автореферат диссертации по транспорту, 05.22.19, диссертация на тему:Методы повышения качества управления судном на основе использования нейросетевых технологий

На правах рукописи

Глушков Сергей Витальевич

МЕТОДЫ ПОВЫШЕНИЯ КАЧЕСТВА УПРАВЛЕНИЯ СУДНОМ НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

05 22 19 - Эксплуатация водного транспорта, судовождение

Автореферат диссертации на соискание ученой степени доктора технических наук

ии^444708

Владивосток - 2008

003444708

Работа выполнена в Федеральном государственном образовательном

учреждении высшего профессионального образования

«Морской государственный университет имени адмирала Г И Невельского»

Официальные оппоненты

доктор технических наук, профессор Васьков Анатолий Семенович, доктор технических наук, профессор Жиробок Алексей Нилович доктор технических наук, профессор Розенбаум Анатолий Наумович

Ведущая организация - Тихоокеанский военно-морской институт

им С О МАКАРОВА, ТОВМИ

С диссертацией можно ознакомиться в библиотеке Морского государственного университета имени адмирала Г И Невельского

Защита состоится 08 октября 2008 г в 14 часов на заседании совета по защите докторских и кандидатских диссертаций Д 223 005 01 при Морском государственном университете имени адмирала Г И Невельского 690059, г Владивосток, 59, ул Верхнепортовая, 50а, учебный корпус 1, аудитория № 241

Отзывы присылать по адресу 690059 г Владивосток, ул Верхнепортовая, 50а, Морской государственный университет имени адм Г. И. Невельского, ученому секретарю Совета Д 223 005 01, тел Факс (4232) 41 -49-68

Автореферат разослан «_» июля 2008 г

Ученый секретарь совета по защите докторских и кандидатских диссертаций

Резник А Г

Общая характеристика работы

Актуальность проблемы.

Современный этап развития систем мореплавания в мире характеризуется существенными достижениями науки и техники в деле разработки, создания, массового производства высоконадежной техники судовой навигации, радиосвязи, информатизации и автоматизации судовождения в сложных условиях инфраструктуры акваторий портов, проливов и каналов. В настоящее время во многих морских державах мира разрабатываются новые, более сложные, и в тоже время обладающие большей функциональной нагрузкой системы позволяющие автоматизировать процесс судовождения Первопричин такого рода разработок несколько

Во-первых, необходимость обеспечения безопасного мореплавания в условиях все увеличивающейся интенсивности судоходства, резкий рост цен на топливо для судовых силовых установок, усиление экологических аспектов эксплуатации морского флота, строительство крупнотоннажных и скоростных судов, управление которыми на должном уровне требует дополнительных средств автоматизации процессов, что позволяет уменьшить потери ходового времени, снизить себестоимость перевозок, сократить численность экипажей, повысить надежность оборудования, качество проводимых операций управления и потому является наиболее эффективным средством повышения тактико-эксплуатационных характеристик судов и условий труда плавсостава

Во-вторых, для автоматизированного решения многих навигационных задач, связанных с расхождением с судами, для реализации определенных маневров, для удержания судна на определенном курсе или движения по любой заданной траектории с прогнозированием возможной ситуации и др, необходим адаптивный авторулевой, оптимально настраивающий параметры системы и обеспечивающий корректную математическую модель судна и внешних сил, которые воздействуют в данный момент на судно

Поэтому возникла необходимость в разработке новых адаптивных авторулевых на основе технологий искусственного интеллекта

Необходимо также отметить, что в Федеральной целевой программе «Глобальная навигационная система Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем, позволяющих создать и эксплуатировать интегрированные информационные навигационные комплексы, обеспечивающие принятие решений капитаном по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению Также следует отметить требование Международной морской организации (1МО) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе

В связи с этим разработка современных автоматизированных систем, обеспечивающих движение судна по заданной траектории, удержание на за-

данном курсе в условиях изменяющихся погодных факторов, ограниченности маневра и интенсивности движения, оперативная автоматическая коррекция выбранного пути и скорости движения являются приоритетными задачами

Развитие научно-технического прогресса, оснащение современных судов микропроцессорной техникой и вычислительными машинами при разработанном прикладном математическом и программном обеспечении позволяют решить поставленные задачи

Проблемная ситуация С одной стороны, системы автоматического управления курсом судна должны

- отвечать в полной мере растущим требованиям по обеспечению безопасности плавания, по точности движения на заданном маршруте, надежности, системности выделения и комплексной обработке информации от разнородных приборов,

- обеспечивать оптимальную в определенном смысле настройку параметров системы в режиме реального времени без участия вахтенного штурмана,

- корректировать математическую модель системы при изменении гидродинамических характеристик объекта

С другой стороны, строгое решение задачи управлением движением судна в общем случае, обеспечивающей синтез управления в реальном времени заданного качества, не удается получить с помощью используемых сегодня систем автоматического управления курсом судна с традиционным ПИД регулятором и применяемых методик настройки Это вызвано тем, во время эксплуатации системы параметры и внешние воздействия меняются случайным образом и изменяются в широком диапазоне (направление и сила ветра, высота и длина волны, гидродинамические характеристики судна, осадка, глубина воды под килем, скорость хода судна)

В зависимости от реализуемых принципов адаптации можно классифицировать несколько типов адаптивных авторулевых

- Адаптивные авторулевые, характеризующиеся частичной автоматической настройкой параметров системы, в которых используются косвенные критерии оценки качества работы системы, не всегда имеющие достаточное математическое обоснование (Т8Ы-2 -Польша, А8АР-Н-Швеция) Эти авторулевые не обеспечивают полной оптимизации системы управления курсом судна в различных ситуациях, реализуют традиционный ПИД- закон управления

- Адаптивные авторулевые с использованием эталонной математической модели объекта или всей системы управления в целом Управляющий сигнал формируется в зависимости от критерия качества движения судна, являющегося функцией от разности между наблюдаемым и моделируемым курсом судна (Ракал-Декка ОР-780- Великобритания)

- Адаптивные авторулевые с самонастраивающейся системой, в которых оптимальное значение настраиваемых параметров определяется по математическому критерию качества, обеспечивающему минимум потерь полезной мощности судовой силовой установки Такие авторулевые используют априорную информацию о динамике системы управления курсом судна для различных условий плавания, которая хранится в памяти бортовой ЭВМ Получая информа-

цию от судового гирокомпаса, лага, указателя положения пера руля, ЭВМ по специальной программе выбирает соответствующие ошимальные параметры настройки (Sperry autopilot ASCS, NAVIPILOT AD II - США)

Из отечественных авторулевых можно выделить ААР-05 - Владивосток 2005 год и NAVIS АР-3000 - Санкт-Петербург 2007 год (для последнего не указан метод адаптации)

Анализ эксплуатации вышеописанных адаптивных авторулевых показывает их более высокие характеристики качества управления и технико-экономическую эффективность по сравнению с традиционными авторулевыми, реализующими ПИД закон управления. Но, несмотря на большое количество публикаций, проблема разработки адаптивного авторулевого все еще не нашла должного решения на уровне современных требований управления судном на всех режимах работы и круга решаемых навигационных задач

С появлением перспективного класса нейросетевых систем управления положение изменяется Появляются новые возможности обеспечения этих требований на основании прикладной теории нейросетевого управления и новой элементной базы (микроконтроллеры, сигнальные процессоры, нейросетевые процессоры) Нейросетевая система, как самоорганизующаяся, способна управлять процессами в сложных условиях (нестационарных, нелинейных, со случайными внешними воздействиями), математические модели которых неизвестны

Разрешать указанную проблему необходимо путем разработки новых систем на основе использования технологий искусственного интеллекта, комплексной обработки навигационной информации и в результате этого повышения качества управления судном

Следовательно, необходимость разработки новых научно обоснованных методов создания систем управления судном на основе нейросетевых интеллектуальных систем определяет актуальность крупной научно-1ехнической проблемы, решаемой в диссертации

Научный базис для решения проблемы. Анализ опубликованных в 1980-2007 годах работ отечественных и зарубежных ученых (Красовский А А , Пешехонов В Г, Колесников А А , Астанов Ю М, Медведев В С , Иванов В А , Фалдин Н В , Лукомский Ю А , Корчанов В И , Скороходов Д А , Веллер В , Басин А И , Суевалов JI Ф, Фрейдзон И.Р., Квакернаак X, Бессонов А А, Соболев Г В Березин С Я , Тетюев Б А и др) по классическим методам построения систем автоматического управления и курсом судна в частности позволяет классифицировать методы по типу используемой математической модели судна, обрабатываемой информации, методам адаптации, конструктивным особенностям Большая часть научных трудов авторов (Хайкин С, Weierstrass К, Колмогоров А Н , Hecht-Nielsen г, Stone М , Горбань А Н .Терехов В А , Мир-кес Е М , Ефимов Д В , Тгокин И Ю , Егупов Н Д., Омату С , Халид М, Юсуф Р , Mandani Е Н , Nomoto К И др ) посвящена вопросам построения нейросетей и их использования в системах управления На основе этих работ формируется научное направление «Адаптивные и робастные системы управления движением судна на основе искусственного интеллекта»

Цель работы. Целью диссертационного исследования является разработка теоретических основ и принципов создания робастных адаптивных систем управления судном на основе определения областей работоспособности, с заданной вероятностью обеспечивающих требуемое качество управления, выполненных на базе нейросетевых технологий

Область исследования - разработка моделей и методов оценки эффективности судовождения в различных условиях их эксплуатации

Объектом исследования являются методы и средства навигации и судовождения, в частности, системы автоматического управления курсом судна, а предметом исследования - робастные адаптивные системы управления курсом судна и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий

Решение научной проблемы в соответствии со сформулированной целью включает в себя следующие научные задачи

1 Разработка теоретических основ, определения математической модели системы автоматического управления курсом судна, обеспечивающей робаст-ность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности

2 Разработка принципов определения существования областей работоспособности - областей допустимых вариаций параметров системы автоматического управления курсом судна в различных условиях эксплуатации

3 Разработка принципов определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна

4 Разработка принципов определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющая создать алгоритмы и программное обеспечение для поставленной задачи

5 Разработка принципиально новой модели самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий, позволяющая определять оптимальный тип и структуру нейронной сети, моделирующей движение судна, используемую для решения навигационных задач

6 Разработка принципа определения оптимальной настройки нейросете-вого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющая обеспечить требуемое качество и точность движения судна на курсе

Основные положения, выносимые на защиту:

1 Классификация систем автоматического управления курсом судна

2 Принципы определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности

3 Принципы определения существования областей работоспособности — областей допустимых вариаций параметров системы автоматического управления курсом судна, не нарушающих заданной вероятностью требований качества и точности управления судном на курсе

4 Принципы определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна, обеспечивающей учитывание возможного диапазона внешних воздействий

5 Методы определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющая создать алгоритмы и программное обеспечение для поставленной задачи

6 Функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий, позволяющая определять оптимальный тип и структуру нейронной сети, моделирующей движение судна, используемую для решения навигационных задач

7 Принцип определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющая обеспечить требуемое качество и точность движения судна на курсе

8 Алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий

9 Опытная модель разработанного образца адаптивного регулятора системы автоматического управления курсом судна

Методы исследования. При решении поставленных научных задач использовались методы системного анализа, корреляционного и спектрального анализа случайных процессов, имитационного моделирования и натурного эксперимента, положений теории автоматического управления, методы нейросетевого управления, методы линейного и нелинейного программирования

Научная новизна работы:

1 Предложен и теоретически обоснован принцип определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров по средством определения области работоспособности, т е в режиме реального времени на основании наблюдаемых характеристик движения судна на курсе и известного управления, в пространстве размерности математической модели судна определяется область допустимых значений параметров модели

2 Предложен и теоретически обоснован принцип определения существования областей параметров, обеспечивающих работоспособность системы автоматического управления курсом судна, т е на основании уточненной математической модели судна для предполагаемого диапазона внешних воздействий в пространстве параметров регулятора определяется область допустимых значе-

ний параметров регулятора, обеспечивающий заданной вероятностью точность и качество движения на курсе

