автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы контроля и диагностики систем управления авиационными ГТД на основе нейросетевых моделей и нечеткой логики

На правах рукописи 005003139 М&1&,

МАКАРОВ Андрей Сергеевич

АЛГОРИТМЫ КОНТРОЛЯ И ДИАГ НОСТИКИ СИСТЕМ УПРАВЛЕНИЯ АВИАЦИОННЫМИ ГТД НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И НЕЧЕТКОЙ ЛОГИКИ

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

- 1 ЛЕК 2011

Уфа-2011

005003139

Работа выполнена в ФГБОУ 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 д-р техн. наук, проф.

Валеев Сагит Сабитович

зав. кафедрой информатики

Уфимского государственного авиационного

технического университета

к-т техн. наук, доц. Гиниятуллин Вахит Мансурович

доц. кафедры вычислительной техники и инженерной кибернетики Уфимского государственного нефтяного технического университета

Ведущая организация ОАО «Уфимское научно-производственное

предприятие «Молния»

Защита состоится «16» декабря 2011 г. в 10 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 разослап «15» ноября 2011 г.

Ученый секретарь диссертационного совета д-р техн. наук, проф.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

В последние десятилетия развитие и совершенствование авиационных газотурбинных двигателей (ГТД) сопровождается ужесточением требований к надежности и эффективности их систем автоматического управления (САУ). Современные ГТД являются сложными комплексными техническими устройствами, которые отличаются многообразием протекающих в них физических процессов и характеризуются многомерностью, многосвязностью, нелинейностью, нестацнонарностью рабочих процессов, существенным влиянием режимов работы и внешних условий на характеристики их функционирования. Перечисленные особенности приводят к формированию устойчивой тенденции в развитии САУ ГТД, характеризующейся постоянным ростом сложности и числа решаемых с их помощью задач. Одной из важных задач является совершенствование методов и алгоритмов управления и контроля ГТД и необходимость обеспечения отказоустойчивости САУ, что обусловлено наличием жестких требований к обеспечению безопасности и экономичности полетов.

Важным направлением в обеспечении отказоустойчивости САУ ГТД является совершенствование их архитектуры на основе базовой концепции FADEC (Full Authority Digital Engine Control), заключающейся в построении цифровой системы управления двигателем с полной ответственностью. Современные бортовые САУ ГТД типа FADEC объединяют функции управления двигателем, а также функции контроля технического состояния, диагностики отказов элементов САУ и их парирования. Наряду с традиционными задачами, САУ ГТД нового поколения должны решать дополнительные задачи, связанные с принятием оперативных решений на основе накопленных знаний в условиях неопределенности и адаптации (т.е. изменения своей структуры и параметров) в случае возникновения возможных нештатных ситуаций.

Большой вклад в исследование и разработку высокоэффективных САУ ГТД внесли отечественные ученые: А. А. Шевяков, С. А. Сиротин, О. С. Гуревич, Т. С. Мартьянова, Ф. Д. Гольберг, Г. В. Добрянский - ЦИАМ; Б. Н. Петров, Б. А. Черкасов - МАИ; В. Г. Августинович, Г. И. Гордеев - ППУ; В. Ю. Рутковский, С. Д. Земляков - Институт проблем управления РАН; Ю. М. Гусев, Б. Г. Ильясов, В. И. Васильев, Г. Г. Куликов, Ю. С. Кабальнов,

B. Н. Ефанов, В. Г. Крымский, JI. Б. Уразбахтина, А. И. Фрид, В. Ю. Арьков,

C. С. Валеев, С. В. Жернаков, О. Д. Лянцев, Р. А. Мунасьшов и др. - УГАТУ.

Несмотря на значительный объем исследований в области построения алгоритмов контроля и диагностики САУ, существующие информационные технологии контроля параметров САУ ГТД и диагностики её функциональных блоков не являются совершенными по ряду причин. С одной стороны, это слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществить поддержку

принятия решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД. С другой стороны, это сложность процессов, протекающих в САУ ГТД, сложность их математического описания, ограниченный состав измеряемых параметров, их технологический разброс и т.д. Указанные факторы приводят к необходимости комплексной автоматизации и интеллектуализации процессов принятия решений о техническом состоянии САУ ГТД в условиях неопределенности, в том числе с использованием метода контроля по модели FDI (Fault Detection and Identification).

В последние годы как в нашей стране, так и за рубежом большое внимание уделяется разработке и исследованию интеллектуальных алгоритмов контроля и диагностики технического состояния САУ ГТД на основе нейронных сетей и алгоритмов нечеткой логики. В то же время, в силу ряда причин (закрытость работ, узкая специализация решаемых задач и т.д.) в большинстве публикаций не приводятся конкретные инженерные методики, отсутствуют теоретические и практические рекомендации по решению подобных задач, что оставляет широкое поле деятельности для проведения научных исследований в данном направлении.

Таким образом, разработка интеллектуальных алгоритмов автоматического контроля и диагностики систем управления ГТД, а также исследование особенностей их практического применения с учетом ограничений на располагаемые вычислительные ресурсы бортовой цифровой вычислительной машины (БЦВМ) является актуальной задачей на современном этапе развития авиадвигателестроения.

Объект исследования. Бортовая система автоматического контроля и диагностики САУ ГТД.

Предмет исследования. Методы и алгоритмы автоматического контроля и диагностики технического состояния САУ ГТД и её элементов.

Цель и задачи исследования

Целью исследования является повышение оперативности и достоверности обнаружения отказов САУ ГТД в условиях изменения режимов работы двигателя на основе разработки интеллектуальных алгоритмов контроля и диагностики систем управления ГТД и методики их программно-аппаратной реализации.

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 архитектуры и структуры нейросетевого многорежимного регулятора с селектированием каналов управления в составе интеллектуальной САУ ГТД.

3. Разработка и исследование интеллектуальных алгоритмов контроля и диагностики САУ ГТД на основе нейросетевых моделей.

4. Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД на основе мажоритарной схемы резервирования с использованием нейросетевых моделей и алгоритмов нечеткой логики.

5. Оценка эффективности разработанных интеллектуальных алгоритмов идентификации, контроля и диагностики САУ ГТД и способов их программно-аппаратной реализации на базе программируемых логических интегральных схем (ПЛИС).

Методика исследования

При решении поставленных в диссертационной работе задач использованы методы системного анализа, искусственного интеллекта, теории газотурбинных двигателей, теории идентификации, теории автоматического управления, нейроинформатики и нечеткой логики, методов имитационного моделирования сложных систем, объектно-ориентированного программирования.

Результаты, выносимые на защиту

1. Алгоритмы идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.

2. Архитектура и структура нейросетевого многорежимного регулятора ГТД с селектированием каналов управления.

3. Интеллектуальные алгоритмы контроля и диагностики САУ ГТД на основе нейросетевых моделей.

4. Алгоритмы обеспечения отказоустойчивости САУ ГТД на основе мажоритарной схемы резервирования с использованием нейросетевых моделей и алгоритмов нечеткой логики.

5. Методика проектирования интеллектуальных алгоритмов идентификации, контроля и диагностики САУ ГТД, а также практические рекомендации по их технической реализации на базе ПЛИС.

Научная новизна результатов

1. Новизна предложенных нейросетевых алгоритмов идентификации ГТД и исполнительного механизма системы топливопитания состоит в использовании новых классов архитектур НС, таких как многослойные и каскадные рекуррентные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило повысить точность идентификации по сравнению с известными методами с учетом ограничений на вычислительные ресурсы БЦВМ.

2. Новизна предложенного способа построения нейросетевого регулятора с селектированием каналов управления состоит в применении новых классов архитектур НС, включая многослойные и каскадные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило обеспечить высокое качество процессов управления в широком диапазоне изменения режимов работы двигателя.

3. Новизна предложенных интеллектуальных алгоритмов контроля и диагностики САУ ГТД состоит в применении нейронных сетей и алгоритмов

нечеткой логики для анализа и распознавания текущего состояния ГТД, исполнительного механизма системы топливопитания и управляющей части САУ ГТД в режиме реального времени, что позволило повысить эффективность контроля и диагностики элементов системы управления ГТД за счет расширения числа обнаруживаемых отказов.

4. Новизна предложенных интеллектуальных алгоритмов обеспечения отказоустойчивости САУ ГТД заключается в использовании алгоритмов реконфигурации управляющей части САУ при возникновении отказов, отличающихся тем, что обнаружение отказов в системе осуществляется на основе мажоритарной схемы контроля с использованием нейросетевых моделей элементов САУ и алгоритмов принятия решения на основе нечеткой логики, что позволяет повысить оперативность и достоверность обнаружения отказов.

5. Новизна методики программно-аппаратной реализации интеллектуальных алгоритмов контроля и диагностики САУ ГТД на основе ПЛИС Altera заключается в предложенном способе текстово-графического представления нейросетевых моделей и алгоритмов нечеткой логики, а также программного задания функций активации нейронов, что позволяет повысить оперативность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.

