автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная нейросетевая система идентификации параметров информационных устройств летательных аппаратов

На правах рукописи

005005744

НИКИШОВ Александр Николаевич

Интеллектуальная нейросетевая система идентификации параметров информационных устройств летательных аппаратов

Специальность 05.13.01 Системный анализ, управление и обработка информации (информатика, управление и вычислительная техника)

- 8 ДЕК 2011

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва 2011

005005744

Работа выполнена на кафедре "Системы автоматического и интеллектуального управления" Московского авиационного института (национального исследовательского университета).

Научный руководитель:

доктор технических наук, профессор Зайцев Александр Владимирович

Официальные оппоненты:

д.т.н, снс, Гаврилов Владимир Станиславович к.т.н. Лядов Алексей Валерьевич

Ведущая организация:

ФГУП «НПЦ АП им. академика Н.А.Пилюгина»

Защита состоится «26» декабря 2011 года на заседании диссертационного совета Д212.125.11 при Московском авиационном институте (национальном исследовательском университете) «МАИ» по адресу: 125993, А-80, ГСП-3, Москва, Волоколамское ш., 4, зал заседаний Ученого Совета МАИ.

С диссертацией можно ознакомиться в библиотеке МАИ.

Автореферат разослан «24» ноября 2011 года

■п

/

Ученый секретарь диссертационного совета к.т.н., доцент

Горбачев Ю.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. В последние десятилетия наблюдается высокий рост технологичности оборудования. Если говорить о таких областях как авиация, ракетостроение, медицинская техника, автомобилестроение то необходимо отметить высокую роль профилактического обслуживания оборудования. В приведенных областях цена отказа или сбоя оборудования может быть очень высокой, а иногда и привести к неоценимым потерям, связанным с гибелью людей.

Обслуживание подобных систем требует высоких материальных затрат, но в то же время не исключает возможного возникновения сбоев. Очень важную роль занимает процесс принятия решения о целесообразности ремонта данного оборудования или о необходимости отказа от дальнейшего использования и списания.

В связи с высокой стоимостью приведенных видов техники в настоящее время на первое место выходит обеспечение длительного срока службы объектов при минимизации затрат на содержание и техническое обслуживание.

В данной работе предлагается реализация системы управления техническим состоянием сложных динамических объектов призванной реализовать периодический контроль состояния объекта и осуществлять как поддержку принятия решения в процессе диагностики, ремонта и оценки целесообразности дальнейшей эксплуатации, так и уточнения параметров алгоритма в ходе эксплуатации оборудования, с целью повышения точности работы алгоритмов управления.

Предлагаемый подход обладает высокой степенью универсальности и высокой глубиной диагностики.

Для более глубокого обоснования и рассмотрения предлагаемого подхода требуется рассмотрение следующих вопросов:

1. Постановка задачи идентификации параметров информационных устройств летательных аппаратов;

2. Постановка и решение задачи классификации ТС динамического объекта;

3. Проектирование подсистемы коррекции параметров алгоритма управления. Объектом исследования в настоящей работе являются информационные устройства летательных аппаратов.

Предметом исследования являются компьютерные средства диагностики и идентификации элементов и узлов бортовых информационных систем летательных аппаратов. Цель диссертационной работы состоит в построении нейросетевой модели для идентификации параметров ЛА на основе интеллектуальных технологий для повышения достигаемой точности управления.

Научная задача, решаемая в диссертационной работе, состоит в разработке научно-методического аппарата, обеспечивающего создание моделей идентификации информационных устройств, с использованием нейронных сетей.

Методологические основы и методы исследования. Проведенные теоретические и прикладные исследования базируются на методах современного системного анализа, математической статистики, методах математического моделирования, нейроинформатики.

Моделирование процесса проведено в пакете прикладных программ МаНаЬ и его приложении БтшНпк.

Научная новизна работы состоит в системном подходе к решению задачи синтеза интеллектуальных программных средств компьютерных систем диагностики на основе построения нейронных сетей. Решение задачи идентификации параметров информационных устройств летательных аппаратов включает два этапа:

1. На этапе эксплуатации оборудования в ходе периодического контроля осуществляется определение зависимости масштабного коэффициента измерителя в зависимости от температуры и построение нейроной сети.