2 1 Предложены и теоретически обоснованы метод определения существования областей допустимых вариаций параметров системы автоматического управления курсом судна и метод определения конфигурации расположения области допустимых вариаций параметров системы Область допустимых вариаций параметров системы управления курсом судна в общем случае может быть неодносвязанной (при нелинейности математической модели) или таких областей может быть несколько

2 2. Предложен и теоретически обоснован метод определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона внешних воздействий и изменения внутренних параметров системы, т е определение сечения в этой области с наибольшим диапазоном изменения условий эксплуатации судна

3 Предложена принципиально новая функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейро-сетевых технологий

3 1 Теоретически обоснованы методы определения оптимального типа и структуры нейронной сети, моделирующей объект управления и метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющая обеспечить требуемое качество и точность движения судна на курсе

3 2 Представлены алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий

4 Создан опытный образец адаптивного регулятора системы автоматического управления курсом судна, прошедший испытания и принятый Регистром России

Достоверность результатов доказывается корректностью применения хорошо апробированного математического аппарата и совпадением результатов теоретических исследований с данными стендовых, натурных экспериментов и имитационного моделирования работы системы управления курсом судна

Практическая ценность работы заключается в теоретической и практической разработке всех этапов получения нейросетевой модели объекта управления, нейросетевого регулятора и на этой основе создания робастных адаптивных систем автоматического управления курсом судна Наличие нейросетевой модели системы позволяет также моделировать, т е решать в автоматическом режиме реального времени комплекс задач, связанный с оптимальной проводкой судна до точки назначения, оптимального маневрирования и расхождения судна со встречными судами и препятствиями Результаты могут быть использованы при разработке систем управления судами, которые только проектируются либо проходят переоборудование в нашей стране Предложенные методы синтеза робастного адаптивного авторулевого реализуемы на современной микропроцессорной аппаратной среде

Тема связана с НИР и ОКР, проводимых на кафедрах «Технические средства судовождения» и «Автоматические и информационные системы» ФГОУ ВПО МГУ им адм Г И Невельского (ранее ДВВИМУ, ДВГМА) в соответствии с общесоюзной программой «Океан», планом НИР ММФ на 19811995 гг, федеральными целевыми программами «Мировой океан» (1998-2012 гг) и «Модернизация транспортной системы России» (2002-2010 гг), планами НИР вуза в рамках тем «Датчики навигационной ииформации для судового измерительного комплекса», «Повышение эффективности технических средств навигации и разработка методов их комплексного использования»

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедрах «Автоматика и вычислительная техника», «Автоматические и информационные системы» ФГОУ ВПО МГУ им адм Г И Невельского (ДВВИМУ, ДВГМА)

Выводы и рекомендации, полученные при разработке диссертации, были внедрены во Владивостокский филиал ЦНИВТ при разработке управляющих систем, в конструкторском бюро «ДАЛЬНЕЕ» лаборатории подводных аппаратов Института автоматики и процессов управления ДВО АН СССР (ныне Институт проблем морских технологий ДВО РАН) при разработке системы управления необитаемого автономного подводного аппарата, в ФГОУ ВПО МГУ им адм Г И Невельского в процессе обучения курсантов и студентов (лекции, курсовое и дипломное проектирование)

Апробация результатов работы Основные теоретические положения подтверждены экспериментально при испытании макетных образцов адаптивного авторулевого на стендах, в морских условиях на исследовательских судах и автономном необитаемом подводном аппарате, имитационном моделировании системы автоматического управления курсом судна При разработке макетов и программ для ЭВМ использованы результаты теоретических исследований, изложенные в диссертационной работе

Материалы работы были доложены и одобрены на ежегодных научно-технических конференциях (НТК) ДВВИМУ (ДВГМА, МГУ) им адм. Г И Невельского (1985-2007 гг.), на 5-й всесоюзных НТК «Технические средства изучения и освоения океана» в г Ленинграде (1985 г ), на всесоюзных (всероссийских) межвузовских НТК в ТОВВМУ (ТОВМИ) им С О Макарова, г Владивосток (1988-2002 гг), X юбилейной международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии СТТ'2004» (Томск, 2004 г), Всероссийской выставке научно-технического творчества молодежи (Москва, ВВЦ, 2004, 2005гг), конкурсе научно-исследовательских работ «Наука и молодежь - процветанию морской отрасли» (Владивосток, ДВМП, 2005 г), научно-практической конференции «Молодежь и научно-технический прогресс» (Владивосток, ДВГТУ, 2006 г), международной НТК «Наука - морскому образованию на рубеже веков» (2000 г) в г. Владивостоке, международной НТК «Безопасность на море, научно-технические проблемы и человеческий фактор» (2002 г ), пятой и шестой международных научно-практических конференциях «Проблемы транспорта Даль-

него Востока» (2003 г и 2005 г), международной научной конференции «Безопасность на море Научно-технические проблемы и человеческий фактор» (Владивосток, МГУ, 2002 , 2006, 2007 гг),, международной выставке морского оборудования «Кормарин-2005» (Республика Корея, Пусан, 2005 г)

Авторулевой установлен на головном судне «Ураганный», строящейся серии судов РС-450, успешно прошел швартовые, ходовые и морские испытания, утвержден Регистром морского флота России

Публикации. По результатам исследований опубликованы две монографии и 28 работ, в том числе 8 без соавторства, получено 2 патента на изобретения в соавторстве и 1 свидетельство об официальной регистрации программ для ЭВМ (общий объем опубликованных работ - 21,72 п л , личное участие - 14,43 п л)

Структура и объем диссертации. Диссертация представлена на 244 листах машинописного текста и состоит из введения, шести глав, заключения, списка использованных источников и трех приложений. Работа содержит 54 рисунка, 15 таблиц и список использованных источников из 229 наименований ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении кратко рассмотрены задачи и роль систем автоматического управления курсом судна в комплексе с другими техническими средствами навигации в решении поставленных задач Обоснована актуальность и сформулирована цель работы, дано краткое изложение результатов работы

В первой главе проведен анализ существующих систем автоматического управления курсом судна неадаптивных и адаптивных трех типов Первый тип - с частичной автоматической настройкой параметров, использующих различные косвенные критерии оценки качества работы системы Авторулевые второго типа осуществляют автоматическую адаптацию системы с использованием эталонной математической модели объекта или всей системы управления в целом Существенной особенностью этих систем является необходимость наличия корректной математической модели судна К третьему типу адаптивных авторулевых следует отнести самонастраивающиеся системы, определяющие оптимальные значения параметров настройки непосредственно по заданному, математически обоснованному, критерию качества Показаны недостатки работы систем Также в первой главе проведен анализ используемых методов адаптации САУ применительно к построению систем автоматического управления курсом судна Проведена классификация систем с учетом специфики их конструктивно-аппаратного исполнения и возможности их применения

В первой главе приводятся особенности математического описания САУ курсом судна, представляющей собой сложную управляемую техническую систему с переменными параметрами и функционирующую в изменяющихся условиях внешней среды В настоящее время существует ряд математических моделей движения судна, представленных в литературе (Соболев Г В , Федяевский К К , Васильев А В , Белоглазов В И , Войткунский Я.И , Павленко В Г, Гофман А Д , Тумашик А П , Лукомский Ю А, Скороходов Д А , Юдин 10 И ) Общей особенностью большинства существующих моделей движения судна является то, что они получены на основании натурных экспериментов с физи-

ческими макетами корпусов этих судов, после чего характерные геометрические размеры, скорости, глубины и измеряемые силы пересчитываются с учетом масштабных коэффициентов, что, в свою очередь, является источником дополнительных погрешностей Математические модели следует классифицировать следующим образом

- по возможности распространения на множество объектов моделирования (модели для одной системы или для некоторого класса систем),

- по возможности применения и типам решаемых задач (универсальные модели или спец модели, используемые только для ограниченного круга задач, отражающие определенный режим функционирования системы),

- по виду математических уравнений (линейные, частично линеаризованные, нелинейные)

Следует отметить, что чисто линейных математических моделей по всем компонентам воздействий не существует В большинстве случаев изменением осадки, углов крена, дифферента в процессе моделирования пренебрегают и рассматривают только плоскопараллелыюе движение судна в горизонтальной плоскости В качестве управляющего сигнала рассматривают угол перекладки руля, частоту вращения и шаговое отношение винта Линейная модель сильнее всего искажает поведение судна и приемлемо работает только при небольших углах дрейфа и закладок пера руля

Частично линеаризованная модель предполагает некоторую кусочноли-нейную аппроксимацию для боковых сил, действующих на корпус судна на циркуляции и при небольших глубинах Модель не может адекватно отражать циркуляцию судна одновременно с разгоном и торможением, дает большие ошибки при сильном попутном ветре, если надстройка смещена в корму или нос судна, при маневрировании на малых ходах или, когда возмущения линейной скорости (ветер, волнение) становятся соизмеримы с собственной скоростью судна

Нелинейные модели прогнозирования движения судна с учетом произвольных маневров судна с произвольными углами дрейфа являются наиболее предпочтительными, однако построение универсальных моделей для любых классов судов весьма затруднительно из-за недостаточного объема исследовании Поэтому, в случае необходимости, предпочитают взять за основу ту или иную частично линеаризованную модель, используя полную неупрощенную систему дифференциальных уравнений, и дополнив ее поправочными коэффициентами для конкретного исследуемого судна

В первой главе представлено математическое обоснование модели судна, используемой для исследований Все исследования проведены в три этапа

- компьютерное моделирование,

- исследования, проведенные на специальном стенде, имитирующем рулевую машину и судно при различных внешних воздействиях,

- натурные исследования на реальных судах

При компьютерном моделировании в качестве модели судна используется частично линеаризованная модель Номото, имеющая вид

с1у01Л = V 5111(17 ~ Р)

Л/Л = /(а+кн)Р») (1)

<//?/<Й = (IV/(1 + к22)-^Гу /((1 + к12 )/*>) </и</Л = £м/((1+*«)/),

где V - линейная скорость модели, и» - угловая скорость модели, -проекции сил, действующих на корпус, М - суммарный момент вращения, которые являются сложной зависимостью от скорости вращения винта, от конструктивных особенностей и площади пера руля, от гидродинамических характеристик судна

По результатам проведенных теоретических исследований сделаны выводы, в которых сформулированы научные задачи, требующие решения

Вторая глава посвящена разработке математической модели системы автоматического управления курсом судна, обеспечивающей принцип робастности к внешним воздействиям и технологическому отклонению значений внутренних параметров Структурная схема системы представлена на рисунке 1

Рисунок 1 - Структурная схема САУ курсом судна. Р - регулятор, ОУ- объект управления, БО - блок оптимизации, МОУ - модель объекта управления, БИ -блок идентификации, х -заданное значение курса, у - действительное значение курса, у„ - значение курса модели, а - управляющее воздействие (закладка пера руля), Г - внешнее воздействие, е1 - ошибка управления, Ср- ошибка идентификации

Математические модели, используемые для вычисления выходного вектора системы, имеют большую размерность, обладают большой трудоемкостью при вычислениях и оптимизации проекта, поэтому возникает необходимость использования методов, инвариантных к размерности математической модели

Отличительной особенностью поставленной задачи является еще и то, что при выборе оптимального проекта необходимо определять не оптимальную

точку в пространстве параметров системы, а оптимальное расположение некоторой области значений, определяемой классами точности параметров системы и их изменениями вследствие эксплуатации. Показатели качества функционирования системы, как правило, формулируются в виде функции некоторых обобщенных параметров

Эти параметры представлены в виде трех множеств

1) множество управляемых параметров — те тех, значения которых являются для данного объекта наблюдаемыми и управляемыми Под номинальным значением параметра Хт понимается математическое ожидание Х0, =А/[Х/] распределения случайной величины р(Х„ Х0„ ах,), ах, - отклонение значений, вызванное точностью настройки,

2) множество неуправляемых параметров — известное множество существующих вне технической системы параметров любой природы, оказывающих влияние на объект Таким множеством может быть совокупность требуемых диапазонов возможных значений внешних факторов, например, силы ветра, направления ветра, периода и высоты волн Номинальные условия эксплуатации и возможный диапазон отклонения внешних воздействий так же, как и для первых двух множеств, будем определять через математическое ожидание

=М[г,] распределения р(г1,г0:,аг1) и среднеквадратичное отклонение си,,

3) множество коэффициентов выбранных моделей изменения параметров элементов системы Это множество определяется физическими характеристиками влияния внешних факторов. В настоящее время такие модели в работах принято выражать в виде полиномов первого - третьего порядка В общем виде модель представляется полиномом

= (2)

где П1 — размерность вектора номинальных значений первого множества, Щ — размерность вектора внешних факторов, г - порядок полинома модели изменения параметра от каждого внешнего фактора, л.г - размерность вектора коэффициентов модели, пг = и, х г х п}

Коэффициенты модели дрейфа параметров также имеют разброс, обусловленный неоднородностью факторов среды эксплуатации системы Значение величины К0, отождествляется с математическим ожиданием К0: =М[К1] распределения р(К„ Ка„ ак,).