Практическая значимость работы

Разработаны алгоритмы и инженерные методики синтеза нейросетевых моделей и алгоритмов нечеткой логики для решения задач идентификации, контроля и диагностики САУ ГТД применение которых позволяет повысить оперативность и достоверность обнаружения отказов САУ ГТД в реальном времени. Предложены методические и практические рекомендации по реализации разработанных алгоритмов идентификации, контроля и диагностики элементов САУ ГТД на базе ПЛИС в САПР Quartus, что позволяет автоматизировать основные этапы проектирования и отладки систем с учетом имеющихся ограничений на вычислительные ресурсы БЦВМ. Апробация работы

Основные положения, представленные в диссертационной работе, докладывались к обсуждались на:

IX, XI Международных научных конференциях "Компьютерные науки и информационные технологии (CSIT)" (Уфа, 2007; Ретимнон, Греция, 2009);

- Международных молодежных научных конференциях "XXXIII-XXXV Гагаринские чтения" (Москва, 2007,2008,2009);

- Всероссийских молодежных научных конференциях "Мавлютовские чтения" (Уфа, 2007,2010,2011);

- Ill—VI Всероссийских зимних школах-семинарах аспирантов и молодых ученых "Актуальные проблемы в науке и технике" (Уфа, 2008-2011);

- Российско-немецких семинарах "Инновационные информационные технологии: теория и практика" (Уфа, 2009; Дрезден, Германия, 2010);

- IX Всероссийской научной конференции "Нейрокомпьютеры и их

применение" (Москва, 2011);

заседании Башкирского отделения научного совета РАН по методологии

искусственного интеллекта (Уфа, 2011).

Публикации

По теме диссертации опубликовано 17 работ, в том числе 3 статьи в рецензируемых журналах 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 151 страницах машинописного текста и включает 96 рисунков, 36 таблиц. Библиографический список содержит 155 наименований.

СОДЕРЖАНИЕ РАБОТЫ

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

В цервой главе проводится анализ современного состояния и тенденций развития систем контроля и диагностики цифровых САУ ГТД. Приводятся требования к авиационным двигателям пятого и шестого поколения (2010— 2020 гг.) и их системам автоматического управления (САУ).

Рассмотрена типовая архитектура современной цифровой системы управления и контроля ГТД типа FADEC, в которой при отказе каких-либо элементов информация о неисправности выдается в систему контроля САУ летательного аппарата (ЛА), и выполняется реконфигурация программ управления и структуры электронной части САУ ГТД с целью поддержания работоспособности системы. Рассмотрены примеры реализации систем с подобной архитектурой отечественными и зарубежными фирмами-производителями САУ ГТД.

Отмечается, что современные тенденции развития САУ ГТД направлены на создание распределенных интеллектуальных архитектур FADEC, в которых с помощью мультиплексированного канала информационного обмена (МКИО) осуществляется интеграция различных подсистем САУ ГТД — интеллектуальных датчиков и исполнительных механизмов (ИМ), оснащенных индивидуальной электроникой, двухканального (трехканального) цифрового регулятора, обеспечивающего возможность резервирования устройств ввода (УВв) и вывода (УВыв) информации и управляющих цифровых процессоров (ЦП) (рис. 1).

Рассмотрены способы построения алгоритмов контроля и диагностики цифровых САУ ГТД, а также требования, предъявляемые к ним. Отмечается, что бортовые системы контроля и диагностики в процессе своего развития приобрели способность не только к обнаружению отказавших элементов САУ ГТД

но и к самовосстановлению структуры и функций системы. Развитие бортовых систем контроля и диагностики осуществляется при этом в сторону охвата контролем как можно большей части системы, а также повышения эффективности, быстродействия, надежности и достоверности контроля.

[ Цифровой регулятор "1

I Г

| | УВв |4-»|~Цп|»-»| УВыв~|

S со 4-* ЦП УВыв

Рисунок 1 - Схема распределенной системы управления ГТД типа FADEC

Современные САУ ГТД, функционирующие в условиях параметрической и структурной неопределенности, требуют применения новых подходов к обеспечению контроля и диагностики. В основе используемого в работе подхода к решению задач контроля и диагностики САУ ГТД применяется метод обнаружения и идентификации отказов по модели FDI (Fault Detection and Identification). Типовая схема реализации данного метода основывается на сравнении результатов измерений характеристик (выходных параметров) объекта контроля (какого-либо элемента/модуля САУ ГТД) с выходами его нейросетевой модели. Реализация метода FDI предполагает решение следующих задач: разработка и программная реализация модели исследуемого объекта контроля (ОК); измерение и анализ текущей величины рассогласования (невязки) между выходами объекта и модели; принятие решения о техническом состоянии ОК.

Функции контроля и диагностики в САУ ГТД разделяются между двумя подсистемами: бортовой системой контроля и диагностики двигателя (БСКД), осуществляющей оперативный контроль работоспособности ГТД, и встроенной системой контроля (ВСК), осуществляющей контроль датчиков, исполнительных механизмов и других элементов управляющей части САУ ГТД. В ВСК, как и в БСКД, за один цикл работы таймера (период выдачи решения) выполняются следующие расчеты: тестовый контроль ВСК (БСКД) ("малый тест"); ввод программ или данных (чисел); контроль работоспособности элементов САУ (или

состояния двигателя); вычисление управляющих воздействий (реакций) системы кошроля и диагностики.

Рассмотрены перспективы применения интеллектуальных алгоритмов для решения задач контроля и диагностики цифровых САУ ГТД. Под интеллектуальностью понимается способность системы работать с базой внешних событий или ситуаций с целью привлечения некоторых специальных зпаний, позволяющих повысить эффективность контроля и диагностики САУ и реализовать соответствующую стратегию управления.

В качестве одного из способов повышения надежности управления двигателем рассматривается возможность применения в САУ встроенных (бортовых) математических моделей, включая модель двигателя, которые можно использовать для оценки текущих параметров ГТД и элементов системы управления с целью построения САУ с полной ответственностью, обеспечивающей высокое качество управления ГТД, в том числе в условиях возможного появления отказов в системе.

Отмечается, что основные тенденции совершенствования систем контроля и диагностики цифровых САУ ГТД связаны с применением интеллектуальных технологий обработки данных (нейронных сетей, алгоритмов нечеткой логики), исследование и внедрение которых представляет собой актуальную задачу на современном этапе развития авиадвигателестоения.

Проведен анализ возможностей применения различной элементной базы для реализации перспективных алгоритмов контроля и диагностики в составе ВСК и БСКД. Отмечаются преимущества применения для этих целей программируемых логических интегральных схем получивших широкое распространение как в отечественных, так и в зарубежных системах управления авиационной техникой.

Формулируются цель исследования и задачи, решаемые в диссертационной работе.

Во второй главе рассматривается задача идентификации ГТД и его исполнительного механизма (ИМ), исследуются возможные способы построения нейросетевого многорежимного регулятора ГТД с селектированием каналов управления, а также нейросетевого классификатора (блока принятия решений) в системе контроля и диагностики ГТД.

Анализируются различные архитектуры рекуррентных НС в классе многослойных (newff), каскадных НС (newcf) и сетей Элмана (newelm), а также различные алгоритмы обучения этих сетей - Байесовский алгоритм обучения (trainbr), алгоритм обучения с циклическим представлением входа (trainc), алгоритм обучения Левенберга-Маркуордта (trainlm) и др. Проведен сопоставительный анализ различных функций активации нейронов -логистическая сигмоида (logsig), тангенциальная сигмоида (tansig), рациональная сигмоида (ratsig), кусочно-линейная функция активации (pwlinear).

Разработаны алгоритмы идентификации ГТД на основе указанных классов рекуррентных нейронных сетей и выбора оптимальных алгоритмов обучения НС на основе регуляризации с целью повышения точности НС-моделей ГТД. Показано в частности, что наилучшее качество идентификации ГТД в рассмотренных примерах обеспечивает рекуррентная каскадная НС (рис. 2) с 8 нейронами в скрытом слое, обученная с использованием алгоритма Левенберга-Маркуордта.

На рис. 2 соответственно щ и п2 - частоты вращения роторов компрессоров низкого и высокого давления; Т4* - температура заторможенного потока газов за турбиной; ДПк* - степень изменения давления на компрессоре; Ог - расход топлива в камеру сгорания ГТД; Тх - оператор временной задержки сигналов на один такт.

Скрытый слой

Выходной слой

Рисунок 2 - Архитектура НС-модели ГТД на основе рекуррентной каскадной НС

Показано, что применение предложенных подходов позволило решить задачу идентификации ГТД на переходных режимах с относительной приведенной погрешностью, равной Ъщ - 0,49 %, 5п2= 0,51 %, 5Пк* = 0,63 %, 5Т4* - 0,11 %, и на установившихся режимах с погрешностью §«1 = 0,37 %, 5п2 = 0,4 %, 5Пк* = 0,48 %, 8Г4* = 0,03 %. График изменения нормированных значений параметров ГТД во времени, составляющих обучающую выборку при построении НС-модели двигателя, показан на рис. 3.

Разработана методика идентификации НС-модели исполнительного механизма (дозатора топлива), включающая в себя этапы выбора оптимальной архитектуры и структуры НС, алгоритмов обучения НС, функции активации нейронов. Показано, что выбранная архитектура (каскадная НС) и структура НС (6 нейронов в скрытом слое, функция активации - рациональная сигмоида) позволяет решить задачу идентификации ИМ с относительной приведенной погрешностью, равной 0,53 %.