2. В процессе полета осуществляется непрерывная активная коррекция параметров алгоритма управления ЛА;

Основные положения выносимые на защиту:

1. Математические модели нейронных сетей, предназначенные для решения задач идентификации и классификации параметров информационных устройств ЛА.

2. Комплекс алгоритмов и программ для построения и обучения нейронных сетей при решении задачи обработки измерений, информации и управления.

Практическая значимость Разработана структура системы идентификации параметров, пригодной для практического использования, получены математические модели нейронных сетей предназначенных для уточнения значения масштабного коэффициента и его коррекции. Разработаны конкретные рекомендации к применению созданного научно-методического аппарата на этапах проектирования и опытной отработки. Достоверность и обоснованность полученных результатов обеспечивается корректностью постановки задачи, полнотой учета факторов, влияющих на характер функционирования аппаратно-программных средств системы диагностики неисправностей СУ и подтверждается моделированием на ЭВМ, апробацией результатов диссертации и выступлениями на научно-технических семинарах и конференциях. Апробация работы.

Результаты проведенных исследований докладывались и обсуждались на конференциях

различного уровня.

Структура и объём диссертации.

Диссертация состоит из введения, трех глав, заключения, библиографического списка и приложений. Диссертация содержит 147 страниц машинописного текста, 43 рисунка, 2 таблицы. Библиографический список содержит 82 наименования.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определены объект, предмет, цель диссертации. Сформулирована научная задача, основные направления и методология исследований. Кратко излагается содержание работы по главам.

В первом разделе анализируются классические методы оценки технического состояния систем на основе использования вероятностных моделей объектов управления. Вероятностные модели подразумевают оценку способности системы выполнить поставленную перед ними задачу с заданными точностными и надежностными характеристиками. На

основе данного анализа сформирован вид критерия оценки технического состояния системы, положенный в основу метода решения задачи оценки технического состояния объекта управления.

Сформулирована задача оценки и управления техническим состоянием сложных динамических систем. Под техническим состоянием объекта понимается состояние системы в целом, и степень соответствия диагностируемого объекта эталонной модели. Техническое состояние может быть удовлетворительным - т.е. каждый блок системы и система в целом соответствует предъявляемым к ней требованиям, и, следовательно, способна выполнять поставленную перед ней задачу, и неудовлетворительным - т.е. состояние одного или нескольких блоков системы делают невозможным выполнение ею поставленных перед ней задач.

Таким образом, цель данной работы состоит в синтезе системы, обладающей свойством самоорганизации относительно ансамбля внешних сред, способной выбрать поведение, адекватное заданной среде. Иными словами, интересующая нас система с обной стороны должна быть способна адекватно реагировать на изменения технического состояния объекта управления, а при подкрепляющем сигнале (дополнительном опросе) параметров, точно определять это состояние и тем самым служить как системой под держки принятия решений оператором. С другой же, на основании полученной информации о техническом состоянии объекта, должна быть способна выработать корректирующее воздействие на алгоритмы управления объектом, с целью минимизации влияния отклонения параметров объекта управления на качество работы системы управления.

Поведение наблюдаемого объекта полностью определяется вектором параметров математической модели объекта, вектором воздействия окружающей среды, а так же предыдущим состоянием объекта.

Согласно анализу поставленной задачи, была предложена общая структура системы идентификации параметров информационных систем летательных аппаратов, базирующаяся на нейросетевом идентификационном подходе.

Сформулированы основные задачи с решением которых связано проектирование систем. В составе задачи оценки и управления техническим состоянием выделены следующие задачи:

• Задача тестирования;

• Задача классификации;

• Задача коррекции параметров алгоритмов управления с целью минимизации влияния отклонения параметров.

Задача тестирования некоторой системы сводится к процессу сбора и накопления данных о работе составных элементов рассматриваемой системы.

Задача классификации системы представляет собой задачу определения принадлежности рассматриваемой системы к одному из двух предопределенных классов:

1. Классу исправных систем;

2. Классу неисправных систем.