Таким образом, модель объекта проектирования представляется в виде зависимости от множества величин, описывающих процесс функционирования объекта, образующих в общем случае отдельные множества"

Х0е А,с Л"' - вектор номинальных значений параметров элементов размерности И/,

А'0 еО,с К"2 - вектор коэффициентов моделей отклонения значений параметров размерности п2,

20 е О, с К"' - вектор внешних воздействий размерности п3

Обозначим обобщенным параметром h=f(X0,K0,z0),heH<zif, N = n¡ +пг+щ, который является совокупностью номинальных значений параметров, коэффициентов изменения этих параметров и внешних воздействий

Таким образом, объектом исследования в работе является математическая модель У = /(А(0) системы управления курсом судна заданной структуры и со случайными параметрами, функционирование которой оценивается известными показателями качества (действительный курс судна, производная от действительного курса судна, нагрузка рулевой машины и т д )

ад. м. .м (з)

Условия работоспособности системы определяются одно- или двухсторонними ограничениями на эти показатели качества - векторами ограничений на выходные координаты системы

А, <Уу(А)<В/,у = й (4)

Определение вероятности обеспечения заданного качества работы системы в общем случае сводится к вычислению те-кратного интеграла в пределах области интегрирования, определяемой ограничениями на выходные координаты объекта

В, В»i

р= \ J/O-,, ,УЖ dYm, (5)

4 Ат

где А, -сОД, , h„, í)<B„ ..,Ат < Ym(hx, . , h„, t)< Вт, fy(Y¡, ,YJ -/п-мерная плотность совместного распределения вероятностей случайных величин - выходных координат

В принципе, задача статистического анализа системы может быть решена, если известны методы нахождения вида функции f(Y¡, ,Ущ) в аналитической форме при известных законах плотностей распределения параметров h, Однако задача нахождения f() практически неразрешима при нелинейных математических моделях систем управления курсом судна

Для решения задачи представим общую постановку как определение значений вектора параметров, при котором выполнялись бы все ограничения на показатели качества, т е удовлетворения вероятности нахождения обобщенного вектора h в области допустимых значений Д

F= \p{h,ah)dh>Pü, (6)

D

где D = {Л£R"'/G,(A)<o,i = í^2m}, G,(ft)<0 - ограничения на область допустимых значений показателей качества из (3) и (4), выраженные в виде одностороннего ограничения Такая оценка является функцией интересующих параметров F = jp(X,X0,ox К,К0,ак Z,Z0,oz)dXdKdZ > Р0, С учетом технологического

о

разброса значений вектора параметров Ха - это можно представить как некото-

рое движение ортогонального параллелепипеда в области О , образующего не-ортогональну фигуру В (рисунок 2)

Если задача ставится таким образом, что известен диапазон внешних воздействий и необходимо определить оптимальное значение настраиваемых параметров, то это означает вписывание такого начального параллелепипеда, последующее движение которого по некоторой траектории не вызывает его выхода из области О для заданного диапазона внешних воздействий

Таким образом, наилучшее построение неортогоналыюй фигуры можно считать задачей оптимизации обеспечения заданного качества эксплуатации системы с учетом внешних воздействий

Представим отображение неортогональной, в общем случае, фигуры В пространства й"1 в пространстве /?'*" , F В В' Характеристики векторов Х0, ах, ок, ог в пространстве Д" определяют ортогональный параллелепипед В' с центром в точке (Л^, А"0, Z0) и гранями, пропорциональными ох, ск, то (рисунок 3) Отображение области полученной системой неравенств (4) из пространства Л"1 в пространство Я"(Ру У(О)-»£>') определяет область О" - область допустимых значений вектора Л(А"0, К 0, 20)

Б

Рисунок 2 - Возможные тренды дрейфа управляемых параметров в области работоспособности Ое Л"' (фигуры В1 и Вг)

Рисунок 3 - Аппроксимация области работоспособности £> в пространстве й"

Если предположить, что область О совпадает с ортогональным параллелепипедом В, те

£>'=Я'={(Х0, К0, Х^сЛ" Ю,{Х, К, г)<0,у = , (7)

то вычисление интеграла

F= ¡р(Х,Х0,ах К,К0,стк 2,гл,го)йИИг,

с'

где р(Х,Х0,ах К,К0,ок 2,2„,ог) = р1(Х,Ха,ах)хрг(К,Ка,окУл р^{1,2й,о£) значительно упрощается, т к существуют простые и удобные способы генерирования последовательностей псевдослучайных точек, распределенных с заданным законом вероятности в параллелепипеде В , позволяющие вычислить интеграл | р (х, К, г) <кйЫг методом Монте-Карло

ъ

Таким образом, задача определения оптимальных параметров системы может быть сформулирована как задача наилучшим образом аппроксимирования области Б* подмножеством В* с заданной вероятностью Рвпо /Рв <Р0, при котором обеспечивается выполнение ограничений системы неравенств (4) Решение этой задачи позволяет «конструировать» траекторию движения параллелепипеда В в пространстве Я"' для всего требуемого диапазона внешних воздействий

В третьей главе рассматриваются математические постановки задач отдельных взаимосвязанных этапов

- идентификации процессов изменения значений параметров системы под воздействием эксплуатационных факторов,

- определения существования области работоспособности,

- определения ориентации области работоспособности в пространстве параметров,

- определения оптимальных значений параметров с учетом начальных технологических и эксплуатационных отклонений Первый этап Будем полагать, что известны G,(h)-наблюдаемый выход системы (вектор-функция), GP{h) - расчетный выход, полученный в результате анализа модели системы для известных значений вектора Z, (s = \,к к — число наблюдений) G„ (Л) наблюдается с аддитивной ошибкой e2(Z), вызванной разбросом реализаций процесса изменения значений параметров

Задача идентификации ставится следующим образом на основании экспериментальных данных

GJh) = f,(X, К, Z,), Z,e£>z = (8)

Х„, ах), рг(К, К0, ok), P](Z, Z0, oz) = const

необходимо указать множество значений вектора KtDk в уравнении (2), при котором выполнялось бы неравенство

ВД)<с,№ к, z,)<ii(zt)\>\-р0, (9)

где 0 <р0 <1, A(ZJ=GJX, К, Z,)-e(Zl),B(Zl) = Gla(X,K,Zs)+e(Zl), для всех s = lk

По своей сути поставленная задача рассматривается как оптимизационная, состоящая в поиске экстремума критерия оптимальности, математическая постановка которой описывается следующим образом

л2

найти maxF =

при P{heB/he D}> Ра или (2^)flax,f[ok,f[az, - \dh

-.,•" „2М дп° (Ю)

(г/ззПох.П^П02.

■-I 1=1 1=1

Вектор Y = {yl+2nt, ,yt +2)1, +2«2}, где : = 17и2, формирует ортогональный параллелепипед В*, оптимальная аппроксимация которым области D* и является решением задачи (10)

Второй этап Проверяется существование допустимых решений, т е существование области D* В противном случае следует уточнить предлагаемую математическую модель объекта либо пересмотреть и ослабить ограничения на вектор-функцию показателей качества

Исключаем из рассмотрения начальный разброс значений параметров и влияние эксплуатационных факторов, т е будем полагать ах = 0,ск = 0, N = щ

В соответствии с этим область допустимых значений параметров системы можно определить как

£> = {Х0еЛ"'/С,(Х)<0, i = (11)

Для решения поставленной задачи используется метод непосредственной минимизации невязок ограничений При исследовании модели этим методом отыскивается решение задачи безусловной минимизации, в которой в качестве целевой функции принимается некоторая штрафная функция

- т^, ч ^ г, ч - [0, если С,(ж)<0,

Наити тн^(:г) = ]Г/(лг), где /(*) = •!' •)'' (12)

1 [у,(х), если о, (х) > О

Решение будет допустимым, если значение целевой функции окажется равным нулю, т е будет найдено решение, удовлетворяющее всем ограничениям на показатели качества функционирования системы

Третьим этапом является определение ориентации области работоспособности в пространстве параметров Л* Для этого проводятся сечения области по координатам Хо, Ко и находится сечение наибольшей области для параметров внешних воздействий 2 (рисунок 4)

Рисунок 4 - Построение экстремалей на множестве допустимых значений для пространств Л"1 и Я"

Введем вектор Ь размерности 2И, который позволит представить экстремальное сечение в виде ортогонального параллелепипеда в пространстве Л"

¿, = пип 2„Л1+11 =тах 2, (Х0,К0,г0)т е О, (13)

где Ь, - ближайший к началу координат, а ¿1+„ - наиболее удаленный от начала координат угол ортогонального параллелепипеда

Целевая функция может быть представлена в виде

Ф(У) = -2П (¿1+111-£,)/(*,♦„ + *,) (Н)

1=1

При известной плотности распределения параметров внешних воздействий р('/,7.„,са) ограничения могут быть представлены следующим образом

е(У)= | ]рА2)<Ь, = О, (15)

вш '-1 »,,

Четвертый этап Определение значения обобщенного вектора параметров с учетом начальных отклонений значений

При построении аппроксимирующего параллелепипеда в пространстве всех параметров h е R" ограничения на вероятность выхода за границу области работоспособности D могут определяться неравенством

P[heD/heB]<r (16)

В качестве целевой функции для задачи аппроксимации области выбираем функцию

Ф{Х,К,г) = - jp(X, К,Z)dxdkdz , (17)

ЛПО

где В(Х, К, Z) = {(X, К, Zf е R" IX0i --Дот, < Х0, < Х0< +-/3аг,,(= 1,«,,

K0l -~j3ok, <К0[ <K0l +~j3ok,,i = \,n2, Z0l —Дот, <Z0l <Z0l +~j3azl,i = \,n„}.

