Учебное пособие. М.: МАИ, 2002. - 112 с.

51. Лейбов Р.Л. Кусочно-линейный регулятор, дополненный нейронной сетью // Нейрокомпьютеры: разработка и применение. 2006, № 4-5. — С. 122-128.

52. Лейбов Р.Л. Линейная модель, дополненная нелинейной нейронной сетью // Нейрокомпьютеры: разработка и применение. 2006, № 3. — С. 34-38.

53. Логовский А. Технология ПЛИС и ее применение для создания нейрочи-пов // Открытые системы, №10, 2000. С. 19-23.

54. Матвейкин В.Г., Фролов C.B. Использование байесовского подхода в обучении нейронных сетей // Информационные технологии. 1998. №10. -С. 27-35.

55. Меркин Д.Р. Введение в теорию устойчивости движения. Главная редакция физико-математической литературы издательства «Наука», М., 1976.- 320 с.

56. Митин Г.П., Хазанова О.В. Системы автоматизации с использованием программируемых логических контроллеров: Учебное пособие. М.: ИЦ МГТУ "Станкин", 2005. - 136 с.

57. Муслухов И.И. Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей / Автореферат на соискание ученой степени кандидата технических наук Уфа: УГАТУ, 2007.- 16 с.

58. Нейроинформатика / Горбань А.Н., Дунин-Барковский В. Л., Кир дин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296 с.

59. Нейрокомпьютеры в авиации (самолеты) /Под ред. В.И. Васильева, Б.Г. Ильясова, С.Т. Кусимова. Кн. 14: Учебное пособие для вузов. М.: Радиотехника, 2003. — 496 е.: ил. (Научная серия «Нейрокомпьютеры и их применение», под общей ред. А.И. Галушкина).

60. Нейроматематика. Кн. 6: Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. М.: ИПРЖР, 2002. - 425с.

61. Нейросетевой метод восстановления информации с датчиков ГТД / Жер-наков C.B., Муслухов И.И. // Нейроинформатика и ее приложения 2005: Сб. науч. тр. VIII всероссийского научного семинара, Красноярск: Изд-во ИВМ СО РАН, 2005. С. 61-62:

62. Нечеткая логика и искусственные нейронные сети / Круглов В.В., Дли М.И. М.: Физматлит, 2001 -224 с.

63. Осовский С. Нейронные сети для обработки информации / Пер. с польского. М.:Финансы и статистика, 2002. - 344 с.

64. Оценка уровня виртуальной интеллектуальности прикладной программно-технической системы на основе анализа эргономической модели / Литвинов BiA., Оксанич И.Н. // Математические машины и системы. 2008. - № 2. -С. 100;- 105.

65. Проблемы проектирования и развития систем автоматического управления и контроля ГТД / С.Т. Кусимов, Б.Г. Ильясов, В.И. Васильев и др. — М.: Машиностроение, 1999. — 609 с.

66. Пугачев Ю.А. Интеллектуальные бортовые системы перспективных летательных аппаратов/www.mipt.ru/nauka/confmipt/сопГ49/г49/Г2гг^сц 5 / а2тп wp 1 /Г9псЮ

67. Распопов Е.В., Куликов Г.Г., Фатиков В.С., Арьков В.Ю. Интеллектуальная система запуска авиационного ГТД // Мир авионики. № 4, 2008. -С. 40-43.

68. Родзин С.И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования // Новости искусственного интеллекта. 2000. №3. С. 159-170.

69. Сигеру О. и др. Нейроуправление и его приложения. Кн. 2/ О. Сигеру, X. Марзуки, Ю. Рубия -М.: ИПРЖР, 2000. 272 с.

70. Смуров В.А. Оценка интеллектуальности систем // Нейрокомпьютеры: разработка и применение. 2006, № 8-9. С. 98-104.

71. Соколов А.Ю.Знание-ориентированные модели и методы в системах управления принятия решений / Национальный аэрокосмический университет им. Н.Е. Жуковского «ХАИ», http://sumschool.sumdu.edu.ua/is-02/гиз/1есйдгез/ 8око1оу/зоко1оу.Ы;т

72. Солодовников В.В., Тумаркин В.Н. Теория сложности и проектирование систем управления. -М.: Наука, 1990. 168 с.