Рассмотрим некоторую систему, описываемую передаточной функцией:

Ш = Ш{рк1,рк2,...,Ткп.У1'Р2,-.Рт) (!)

Где,

• РкиРк2> ••• >Ркп = Рк " параметры системы, значение которых может быть изменено в результате управления системой;

• Р1>Рг> — >Рт = Р ~ параметры системы, значение которых не может быть изменено в результате управления системой.

Техническое состояние системы полностью определяется векторами р и рк. В силу того, что параметры элементов используемых в процессе производства системы, имеют технологический разброс значений, и различные коэффициенты ухода значений при определенных воздействиях внешней среды, можно определить (п + ш)-мерное пространство, которое, в свою очередь, включает в себя оба описанных выше класса систем. Множество векторов [Рк Р], соответствующих системе удовлетворяющей эксплуатационным характеристикам образует область безразличия к изменению параметров передаточной функции системы. Данная область граничит с пространством состоящим из бесконечного множества векторов [Рк Р] соответствующих системе не удовлетворяющей эксплуатационным характеристикам, (п + т)-мерное пространство в свою очередь представляет собой бесконечный набор всевозможных систем, описываемых передаточной функцией (1).

При решении задачи классификации встает вопрос о критерии отнесения рассматриваемой системы к тому или иному классу. В данной работе в качестве критерия предлагается использовать критерий, использующий вероятностную модель объекта управления, широко используемую при решении задач поддержки принятия решений в процессе управления техническими объектами.

Вид критерия определяется структурой объекта, типом выбранного контроля и плотностью вероятности времени отказа системы.

' У, при Сс(^() <2 Сс(С) /»00

J ГШг,приСс(1к1)еСс(с) (2)

у, при Сс(У е Сс(С) и с = ц

где,

• Сс(с) - область допустимых состояний элемента системы;

• /(т) - плотность вероятности времени отказа;

• - состояние элемента с системы в момент контроля

С учетом высказанных соображений задачу тестирования можно представить как задачу восстановления вектора параметров передаточной функции (1) по результатам наблюдения за выходными параметрами наблюдаемой системы, что представляет собой задачу параметрической идентификации системы с заранее известной структурой.

СсО/О = [Р" Р]« = Р (У) (3)

Роп,К(ССЫ,Пт)) =

где,

у - вектор выходных параметров наблюдаемой системы;

[Рк Р]„ - вектор параметров передаточной функции вида (1), описывающей наблюдаемую систему;

F - оператор выполняющий параметрическую идентификацию.

Задача диагностики системы сводится к задаче поиска причин приводящих к изменению вектора параметров передаточной функции (1):

A[pfc р] = [рк Р]„ - [Рк Р], Rö = /(A[Pk Р])

где,

• А [Рк Р] - приращение вектора параметров передаточной функции описывающей наблюдаемую систему относительно вектора параметров передаточной функции описывающей эталонную систему;

• Rd - вектор результата диагностики, представляет собой вектор состояния элементов входящих в состав динамического объекта.

На основании предложенного критерия оценки технического состояния динамического объекта можно предложить структурную схему интеллектуальной системы управления техническим состоянием динамических систем.

Пусть система описывается ПФ указанной в выражении (1). Представим ПФ в виде:

W = W([Vk pl) (5)

Структурная схема модели идентификации парамтеров СУ JIA приведена на рисунке №1.

Рис. 1. Структурная схема модели идентификации парамтеров СУ ЛА

Здесь,

• [Рк р]н ~ Вектор параметров динамического объекта в момент времени контроля

• [%((:) и((:)] - вектор входных параметров и управляющих воздействий

• [уВД] - вектор выходных параметров объекта;

• [УсМ] ~ вектор промежуточных выходных параметров объекта;

• Сс(£/£;)- состояние элемента с системы в момент контроля

• С„(гк.+1) - прогнозируемое состояние элемента с системы в момент предстоящего контроля которому соответствует вектор параметров [рк р]„+х ;

• Др^ - Управляющее воздействие на контролируемые параметры ПФ объекта управления;

Второй раздел посвящен решению задачи параметрической идентификации применительно к решению задачи управления техническим состоянием СДС. В качестве аппарата для решения задачи параметрической идентификации выбран аппарат нейронных сетей. В данном разделе проведен анализ наиболее широко используемых для решения поставленной задачи нейросетевых структур. На основани данного анализа разработаны алгоритмы построения нейронной сети для решения поставленной задачи, а именно, алгоритм формирования обучающей выборки, алгоритмы коррекции архитектуры нейронной сети и прочее.