Добиваясь минимума этой функции, находим максимальный объем вложенного ортогонального параллелепипеда В(Х, К, Z)

В четвертой главе представлено теоретическое обоснование использования нейросетевого классификатора для решения поставленной задачи Известно, что качество управления САУ курсом судна в этом случае зависит от фундаментальных свойств НС, а не от математических моделей закона управления, которые являются скорее стандартными, чем корректными

НС обладают рядом достоинств, наиболее существенными из которых являются обучаемость, свойство аппроксимации и адаптивность Эти свойства позволяют в реальном времени корректировать функцию управления в нестационарной среде

Возможны два варианта функционирования нейронной сети как элемента системы автоматического управления курсом судна

1 НС обучается в реальном времени, одновременно формируя управляющее воздействие САУ курсом судна, при этом цель обучения НС и цель управления объектом совпадают, что отражается в задании единой целевой функции

2 Сначала НС обучается заданной функцией управления, затем происходит аппроксимация этой функции в режиме управления объектом при тех же условиях или близких к ним, при этом целевая функция обучения НС и цель управления объектом могут отличаться друг от друга

В ряде работ автором описана практическая реализация нейронной сети Хопфилда для САУ курсом судна, однако выбор архитектуры НС происходил эмпирическим способом Математически обоснованных правил выбора архитектуры НС пока не существует, есть только рекомендации и поэтому приходилось для каждой конкретной задачи проводить компьютерный эксперимент В диссертационной работе предлагаются результаты компьютерного моделирования, проведенного для выявления оптимального типа НС, архитектуры НС и ее параметров Компьютерное моделирование проводилось с помощью программной среды MATLAB 7 0 фирмы The Math Works, Inc, при этом варьировались различные параметры НС Competitive, Feed-forward backprop (FFB),

Hopfleld, Probabilistic, RBF, Simple recurrent network (SRN), Time-delay neural network (число слоев НС, число нейронов в скрытых слоях, тип функции активации и некоторые другие в зависимости от типа НС) Проведенное моделирование показало, что при различных воздействиях на объект управления НС соответствующего типа ведет себя хуже, чем та же НС при ограниченных параметрах Таким образом, в качестве регулятора предлагается использовать самоорганизующуюся систему, способную выбирать и работать с определенной НС, оптимальной для управления курсом судна в текущих условиях плавания Представленная система предусматривает последовательную реализацию обработки данных о поведении судна на курсе каждой из нейронной сети (RBF, SRN, FFB) Количество типов НС в составе программного комплекса самоорганизующейся системы с одной стороны ограничено производительностью вычислительной архитектуры системы, а с другой - предъявляемыми к ней требованиями Система предусматривает последовательную реализацию следующих основных режимов подготовки данных, обучения нейронной сети, обработки данных Режим подготовки данных состоит из трех связанных процессов формирование исходных векторов данных о курсе судна, их идентификация, создание рабочих массивов данных о курсе судна В режиме обучения осуществляют адаптацию параметров всех интеллектуальных элементов информационно-вычислительного анализатора под выбираемую архитектуру в соответствии с предъявляемыми требованиями к выходной информации, при этом производят обучение интеллектуальных элементов НС и пополнение памяти анализатора Функциональная схема самоорганизующейся САУ курсом судна представлена на рисунке 5

Рисунок 5 - Функциональная схема самоорганизующееся системы автоматического управления курсом судна НСР - нейросетевой регулятор, ОУ- объект управления, БО - блок оптимизации, НСМ ОУ - нейросетевая модель объекта управления, НСА - нейросетевой анализатор

1 Режим подготовки данных о курсе судна состоит из трех связанных процессов

• Формирование исходных векторов данных о курсе судна

• Идентификация исходных векторов данных о курсе судна

• Создание рабочих массивов данных о курсе судна

1 1 Формирование исходных векторов данных.

Данные о курсе судна собираются с помощью входного интерфейса в исходные вектора, каждый из которых представляет собой совокупность данных о курсе судна, усредненную за заданное время измерений

1 2 Идентификация исходных векторов данных

Идентификация исходных векторов данных о поведении судна на курсе заключается в присвоении им идентификационных меток Pj Идентификационные метки соответствуют уникальным свойствам этих векторов Процесс идентификации векторов заключается в осуществлении соответствующих вычислений над их элементами

12 1 Физические принципы идентификации исходных векторов данных

1 Анализ спектра данных, полученного с помощью быстрого преобразования Фурье

2 Измерение статистических характеристик сигнала с объекта управления

1 3 Создание рабочих массивов данных

Процесс создания рабочих массивов данных о курсе судна состоит в постановке соответствия каждому сформированному в долговременной памяти исходному вектору данных действительного курса судна Xj (j = 1,2, , J) вектора меток Pj В результате этого образуется рабочий массив данных о поведении судна на курсе Aj = {X, Р}р после чего над ними производят дальнейшие операции (обучение и/или обработку) в зависимости от режима работы системы Массив представляет собой базу знаний, созданную для того, чтобы в будущем при появлении таких же (или близких) характеристик поведения судна на курсе по вектору идентификационных меток брать готовую (обученную) НС в качестве основы нейросетевого регулятора

2 Режим обучения

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

Целью обучения является настройка нейронной сетью весовых коэффициентов wJq своей матрицы связей W между входным Х} и выходным Yj векторами данных НС для определяемого множества всех возможных комбинаций вектора меток Pj

Это достигается путем поиска оптимальных характеристик используемой архитектуры НС алгоритма обучения данных, алгоритма обработки данных о курсе судна, числа слоев НС, числа нейронов в каждом слое НС

После обучения НС, любой входной вектор Хр принадлежащий множеству обучающих пар, но не совпадающий с его значениями, будет соответство-

вать выходному вектору У] однозначно. Таким образом, обученные НС готовы для обработки данных о курсе судна.

После проведения компьютерных экспериментов и экспериментов на стенде АР из 5 НС было выбрано 3 типа (ЯВР, ЗГШ, РРВ), которые давали наилучшую корреляцию между курсом модели и курсом судна. Далее для определенных внешних воздействий, случайно взятых из заданного диапазона, находилась наилучшая НС (с наилучшими настройками), записывалась в базу знаний в качестве нейросетсвой модели судна. После проведения 100 экспериментов со случайно взятыми внешними воздействиями, в базу знаний было загружено 15 НС различными по типу и структуре (рисунок 6).

Рисунок 6 - Характеристики меток движения судна на курсе для всего диапазона возможных внешних воздействий

После этого эксперименты вновь были повторены. Но теперь, на основании характерных показателей движения судна на курсе из базы знаний загружалась готовая НС в качестве модели судна и соответствующий характеристикам регулятор на нечеткой логике. При этом в итеративном режиме продолжается проводиться уточнения загруженной НС, поскольку структура предложенной САУКС позволяет процессы управления судном и процесс оптимизации выбранной НС проводить параллельно. Если качество управления судном на курсе (квадратичный интегральный критерий) отличается более чем на 5%, то улучшенная НС загружается в качестве регулятора и записывается в базу знаний. В работе в качестве регулятора используется не просто нечеткая логика, а так называемая гибридная нечеткая логика, в которой выводы о значении управляемого сигнала (положении пера руля) делаются на основании аппарата нечеткой логики, но соответствующие функции принадлежности настраиваются с использованием алгоритмов обучения НС (случайный метод, генетический алгоритм). Такие гибридные НС имеют априорную информацию о качестве управления (знания эксперта), что значительно ускоряет процесс обучения и приобретения новых знаний (адаптация к изменившимся условиям плавания), являются логически более понятными, чем «черный ящик» нейронной сети.

о о

В пятой главе описывается проверка работоспособности разработанного метода и алгоритма синтеза системы управления курсом судна, обеспечивающая рабастность к заданному диапазону внешних воздействий Проверка проводилась в три этапа компьютерного моделирования, полунатурных испытаний с помощью имитатора сигналов для авторулевого «ИС-2005», а также натурных морских испытаний опытного образца адаптивного авторулевого на судне водоизмещением 21 т «Галс» и рыболовецком сейнере РС-450 «Ураганный» На первом этапе в процессе моделирования использовалась математическая модель судна по управлению (1) Путем последовательных подстановок и и замены выражений получено уравнение по управлению вида

—- + Т. —т- + —~ — К Гусс + ТЛгу — Л 1 Ж 2 Л3 0 сг л

и по возмущению

—~ + Т,г- —+ Т1Г —~~ = К, Р + Тп, кг-

Л Л 2Г л ' л

где КС1= 0,3, Т0 =9,81, 7] =3,31, Г2 = 28,3, К,. = 0,12Ллн'я Ты =7,45, Ти, = 2,83, Ти = 32,1 получены из монограмм справочной литературы для судна подобного «Галс» и «Ураганный» Коэффициенты и постоянные времени являются нелинейными зависимостями от угла закладки пера руля, частоты вращения винта, скорости судна, направления действия волны и ветра, расположения рубки Параметры представлены для кормового расположения рубки, расчеты проводились при слабом - Т= 0-2 сек, Ав=0-0 25 м, умеренном - Т= 2-3 сек, Ав=0 25-0 75 м, значительном - Т=Ъ-5 сек, Ав=0 75-1 25 м волнении моря (Г— период, Ав -высота волны) Условимся называть эту модель судном, а идентифицированную модель - математической моделью Целевой функцией алгоритма идентификации являлась минимизация среднеквадратического отклонения мгновенного значения выхода математической модели от соответствующего текущего курса судна

, г„

/, = гшп-|ДГ2Л (18)

шдх

Предварительно в качестве возмущающего сигнала использовалась синусоида с постоянной составляющей /(¡) = А + В1 вшЦ/)+В25т(>г2Г)+Д, Идентификация приводит к следующим результатам Ксг = 0,298, Т0 =9,8105, Г, =3,309, и Т2 = 28,3012 Соответственно погрешности определения параметров следующие 3Кс> =0,67%, 8п = 0,01%, Зп =0,03%, Зт2 =0,01%, что говорит о достоверности идентификации Для исследований, приближенных к реальным условиям, введем в уравнение возмущающего воздействия /(/) случайную составляющую

/(0 = Л + В1 эт^у) + В2 вш^О + В2 81п(и'з 0 + ЯЫО(В') (19)

При использовании сигнала (19) и при малых значениях амплитуды случайной составляющей идентификация приводит к схожим результатам и максимальная ошибка определения параметров не превышает 15%.

Однако при повышении амплитуды случайного сигнала алгоритм идентификации не позволяет идентифицировать параметры судна Например, при амплитуде В' = 5 в результате идентификации получены значения параметров Ксу = 0,08, Т0 = 0,82, Т, = 14,93 и Т2= 38,20 Как видно из графика (рис 7), выходной сигнал модели значительно отличается от соответствующего сигнала судна Такое значительное отклонение результатов идентификации от истинных параметров обусловлено наличием в спектре случайного сигнала низкочастотных составляющих и присутствием в передаточной функции модели судна ас-татизма первого порядка Для исключения влияния астатизма в качестве целевой функции предложено использовать квадрат разности ошибки производных от курса математической модели и действительного курса судна

\у1-У'?Л (20)

max о

В этом случае алгоритм поиска должен стремиться к минимизации расхождения между производными выходных сигналов в текущие моменты времени Результаты интегральных критериев /у =0 66477 и 12=0 3071 (рисунок 7)

16 12 8 4 0 -4 -8 ■ /VV4 41 <7 m —-----

// 2 11 4 „ ^ б( Ши 1 601 10 )i — '12 гч, . 01

/ /« - us 1 и ш

Г ПГ длж шш h

и внешн II ли воздействия --курс модели 1 — ку рс судна-курс моде ■ли 2-руль

Рисунок 7 - Результаты моделирования алгоритма идентификации с целевыми функциями (18), (20) и возмущающим воздействием (19)

Вторым этапом проверки алгоритма были полунатурные испытания с помощью имитатора «ИС-2005», разработанный в ООО «Навис» (С -Петербург) Имитатор позволяет моделировать шесть моделей судов Испытания проводились на всех моделях, однако для дальнейшего описания представим модель судна, наиболее близкую по параметрам к судну натурных испытаний Параметры этой модели следующие тип -судно прибрежного плавания, длина -35,5 м, ширина - 7,2 м, осадка — 2,15 м, коэффициент общей полноты - 0,63,

площадь руля - 1,5 м, скорость хода - 10 уз Поведение судна имитатора представлено на рисунке 8

Рисунок 8 - Поведение судна имитатора до и после адаптации

Среднеквадратический интегральный критерий отклонения судна от курса уменьшился с 0,43 до 0,16 Оптимизация критерия проходила при условии обеспечения работы рулевой машины не более 2/3 исследуемого периода Если ослабить эти требования до 3/4, то критерий составляет 0,21

На третьем этапе опытный вариант авторулевого испытывался на судне, имеющем следующие характеристики длина -16 м, ширина -4 м, осадка носом - 0,8 м, осадка кормой - 1,6 м, водоизмещение -21т, скорость - 8 уз Результаты работы алгоритма оптимизации представлены на рисунке 9

Рисунок 9 - Результаты проведения натурных испытаний

Для проверки сходимости работы алгоритма проведены испытания при движении судна постоянным курсом и повторными проведениями адаптации Такие испытания проводились сериями на разных курсах Как видно из рисунка, поведение судна на курсе заметно улучшилось (курс 3)

Проведенные испытания подтверждают результаты моделирования и полунатурных испытаний первого и второго этапов К тому же, из-за малых раз-

меров испытательного судна, оно считается трудным в управлении Качественная работа авторулевого на таком судне позволяет говорить о его работоспособности на судах, имеющих гораздо большие размеры, и, следовательно, менее чувствительных к внешним воздействиям

В шестой главе представлены результаты исследований использования в качестве регулятора гибридной нейронной сети на нечеткой логике Нечеткий регулятор представляет собой набор лингвистических условных операторов или нечетких ассоциаций, определяющих конкретные ситуации управления Для рассматриваемой системы управления курсом судна использовались следующие параметры