Предложены архитектура и структура нейросетевого многорежимного регулятора ГТД с селекгированием каналов управления в составе интеллектуальной САУ ГТД. Разработана методика синтеза НС-Регулятора, в результате применения которой средняя квадратическая ошибка (СКО) управления составила на переходных режимах Дл) = 0,25 %, Дпг - 0,37 %, ДПк* = 0,39 %, ДГ4* = 0,62 %.

Рисунок 3 - Результаты моделирования каскадной НС-модели ГТД: 1 - выход НС по щ; 3 - выход НС по п2; 5 - выход НС по Т4*; 9 - выход НС по АПк*;

2,4,6,8 - соответственно реальные данные по пьП2,Т4*,ДПк*;

7 - входные данные по От

Предложена методика построения НС-классификатора (т.е. блока принятия решений на основе метода ГО1) (рис. 4), позволяющая в зависимости от количества входов (невязок), количества выходов и количества классов возможных отказов определить минимальное число нейронов в скрытом слое НС.

Рисунок 4 - Схема реализации метода

На рис. 4: U¡...U„ - компоненты вектора управляющих (входных) воздействий; Ymi-Умг, ~ компоненты вектора выходов НС-модели объекта контроля (ОК), под которым может пониматься ИМ, цифровой регулятор или какая-либо отдельная подсистема САУ ГТД; Уою-Уою, - компоненты вектора выходных параметров ОК; Ai... Аа - невязки, т.е. разности векторов выходов ОК и НС, на основе анализа которых происходит распознавание состояния ОК в текущий момент времени и принятие решения о принадлежности этого состояния тому или иному классу (Fj...Fn - компоненты вектора выходов НС-классификатора).

Приведены результаты проектирования НС-классификатора на основе каскадной НС. Показано, что разработанный НС-классификатор имеет достаточно универсальную сферу применения и способен распознавать различные типы отказов элементов САУ ГТД: короткое замыкание, обрыв, параметрический отказ, наводки сигналов.

В третьей главе рассматриваются алгоритмы обеспечения отказоустойчивости управляющей части САУ ГТД при возникновении отказов с использованием дополнительных нейросетевых моделей элементов капала управления и нечеткой логики для анализа и распознавания текущего состояния ГТД ИМ и управляющей части САУ ГТД.

Предложенная схема обеспечения отказоустойчивости двухканальной САУ ГТД типа FADEC включает в себя НС-классификатор, который обеспечивает своевременное распознавание отказов датчиков, ИМ и цифрового регулятора (ЦР), и логический блок, формирующий управляющее воздействие на изменение структуры САУ ГТД. В качестве оптимальной архитектуры НС-классификатора выбрана рекуррентная каскадная НС, имеющая 15 нейронов в скрытом слое, в качестве функции активации нейронов используется рациональная сишоида, в качестве алгоритма обучения НС -алгоритм Левенберга-Маркуордта.

Результаты проведенного исследования подтверждают работоспособность предложенных алгоритмов диагностики отказов и обеспечения отказоустойчивости САУ ГТД при отказах элементов управляющей части САУ.

Предложена схема построения трехканальной САУ типа FADEC, в которой нейронные сети HCi, НС2 и первый интеллектуальный контроллер (HKj), реализованный на основе нечеткой логики, обеспечивают контроль и диагностику состояния цифрового регулятора, нейронные сети НС3, НС4 и второй интеллектуальный контроллер (ИК2), также построенный на основе нечеткой логики, решают задачи контроля и диагностики ГТД ИМ и датчиков; БСКД - бортовая система контроля и диагностики двигателя; ГИМ - резервный гидромеханический ИМ (рис. 5).

Интеллектуальные контроллеры ИК]И ИК2 проектируются на основе алгоритмов нечеткого вывода и, в случае отказа модулей, реализующих соответствующие нейронные сети, выдают команду на их отключение или

переобучение. При этом учитывается тот факт, что нейронные сети, как правило, являются функционально избыточными. В случае отказа единичного нейрона (при аппаратной реализации НС) либо при обрыве синаптической связи нейрона, сохраняется возможность дообучения НС с минимальной потерей качества функционирования данной сети.

-щ

век

цр

НС,

ик,

НС,

им

£

гим

БСКД

гтд

н- д

1 - ИКз

НС,

НС4

Рисунок 5 - Схема обеспечения отказоустойчивости системы типа FADEC

Интеллектуальный контроллер HKi представляет собой блок принятия (БПР) решений на основе нечеткой логики для мажоритарной схемы голосования "два из трех", с помощью которой обеспечивается возможность оперативного обнаружения и локализации отказа в канале управления ГТД (рис. 6). Предполагается, что если компоненты векторов невязок Ai, Д2, Аз малы по абсолютной величине (т. е. находятся в пределах заданного поля допуска), то все указанные на схеме блоки (ГТД, Д, ИМ, НСЬ НС2) исправны, поскольку выходы Y, Y[{Cl, УНСг, соответствующие одному и тому же значению управляющего воздействия Uqt, практически совпадают. В случае если происходит отказ (неисправность) в работе одного из блоков, происходит увеличение компонент векторов рассогласования Дь Д2 или Дз, что может быть проанализировано с помощью БПР, значения выходов Fi, F2,..., Гц которого указывают на сохранение работоспособности системы или возникновение соответствующей нештатной ситуации в работе системы.

На рис. б используются следующие обозначения: Д - блок датчиков; Y - вектор измеряемых термогазодинамических параметров двигателя Y/уд (компонентами этого вектора являются частоты вращения роторов компрессоров высокого и низкого давления nj и п2, температура газов за турбиной Т4, изменение давления воздуха за компрессором высокого давления АГТК и т.д.); HCl и НС2 - нейросетевые модели ГТД и его ИМ (это могут быть

как идентичные модели, так и, что более предпочтительно, построенные на базе НС с различной архитектурой или структурой); YHCt и УНСг - векторы, компонентами которых являются вычисленные с помощью HQ и НС2 значения соответствующих компонент вектора К/Тд; ИМ - исполнительный механизм (дозатор топлива в камеру сгорания); U^ - сигнал с выхода цифрового регулятора, пропорциональный расходу топлива (Gr) в камеру сгорания двигателя; Лх = У - YHCl, Д2 = У - YHc2, А3 = YHCl ~ Унс2 ~ векторы рассогласований (невязок) между значениями векторов сигналов Г, YHCi, Уцсг-

Рисунок 6 - Контроль и диагностика элементов канала управления ГТД

Интеллектуальный контроллер ИК2 представляет собой блок принятия решений на основе нечеткой логики. БПР реализован с помощью пакета Fuzzy Logic Toolbox в рамках среды MatLab с интегрированием результатов в среду моделирования Simulink. Спроектированный блок нечеткой логики обеспечивает отказоустойчивость САУ, позволяя классифицировать отказ ЦР, НС-моделей регуляторов или исправное состояние системы.

В целом, применение алгоритмов контроля и диагностики на основе нечеткой логики с использованием предложенной схемы голосования "два из трех" значительно повышает отказоустойчивость САУ, позволяя парировать отказы датчиков и отказы нейронных сетей.

В четвертой главе рассмотрены вопросы программно-аппаратной реализации разработанных интеллектуальных алгоритмов контроля и диагностики САУ ГТД.

Проведен анализ возможных подходов к реализации алгоритмов контроля и диагностики САУ ГТД на основе нейросетевых моделей и нечеткой логики, который показал, что для реализации предложенных подходов в наибольшей степени удовлетворяет применение ПЛИС. Разработана методика программно-аппаратной реализации на базе ПЛИС разработанных алгоритмов контроля и диагностики САУ ГТД на основе мажоритарной схемы голосования.

Рассмотрено несколько вариантов реализации многовходовых нейронов на основе блоков умножения, сложения и вычисления активационной функции.

Данные блоки создаются в символьном редакторе (Symbol Editor), который позволяет редактировать существующие символы и создавать новые.

Проведено сравнение различных вариантов реализации нейронов по критерию минимизации числа занятых логических ячеек. Показано, что использование библиотечных LPM (Library of Parameterized Modules)-макрофункций позволяет значительно снизить количество используемых логических элементов при реализации блоков умножения. Спроектированный НС-регулятор содержит 6 нейронов, которые занимают 46 % логических элементов ПЛИС (2776 логических ячеек), 84 % выводов (156 пинов) ПЛИС. Суммарная квадратическая ошибка вычисления параметров ГТД с помощью нейросетевых моделей на базе ПЛИС EP1C20F400C8 семейства Cyclone фирмы Altera составила около 1,61 %.

Рассмотрена задача проектирования НС-модели ГТД и ИМ на базе ПЛИС и проведено сравнение результатов работы двух нейронных сетей: НС-модели ГТД, реализованной программно, и НС-модели, реализованной на ПЛИС. Суммарная квадратическая ошибка вычисления параметров ГТД с помощью НС-модели на тестовой последовательности данных составила соответственно: АП] = 1,98 %, Дп2 = 1,49 %, ДТ4* = 1,61 %. Время вычисления выходных параметров ГТД для заданного значения Gx составило 153 не. Для ИМ суммарная квадратическая ошибка выхода НС-модели составила AGT*= 1,54 %.