На рисунке 2 приведена схема процесса обучения нейронной сети решению задачи параметрической идентификации.

Рис. 2. Схема процесса обучения нейронной сети решению задачи параметрической идентификации

В качестве эталонной системы используется «расширенная» математическая модель объекта управления. В рассматриваемой математической модели выбираются одна или более наблюдаемых контрольных точек. Генератор тестового сигнала предназначен для формирования типового воздействия на эталонную математическую модель системы с целью получения ее отклина на указанное воздействие. Задающее устройство формирует вектор параметров эталонной системы тем самым, модифицируя ее структуру. В качестве входного воздействия на вход нейронной сети подается образ переходного процесса наблюдаемого в контрольных точках. В качестве желаемого выходного сигнала сети принят вектор параметров математической модели системы сформированный задающим устройством. Под воздействием алгоритма обучения матрицы весов и смещений нейронной сети настраиваются с целью достижения минимального рассогласования между желаемым и фактическим откликом обучаемой нейронной сети.

Разработанные алгоритмы аппробированы при решении задачи параметрической идентификации аналоговой части маятникового акселерометра. В качестве эталонной модели взята аналоговая часть цифровой модели маятникового поплавкового акселерометра. Пе-

ред обучаемой нейронной сетью поставлена задача восстановить вектор параметров эта-

Результатом работы разработанных алгоритмов является нейронная сеть структуры 44-6080-3 способная восстановить вектор параметров с заданной точностью. Структура сети приведена на рисунке 4.

Рис. 4. Структура нейронной сети для решения задачи параметрической идентификации

ННННпи^йН

Рис. 5. Примеры расположенные на границе выборки, идентифицированные с нарушением критерия точности

На рисунке 5 отражены те примеры, на которые в ходе тестирования обученная сеть выдала результат с превышением заданной допустимой ошибки. Плотность распределения данных ошибок возрастает с приближением к границе обучающей выборки. При требуемой точности определения вектора параметров 0,001, процент ошибок составляет 0,8%. Что соотвествует 8-и ошибкам на 1000 примеров. При требуемой точности определения вектора параметров 0,0001, процент ошибок составляет 3.5%. Что соотвествует 35-и ошибкам на 1000 примеров. При требуемой точности определения вектора параметров 0,00001, процент ошибок составляет 11.8%. Что соотвествует 118-и ошибкам на 1000 примеров.

Рис 6. Плотность распределения ошибок, в зависимости от степени близости к границе обучающей выборки (семейство графиков в зависимости от степени требований по точности)

На рисунке 6 отражена зависимость плотности распределения ошибок в зависимости от степени близости к границе обучающей выборки (изображена пунктирной линией часть справа от линии включена в обучающую выборку, слева - нет).

Отметим, что при подготовке обучающей выборки область определения параметров объекта управления была расширена, что в свою очередь позволяет говорить о достижени требуемой точности работы полученной сети.

В третьем разделе решены две задачи из определенного в начале работы списка:

• Задача классификации;

• Задача выработки корректирующего воздействия;

Решение задачи классификации. Согласно полученным во второй главе результатам на вход системы классификации подается вектор параметров наблюдаемого объекта управления (результат решения задачи параметрической идентификации), результатом работы системы классификации является вектор (матрица) технического состояния. Для разработки системы классификации следует определить требования, предъявляемые к глубине диагностики, а именно, к размерности выхода системы, которая определяется исходя из минимального структурного (конструктивного) элемента состояние которого должно быть отражено в выходном векторе (система, подсистема, блок, элемент, узел). Вектор параметров определен в Главе II как количество параметров передаточной функции объекта управления. Вектор классификации определен как степень глубины диагностики и может варьироваться от 2 до п<цадтах которое определяется числом элементов входящих в состав объекта управления. Например, при построении системы классификации для объекта управления, состоящего из 3-х блоков, вектор выхода системы классификации может содержать два элемента (при построении системы тестирования) или более в зависимости от глубины диагностики (т.е. равно 4-м, при диагностике с точностью до блока, или более, при диагностике с более высокой точностью).