у - сигнал на выходе (фактический курс судна), х - сигнал на входе (заданный курс судна), е — ошибка между заданным и фактическим курсом судна, е' - скорость изменения ошибки е (скорость ухода судна с курса), и - выход регулятора

В ходе исследования две нечеткие переменные были представлены в виде девяти нечетких подмножеств от нулевого значения 7Е до высокого положительного значения РЬ и высокого отрицательного (таблица 1)

Таблица 1 - Матрица нечетких ассоциаций управления курсом судна

РЬ РБ РМ РОМ гв ком КМ КБ 1ЧЬ

РЬ ыь N8 КМ шм ЪЕ

РБ ЫМ ШМ гЕ ЪЕ РОМ

РМ мь 1ЧЬ ЫБ им шм 2Е ЪЕ РОМ РМ

РОМ N1. га ым ком ъе ТЕ РОМ РМ Рв

Ш га км ком 2Е ЪЕ РОМ РМ РБ РЬ

ком РЬ ре РМ РОМ ъе РОМ РМ РБ РЬ

хм РЬ РЬ РБ РМ РОМ ЪЕ КОМ ЫМ N5

N8 РОМ РМ РМ ре РМ

1МЬ гс РОМ РМ РБ РЬ

Матрица нечетких ассоциаций (правил) для системы управления курсом судна составляется на основании экспертных суждений

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

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

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

Для нечетких подмножеств двух нечетких переменных выбраны функция Гаусса и сигмовидная функция принадлежности (рисунок 10)

Рисунок 10 - Функции принадлежности нечеткой переменной е

Нечеткое подмножество нечетких переменных 7.Е (значения близкие к нулю) выбирается более узкие, чем другие Это позволяет повысить точность управления вблизи заданного значения курса и повысить робастность системы Исходя из априори эвристических соображений, считаем, что непрерывные нечеткие подмножества в каждом из наборов перекрываются примерно на 20 - 30 процентов При слишком большом перекрытии теряются различия между величинами, соответствующими разным подмножествам При слишком малом перекрытии возникает тенденция к «двухзначному» управлению, что приводит к ухудшению качества процесса (неоднозначность решения, большое перерегулирование и т.д ) В реальных условиях перекрытия позволяют сглаживать переход от одного управляющего воздействия к другому в процессе работы системы управления Вычисление параметров функционирования нечеткого регулятора можно представить в виде следующего алгоритма

1 Просчитать (измерить) выходную величину процессау(1)

2 Вычислить ошибку е(1) и скорость изменения ошибки е '(О Для момента времени X

3 Провести формирование соответствующих нечетких подмножеств путем квантования величин е(1) и е '(О

4 На основе сформированных функций принадлежности вычисляются степени принадлежности ошибки и производной ошибки т(е) и т(е '¡)

5 Из базы правил активизируются заключения со степенями принадлежности ти , вычисляемыми по степеням принадлежности посылок т(е) и т(ес

помощью нечеткой логической операции «И»

6 Величина ти «срезается» до величины тд методом кодирования по

минимуму корреляции

7 Вычисляется действительная выходная степень принадлежности т0 путем выполнения нечеткой логической операции «ИЛИ» между значениями тд

- всех активизированных заключений

8 Выход нечеткого регулятора определяется дискретным аналогом центро-идного метода

То есть упрощенный алгоритм нечеткого вывода применяется по следующей форме записи предикатных правил

П, если е есть А,1 и е' есть А,2, тогда с= г„ где г,- вещественные числа, А,у нечеткие числа из функций Гаусса и сигмоидальных функций На рисунке 11 представлены кривые выхода судна на курс 10 градусов и фрагменты удержания судна на курсе, при ухудшении погоды и нерегулярном волнении для каждого эксперимента (увеличении амплитуды возмущающего сигнала на 40% и частоты на 50%)

Рисунок11 - Курс судна, перекладки пера руля

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

При проведении исследований амплитуда внешних воздействий составляла четверть высоты надводного борта, длина волны - половину ширины борта судна Из кривых видно качественное удержание судна на курсе при помощи регулятора на нечеткой логике и усиление нагрузки на рулевой привод При адаптации регулятора возможны и другие целевые функции, позволяющие минимизировать нагрузку на рулевой привод, при соблюдении условия качественного удержания судна на курсе По проведенным исследованиям следует также отметить, что регулятор на нечеткой логике удерживает судно на курсе в заданных пределах рыскания 1 градус для гораздо большего значения амплитуд внешних воздействий, чем традиционный ПИД регулятор

В настоящее время опытный образец авторулевого установлен на рыболовном судне типа РС «Ураганный» и успешно прошел швартовые и ходовые испытания, утвержден Морским Регистром России Центральный прибор авторулевого представлен на рисунке 12

Рисунок 12 - Внешний вид центрального прибора, установленного в рулевой рубке

Заключение

В диссертационной работе на основании выполненных исследований по лучены следующие основные научные результаты и выводы

1. Разработан математический метод определения уточненной математической моделей системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров.

2. Разработан математический метод определения областей параметров, обеспечивающих работоспособность системы.

3. Разработан математический метод определения существования областей допустимых вариаций параметров системы автоматического управления курсом судна.

| 4. Разработан математический метод определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна.

5. Разработан математический метод определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона внешних воздействий и дрейфа внутренних параметров системы.

6. Разработан алгоритм и программное обеспечение для определения оптимальных значений параметров системы автоматического управления курсом ;судна с учетом возможного диапазона внешних воздействий и дрейфа внутренних параметров системы.

7. Разработана функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий.

8 Разработан математический метод определения оптимального типа и структуры нейронной сети, моделирующей объект управления

9 Разработан математический метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критерию точности и качества управления

10 Для представленных математических методов разработаны алгоритмы и программное обеспечение, подтвержденные патентами и свидетельствами об официальной регистрации программ

11 Разработан и создан опытный образец адаптивного авторулевого, утвержденный Морским Регистром России

Основные положения диссертации опубликованы в следующих работах:

Соискатель Глушков С В имеет 43 опубликованные работы, в том числе по теме диссертации 30 работ 10 работ опубликованных в ведущих рецензируемых журналах и изданиях, определенных ВАК, из них 4 без соавторов

Статьи, опубликованные в рецензируемых журналах, определенных ВАК:

1 Глушков, С В Самообучающиеся системы диагностики технического состояния судовых устройств [Текст] / С В Глушков // Транспортное дело России. М.. Морские вести России, 2004 - Выпуск №2. - С. 14-15. (0,15/0,15 п л)

2 Глушков, С В Использование многослойных нейронных сетей для задач управления нелинейными системами на примере управления курсом судна [Текст] / В И Богданов, Я JI Виткалов, С В Глушков // Транспортное дело России М Морские вести России, 2006 - Выпуск №7. - С 46-50 (0,33/0,2 п л)

3 Глушков, С В Теоретические аспекты нейросетевого управления курсом судна [Текст]/ С В Глушков, Н А Седова // Транспортное дело России М Морские вести России, 2006 - Выпуск № 7 - С 54-57 (0,30/0,2 п л )

4 Глушков, С В Нечеткие множества в системах управления курсом судна [Текст] / С В Глушков // Транспортное дело России М Морские вести России, 2006 -Выпуск№7 - С 14-15 (0,15/0,15 п л)

5 Глушков, С В Результаты моделирования и испытания адаптивного авторулевого [Текст] / С В Глушков, В С Перечесов // Транспортное дело России М Морские вести России, 2006 -Выпуск №7 - С 16-18 (0,20/0,1 п л)

6 Глушков, С.В Задача распознавания объектов при движении судна по траектории. [Текст]/ С В. Глушков, И.А. Жеретинцев, Н Н Жеретинцева // Транспортное дело России, 2006 —Спецвыпуск №11 -С 12-16 (0,33/0,2пл)

7 Глушков, С В Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров [Текст]/ С В Глушков, И А Жеретинцев, Н Н Жеретинцева // Транспортное дело России М

Морские вести России, 2006 - Спецвыпуск №11 - С 20-24 (0,33/0,2 п л )

8 Глушков, С В Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст]/ С В. Глушков, Е Г Чемодакова, Н Н Жеретинцева // Транспортное дело России М Морские вести России, 2006 -Спецвыпуск№11 -С 16-20 (0,33/0,2пл)

9 Глушков, С В Использование нечеткой логики в системе автоматического управления курсом судна [Текст] / С В Глушков // Приборы и системы Управление, контроль, диагностика, 2007 - Вып 8 - С 28-32 (0,33 п л )

10 Глушков, С В Автоматическое управление курсом судна с использованием регулятора на нечеткой логике [Текст] / С В Глушков, //М . Новые технологии, Мехатроника, Автоматизация, Управление, 2007. - Вып 12 - С 32-36 (0,33 п л)

Монографии

11 Глушков, С В Самообучающиеся системы диагностики состояния технических объектов [Текст] / С В Глушков // Владивосток МГУ им адм Г И Невельского, 2005 - 108с (5,1 п л )

12 Глушков, С В Синергетика и нейросетевые системы управления курсом судна [Текст]/ В И Богданов, Я Л Виткалов, С В Глушков, А С Потапов -С -П ПИТЕР, 2006 - 205 с (10,0/5,0 п л )

Статьи и доклады на конференциях

13 Глушков, С В Метод расчета параметров системы управления курсом судна с учетом внешних воздействий [Текст] / С В Глушков //Сб статей Моделирование и управление Владивосток ДВГТУ, 1986- С 134 - 139 (0,33 п л)

14 Глушков, С В Расчет параметров динамических систем управления [Текст] / С В Глушков, В С Перечесов // Материалы международной научной конференции творческой молодежи Безопасность на море Научно-технические проблемы и человеческий фактор Владивосток МГУ им адм Г И Невельского, 2002 - С 72-75 (0,25/0,2 п л)

15 Глушков, С В Метод параметрической адаптации технических систем [Текст] / С В Глушков // Материалы XI Всероссийского семинара Нейроинформатика и ее приложения Красноярск ИВН СО РАН, 2003 - С 4244 (0,2 п л)

16 Глушков, С В Алгоритмы работы самонастраивающейся системы управления курсом судна [Текст] / С В Глушков, В С Перечесов // Материалы X Юбилейной международная научно-практическая конференции студентов, аспирантов и молодых ученых Современные техника и технологии Томск ТПУ, 2004 -С 116-117 (0,12/0,06 п л )

17 Глушков, С В Алгоритм автоматической настройки параметров регулятора авторулевого [Текст] / С В Глушков, В С Перечесов, В А Седов // Материалы региональной научно-технической конференции Молодежь и научно-технический прогресс Владивосток ДВГТУ, 2006 - С. 146 - 147 (0,12/0,06 п л)

18 Глушков, С В Задача распознавания объектов с использованием нейро-сетевых технологий [Текст]/ С В Глушков, Е Г Чемодакова, Н Н Жеретинцева // Сб докл IX межд очно-заочную научно-практическую конф Интеллектуальный потенциал вузов - на развитие Дальневосточного региона России и стран АТР Владивосток ВГУЭС 2006 - С 6-7 (0,12/0,06 п л)

19 Глушков, С В Нечеткий регулятор в задаче управления морским подвижным объектом [Текст]/ В И Богданов, Я JI Виткалов, С В Глушков // Вестн Морского государственного университета Сер Судовождение - Владивосток, МГУ им адм Г И Невельского,-2006 Вып 2 - С 112-119 (0,6/0,3 п л)

20 Глушков, С.В Использование нейросетевых технологий при идентификации технического состояния судовых систем [Текст]/ С В Глушков, И А Же-ретинцев // Сб докл Научно-техническое и экономическое сотрудничество стран АТР в XXI веке труды Пятой Международной научной конференции творческой молодежи Хабаровск ДВГУПС 2007. Т 4 - С 80-84 (0,33/0,20 п л)

21 Глушков, С В Алгоритмы обучения нейронной сети для задачи распознавания объектов при расхождении судов технологий [Текст]/ С В Глушков, Е Г Чемодакова, И А Жеретинцев // Сб докл Всероссийская научно техническая конференция Информационные системы и модели в научных исследованиях, промышленности и экологии Тула ТулГУ, 2007 - С 6-7 (0,10/0,05 п л )