Рассмотрена программно-аппаратная реализация алгоритмов контроля и диагностики отказов элементов канала управления ГТД на базе ПЛИС Altera.

Схема блока нечеткого управления и контроля включает в себя: блок принятия решений, 3 элемента lpm_add_sub (сумматор), 3 lpm_dividate (делитель), lpm_constant (для хранения константы), 3 lpm_mux (мультиплексора). На основе выявляемых отказов мультиплексор решает, какой сигнал пропустить на выход. Если имеет место отказ какого-либо датчика, то на выход схемы выдается среднее арифметическое соответствующих выходов нейронных сетей. Блок нечеткого управления и контроля занимает 452 логические ячейки ПЛИС и 104 вывода (пина) ПЛИС на основе микросхемы Altera Cyclone EP1C12Q240C8.

Проведено сравнение результатов работы двух схем контроля и диагностики отказов элементов канала управления ГТД: схемы контроля и диагностики отказов элементов канала управления ГТД, реализованной программно в среде Matlab, и схемы контроля и диагностики отказов элементов канала управления ГТД, реализованной на ПЛИС. Относительная приведенная погрешность вычисления параметров ГТД с помощью НС-модели на тестовой последовательности данных составила соответственно 8nj = 0,56 %, 5П2- 0,61 %, 5Т4* = 0,53 %.

Проведено сравнение характеристик разработанной НС-модели ГТД с реализацией данной модели на базе специализированного нейрочипа Л1879ВМ1 и цифрового сигнального процессора ST10F269. Выявлены

следующие достоинства реализации НС-модели ГТД на базе ПЛИС: высокая точность вычислений, наличие блоков LPM для их программно-аппаратной реализации. При этом тактовая частота работы спроектированной НС-модели ГТД на базе ПЛИС более чем в 20 раз быстрее по сравнению со специализированным процессором Л1879ВМ1 и в 120 раз быстрее вычислителя ST10F269 на базе STG Thompson.

В заключении приводятся основные результаты и выводы, полученные в диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Разработаны нейросетевые алгоритмы идентификации ГТД и исполнительного механизма системы топливопитания, основанные на использовании новых классов архитектур НС (таких как многослойные и каскадные рекуррентные нейронные сети), выборе оптимальной структуры и алгоритмов обучения НС, что позволило повысить на 15-18 % точность идентификации ГТД и ИМ по сравнению с известными методами с учетом ограничений на вычислительные ресурсы БЦВМ.

2. Предложены архитектура и структура нейросетевого многорежимного регулятора ГТД с селектированием каналов управления, основанные на применении новых классов архитектур НС (таких как многослойные и каскадные нейронные сети), что позволяет обеспечить высокое качество процессов управления в широком диапазоне изменения режимов работы двигателя.

3. Разработаны интеллектуальные алгоритмы контроля и диагностики текущего состояния ГТД, исполнительного механизма системы топливопитания и управляющей части САУ ГТД основанные на применении метода FDI, базирующегося на анализе вектора невязок между выходами объекта контроля и его нейросетевой модели с помощью нейросетевого классификатора, что позволяет повысить оперативность и достоверность контроля и диагностики элементов САУ ГТД.

4. Разработаны алгоритмы обеспечения отказоустойчивости САУ ГТД основанные на применении мажоритарной схемы контроля текущего состояния и резервирования элементов САУ ГТД с использованием нейросетевых моделей и блока принятия решений на основе нечеткой логики, что позволяет повысить оперативность и достоверность обнаружения отказов в широком диапазоне изменения режимов работы и характеристик ГТД.

5. Разработаны процедура и методика программно-аппаратной реализации нейросетевых моделей и алгоритмов нечеткой логики, реализующих предложенные алгоритмы контроля и диагностики САУ ГТД на основе ПЛИС Altera, основанные на текстово-графическом способе представления нейросетевых моделей и алгоритмов нечеткой логики, а также программном способе задания функций активаций нейронов. Рассмотрены

конкретные особенности реализации данной методики с учетом существующих требований к элементной базе и ограничений на вычислительные ресурсы БЦВМ.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В рецензируемых журналах из списка ВАК

1. Вопросы синтеза и технической реализации нейросетевых алгоритмов управления газотурбинным двигателем / В. И. Васильев, И. И. Идрисов, А. С. Макаров И Нейрокомпьютеры: разработка, применение. 2010. № 5. С. 44-52.

2. Нейросетевые технологии в задачах управления и контроля авиационных двигателей / В. И. Васильев, И. И. Идрисов, А. С. Макаров // Системы управления и информационные технологии. 2011. № 1.1 (43). С. 122-126.

3. Синтез и программно-аппаратная реализация нейросетевой системы управления ГТД с селектированием каналов / В. И. Васильев, И. И, Идрисов, А. С. Макаров // Нейрокомпьютеры: разработка, применение. 2011. № 9. С. 72-78.

Л других издания

4. Методика проектирования нейросетевых структур на основе технологии ПЛИС / Макаров A.C. // ХХХШ Гагаринские чтения: материалы Междунар. молодежи, науч. конф.-М.: МАТИ, 2007. Т. 4. С. 90-91.

5. Методы проектирования НС-алгоритмов на базе CPLD / В. И. Васильев, А. С. Макаров // CSIT'2007: тр. 9-го междунар. сем. по компьют. наукам и информац. технолошям. Красноусольск, Уфа, 2007. С. 70-76. (Статья на англ. яз.).

6. О некоторых вопросах проектирования нейронной сети на основе технологии ПЛИС / А. С. Макаров // Актуальные проблемы в науке и технике: сб. тр. третьей Всерос. зимн. шк.-сем. аспирантов и молодых ученых, Уфа: Диалог, 2008. Т. 1. - С. 347-351.

7. Оптимизация проектирования нейросетевых алгоритмов на основе технологии ПЛИС / А. С. Макаров // XXXIV Гагаринские чтения: материалы Междунар. молодежи, науч. конф.-М.: МАТИ, 2008. Т. 4. С. 40-41.

8. Аппаратная реализация НС-алгоритмов на основе ПЛИС / А. С. Макаров // Актуальные проблемы в науке и технике: сб. тр. четвертой Всерос. зимн. шк.-сем. аспирантов и молодых ученых, Уфа: Диалог, 2009. Т. 1. С. 345-349.

9. Построение нейросетевых структур на ПЛИС Altera / А. С. Макаров // XXXV Гагаринские чтения: материалы Междунар. молодежи, науч. конф-М.: МАТИ, 2009. Т. 4. С. 56-57.

10. Нейросетевые технологии проектирования систем управления авиадвигателем / В. И. Васильев, И. И. Идрисов, А. С. Макаров // Инновационные информационные технологии: труды российско-немецкого сем. Уфа, 2009. С. 72-77. (Статья на англ. яз.).

11. Проектирование перспективной нейросетевой системы управления ГТД / В. И. Васильев, И. И. Идрисов, А. С. Макаров // CSIT'2009: тр. 11-го междунар. сем. по компьют. наукам и информац. технологиям. Крит, Греция,

2009. С. 13-18. (Статья на англ. яз.).

12. Проектирование и техническая реализация интеллектуальных систем управления авиационными газотурбинными двигателями / В. И. Васильев, И. И. Идрисов, И. А. Каримов, А. С. Макаров // Интеллектуальные системы управления/ Под. ред. акад. С. Н. Васильева. - М.: Машиностроение, 2010. С. 142-153.

13. Нейросетевые алгоритмы управления газотурбинным двигателем и их реализация на ПЛИС / В. И. Васильев, И. И. Идрисов, А. С. Макаров // Инновационные информационные технологии: труды российско-немецкого сем. Дрезден, Германия, 2010. С. 138-143. (Статья на англ. яз.).

14. Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС / А. С. Макаров // Мавгаотовские чтения: Всерос. молодёжи, науч. конф., Уфа: УГАТУ, 2010. Т. 1. С. 35-37.

15. Реализация НС-модели исполнительного механизма на базе ПЛИС / А. С. Макаров Н Актуальные проблемы в науке и технике: сб. тр. пятой Всерос. зимн. шк.-сем. аспирантов и молодых ученых, Уфа: УГАТУ, 2010. Т. 2. С. 241-244.

16. Программно-аппаратная реализация управляющей части САУ ГТД в САПР Altera Quartus / А. С. Макаров // Мавлютовские чтения: Всерос. молодёжи, науч. конф., Уфа: УГАТУ, 2011. Т. 3. С. 166-168.

17. Задача обеспечения отказоустойчивости нейросетевых алгоритмов управления и контроля / А. С. Макаров // Актуальные проблемы в науке и технике: сб. тр. шестой Всерос. зимн. шк.-сем. аспирантов и молодых ученых., Уфа: УГАТУ, 2011. Т. 1.С. 185-189.

Диссертант

А. С. Макаров

МАКАРОВ Андрей Сергеевич

АЛГОРИТМЫ КОНТРОЛЯ И ДИАГНОСТИКИ СИСТЕМ УПРАВЛЕНИЯ АВИАЦИОННЫМИ ГТД НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И НЕЧЕТКОЙ ЛОГИКИ

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

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано в печать «14» ноября 2011 г. Формат 60x84 1/16. Бумага офсетная. Печать плоская. Гарнитура Times New Roman Cyr. Усл. печ. л. 1,0. Уч.-изд. 1,0 Тираж 100 экз. Заказ № 364

ФГБОУ ВПО Уфимский государственный авиационный технический университет

Центр оперативной полиграфии 450000, Уфа-центр, ул. К. Маркса, 12

СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ, ПРИНЯТЫЕ В РАБОТЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ И ТЕНДЕНЦИИ РАЗВИТИЯ СИСТЕМ КОНТРОЛЯ И ДИАГНОСТИКИ ЦИФРОВЫХ САУ ГТД.".