Интерпретация значения выходного вектора. Выходной вектор системы классификации может быть рассмотрен ка результат решения системы уравнений:

1, при Ротк {сс(рк1), С„Ок1.+1),/(г)) < Ротктреб

. . (6) О, при Ротк (Сс(У, С„(рк1+1),/(г)] > Р„тКтре6

Таким образом, задача состоит в построении системы осуществляющей отнесение входного вектора параметров к одному из заранее предопределенных классов. Задача решается на основании применения критерия сформулированного в Главе 1.

В результате проведенного анализа в качестве решающей структуры избрана сеть основанная на конкурентном механизме самоорганизации.

• Число нейронов в выходном слое ЬУ(}-сети определяется числом классов, на которые необходимо разделить множество входных векторов.

• Число входных узлов определяется размерностью вектора параметров диагностируемой системы.

• Число нейронов в скрытом слое определяется сложностью области приемлемости параметров. Чем выше число скрытых нейронов, тем на большее число промежуточных классов будет разделено пространство параметров системы, что в свою очередь приведет к повышению точности окончательной классификации.

Рис. 7. Структурная схема процесса обучения нейронной сети

На рисунке 7 приведена схема процесса обучения нейронной сети решению задачи классификации.

Рис. 8. Структураная схема нейронной сети классификации

В результате применения алгоритма обучения была получена нейронная сеть (рис. 8) способная решить задачу классификации вектора параметров.

Согласно постановке задачи, задача управления техническим состоянием разделена на 2 части, 1-ая состоит в решении задачи тестирования и диагностики (классификации), 2-ая в выработке корректирующего воздействия на структуру объекта управления либо на алгоритм управления объектом.

Согласно постановке задачи объект управления описывается передаточной функцией вида:

IV = №(рк1, рк2.....ркп, рг,р2.....Рт) (7)

11

Где,

• Pki>Pk2> —>Vkn = Pk - параметры системы, значение которых может быть изменено в результате управления системой;

• Vi'Pz> —>Рт = р - параметры системы, значение которых не может быть изменено в результате управления системой.

Рассмотрим задачу построения блока формирования корректирующего воздействия, направленного на сохранение требуемого качества работы объекта управления. В общем случае задача управления может быть сформулирована как сформулировать корректирующее воздействие на алгоритм управления объектом с целью минимизации отклонения отклика объекта управления на типовое воздействие вызванного отклонением параметров передаточной функции объекта управления и/или минимизации воздействия внешней среды.

U(t) = №P Pk],Fe,Xt),t) (8)

Где U(t) - корректирующее воздействие; [Р Рл] - вектор параметров объекта управления ; Fm (t) - воздействие внешней среды; t -время.

Аппарат применяемый для формирования корректирующего воздействия может быть разнообразен. Для выработки данного сигнала могут быть применены системы основанные на нечеткой логике, на нейронных сетях, гибридные ситсемы, а так же классические алгоритмические методы. Выбор конкретного инструментария зависит от сложности задачи и от степени ее определенности.

В качестве объекта управления в настоящей работе рассматриваются системы входящие в состав РКК «Старт».

Рассмотрим процесс уточнения значения масштабного коэффициента маятникового акселерометра входящего в состав СУ РКК «Старт» при движении на активном участке трае-тории.

Задача сформулированна следующим образом: Сформировать корректирующее воздействие на алгоритм температурной компенсации масштабного коэффициента. Предлагаемый метод решения задачи основанный на нейросетевом идентификационном подходе:

Решение осуществляется с использованием 2-х контуров. Внешний контур решает задачу сбора и анализа информации о текущем техническом состоянии прибора. Предназначен решения задачи параметрической идентификации прибора в условиях проведения регламентных профилактических работ.