22 Глушков, С В Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст]/ С В Глушков, Е Г Чемодакова, И А Жеретинцев // Сб докл Всероссийская научно техническая конференция Информационные системы и модели в научных исследованиях, промышленности и экологии Тула ТулГУ, 2007 - С 8-9 (0,10/0,06 п л)

23 Глушков, С В Метод построения области работоспособности в решении задачи технической диагностики системы [Текст] / С В Глушков, Е Г Чемодакова, И А Жеретинцев // Мат конф Вторая научно-техническая конференция с международным участием Технические проблемы освоения Мирового океана Владивосток ДВО РАН, 2007 - С 200-205 (0,33/0,20 п л)

24 Глушков, С В Решение задач распознавания объектов [Текст] / С В Глушков, Е Г Чемодакова, И А Жеретинцев // Мат конф Вторая научно-техническая конференция с международным участием Технические проблемы освоения Мирового океана Владивосток ДВО РАН, 2007 - С 205-209 (0,33/0,20 п л)

25 Глушков, С В Использование нейронной сети для распознавания объектов при судовождении [Текст] / С В Глушков, Н Н Жеретинцева, Ю В Шемчук // Материалы XV Всероссийского семинара Нейроинформатика и ее приложения Красноярск ИВН СО РАН, 2007 -С 28-30 (0,15/0,10 п л )

26 Глушков, С В Метод идентификации морских объектов [Текст] / С В Глушков, Н Н Жеретинцева, Ю В Шемчук // Сб докл научно-практической конф Безопасность судоходства в дальневосточном бассейне Владивосток МГУ им адм Г И Невельского, 2007- С 221-228 (0,50/0,25 п л)

27 Глушков, С В Решение задачи идентификации морских объектов [Текст] / С В Глушков, Н Н Жеретинцева, Ю В Шемчук // Сб докл научно-практической конф Безопасность судоходства в дальневосточном бассейне Владивосток МГУ им адм Г И Невельского, 2007- С 228-239 (0,52/0,33 п л)

Патенты и свидетельства об официальной регистрации программ ЭВМ

28 Заявка патент 2004126822/28 Российская Федерация, МПК С050 1/00 Способ автоматического управления курсом судна и система авторулевого для реализации способа [Текст] / Авторы и заявители С В Глушков, А В Артемьев, В С Перечесов, заявл 31 08 2004, опубл 27 02 2006, Бюл №6 - 2с

29 Свидетельство об офиц регистр программ для ЭВМ, №2007612767, Программа реализации нейронной сети типа Когнитрон «ЫеигоМайЬте [Текст] / Авторы и заявители С В Глушков, В Я Домбрич, опубл 28 06 2007

30 Заявка патент № 2007144406/28(048654) Нейросетевой регулятор для управления курсом судна [Текст]/ С В Глушков, Н А Седова, зарег 29 11 07, опубл 28.03.2008

Характеристика опубликованных работ:

2 монографии объемом 11 п л (одна без соавторов), 2 патента в соавторстве, 1 свидетельство на регистрацию программ для ЭВМ в соавторстве, 10 статей в изданиях, рекомендованных ВАК РФ для докторских диссертаций (в том числе 4 без соавторов)

Работы [1,4, 9,10,11,13] выполнены автором лично

В работах выполненных в соавторстве, личным вкладом автора являются

- в [2, 3] автор участвовал в постановке задач, разработке алгоритмов, моделировании системы управления курсом судна,

- в [6-8, 11, 12] автор участвовал в постановке задач, получении аналитических выражений,

- в [4, 14, 26, 28, 29, 30] автор участвовал в постановке задач, разработке алгоритмов, структурных и принципиальных электрических схем, макетировании устройств, стендовых и натурных испытаниях

- в [15, 17-25, 27] автор участвовал в постановке задач, разработке структурных схем имитационных моделей и их моделировании, выполнял численные исследования,

Глушков Сергей Витальевич

МЕТОДЫ ПОВЫШЕНИЯ БЕЗОПАСНОСТИ ПЛАВАНИЯ И КАЧЕСТВА СИСТЕМ УПРАВЛЕНИЯ СУДНОМ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Автореферат

диссертации на соискание ученой степени доктора технических наук

Уел изд л 2,0, уч -изд л 2,0 Формат 60 х 841Л6 Тираж 100 экз_Заказ № 400_

Отпечатано в типографии ИПК МГУ им адм Г И Невельского 690059, г Владивосток, ул Верхнепортовая, 50а

Основные условные сокращения и обозначения.

Введение.

1 Анализ современных систем управления курсом судна.

1.1 Общие сведения об авторулевых.

1.2 Адаптивные авторулевые.

1.3. Основные методы адаптации авторулевых.

1.4. Пассивные методы адаптации САУ.

1.5. Активные методы адаптации САУ.

1.5.1. Системы со стабилизацией характеристик.

1.5.2. Системы прямой адаптации.

1.5.3. Использование нейросетевых технологий в решении задачи адаптивного управления курсом судна.

1.6. Математическая модель САУ курсом судна.

1.7 Выводы по первой главе.

2 Построение адаптивной системы управления курсом судна с использованием нейросетевых технологий.

2.1 Постановка задачи в управлении курсом судна при реализации контроллера с помощью нейросетей.

2.2 Искусственные нейронные сети как среда проведения синтеза адаптивных регуляторов управления курсом судна.

2.2.1 Архитектура нейросетей, используемых в решении задач управления.

2.2.2 Виды функции активации.

2.2.3 Объединение нейронов.

2.2.4 Структура нейронной сети.

2.2.5 Архитектура нейронных сетей.

2.2.6 Сети прямого распространения.

2.2.6.1 Однослойный персептрон.

2.2.6.2 Многослойный персептрон.

2.2.6.3 Сети RBF.

2.2.7 Сети обратного распространения.

2.2.8 Сеть Кохонена.

2.2.9 Сеть Хопфильда.

2.2.10 Модули ART.

2.2.11 Обучение нейронной сети.

2.2.11.1 Парадигмы обучения.

2.2.11.2 Обучение с учителем.

2.2.11.3 Обучение без учителя.

2.2.11.4 Смешанное обучение.

2.2.12 Минимизации целевой функции ошибки нейронной сети.

2.3 Задачи классификации.

2.3.1 Отбор данных.

2.3.2 Выбор архитектуры сети.

2.3.2.1 Вероятностная нейронная сеть радиально-базисных функций.

2.3.2.2 Алгоритмы обучения сети PNN.

2.4 Выводы по второй главе.

3 Определение областей работоспособности параметров системы управления курсом судна.

3.1 Основные термины и определения при решении задачи поиска области работоспособности параметров системы автоматического управления курсом судна (САУКС).

3.2 Общая математическая постановка задачи обеспечения заданного качества функционирования системы с учетом технологических отклонений управляемых параметров и изменений эксплуатационных воздействий.

3.2.1 Состояние работ по проблеме определения областей допустимого качества.

3.3 Выводы по третьей главе.

4 Параметрическая оптимизация системы автоматического управления курсом судна по критерию надежности с учетом эксплуатационных и технологических отклонений значений параметров.

4.1 Математическая постановка задачи идентификации процесса изменения параметров САУКС под воздействием эксплуатационных факторов.

4.2 Математическая постановка задачи определения допустимого начального значения вектора управляемых параметров.

4.2.1 Адаптация архитектуры сети.

4.2.2 Адаптация величины рабочего шага.

4.2.3 Адаптация распределения случайного шага.

4.3 Математическая постановка задачи определения ориентации области работоспособности в пространстве параметров системы автоматического управления курсом судна.

4.4 Математическая постановка задачи определения значения вектора обобщенных параметров системы с учетом технологических отклонений настройки регулятора и возможного диапазона внешних воздействий.

4.5 Алгоритм решения задачи параметрического синтеза систем автоматического управления курсом судна.

4.6 Выводы по четвертой главе.

5 Математическое обоснование построения классификатора по признакам движения судна на курсе.

5.1 Методы выделения признаков.

5.1.1 Линейное предсказание.

5.1.1.1 Преобразование Фурье.

5.1.1.2. Вейвлет анализ.

5.1.1.3. Кэпстральный анализ.

5.2 Постановка задачи выделения признаков.

5.2.1 Использование преобразования Фурье в решении задачи выделения признаков движения судна.

5.2.1.1 Области представления функции.

5.2.1.2 Свойства преобразования Фурье.

5.2.1.3 Дискретное преобразование Фурье.

5.2.2 Расчет параметров вероятностной нейронной сети—классификатора.

5.2.2.1. Структурная схема сети.

5.2.2.2 Масштабирование данных.

5.2.2.2. Кластеризация по методу «К-средних».

5.2.2.3. Отклонение гауссовой функции.

5.3 Выводы по пятой главе.

6 Разработка алгоритмов и структурных схем системы автоматического управления курсом судна с использованием нейросетевых технологий.

6.1 Разработка нейросетевого классификатора системы управления курсом судна.

6.1.1 Формирование исходных векторов данных.

6.1.2 Идентификация исходных векторов данных.

6.1.3 Создание рабочих массивов данных.

6.1.4 Режим обучения.

6.2 Экспериментальная проверка системы автоматического управления курсом судна с использованием нейросетевых технологий.

6.3 Целесообразность применения генетических алгоритмов в задачах оптимизации нейросетевого регулятора в САУКС.

6.3.1 Гибридный цикл генетического алгоритма.

6.4 Структура и функциональные особенности нейросетевого регулятора на нечеткой логике.

6.5 Проверка работоспособности метода и алгоритма синтеза системы управления курсом судна, обеспечивающего рабастность к заданному диапазону внешних воздействий.

6.6 Выводы по шестой главе.

Актуальность проблемы.

Современный этап развития систем мореплавания в мире характеризуется существенными достижениями науки и техники в деле разработки, создания, массового производства высоконадёжной техники судовой навигации, радиосвязи, информатизации и автоматизации судовождения в сложных условиях инфраструктуры акваторий портов, проливов и каналов. В настоящее время во многих морских державах мира разрабатываются новые, более сложные, и в тоже время обладающие большей функциональной нагрузкой системы, позволяющие автоматизировать процесс судовождения. Первопричин такого рода разработок несколько.

Во-первых, необходимость обеспечения безопасного мореплавания в условиях все увеличивающейся интенсивности судоходства, резкий рост цен на топливо для судовых силовых установок, усиление экологических аспектов эксплуатации морского флота, строительство крупнотоннажных и скоростных судов, управление которыми на должном уровне требует дополнительных средств автоматизации процессов. Это позволяет уменьшить потери ходового времени, снизить себестоимость перевозок, сократить численность экипажей, повысить надежность оборудования, качество проводимых операций управления и потому является наиболее эффективным средством повышения тактико-эксплуатационных характеристик судов и условий труда плавсостава.

Во-вторых, для автоматизированного решения многих навигационных задач, связанных с расхождением с судами, когда требуется реализация определенных маневров, при удержании судна на заданном курсе, или движении по любой необходимой траектории с прогнозированием возможной ситуации и др., необходим адаптивный авторулевой, оптимально настраивающий параметры системы. Такой адаптивный авторулевой должен обеспечивать корректировку математических моделей судна и внешних сил, которые воздействуют в данный момент на судно. Поэтому возникла необходимость в разработке новых адаптивных авторулевых на основе технологий искусственного интеллекта.

Следует также отметить, что в Федеральной целевой программе «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений капитаном по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению. Также следует отметить требование Международной морской организации (ГМО) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе. В связи с этим разработка современных автоматизированных систем, обеспечивающих движение судна по заданной траектории, удержание на заданном курсе в условиях изменяющихся погодных факторов, ограниченности маневра и интенсивности движения, оперативная автоматическая коррекция выбранного пути и скорости движения являются приоритетными задачами.

Развитие научно-технического прогресса, оснащение современных судов микропроцессорной техникой и вычислительными машинами при разработанном прикладном математическом и программном обеспечении позволяют решить поставленные задачи.