1.1 Архитектура современной цифровой« системы управления и контроля авиационного двигателя.

1.2 Способы построения алгоритмов контроля и диагностики цифровых САУ ГТД и требования, предъявляемые к ним-.

1.3 Перспективы применения интеллектуальных алгоритмов для решения задач контроля и диагностики цифровых САУ ГТД.

1.4 Современное состояние в области технической реализации НС-моделей и алгоритмов.

1.5 Выводы по первой главе. Цели и задачи исследования.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В ЗАДАЧАХ КОНТРОЛЯ И ДИАГНОСТИКИ САУ ГТД.

2.1 Разработка и исследование нейросетевых алгоритмов идентификации

2.2 Разработка и исследование нейросетевой модели исполнительного механизма ГТД.

2.3 Разработка и исследование архитектуры и структуры нейросетевого регулятора в составе интеллектуальной САУ ГТД.

2.4 Синтез нейросетевых алгоритмов контроля и диагностики САУ ГТД на основе метода FDI.

2.5 Результаты и выводы по второй главе.

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ КОНТРОЛЯ И ДИАГНОСТИКИ С УЧЕТОМ РЕКОНФИГУРАЦИИ САУ ГТД ПРИ

ВОЗНИКНОВЕНИИ ОТКАЗОВ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ.

3.1 Идея обеспечения отказоустойчивости САУ ГТД на основе интеллектуальных технологий.

3.2 Разработка алгоритмов контроля и диагностика отказов элементов канала управления ГТД с учетом реконфигурации при возникновении отказов на. основе методов нечеткой логики.

3.3 Разработка алгоритмов контроля и диагностики отказов управляющей части САУ ГТД с учетом реконфигурации при возникновении отказов на основе методов нечеткой логики.

3.4 Разработка алгоритмов контроля и диагностики САУ ГТД на основе интеллектуального супервизора.

3.5 Исследование отказоустойчивости нейронной сети на примере НС-модели ГТД.

3.6 Результаты и выводы по третьей главе.

ГЛАВА 4. ПРОГРАММНО-АППАРАТНАЯ РЕАЛИЗАЦИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ КОНТРОЛЯ И ДИАГНОСТИКИ САУ ГТД.

4.1 Анализ возможных подходовк реализации предложенных нейросетевых алгоритмов контроля и диагностики САУ ГТД.

4.2 Проектирование нейросетевых модулей и алгоритмов на базе программируемых логических интегральных схем.

4.3 Реализация нейросетевых алгоритмов контроля и диагностики САУ ГТД на ПЛИС.

В последние десятилетия развитие и совершенствование авиационных газотурбинных двигателей (ГТД) сопровождается ужесточением требований к надежности и эффективности их систем автоматического управления (САУ). Современные ГТД являются сложными комплексными техническими устройствами, 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. Перечисленные особенности приводят к формированию-устойчивой тенденции в развитии САУ ГТД, характеризующейся постоянным ростом сложности» и. числа решаемых с их помощью задач. Одной из важных задач является совершенствование методов=и алгоритмов управления' и контроля ГТД и необходимость обеспечения, отказоустойчивости САУ, что обусловлено наличием жестких требований к обеспечению безопасности и экономичности полетов.

Важным направлением в обеспечении отказоустойчивости САУ ГТД является совершенствование их архитектуры на основе базовой концепции FADEC (Full Authority Digital- Engine Control), заключающейся1 в построении цифровой системы управления двигателем с полной ответственностью. Современные бортовые САУ ГТД типа FADEC объединяют функции управления двигателем, а также функции контроля технического состояния, диагностики отказов элементов САУ и их парирования. Наряду с традиционными задачами, "САУ ГТД нового поколения должны решать дополнительные задачи, связанные с принятием оперативных решений на основе накопленных знаний в условиях неопределенности« и адаптации (т.е. изменения своей структуры и параметров) в случае возникновения возможных нештатных ситуаций.

Большой вклад в исследование и разработку высокоэффективных САУ ГТД внесли отечественные ученые: А. А. Шевяков, С. А. Сиротин, О. С. Гуревич, Т. С. Мартьянова, Ф. Д. Гольберг, Г. В. Добрянский - ЦИАМ;

Б. Н. Петров, Б. А. Черкасов - МАИ; В. Г. Августинович, Г. И. Гордеев - 1111У; В. Ю. Рутковский, С. Д. Земляков - Институт проблем управления РАН; Ю. М. Гусев, Б. Г. Ильясов, В. И. Васильев, Г. Г. Куликов, Ю. С. Кабальное,

B. Н. Ефанов, В. Г. Крымский, JL Б. Уразбахтина, А. И. Фрид, В. Ю. Арьков,

C. С. Валеев, С. В. Жернаков, Оi Д. Лянцев, Р. А. Мунасыпов и др. - УГАТУ.

Несмотря на значительный объем исследований в области построения алгоритмов контроля и диагностики САУ, существующие информационные технологии контроля параметров САУ ГТД и диагностики её функциональных блоков не являются совершенными по ряду причин. С одной стороны, это слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществить поддержку принятия решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД. С другой стороны, это сложность процессов, протекающих в САУ ГТД, сложность их математического описания, ограниченный состав измеряемых параметров, их технологический разброс и т.д. Указанные факторы приводят к необходимости комплексной автоматизации и интеллектуализации процессов принятия решений о техническом состоянии САУ ГТД в условиях неопределенности, в том числе с использованием метода контроля по- модели FDI (Fault Detection and Identification).

В последние годы как в нашей стране, так и за рубежом большое внимание уделяется разработке и исследованию интеллектуальных алгоритмов контроля и диагностики технического состояния САУ ГТД на основе нейронных сетей и алгоритмов нечеткой логики. В то же время, в силу ряда причин (закрытость работ, узкая специализация решаемых задач и т.д.) в большинстве публикаций не приводятся конкретные инженерные методики, отсутствуют теоретические и практические рекомендации по решению подобных задач, что оставляет широкое поле деятельности для проведения научных исследований в данном направлении.

Таким образом, разработка интеллектуальных алгоритмов автоматического контроля и диагностики систем управления ГТД, а также исследование особенностей их практического применения с учетом ограничений на располагаемые вычислительные ресурсы бортовой цифровой вычислительной машины (БЦВМ) является актуальной задачей на современном этапе развития авиадви-гателестроения.

Объект исследования. Бортовая система автоматического контроля и диагностики САУ ГТД.

Предмет исследования. Методы и алгоритмы автоматического контроля и диагностики технического состояния САУ ГТД и её элементов.

Цель и-задачи исследования

Целью исследования является повышение оперативности и достоверности обнаружения отказов САУ ГТД в условиях изменения режимов работы-двигателя на основе разработки интеллектуальных алгоритмов контроля и диагностики систем управления ГТД и методики их программно-аппаратной реализации.

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 архитектуры и структуры нейросетево-го многорежимного регулятора с селектированием каналов управления в составе интеллектуальной САУ ГТД.

3. Разработка и исследование интеллектуальных алгоритмов контроля и диагностики САУ ГТД на основе нейросетевых моделей:

4. Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД на основе мажоритарной схемы резервирования с использованием нейросетевых моделей и алгоритмов нечеткой логики.

5. Оценка эффективности разработанных интеллектуальных алгоритмов идентификации, контроля и диагностики САУ ГТД и способов их программно-аппаратной реализации на базе программируемых логических интегральных схем (ПЛИС).

Методика исследования

При решении поставленных в диссертационной работе задач использованы методы системного анализа, искусственного интеллекта, теории газотурбинных двигателей, теории идентификации, теории автоматического управления, нейроинформатики и нечеткой логики, методов имитационного-моделирования сложных систем, объектно-ориентированного программирования. .

Результаты, выносимые на защиту

1. Алгоритмы идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.

2: Архитектура и структура нейросетевого* многорежимного регулятора ГТД'с селектированием каналов управления.

3*. Интеллектуальные: алгоритмы контроля, и диагностики САУ ГТД на основе нейросетевых моделей.

4*. Алгоритмы. обеспечения- отказоустойчивости, САУ ГТД* на- основе -ма--. жоритарной схемы резервирования, с использованием нейросетевых моделей и алгоритмов нечеткой логики.

5. Методика проектирования интеллектуальных алгоритмов-идентификации, контроля, и диагностики САУ ГТД,.а также практические рекомендации* по их технической реализации на базе ПЛИС.

Научная новизна результатов

1. Новизна предложенных нейросетевых алгоритмов идентификации ГТД и исполнительного механизма-системы топливопитания состоит в использовании. новых классов архитектур НС, таких как многослойные и каскадные рекуррентные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило повысить точность идентификации по сравнению с известными методами с учетом ограничений- на вычислительные ресурсы БЦВМ.