73. Суворов В.В. К оцениванию интеллекта систем // Труды Международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в1 задачах управления (1С1Т). — Переяславль-Залесский, 19991 6-9 декабря. - С. 36-42.

74. Теория автоматического управления. Т. 1. Ким Д.П5 / М: ФИЗМАТЛИТ,/2003.-288 с.

75. Теория систем автоматического регулирования. Издание третье, исправленное. Бесекерский В. А., Попов Е. П. / М: «Наука» 1975. 768 с.

76. Толковый словарь по искусственному интеллекту / Сост.: А.Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. — М.: Радио и связь, 1999. 256 с.

77. Тюкин И.Ю., Терехов В.А. Адаптивное управление нелинейными динамическими объектами с применением нейронных сетей // Нейрокомпьютеры: разработка и применение. 2006, № 6. С. 3-15.

78. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика / Пер. с англ. М.: Мир, 1992. - 105 с.

79. Финн В.К. Об интеллектуальном анализе данных // Новости искусственного интеллекта, № 3, 2004. С. 3-18.

80. Фрид А.И. Адаптивные системы автоматического управления-авицион-ными двигателями с селектированием режимов // Вестник УГАТУ, №1, 2000. — С.179-187.

81. Черкасов Б.А. Автоматика и регулирование воздушно-реактивных двигателей. М.: Машиностроение, 1988. - 360 с.

82. Шилоносов A.A. Алгоритмы идентификации и многорежимного управления ГТД на основе нейронных сетей // диссертация на соискание ученой степени к.т.н. / Уфа, 2003.- 180 с.

83. Штовба С. Д. Муравьиные алгоритмы. Exponenta Pro. Математика в приложениях; 2003, №4. С. 70-75.

84. A successful* Interdisciplinary Course on Computational' Intelligence / G.K. Kumar // IEEE Computational Intelligence Magazine. Febraury 2009, vol: 4, #1. pp. 14-23

85. AN1442 APPLICATION NOTE, Andre ROGER and Charles AUBENAS http://www.st.com/stonline/products/literature/an/8596.pdf

86. Advanced Multivariable Control Systems of Aeroengines / Eds.: Sun Jianguo, Vasilyev V.I., Ilyasov B.G. BUAA Pub., Beijing, China, 2005. 621 p.

87. Bishop C. Training with noise is equivalent to Tikhonov regularization // Neural Computation, 1995, vol. 7(1). pp. 108-116.

88. Bishop C. M. Neural Networks and Mashine Learning. New York. SpringerVerlag, 1998, 346 p.

89. Bishop C. M. Neural Networks for Pattern Recognition. Oxford: Oxford University Press, 1995, 504 p.

90. Chang W., Hwang R., Hsieh J. A multivariable on-line adaptive PID controller using auto-tuning neurons // Engineering Application of Artificial Intelligence 16 (2003). pp. 57-63.

91. Chen S., S.A. Billings and P.M. Grant. "Nonlinear system identification using neural networks". Int. Journal of Contrl, Vol. 51, 1990. pp. 1215-1228.

92. Chen S., S.A. Billings, C.E. Cowan an P.M. Grant, "Practical Identification of NARMAX models using radial basis function". Int. Journal of Contrl, Vol. 52, 1990. pp. 1327-1350:

93. Dependability: Basic Concepts and Terminology (in English, French, German, Italian and Japanese), Springer-Verland, Vol.5, 1992. (ed.: J.C. La-prie); 267 p.

94. Dynamic Modelling of Gas Turbines: Identification, simulation, condition monitoring and optimal control / Eds. G. Kulikov, H: Thompson. Springer-Verlag, New York. 2004. 309 p.

95. Elman J.L. Finding Structure in Time // COGNITIVE SCIENCE, №14, 1990. -pp. 179-211.

96. Evans and E. R. Messina, Performance Metrics for Intelligent Systems, Proceedings of the 2000 PerMIS Workshop, Aug., 14-16, 2000, Gaithersburg, MD. pp. 101- 104.

97. Girosi F., Jones M., Poggio T. Regularization theory and neural networks architectures //Neural Computation, 1995,vol. 7. pp. 219-269.