Проблемная ситуация. С одной стороны, системы автоматического управления курсом судна должны: отвечать в полной мере растущим требованиям по обеспечению безопасности плавания, по точности движения на заданном маршруте, надежности, системности выделения и комплексной обработки информации от разнородных приборов; обеспечивать оптимальную, в определенном смысле, настройку параметров системы в режиме реального времени без участия вахтенного штурмана; корректировать математическую модель системы при изменении гидродинамических характеристик объекта.

С другой стороны, строгое решение задачи управления движением судна, которые обеспечивает синтез управления в реальном времени и заданного качества в общем случае, не удается получить с помощью используемых сегодня систем автоматического управления курсом судна с традиционным ПИД-регулятором и применяемых методик его настройки. Это вызвано тем, что во время эксплуатации системы параметры и внешние воздействия меняются случайным образом и изменяются в широком диапазоне (направление и сила ветра, высота и длина волны, гидродинамические характеристики судна, осадка, глубина воды под килем, скорость хода судна).

В зависимости от реализуемых принципов адаптации можно классифицировать несколько типов адаптивных авторулевых.

Адаптивные авторулевые, характеризующиеся частичной автоматической настройкой параметров системы, в которых используются косвенные критерии оценки качества работы системы. Они не всегда имеют достаточное математическое обоснование. (Т8№2 —Польша, А8АР-П— Швеция). Эти авторулевые не обеспечивают полной оптимизации системы управления курсом судна в различных ситуациях, реализуют традиционный ПИД- закон управления.

Адаптивные авторулевые с использованием эталонной математической модели объекта или всей системы управления в целом. Управляющий сигнал формируется в зависимости от критерия качества движения судна, являющегося функцией от разности между наблюдаемым и моделируемым курсом судна (Ракал-Декка DP-780- Великобритания).

Адаптивные авторулевые с самонастраивающейся системой, в которых оптимальное значение настраиваемых параметров определяется по математическому критерию качества, обеспечивающему минимум потерь полезной мощности судовой силовой установки. Такие авторулевые используют априорную информацию о динамике системы управления курсом судна для различных условий плавания, которая хранится в памяти бортовой ЭВМ. Получая информацию от судового гирокомпаса, лага, указателя положения пера руля, ЭВМ по специальной программе выбирает соответствующие оптимальные параметры настройки (Speny autopilot ASCS, NAVIPILOT AD II - США).

Из отечественных авторулевых можно выделить: ААР-05 — Владивосток 2005 год и NAVIS АР-3000 — Санкт-Петербург 2007 год (для последнего не указан метод адаптации).

Анализ эксплуатации вышеописанных адаптивных авторулевых показывает их более высокие характеристики качества управления и технико-экономическую эффективность по сравнению с традиционными авторулевыми, реализующими ПИД-закон управления. Но, несмотря на большое количество публикаций, проблема разработки адаптивного авторулевого все еще не нашла должного решения на уровне современных требований управления судном на всех режимах работы и круга решаемых навигационных задач.

С появлением перспективного класса нейросетевых систем управления положение изменяется. Появляются новые возможности обеспечения этих требований на основании прикладной теории нейросетевого управления и новой элементной базы (микроконтроллеры, сигнальные процессоры, нейросетевые процессоры). Нейросетевая система, как самоорганизующаяся, способна управлять процессами в сложных условиях (нестационарных, нелинейных, со случайными внешними воздействиями), математические модели которых неизвестны.

Разрешать указанную проблему необходимо путем разработки новых систем на основе использования технологий искусственного интеллекта, комплексной обработки навигационной информации и в результате этого обеспечить требуемое качество управления судном.

Следовательно, необходимость разработки новых научно обоснованных методов создания систем управления судном на основе нейросете-вых интеллектуальных систем определяет актуальность крупной научно-технической проблемы, решаемой в диссертации.

Научный базис для решения проблемы. Анализ опубликованных в 1980—2007 годах работ отечественных и зарубежных ученых (Красов-ский A.A., Пешехонов В.Г., Колесников A.A., Астанов Ю.М:, Медведев B.C., Иванов В.А., Фалдин Н.В., Лукомский Ю.А., Корчанов В.И., Скороходов Д.А., Веллер В., Басин А.И., Суевалов Л.Ф., Фрейдзон И.Р., Квакернаак X., Бессонов A.A., Соболев Г.В. Березин С.Я., Тетюев Б.А. и др.) по классическим методам построения систем автоматического управления и курсом судна в частности, позволяет классифицировать методы по типу используемой математической модели судна, обрабатываемой информации, методам адаптации, конструктивным особенностям. Большая часть научных трудов авторов (Хайкин С., Weierstrass К., Колмогоров А.Н., Hecht-Nielsen г., Stone М., Горбань А.Н., Терехов В.А., Мир-кес Е.М., Ефимов Д.В., Тюкин И.Ю., Егупов Н.Д., Омату С., Халид М., Юсуф Р., Mandani E.H., Nomoto К. И др.) посвящена вопросам построения нейросетей и их использования в системах управления. На основе этих работ формируется научное направление «Адаптивные и робастные системы управления движением судна с использованием искусственного интеллекта».

Цель работы. Целью диссертационного исследования является разработка теоретических основ и принципов создания робастных адаптивных систем управления судном на основе определения областей работоспособности, с заданной вероятностью обеспечивающих требуемое качество управления, выполненных на базе нейросетевых технологий.

Область исследования — разработка моделей и методов оценки эффективности судовождения в различных условиях их эксплуатации.

Объектом исследования являются методы и средства навигации и судовождения, в частности, системы автоматического управления курсом судна, а предметом исследования — робастные адаптивные системы управления курсом судна и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий.

Решение научной проблемы в соответствии со сформулированной целью включает в себя следующие научные задачи:

1. Разработка теоретических основ определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности.

2. Обоснование принципов определения существования областей работоспособности — областей допустимых вариаций параметров системы автоматического управления курсом судна в различных условиях эксплуатации.

3. Доказательство методов определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна.

4. Разработка принципов определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющая создать алгоритмы и программное обеспечение для поставленной задачи.

5. Представление принципиально новой модели самоорганизующейся системы автоматического управления курсом судна на базе нейросете-вых технологий, позволяющая определять оптимальный тип и структуру нейронной сети, моделирующей движение судна, используемую для решения навигационных задач.

6. Обоснование принципа определения оптимальной настройки ней-росетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющая обеспечить требуемое качество и точность движения судна на курсе.

Основные положения, выносимые на защиту:

1. Классификация систем автоматического управления курсом судна.

2. Принцип определения математической модели системы автоматического управления курсом судна, который обеспечивает робастность системы к внешним воздействиям и технологическим отклонениям параметров в некоторой области работоспособности.

3. Принципы определения существования областей работоспособности — областей допустимых вариаций параметров системы автоматического управления курсом судна, не нарушающих с заданной вероятностью требований качества и точности управления судном на курсе.

4. Принципы определения конфигурации области допустимых вариаций параметров системы автоматического управления курсом судна, обеспечивающей учитывание возможного диапазона внешних воздействий.

5. Методы определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и изменения внутренних параметров системы на основе аппроксимации областей работоспособности, позволяющие создать алгоритмы и программное обеспечение для поставленной задачи.

6. Функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий. Система позволяет определять оптимальный тип и структуру нейронной сети, моделировать движение судна необходимое для решения навигационных задач.

7. Принцип определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, позволяющий обеспечить требуемое качество и точность движения судна на курсе.

8. Алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий.

9. Опытная модель разработанного образца адаптивного регулятора системы автоматического управления курсом судна.

Методы исследования. При решении поставленных научных задач использовались методы системного анализа, корреляционного и спектрального анализа случайных процессов, имитационного моделирования и натурного эксперимента, положения теории автоматического управления, методы нейросетевого управления, методы линейного и нелинейного программирования.

Научная новизна работы:

1. Предложен и теоретически обоснован принцип определения математической модели системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров посредством определения области работоспособности. Принцип предполагает в режиме реального времени на основании наблюдаемых характеристик движения судна на курсе и известного управления, в пространстве размерности математической модели судна определить область допустимых значений параметров модели.

2. Рассмотрен и теоретически обоснован принцип определения существования областей параметров, обеспечивающих работоспособность системы автоматического управления курсом судна. Предложенный принцип позволяет на основании уточненной математической модели судна для предполагаемого диапазона внешних воздействий в пространстве параметров регулятора определить область допустимых значений параметров регулятора, обеспечивающий с заданной вероятностью точность и качество движения на курсе.

2.1. Предложены и теоретически обоснованы метод определения существования областей допустимых вариаций параметров системы автоматического управления курсом судна и метод определения конфигурации расположения области допустимых вариаций параметров системы. Область допустимых вариаций параметров системы управления курсом судна в общем случае может быть неодносвязанной (при нелинейности математической модели), или таких областей может быть несколько.

2.2. Представлено теоретическое обоснование метода определения оптимальных значений параметров системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и внутренних параметров системы, т. е. определение сечения в этой области с наибольшим диапазоном изменения условий эксплуатации судна.

3. Рассмотрена принципиально новая функциональная модель самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий.

3.1. Для этой модели теоретически обоснованы методы определения оптимального типа и структуры нейронной сети, моделирующей объект управления, и метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, что позволяет обеспечить требуемое качество и точность движения судна на курсе при данных внешних воздействиях.

3.2. Представлены алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий.

4. Создан опытный образец адаптивного регулятора системы автоматического управления курсом судна, прошедший испытания и принятый Российским Регистром морского судоходства.

Достоверность результатов доказывается корректностью применения хорошо апробированного математического аппарата и совпадением результатов теоретических исследований с данными стендовых, натурных экспериментов и имитационного моделирования работы системы управления курсом судна.

Практическая ценность работы заключается в теоретической и практической разработке всех этапов получения нейросетевой модели объекта управления, нейросетевого регулятора и на этой основе создания ро-бастных адаптивных систем автоматического управления курсом судна. Наличие нейросетевой модели системы позволяет также моделировать, т. е. решать в автоматическом режиме реального времени, комплекс задач, связанный с оптимальной проводкой судна до точки назначения, оптимального маневрирования и расхождения судна со встречными судами и препятствиями. Результаты могут быть использованы при разработке систем управления судами, которые только проектируются либо проходят переоборудование в нашей стране. Предложенные методы синтеза робастно-го адаптивного авторулевого реализуемы в современной микропроцессорной аппаратной среде.

Тема связана с НИР и ОКР, проводимых на кафедрах «Технические средства судовождения» и «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского (ранее ДВВИМУ, ДВГМА) в соответствии с общесоюзной программой «Океан», планом НИР ММФ на 1981—1995 гг., федеральными целевыми программами «Мировой океан» (1998—2012 гг.) и «Модернизация транспортной системы России» (2002-2010 гг.), планами НИР вуза в рамках тем «Датчики навигационной информации для судового измерительного комплекса», «Повышение эффективности технических средств навигации и разработка методов их комплексного использования».

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедрах «Автоматика и вычислительная техника», «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского (ДВВИМУ, ДВГМА).

Выводы и рекомендации, полученные при разработке диссертации, были внедрены в филиал ЦНИВТ (г. Владивосток) при разработке управляющих систем, в конструкторском бюро «ДАЛЬНЕЕ» лаборатории подводных аппаратов Института автоматики и процессов управления ДВО АН СССР (ныне Институт проблем морских технологий ДВО РАН) при разработке системы управления необитаемого автономного подводного аппарата, в ФГОУ ВПО МГУ им. адм. Г. И. Невельского в процессе обучения курсантов и студентов (лекции, курсовое и дипломное проектирование).

Апробация результатов работы. Основные теоретические положения подтверждены экспериментально при испытании макетных образцов адаптивного авторулевого на стендах, в морских условиях на исследовательских судах и автономном необитаемом подводном аппарате, имитационном моделировании системы автоматического управления курсом судна. При разработке макетов и программ для ЭВМ использованы результаты теоретических исследований, изложенные в диссертационной работе.