2. Новизна предложенного способа построения нейросетевого регулятора с селектированием каналов управления состоит в применении новых классов архитектур НС, включая многослойные и каскадные нейронные сети, и выборе оптимальной структуры и алгоритмов обучения НС, что позволило обеспечить высокое качество процессов управления в широком диапазоне изменения режимов работы двигателя.

3. Новизна предложенных интеллектуальных алгоритмов контроля и диагностики САУ ГТД состоит в применении нейронных сетей и алгоритмов нечеткой логики для анализа и распознавания текущего состояния ГТД, исполнительного механизма системы топливопитания и управляющей части САУ ГТД в режиме реального времени, что позволило повысить эффективность контроля и диагностики элементов системы управления ГТД за счет расширения< числа обнаруживаемых отказов.

4. Новизна предложенных интеллектуальных алгоритмов обеспечения отказоустойчивости САУ ГТД заключается в использовании алгоритмов реконфигурации управляющей части САУ при возникновении отказов, отличающихся тем, что рбнаружение- отказов в системе осуществляется на основе мажоритарной схемы контроля с использованием нейросетевых моделей элементов САУ и алгоритмов принятия решения на основе нечеткой логики, что позволяет повысить оперативность и достоверность обнаружения отказов:

5. Новизна методики программно-аппаратной реализации интеллектуальных алгоритмов контроля и диагностики САУ ГТД на основе ПЛИС Altera заключается в предложенном способе текстово-графического представления нейросетевых моделей и алгоритмов нечеткой логики, а также программного задания функций активации нейронов, что позволяет повысить оперативность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.

Практическая значимость работы

Разработаны алгоритмы и инженерные методики синтеза нейросетевых моделей и алгоритмов нечеткой логики для решения задач идентификации, контроля и диагностики САУ ГТД, применение которых позволяет повысить оперативность и достоверность обнаружения отказов САУ ГТД в реальном времени. Предложены методические и практические рекомендации по реализации разработанных алгоритмов идентификации, контроля и диагностики-элементов САУ ГТД на базе ПЛИС в САПР (^иагиш, что позволяет автоматизировать основные этапы проектирования: и отладки^ систем с учетом имеющихся ограничений на вычислительные ресурсы БЦВМ. Апробация работы

Основные положения* представленные в диссертационной работе, докладывались и обсуждались на:

- IX, XI Международных научных конференциях "Компьютерные науки и информационные технологии (СБЕГ)" (Уфа, 2007; Ретимнон, Греция, 2009);

- Международных молодежных научных конференциях "ХХХШ-ХХХУ Гагаринские чтения" (Москва, 2007, 2008, 2009); '

- Всероссийских молодежных научных конференциях» "Мавлютовские чтения" (Уфа, 2007, 2010, 2011);

- Ш-УГ Всероссийских зимних школах-семинарах аспирантов и молодых ученых "Актуальные проблемы в науке и технике" (Уфа, 2008-2011);

• • ' ' ''

- Российско-немецких* семинарах "Инновационные информационные технологии: теория^и практика" (Уфа, 2009; Дрезден, Германия, 2010);

- IX Всероссийской научной конференции'"Нейрокомпьютеры: и их применение" (Москва, 2011);

- заседании Башкирского отделения научного совета; РАН по методологии искусственного интеллекта (Уфа, 2011).

Публикации

По теме диссертации опубликовано 17 работ, в том числе 3 статьи в ре1 цензируемых журналах из перечня изданий, рекомендованных ВАК. Структура и объем работы

Диссертационная, работа состоит из введения, четырех глав основного материала, заключения, приложений и библиографического списка. Работа, из

ЗАКЛЮЧЕНИЕ

1. Показано, что применение интеллектуальных технологий для повышения эффективности алгоритмов контроля^ диагностики и управления ГТД в рамках перспективных архитектур САУ ГТД, реализуемых на основе концепции РАЕ)ЕС, является актуальным. Обоснована необходимость комплексной автоматизации и интеллектуализации процессов принятия; решений о техническом состоянии САУ ГТД в условиях неопределенности с использованием алгоритмов управления по модели и метода: БОЕ Показано, что интеллектуальные алгоритмы; контроля и диагностики САУ ГТД являются не полностью проработанными и требуют развития в плане повышения точности НС-моделей и эффективности НС-алгоритмов контроля и диагностики САУ ГТД, выбора рациональной элементной базы; при программно-аппаратной; реализации НС-моделей и алгоритмов для работы в реальном времени на борту ЛА. Показано;, что; много вопросов; связанных как. с отработкой; эффективных методов контроля и диагностики САУ ГТД, с разработкой инженерных методик проектирования НС-моделей й алгоритмов контроля и диагностики САУ ГТД:на базе ЦСП и ПЛИС, остаются непроработанными и мало исследованными.

2. . Разработаны и исследованы алгоритмы идентификации ГТД' на основе нейронных сетей, для повышения точности: которых использованы алгоритмы регуляризации. Предложена методика идентификации НС-модели исполнительного механизма (дозатора топлива) на основе выбора оптимальной архитектуры и структуры НС, алгоритмов обучения НС, функции активации' нейронов. Разработан многофункциональный нелинейный ПИ-регулятора ГТД- с се-лектированием каналов, на основе НС, характеристики .которого настраиваются из условия получения заданных показателей качества САУ на фиксированном множестве режимов работы ГТД: Предложена методика построения^ НС-классификатора, позволяющая в зависимости от количества входов (невязок), количества выходов, количества классов отказов НС-классификатора определить минимальное число нейронов вскрытом слое сети.

3. Разработаны и исследованы интеллектуальные алгоритмы контроля и диагностики САУ ГТД типа FADEC на основе методов FDI и нечеткой логики. Разработаны и исследованы алгоритмы обеспечения отказоустойчивости САУ ГТД с использованием реконфигурации управляющей части САУ типа FADEC на основе мажоритарной схемы при возникновении отказов в режиме реального времени. Показано, что контроль и диагностика на основе нечеткой логики с использованием схемы голосования "два из трех" значительно повышает отказоустойчивость г САУ, так как позволяет парировать отказы датчиков, а также отказы нейронных сетей, выдавая команду на их переобучение. Спроектирован блок принятия решений FLCReg на основе нечеткой логики. Показано, что предложенный интеллектуальный супервизор обеспечивает своевременное распознавание отказов датчиков и ЦР, а встроенный блок реконфигурации каналов осуществляет необходимую реконфигурацию структуры управляющей части САУ ГТД. Результаты проведенного^ исследования« подтверждают работоспособность предложенных алгоритмов контроля и диагностики отказов, обеспечения-отказоустойчивости САУ ГТД при отказах элементов управляющей части САУ. Показано, что единичные отказы нейронов.скрытого слоя НС-модели ГТД' (при её аппаратной реализации) не приводят к катастрофическому отказу всей НС.

4. Спроектированы несколько вариантов многовходовых нейронов на основе блоков умножения, сложения и вычисления активационной функции. Проведено сравнение разработанных вариантов реализации двухвходовых нейронов по критерию минимизации занятых логических ячеек. Выполнена аппаратная реализация схемы контроля и диагностики отказов элементов канала управления ГТД на базе ПЛИС Altera. Проведено сравнение разработанной НС-модели ГТД с существующими разработками НС на ПЛИС, а также с реализацией на базе специализированный процессор Л1879ВМ1 и вычислителя 5T10F269. Выявлены следующие достоинства реализации НС-модели ГТД на базе ПЛИС: высокая точность вычислений, а также блоков LPM для их программно-аппаратной реализации. Тактовая частота работы спроектированной схемы НС-модели ГТД на базе ПЛИС более чем в 20 раз быстрее по сравнению со специализированным процессором Л1879ВМ1 и в 120 раз быстрее вычислителя на базе STG Thompson.

1. Августинович В.Г., Акиндинов В.А., Боев Б.В. Идентификация систем управления авиационных газотурбинных двигателей. — М.: Машиностроение, 1984. 200 с.

2. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. М.: Машиностроение, 1989. — 240 с.

3. Аляутдинов М.А., Галушкин А.И., Казанцев П.А., Остапенко Г.П. Нейрокомпьютеры: от программной к аппаратной реализации. М.: Горячая линия Телеком, 2008. - 152 с.

4. Андриевский Б.Р., Фрадков А.Л. Избранные главы теории автоматического управления с примерами на языке Matlab. СПб.: Наука, 1999; 468 с.

5. Антонов А.П. Язык описания цифровых устройств AlteraHDL. Практический курс. 2-е изд., стереотип. М.: Радиософт, 2002. — 224 с.

6. Антонов А.П., Мелехин В.Ф., Филиппов A.C. Проектирование цифровых устройств на СБИС программируемой, логики: Обзор элементной базы фирмы Altera. СПб.: ЭФО, 1997. 142 с.

7. Бабак С.Ф., Васильев В.И., Ильясов Б.Г., Кабальнов Ю.С., Красильщиков М.Н., Семеран В.А. Основы теории многосвязанных систем автоматического управления летательными аппаратами: Учеб. пособие. М.: Изд-во МАИ, 1995.-288 с.

8. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.

9. Белоусов* Ю.А. Отказоустойчивые бортовые вычислительные системы. Классификация и- оценка технических характери-стик / Авиакосм, прибо-ростр. 2004. № 11. С. 26-34.