Внутренний контур представляет собой выработку корректирующего воздействия на основании параметров, полученных в ходе последнего запуска внешнего контура совместно с использованием наблюдаемых факторов, которые могут повлиять на точность решения поставленной задачи. Таким образом, внутренний цикл вычисляет поправку масштабного коэффициента, как функцию от вектора технических параметров измерителя, и функцию от значения температуры. В данном случае температура взята как наиболее значимый наблюдаемый член выражения, влияющего на определение величины масштабного коэффициента.

Для реализации внутреннего контура и для решения задачи выработки корректирующего воздействия, а именно, расчета поправки масштабного коэффициента, используются по-

казания датчика температуры прибора, и вектор параметров, полученный в ходе решения задачи идентификации объекта. За счет использования табличных данных в ходе обучения сети нейронная сеть аппроксимирует и обобщает полученные данные, тем самым минимизируя возможную ошибку, получаемую за счет дискретного характера табличных данных. Так же использование при выработке поправки масштабного коэффициента извлеченных параметров идентифицированного объекта, позволяет минимизировать влияние временных зависимостей и соответственно исключить риск неучета изменения данных в таблице от времени.

а) внешний контур б) внутренний контур

Рис. 9. Структурная схема системы оценки и управления техническим состоянием объекта

На структурной схеме изображены:

ИП АЧ- измерительный прибор, аналоговая часть;

ИП ДПЧ- измерительный прибор, часть преобразующая аналоговый сигнал в дискретный;

НС1 - Нейронная сеть обученная решению задачи параметрической идентификации; НС2 - Нейронная сеть обученная решению задачи классификации; РГП ИП - Регистр параметров измерительного прибора, служит для хранения вектора параметров измерительного прибора, полученного в ходе ПТО в результате решения задачи параметрической идентификации конкретного образца измерительного прибора. ДТ - Датчик температуры измерительного прибора;

НСЗ - Нейронная сеть обученная решению задачи расчета поправки масштабного коэффициента на основании информации о техническом состоянии измерительного прибора и о текущей температуре.

Вектор параметров с выхода нейронной сети извлечения признаков (результат решения задачи параметрической идентификации) фиксируется в защелке вектора параметров и используется как входной вектор для нейронной сети 3. Нейронная сеть 3 представляет собой многослойный персептрон, обученный для решения задачи выработки корректирующего воздействия.

... Рп]); (9)

Коррекция масштабного коэффициента Дкт используется при пересчете значения масштабного коэффициента кт используемого при рассчете значения ускорения на основе показаний измеренных акселерометром.

Значение масштабного коэффициента определяется как сумма начального значения с корректирующим значением Акт, в общем случае кт так же может быть представлен в виде функции, зависящей от тпараметров математической модели измерительного прибора:

kn = kn + Akn = f(t°,[Px - Рп]); (Ю)

Для проведения эксперимента взяты табличные данные описывающие изменение масштабного коэффициента в зависимости от температуры:

Рис. 11 Изменение масштабного коэффициента от температуры, семейство кривых соответствует различным рам параметров математической модели прибора

векто-

Сформирована обучающая выборка, состоящая из 1000 примеров. Каждый пример состоит из пары вход-выход. На вход нейронной сети подается вектор состоящий из параметров математической модели измерительного прибора измеренных на этапе решения задачи параметрической идентификации, и значение температуры с датчика температуры измерительного прибора. На выходе нейронной сети получается значение масштабного коэффициента.

Для решения данной задачи принято решение использовать нейронную сеть прямого распространения сигнала со структурой (3,3,1).

а) Структура нейронной сети

б) Структура слоя 1 в) Структура слоя 2

Рис. 12. Структурная схема нейронной сети формирующей приращение масштабного коэффициента

Состоящую из 2-х слоев. С 3-мя входами и 1 выходом. Число нейронов скрытого слоя равно 3-м.

В результате применения функции обучения нейронной сети была получена структура, способная к расчету скорректированного значения масштабного коэффициента, как функции от температуры и вектора параметров устройства.

Значение масштабного коэффициента применяется при расчете показаний акселерометра и преобразовании их в цифровой формат. Значение кажущегося ускорения используются при расчете скорости и дальности полета.