98. Hirasawa K., Mabu S., Eto S., Hu. J. An approximate stability analysis of nonlinear systems described by Universal Learning Networks // Appliad Soft Computing 7 (2007); pp. 642-651.

99. Idrisov I.I. Adaptive Control of Gas-Turbine Engine on the Base of Neural Network // Компьютерные науки и информационные технологии: CSIT'2007. Международное научное издание. Уфа: УГАТУ, том 3. pp. 1-3.

100. Jinde Cao, Jun Wang. Absolute exponential stability of recurrent neural networks with Lipschitz-continuous activation functions and time delays. Neural Network, vol.17, #3, 2004. -pp. 379-390

101. King R.E. Computational Intelligence in Control Engineering. Marcel Dekker Inc., New York, Basel; 1999: 295 p.

102. Kreiner. A. Modellbasierte Regelungskonzeptefuer TurboLuftstrahltriebwerke / A. Kreiner, K. Lietzau, R. Gabler // MTU Aero Engines, Technische Universitaet Muenchen, 2006.http://www.mtu.de/de/technologies/engineeringnews/others/l 1753 .pdf

103. MacKay D. J. C Bayesian interpolation // Neural Computation. 1992. V. 4, № 3.-pp. 415-447.

104. Moller J.C. Neural network-based sensor validation for turboshaft engines // 34th AIAA/ASSME/SAE/ASEE Joint Propulsion Confernce and Exhibit, 1998. pp. 1-8.

105. Narendra K.S. Neural Networks for Control: Theory and Practice // Proceedings ofthe IEEE, Oct. 1996. vol. 84, Issue 10, pp. 1385-1406.

106. Narendra K.S., K. Parthasarathy. "Identification and control of dynamical systems using neural networks", IEEE Trans, on Neural Networks, Vol. I, 1990. pp. 4-27.

107. Nimomiya H., Sasaki A. Study on Generalization Ability of 3-Layer Recurrent // Neural Networks IJCNN. - 2002. pp. 65-72.

108. Pashilkar A.A., Sundararajan N., Saratchandran P. A fault-tolerant neural network aided controller for aircraft auto landing // Aerospace Scciency and Technology, # 10, 2006. pp. 49-61.

109. Psaltis D., A. Sideris and A. Yamamura, "A Multilayered neural network controller", IEEE Control Systems Magazine, Vol:8 pp. 17-21, 1988.

110. Rehage D., Carl U., Vahl A. Redundancy management of fault tolerant aircraft system architectures — reliability synthesis and analysis of degraded, system states // Aerospace-Science and Technology, 2005. №9. pp. 337-347.".

111. Rozzioni G., Kim Y.-W., SoIiman A.EstimatiomProblems in Engine Control* and Diagnosis // Preprints ofthe 4-th*IFAC Symposium of Fault Detection Supervision and Safety for Technical Processes, Budapest, Hungary, 14-16 June, 2000, Vol.1, pp. 124-129.

112. Rumelhart D.E., Hinton G.E., Williams R.J. Leaning representations by back-propagating errors/ZNature. 1986.- Vol.323, pp.533-536.

113. Saridis D.N. Analytical Formulation of the Principle of Increasing Precision and Decreasing Intelligence for Intelligent Machines // Automatica. 1989. - №3. pp. 461-467.

114. Shilonosov, A. A., Vasilyev, V. L, Valeyev, S. S. Neural Networks Application in the Problems of Identification and Control of Aero-Engines// International Conference ASI-2000, France, Bordeaux, Sept. 18-20. 2000. pp. 333 - 339.

115. StatSoft, Inc (2001). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm

116. Swingler К. Applying Neural Networks. A practical Guide / Morgan Kaufmann. 1996. 303 p.

117. Vasilyev. V.l., Valeyev S.S. Estimation of Neural Network Models Complexity on the Basis of Entropy Approach. Proceedings of the Workshop "Computer Science and Information Technologies (CSIT2004)", Budapest. October 17-19, Vol.1. 2004. pp. 38-42.

118. Widrow B., Plett G. L. Intelligent Adaptive Inverse Control / Proc. of IF AC 96, San Francisco, CA, July 1996. pp. 104-105.

119. Winston P. H. Artificial Intelligence (3rd Edition) Addison-Wesley Pub Co; 3rd edition, 1992.-691 p.