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

11. Бородин Б.В., Калинин A.B. Системы на микроконтроллерах и БИС программируемой логики. М.: Издательство ЭКОМ, 2002. 400 с.

12. Бурыкин А.И., Коваленко И.К. Распределенная интеллектуальная* система управления вертолетным ГТД // Новые решения и технологии в газотурбостроении. Сборник тезисов докладов. М.: ЦИАМ, 2010. С. 6-8.

13. 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.

14. Вальпа О.Д. Полезные схемы с применением микроконтроллеров и ПЛИС. М.: Додэка-ХХ1. 2006. - 416 с.

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

16. Васильев В;И., Гусев Ю.М., Миронов В.Н. Электронные промышленные устройства: Учеб. для студ. вузов. М.: Высш. шк., 1988. 303 с.

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

18. Васильев В.И.,, Идрисов И.И., Макаров A.C. Вопросы синтеза и технической реализации нейросетевых алгоритмов^ управления газотурбинным двигателем // Нейрокомпьютеры: разработка, применение. 2010: № 5. С. 44-52: •.;.

19. Васильев В;И, Идрисов И.И., Макаров А.С. Нейросетевые технологии в задачах управления и контроля авиационных двигателей // Системы управления и информационные технологии:.20IX. №1.1 (43). С. 122-126;

20. Васильев В.И.,: Идрисов^ И^И,. Макаров- A.C. Синтез и программно-• аппаратная реализация нейросетевой системы: управления ГТД с селектированием каналов // Нейрокомпьютеры: разработка, применение. 2011.№ 9. С. 72-78,

21. Васильев В:И, Ильясов» Б:Г. Интеллектуальные системы, управления и контроля ГТД: проблемыжперспективьь/ Авиадвигатели;ХХЕвека: Электронный ресурс. :,материалы»конф.М:Ц

22. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием' нечеткой логики: Учебное пособие / В .И. Васильев; Б:Г.Ильясов; Уфимск. гос: авиац. техш ун-т: Уфа; 1995. 80*с:

23. Васильев К. К. Теория автоматического управления'(следящие системы): Учебное пособие. Ульяновск, 2001. — 98 е. .

24. Верма С. Как объективно оценить параметры FPGA разных производителей // Электронные компоненты, №1. 2009. — С. 40-44.

25. Волков Д.И.,, Грудинкин. BIM-, Качура В.А., Разладский A.A. Стенды-иммитаторы и их применение на различных стадиях жизненного цикла систем управления газотурбинных двигателей // Авиационно-космическая техника и технология, 2008, №9(56). С. 133-137.

26. Встраиваемые системы для ответственных применений / Институт точной механики и вычислительной техники им;: С.А. Лебедева РАН. Электронный ресурс. <http://www.ipmce.ru/custom/ysop> (01.09:2011)

27. Вычужанйн В: Устройство для управления шаговым двигателем на ПЛИС // Технология и конструирование в электронной аппаратуре, №3, 2006. -С. 17-20.

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

29. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. Пособие для вузов / Под общей ред. А.И. Галушкина. М.: ИПРЖР," 2000. - 416 с.

30. Гарнье В. Авиадвигатели XXI века: эволюция или революция? / Авиадвигатели XXI века Электронный ресурс.: материалы конф. Электрон, дан. - М.: ЦИАМ, 2010. - С. 119-120.

31. Гостев В.И. Проектирование нечетких регуляторов для систем автоматического управления. СПб.: БХВ-Петербург, 2011. - 416 с.

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

33. Григорьев В.В., Быстров C.B., Бойков В.И., Болтунов Г.И., Мансурова O.K. Цифровые системы управления / Учебное пособие для вузов.- СПб: СПбГУ ИТМО, 2011. 133 с.

34. Грушвицкий Р.И., Мурсаев А.Х., Угрюмов Е.П. Проектирование систем на микросхемах программируемой логики. СПб.: БХВ-Петербург, 2002.- 608 с. .

35. Гуревич О.С., Гольберг Ф;Д., Селиванов О.Д. Интегрированное управление силовой установкой многорежимного самолета / Под. оющ. ред. О.С. Гуревича: М.: Машиностроение, 1993. - 304 с.

36. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М.Тим Джонс; Пер. с англ. Осипов А.И.- М!: ДМК Пресс, 2004. -312 с.

37. Дьяконов В:П., Курглов B.B. MATLAB, 6.5 SP1/7 SP 2 + Simulink 5/6. Ин-тсрументы искусственного интеллекта и биоинформатики. М.: COJIOH-ПРЕСС, 2006. 456 с.

38. Евдокимов А.А*. Реализация модулярных нейронных вычислительных структур на базе ПЛИС // Виртуальный, компьютерный музей Электрон• ный ресурс. <http://www.computer-museum.ru/books/archiv/sokcon04.pdf> (01.09.2011).

39. Жернаков C.B. Алгоритмы контроля и диагностики авиационного ГТД в условиях бортовой реализоции на основе технологии нейронных сетей // Вестник УГАТУ, 2010, Уфа, т.14, №3(38). С. 42-56.

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

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

42. Зазулов В. Новые САУ путь к международному рынку // Научно-технический журнал "Двигатель" № 2(20), 2002. - С. 10-12.

43. Иванов Ю.П., Никитин В.Т., Чернов В.Ю., Контроль и диагностика измерительно-вычислительных комплексов / учебное пособие для вузов. / СПбГУАП, СПб., 2004. 98 с.

44. Идрисов И.И. Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий // Диссертация на соискание ученой степени к.т.н. / Уфа: УГАТУ, 2009. 150 с.

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

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

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

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

49. Клепиков В., Федюкин В., Бондарев Л. Распределенная1 архитектура перспективных встроенных систем управления // Электроника НТБ, Вып.6, 2007. Электронный ресурс. <http://www.ipmce.ru/about/press/articles/ electronics6-2007> (01.09.2011).

50. Клепиков В.И. Механизмы обеспечения отказоустойчивости распределенных САУ ГТД / Авиадвигатели XXI века Электронный ресурс.: материалы конф. Электрон, дан. - М.: ЦИАМ, 2010. - С. 780-782.

51. Колосов В.В1; Проблемные вопросы технической реализации аппаратных средств бортового нейросетевого обеспечения малых космических аппаратов // Нейрокомпьютеры: разработка, применение, №10-11 2005. С. 75-87.

52. Комарцова Л.Г. Максимов A.B. Нейрокомпьютеры: Учеб. Пособие для вузов.- М.: Изд-во МГТУ им. Н.Э.Баумана, 2004. 400 с.

53. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия-Телеком, 2002. - 94 с.

54. Комолов Д.А., Мяльк P.A., Зобенко A.A., Филиппов A.C. Системы авто-матизированнрго проектирования фирмы Altera MAX+plus II и Quartus II. Краткое описание и самоучитель. — М.: ИП Радиософт, 2002 352 с.

55. Кривошеев И.А., Годованюк А.Г. Использование моделей ГТД в, составе адаптированных отказоустойчивых систем управления и контроля // Вестник УГАТУ, 2010, Уфа, т. 14, №5(40). С. 10-14.

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

57. Куликов F.F., Арьков Абдулнагимов А.И*. Нечеткая марковскаяшо-дель реального времени для контроля«: и диагностики? газотурбинных двигателей / Авиадвигатели: XXI века Электронный ресурс.; материалы конф;- Электрон: дан, - Mi::ЦИАЩ 2010; - С:Т579^1583;

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

59. Леклидер Т. Погружаясь в ПЛИС // Компоненты и технологии, №12, 2006 Электронный ресурс. <http://www.kit-e.m/assets/flles/pdf/20061256.pdf> (01.09.2011).

60. Леоненков A.B. Нечеткое моделирование в среде МАТЬАВ и fuzzy TECH. СПб.: БХВ-Петербург, 2003. - 736 с.

61. Липчанский А.И., Лесовик У.И., Зидат Хабис Синтез заданной нейронной сети в программируемую логику // Радюэлектрошка. Гнформатжа. Управлшия. №1, 2004. С. 122-127.

62. Лобанов В. Заметки о проектировании современных цифровых систем управления на отечественной элементарной базе. Электронный ресурс. <http://catalog.gaw.ru/index.php?page=document&id=l 120> (01.09:2011).

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

64. Макаров A.C. Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС // Мавлютовские чтения: Всерос. молодёжи. науч. конф., Уфа: УГАТУ, 2010. Т. 1. С. 35-37.

65. Макаров A.C. Аппаратная реализация НС-алгоритмов на основе ПЛИС // Актуальные проблемы в науке и технике: сб. тр: четвертой Всерос. зимн. шк.-сем. аспирантов и молодых ученых, Уфа: Диалог, 2009: Т. 1. С. 345-349.

66. Макаров А.С. Методика проектирования'нейросетевых структур на основе технологии ПЛИС // XXXIII' Гагаринские чтения: материалы Между-нар. молодежи, науч. конф-М.: МАТИ; 2007. Т. 4. С. 90-91.

67. Макаров A.C. О*некоторых вопросах проектирования«нейронной сети на основе технологии ПЛИС // Актуальные проблемы вшауке и технике: сб. ст. третьей Всерос. зимн. шк.-сем. аспирантов? и-, молодых ученых, Уфа: Диалог, 2008. Т. 1 С. 347-351.