Таким образом, составляющая ошибки работы навигационной системы, зависящая от ошибки измерения показаний кажущегося ускорения может быть рассчитана как:

AS = J V(t)dt = | (| W(t) dt) dt (11)

Согласно результатам моделирования, при изменении температуры прибора в заданных пределах, колебания масштабного коэффициента происходят в пределах значения приращения (—0.5 -г- 2.5)10~6, при значении рассчетного масштабного коэффициента 2.5 • Ю-4, значение результирующего показателя колеблется от(2.49 2.53) 10~4. Для анализа последствий неучета подобного рода изменений требуется задать программу изменения ускорения в ходе полета.

Предположим активный участок полета объекта управления составляет 180 секунд. Ускорение в ходе полета изменяется в пределах до 10g.

На рисунке 13 приведен график измерений полученных с выхода аналоговой части акселерометра.

При заданном характере изменения ускорения, растояние, пройденное объектом управления на активном участке полета составляет 1035 км, при этом если система управления не учитывает характер изменения масштабного коэффициента, то согласно данным БЦВМ, на конце активного участка объект управления преодолел расстояние 1033 километра.

А) Скорость объекта управления м/с Б) Дистанция пройденная объектом управления (м)

Рис. 14. Параметры полета

Синим цветом изображена система с коррекцией показаний, Красным без коррекции, т.е. рассчеты выполнены без учета температурной зависимости масштабного коэффициента (всвязи с принятым масштабом графика линии сливаются).

Согласно результатам моделирования ошибка вызванная неучетом температурной зависимости параметров может приводить к существенным ошибкам в рассчете значения пройденного пути.

! 1 ■ ! .....\....................... .1 _________1-.......А

*.............Г" ~ ! -...... 1..............Т .........I............1............!.............1......................... /Г

...............!...............1.

...... 1........1 .......Т...........1 -:.........^.....-1 .......:.............

...............Г -..........1..........г....... -^Г-1..........'.......:—Г.............-

Рис. 15 Ошибка рассчета дальности полета вызванная неучетом колебаний масштабного коэффициента

Так, при длительности полета 180 секунд, при заданном изменении ускорения промах по дальности составляет 1.899 км. График изменения ошибки рассчета значения дальности полета приведен на графике изображенном на рис 15.

Существующие методы решения позволяют снизить ошибку вызванную дрейфом параметров в зависимости от воздействия окружающей среды.

Заключение

Использование табличных данных, применяемых в современных алгоритмических методах коррекции, не исключает влияния ошибки, хоть и снижает ее до определенного уровня. Величина ошибки существенно зависит от выбранного шага измерений. Чем выше требуется точность, тем большие объемы памяти требуются для реализации методов. Реальные значения масштабного коэффициента несколько отличаются от табличных за счет применения достаточно грубой сетки с шагом 5 град. Уменьшение шага приводит к существенному увеличению затрат памяти и других ресурсов.

Использование таблиц требует существенных затрат времени и сложных технологических операций по поверке и коррекции табличных данных в ходе эксплуатации прибора. Предлагаемый подход позволяет существенно упростить процесс компенсации изменений характеристик прибора связанных как с течением времени, так и с воздействием внешних факторов (таких как температура).

Он не исключает проведение лабораторных испытаний прибора, однако позволяет снизить роль инструментальных погрешностей при проведении обучения решающих модулей, так и непосредственно в ходе эксплуатации оборудования за счет использования нелинейного решающего модуля, способного к аппроксимации сложных функций, исключения объемных корректирующих таблиц, и использования непрерывной коррекции параметров в режиме реального времени.

1. Проведенный анализ показал, что предложенный подход к построению систем управления техническим состоянием динамических объектов реализуем и обладает высокой универсальностью на различных уровнях.

2. Предложенные алгоритмы, и структуры обладают достаточно высокой гибкостью, что позволяет использовать результаты работы при работе с широким спектром объектов управления.

3. Информация от экспертов используется на этапе постановки задачи и планирования эксперимента, обучение сетей осуществляется на основании результатов моделирования. Использование результатов моделирования позволяет минимизировать роль человека в процессе диагностики, что в свою очередь снижает влияние человеческого фактора.

4. Предложены пути дальнейшего развития предлагаемого подхода.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ Публикации в изданиях, рекомендованных перечнем ВАК РФ

1. Никишов А. Н.Олейник A.A. Талиманчук Л. Л. Зайцев A.B., Суханов Н.В., «Инверсно-адаптивная схема управления сложным динамическим объектом» Нейрокомпьютеры, №1, 2010, с.34-39.

2. Никишов А. Н.Зимарин A.M. «Оптимальное управление сложными техническими системами с использованием обобщённого квадратичного показателя качест-

ва» Приборы и системы. Управление, контроль, диагностика - 2011. - № 6. - С. 5-8.

3. Никишов А. Н. Канушкин C.B. «Поэтапная процедура принятия решений в условиях риска» Известия института инженерной физики.2011 - № 2(20). - С. 49-53.

4. Никишов А.Н. Зайцев A.B. Канушкин C.B. Семенов A.B. «Подход к тестированию и диагностике авиакосмических систем с использованием нейросетевого идентификатора» Электронный журнал «Труды МАИ». 2011 г. Выпуск №47. 10 с. www.mai.ru/science/trudy/

Публикации результатов работы в других изданиях:

5. Никишов А. Н. «Постановка задачи построение интеллектуальной системы оценки и управления техническим состоянием сложных технических систем в авиационной и ракетнокосмической области» Международная научно-техническая конференция «Системы и комплексы автоматического управления» М.: Из-во МИРЭА, 2008, с.259-265.

6. Никишов А. Н. Зайцев A.B. «Анализ алгоритмов систем идентификации сложных динамических объектов» Материалы докладов IX 22. НТК "Повышение эффективности средств обработки информации на базе математического моделирования". Тамбов: 2009. с. 282-287.

7. Никишов А. Н., Козина М.А., Зайцев A.B., Яловец П.С. «Задача управления техническим состоянием сложных технических систем как задача адаптивного управления» Материалы 68 научно-методической и научно-исследовательской конференции Московского автомобильно-дорожного государственного технического университета (МАДИ), секция «Наземные комплексы, стартовое оборудование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.36-40

8. Никишов А. Н. Козина М.А., Зайцев A.B., Яловец П.С. «Пути создания систем распознавания образов и идентификации сложных систем и объектов» Материалы 68 научно-методической и научно-исследовательской конференции Московского автомобильно-дорожного государственного технического университета (МАДИ), секция «Наземные комплексы, стартовое оборудование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.62-65

9. «Анализ принципов построения экспертных систем по оценке информации о системе управления ракетой.» Итоговый отчет о НИР «Метод построения экспертной системы оценивания информации о системе управления ракеты за гарантийными сроками на основе нечеткой логики». AHO НИЦ РКТ, 2008

10. «Синтез системы стабилизации движения при уточнении параметров двигательной установки, полученных при решении задачи идентификации.» Итоговый отчет о НИР «Методика синтеза системы стабилизации движения ракеты с учётом продлённых сроков эксплуатации». AHO НИЦ РКТ, 2008

11. «Алгоритм расчета динамических ошибок измерения и контроля процессов функционирования системы управления.» Итоговый отчет о НИР «Адаптивные

алгоритмы контроля и прогнозирования технического состояния систем управления ракет за гарантированными сроками эксплуатации». AHO НИЦ РКТ, 2009

12. «Разработка экспериментальной установки для исследования влияния конструкционных, эксплуатационных и технологических факторов на техническое состояние материалов и элементов конструкции ракетной техники.» Итоговый отчет о НИР «Методика технического диагностирования ракет и стартовых комплексов в период продлённых сроков эксплуатации с использованием метода газоразрядной визуализации». AHO НИЦ РКТ, 2009

13. «Синтез системы стабилизации движения при уточнении параметров двигательной установки, полученных при решении задачи идентификации.» Итоговый отчет о НИР «Анализ результатов эксплуатации и достаточности ресурса постоянно функционирующих приборов системы управления, подготовка, проведение исследований конструкционных материалов и разработка отчёта-заключения о продлении сроков эксплуатации до 23 лет». ЦП СЯС, 2009