68. Макаров A.C. Оптимизация проектирования нейросетевых алгоритмов на основе технологии ПЛИС // XXXIV Гагаринские чтения: материалы Ме-ждунар. молодежи, науч. конф.-Mi: МАТИ, 2008. Т. 4. С. 40^41.

69. Макаров* A.C. Построение нейросетевых структур на ПЛИС Altera // XXXV Гагаринские чтения: материалы Междунар. молодежи, науч. конф.-М.: МАТИ; 2009. Т. 4. С. 56-57.

70. Макаров A.C. Реализация НС-модели исполнительного механизма на базе ПЛИС // Актуальные проблемы в науке и технике: сб. тр. пятой Всерос. зимн. шк. -сем. аспирантов и молодых ученых, Уфа: УГАТУ, 2010. Т. 2. С. 241-244.

71. Макаров A.C. Программно-аппаратная* реализация управляющей части САУ ГТД в САПР Altera Quartus // Мавлютовские чтения: Всерос. молодёжи. науч. конф., Уфа: УГАТУ, 2011'. Т. 3. С. 166-168.

72. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П. Искусственный интеллект и интеллектуальные системы управления. М.: Наука, 2006. -333 с.

73. Максфилд К. Проектирование на ПЛИС. Курс молодого бойца. М.: Додэка-ХХ1, 2007. - 408 с.

74. Методы робастного, нейро-нечеткогои адаптивного управления: Учебник / Под. ред. Н.Д. Егупова. М.: Изд-во МГТУ им: НЭ.Баумана, 2002.- 744 с.

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

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

77. Нечаев; Ю. И., Дегтярев А. Б., Бухановский А. В. Сценарии развития- экстремальных ситуаций^ при- функционировании бортовой интеллектуальной системы / Искусств, интеллект. — 2003. №3. С. 448-456

78. Новые: решения и технологии в газотурбиностроении: Материалы Всероссийских НТК молодых ученых и специалистов: Сборник тезисов докладов. г. Москва, 5-8 окт. 2010г. 34 с.

79. Оптимизация» многомерных ' систем , управления * газотурбинных двигателей летательных аппаратов / Шевяков A.A., Мартьянова Т.С., Рутковский B IO. и др.:; Под; общей ред. A.A. Шевякова и Т.С. Мартьяновой. М.: Машиностроение, 1989. —256 с.

80. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистка,.2002. — 344 с.

81. Перечень критических технологий Российской- Федерации // Министерство образования и; науки: Российской Федерации <http://mon:gov.ru/dok/ukaz/nti/4407> (01.09.2011)

82. Петров И.В; Программируемые контроллеры. Стандартные языки и приемы прикладного проектирования / Под.ред. проф; В;П. Дьяконова. -М.: СОЛОН-Пресс, 2004. 256 с.

83. Петухов A.A. Восстановление информации от отказавших датчиков в САУ со встроенной математической моделью реального времени;// Новые решения и технологии в газотурбостроении: Сборник тезисов докладов. -М.: ЦИАМ, 2010. — С. 19-20.

84. Потехин Д.С., Тарасов И.Е. Разработка систем цифровой обработки сигналов на базе ПЛИС. -М.: Горячая линия- Телеком, 2007. 248 с.

85. Процессорный модуль, для цифровой: системы автономного управления газотурбинным двигателем (САУ ГТД) / Институт точной механики и вычислительной техники им. С.А. Лебедева РАН: Электронный ресурс. <http://www.ipmce.ru/img/release/sau.pdf> (01.09.2011).

86. Пупков К. А., Коньков В .Г. Интеллектуальные системы. — М:: Издательство МГТУ им. Н.Э. Баумана, 2003. 348 с.

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

88. Российская; электроника для работы; в жестких условиях Электронный ресурс. // компания ООО «Фаствел» <http://www.fastwel.ru> (01.09.2011)

89. Синтез систем управления и диагностирования газотурбинных двигате-. . лей. / С.В: Епифанов,.Б.И. Кузнецов, И.Н.Богаенко и др. К.: Техшка,1998.-312 с. .

90. Соловьев В-В. Проектирование цифровых систем на основе программируемых логических интегральных схем. — М-.: Горячая; линия? — Телеком, 2001.- 636 с.

91. Системы автоматического .управления авиационными газотурбинными двигателями / Под ред. 0:С. Гуревича. М.: ТОРУС ПРЕСС, 2010. -264 с.

92. Системы автоматического управления авиационными ГТД: Энциклопедический справочник / Под ред. д.т^н., профТ O.G. Гуревича. М.: ТОРУС ПРЕСС, 2011.-208 с.

93. Управление подвижными объектами. Библиографический указатель. В 3-х выпусках. Вып. 2. Аэродинамические объекты / Учреждение Российской академии наук Институт проблем управления им. В.А. Трапезникова РАН.-М.: 2011. -374 с.

94. У сков A.A., Кузьмин A.B. Интеллектуальные, технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая Линия — Телеком, 2004. - 143 с.

95. Федосеев Е. П., Колпаков К. М. Архитектура бортовых вычислительных систем современных и перспективных самолетов / Тр: ГосНИИАС. 2007. № 1.-С. 3-17.

96. Федухин A.B., Муха A.A., Муха A.A. ПЛИС-системы как средствр повышения отказоустойчивости // Математичш машини i системи, № 1, 2010. -С. 198-204.

97. ФедюкинВ:И;, ИнюкинA.A., КоролевШШ: Система управлениям с: полной ответственностью для ТРДДФ / Авиадвигатели XXI: века. Электронный ресурс.: материалы конф. Электрон, дан. - М.: ЦИАМ, 2010.1. С. 748-750. V

98. Хайкин С. Нейронные сети: полный«курс;.2-е:издание: Пер. с англ. MI: Вильяме, 2006;- 1104 с.

99. Хоскин Р; Как выбрать подходящую ПЛИС // Электронные компоненты, №1 2008i С. 38-42: . : . •

100. Царегородцев В .Г. Определение оптимального размера нейросети обратного распространения через;сопоставление средних значения модулей весов синапсов // Материалы XIV Международной конференции по нейро-кибернетике, Ростов-на-Дону, Т.2. 2005.- С. 60-64с.

101. Цисарь И.Ф. MATLAB Simulink. Компьютерное моделирование экономики.-М.: СОЛОН-ПРЕСС, 2008. 256 с.

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

103. Шибанов Г.П;, Артеменко А.Е., Мётешкин A.A., Циклинский Н.И; Контроль функционирования больших систем. М.: Машиностроение, 1977. -360 с: '128.129.130.131.132.133.134,135,136.137,138139,140141.142143

104. Шилоносов А.А. Алгоритмы идентификации и многорежимного управления ГТД на основе нейронных сетей // Диссертация на соискание ученой степени к.т.н. / Уфа, 2003. 180 с.

105. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. -М.: Горячая линия-Телеком, 2007. 288 с.

106. Электронно-цифровая система, управления двигателем // Википедия <http://ru.wikipedia.org/wiki/> (01.09:2011).

107. A scientific study of the problems of digital engineering for space flight systems, with a view to their practical solution WWW document. // NASA Office of Logic Design <http://www.klabs.org> (01.09.2011).

108. Aircraft systems (Chapter 6) WWW document. // Federal Aviation Administration. <http://www.faa.gov/library/manuals/aviation/pilothandbook/ me-dia/PHAK%20-%20Chapter%2006.pdf> (01.09.2011).

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

110. Breikin T.V., Kulikov G.G., Flemind P.J., Dynamic Modelling for Condition Monitoring of Gas Turbine: Genetic Algorithms Approach WWW document. <http://www.nt.ntnu.no/users/skoge/prost/proceedings/ifac2005/Fullpapers/015 82.pd£> (01.09.2011).

111. Dedicated frequency allocation for aircraft onboard wireless system. Boeing Company. ICAO ACP WG-F Meeting. Nairobi. 2007.

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

113. Hirasawa К., 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.

114. Kreiner. A. Modellbasierte Regelungskonzeptefiier Turbo-Luftstrahltriebwerke / A. Kreiner, K. Lietzau, R. Gabler // MTU Aero Engines, Technische Univer-sitaet Muenchen, 2006.

115. 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.

116. Radio-frequency wireless flight-control system. Dryden Flight Research Center. DRC-9609, NASA Tech Briefs. 2008. Vol. 21. No. 10.

117. 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.

118. Sveda.M:, Hubik V., Oplustil V., Axman P., Kerlin T. Complex power plant control & monitoring systems for small'utility aircraft and modern trend in actuation // Авиационно-космическая техника и технология, 2009; №8(65).

119. Vasilyev V.I., Idrisov I.I.;~ Makarov A.S. Design of advanced neuraLnetwork control system for GTE // 11th International Workshop on Computer Science and Information Technologies (CSIT'2009) Ufa: USATU, 2009; V 1. pp. 13-18-.

120. Vasilyev V.I., Makarov A.S. Designing methods of neuro-network algorithms on the basis of the CPLD // 9th International Workshop on Computer Science and Information Technologies (CSIT*2007) Ufa: USATU, 2007, pp. 70-76.

121. Vasilyev. V.I., 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.