Материалы работы были доложены и одобрены на ежегодных научно-технических конференциях (НТК) ДВВИМУ (ДВГМА, МГУ) им. адм. Г. И. Невельского (1985-2007 гг.), на 5-й всесоюзной НТК «Технические средства изучения и освоения океана» в г. Ленинграде (1985 г.), на всесоюзных (всероссийских) межвузовских НТК в ТОВВМУ (ТОВМИ) им. С. О. Макарова, г. Владивосток (1988-2002 гг.), X юбилейной международной научно-практической конференции «Современные техника и технологии СТТ 2004» (Томск, 2004 г.), Всероссийской выставке научно-технического творчества (Москва, ВВЦ, 2004, 2005гг.), конкурсе научно-исследовательских работ «Наука — процветанию морской отрасли» (Владивосток, ДВМП, 2005 г.), научно-практической конференции «Молодежь и научно-технический прогресс» (Владивосток, ДВГТУ, 2006 г.), международной НТК «Наука - морскому образованию на рубеже веков» (2000 г.) в г. Владивостоке, пятой и шестой международных научно-практических конференциях «Проблемы транспорта Дальнего Востока» (2003 г. и 2005 г.), международной научной конференции «Безопасность на море. Научно-технические проблемы и человеческий фактор» (Владивосток, МГУ, 2002, 2006, 2007 гг.), международной выставке морского оборудования «Кормарин-2005» (Республика Корея, Пусан, 2005 г.).

Авторулевой установлен на головном судне «Ураганный», строящейся серии судов РС-450, успешно прошел швартовые, ходовые и морские испытания, утвержден Российским Регистром морского судоходства.

Публикации. По результатам исследований опубликованы две монографии и 28 работ, в том числе восемь без соавторства, получено два патента на изобретения в соавторстве и одно свидетельство об официальной регистрации программ для ЭВМ (общий объем опубликованных работ — 21,72 п. л., личное участие - 14,43 п. л.).

Структура и объем диссертации. Диссертация представлена на 244 листах машинописного текста и состоит из введения, шести глав, заключения, списка использованных источников и трёх приложений. Работа содержит 54 рисунка, 15 таблиц и список использованных источников из 229 наименований.

6.6 Выводы по шестой главе

В шестой главе представлена экспериментальная проверка работоспособности системы автоматического управления курсом судна с использованием нейросетевых технологий. Проверка состоит из трех этапов.

Первый этап компьютерного моделирования, в котором задается математическая модель судна и модель внешних воздействий. На этом этапе , используя разработанное программное обеспечение, экспериментально подтверждены теоретические выводы об оптимальном построении областей работоспособности, идентификации математической модели судна. Ошибка идентификации модели составляет порядка одного процента, что считается очень хорошим результатом.

Второй этап экспериментальных исследований основан на использовании компьютерного стенда «СотсаЪ>, который позволяет более реально моделировать поведение судна на курсе, исследовать настройки авторулевого. На втором этапе математическая модель судна не известна, можно только задавать тип судна, тип рулевой машины, величину внешних воздействий и получать на выходе характеристики движения судна на курсе: величину угла рыскания, угловой скорости, управляющие кладки руля и скорости перекладки пера руля. На основании этих экспериментальных данных была проведена классификация характеристик движения судов (трех типоразмеров) и, используя нейросетевую модель судна определены оптимальные настройки регулятора на нечеткой логике. Далее исследования проводились для судна по водоизмещению соизмеримому с реальным судном, на котором был установлен работающий опытный образец адаптивного авторулевого. Для этой модели был получен пакет экспериментальных записей, позволивший записать в базу знаний пятнадцать векторов характерных признаков для различных погодных условий и соответствующие им оптимальные настройки регулятора на нечеткой логике. В дальнейшем, при идентификации по критериальным признакам характеристик движения судна, автоматически загружался оптимальный регулятор. На третьем этапе проводились эксперименты по адаптации автоматической системы управления курсом на реальном судне. Эксперимент проводился сериями для различных погодных условиях и при различных курсовых углах к направлению действия внешних сил. Во всех экспериментах наблюдалась устойчивая адаптация, приводящая к оптимальной настройке авторулевого. Результаты экспериментов третьего этапа подтвердили правильность теоретических обоснований, представленных в диссертации, а также экспериментальные результаты первых двух этапов.

Заключение

В диссертационной работе на основании выполненных исследований получены следующие основные научные результаты и выводы:

1. В диссертационной работе выполнены исследования и представлены теоретические положения, позволяющие решать крупную научную проблему по разработке адаптивных систем автоматического управления курсом судна с использованием искусственного интеллекта, внедрение которых вносит значительный вклад в развитие экономики, ее конкурентоспособности и повышении обороноспособности страны.

2. Проведен анализ современных систем автоматического управления курсом судна, как устаревших к настоящему времени, реализованных на механических дифференциалах, так и современных адаптивных авторулевых. Описаны характерные особенности используемых сегодня в научных исследованиях математических систем автоматического управления курсом судна, моделей судна, как объекта управления и объекта воздействия внешних сил. Представлено обоснование выбора математической модели судна для проведения научных исследований. Рассмотрены существующие подходы к использованию нейросетевых технологий в решении задачи создания адаптивных систем управления курсом судна. Показаны основные недостатки существующих систем, а именно, не способность адаптироваться для широкого диапазона изменения параметров, которые определяют гидродинамические характеристики судна, и параметров нерегулярных случайных внешних воздействий.

3. Рассмотрены концептуальные вопросы и общая постановка задачи построения адаптивной системы автоматического управления курсом судна с использованием нейросетевой технологии. Рассмотрены различные типы нейронных сетей способные решать поставленную задачу. Проведен обзор архитектур, параметров нейронных сетей, видов функций активации, методов обучения. Приведено теоретическое обоснование выбора нейронной сети с радиально базисной функцией способной решать задачи адаптивного автоматического управления курсом судна. Представлен алгоритм обучения вероятностной нейронной сети.

4. Сформулирована общая математическая постановка задачи обеспечения функционирования системы заданного качества с учетом технологических отклонений управляемых параметров и изменений эксплуатационных воздействий. Задача определена, как задача обеспечения робастных принципов управления судном за счет оптимального построения областей работоспособности, т. е. областей допустимого качества в пространстве всех настраиваемых и неуправляемых параметров системы управления курсом судна. Поскольку существующий в данное время подход к настройке систем определяет оптимальную точку, которая может оказаться вблизи к границе обеспечивающей требуемое качество функционирования.

5. Теоретически обосновано использование неортогональных тел для аппроксимации области допустимого качества, которые обеспечивают нахождение более оптимального решения задачи определения параметров системы автоматического управления курсом судна.

6. Представлена математическая постановка и решение задачи определения существования и ориентации области работоспособности параметров системы управления курсом судна.

7. Доказаны необходимые условия существования оптимального решения, доказаны утверждения сходимости процессов оптимизации. Представлено обоснование использования случайного метода поиска, как метода склонного к поиску глобального оптимума и метода инвариантного к размерности задачи.

8. Представлен математический метод определения уточненной математической моделей системы автоматического управления курсом судна, обеспечивающей робастность системы к внешним воздействиям и технологическим отклонениям параметров.

9. Разработан математический метод определения оптимальных значений параметров нейросетевого регулятора системы автоматического управления курсом судна с учетом возможного диапазона изменений внешних воздействий и внутренних параметров системы.

10. Представлено формальное описание алгоритмов решения всех поставленных задач: алгоритма адаптации архитектуры нейронной сети, величины распределения случайного и рабочего шага. Данные методы и алгоритмы защищены авторским правами на патент и свидетельствами на регистрации программ.

11. Сформулировано математическое обоснование задачи построение нейросетевого классификатора по признакам движения судна на курсе. Приведена структурная схема нейронной сети, ее параметры, функции активации. Представлена методика подготовки исходных данных, методика классификации исходных данных по методу кластеризации «К—средних». Обоснована возможность классифицировать характеристики движения судна на курсе, т. е. влияние управляющих сигналов и влияние внешних воздействий на судно и запоминать их в базе знаний классификатора.

12. Рассмотрена функциональная модель принципиально новой самоорганизующейся системы автоматического управления курсом судна на базе нейросетевых технологий.

13. Разработан математический метод определения оптимальной настройки нейросетевого регулятора системы автоматического управления курсом судна по критерию точности и качества управления с учетом внешних воздействий.

14. Экспериментально подтверждены теоретические выводы об оптимальном построении областей работоспособности, идентификации математической модели судна. На основании экспериментальных данных была проведена классификация характеристик движения моделей судов. Был получен пакет экспериментальных записей, позволивший записать в базу знаний пятнадцать векторов характерных признаков для различных погодных условий и соответствующие им оптимальные настройки регулятора на нечеткой логике. Проведены эксперименты по адаптации автоматической системы управления курсом на реальном судне. Во всех экспериментах наблюдалась устойчивая адаптация, приводящая к оптимальной настройке авторулевого. Результаты натурных экспериментов подтвердили правильность теоретических обоснований, представленных в диссертации, а также экспериментальные результаты первых двух этапов.

15. Для представленных математических методов разработаны алгоритмы и программное обеспечение, подтвержденные патентами и свидетельствами об официальной регистрации программ.

16. Изготовлен опытный образец адаптивного авторулевого, который успешно прошел морские ходовые испытания и утвержден Российским Регистром морского судоходства.

1. Абашеев, А.Д. Оптимальные и адаптивные системы Текст. / А.Д. Абашеев, В.В. Ржавин, Ю.М. Харитонов // Чуваш, гос. ун-т им. И.Н. Ульянова-Чебоксары, 1989.-198 с.

2. Абрамов, О.В. Допуски и номиналы систем управления Текст. / О.В. Абрамов, В.В. Здор, A.A. Супоня //Наука. — Москва, 1976. -160 с.

3. Абрамов, О.В. Параметрическая коррекция систем управления Текст. / О.В. Абрамов, Ф.И. Бернацкий, В.В. Здор // Энергоиздат. — Москва, 1982.- 176 с.

4. Абрамов, О.В. Параметрический синтез настраиваемых технических систем Текст. /О.В. Абрамов, С.П. Инберг//Наука. — Москва, 1986. —231 с.

5. Абрамов, О.В. Прогнозирование технического состояния систем Текст. / О.В. Абрамов, Х.Х. Розембаум //ДВНЦ АН СССР. Владивосток, 1990.-С.30-35.

6. Автоматы: Сб. статей / Под ред. К.Э. Шеннона и др; пер. с анг. / Под ред. A.A. Ляпунова. Изд-во иностр. лит. — Москва, 1956. —166 с.

7. Аведьян, Э.Д. Алгоритмы настройки многослойных нейронных сетей //Сб.: Автоматика и телемеханика. — 1995. № 4. - С. 106 - 118.

8. Айзерман, М.А. Метод потенциальных функций в теории обучения машин Текст. / М.А. Айзерман, Э.М. Браверманн, Л.И. Розоноэр // Наука -Москва, 1970,- 145с.

9. Александров, А.Г. Оптимальные и адаптивные системы Текст. / А.Г. Александров // Высшая школа. — Москва, 1989. — С. 263.

10. Александровский, Н.М. Адаптивные системы автоматического управления сложными технологическими процессами Текст. / Н.М. Александровский, C.B. Егоров, P.E. Кузин // Энергия. — Москва, 1973 — 272 с.

11. Амбросовский, В.М. Интегрированные системы управления технических средств транспорта Текст./ В.М. Амбросовский, О.В. Белых, Д.А. Скороходов, С.Н. Турусов//Элмор. СПб, 2001. - 288 с.

12. Андреев, Н.И. Теория статистически оптимальных систем Текст. / Н.И. Андреев // Наука. — Москва, 1980. 416 с.

13. Антонов, В.Н. Адаптивное управление в технических системах Текст. / В.Н. Антонов, В.А. Терехов, И.Ю. Тюкин // Издательство С.-Петербургского университета. — С-Петербург, 2001 . — С. 244.

14. Антушев, Г.С. Оптимизация номиналов параметров технических устройств по критерию параметрической надежности Текст. / Г.С. Антушев // Препринт, ИАПУ ДВНЦ АН СССР. Владивосток, 1982. - 30 С.

15. Антушев, Г.С. Разработка и исследование методов оптимизации параметрической надежности технических устройств (на примере аналоговых электронных схем) Текст. / Г.С. Антушев // Дис. канд. техн. наук. — Владивосток, 1983. — 173 С.

16. Архангельский, А.Я. Модель разброса параметров компонентов ИС, предназначенных для вероятностных расчетов Текст. / А.Я. Архангельский // Электронная техника, Сер. 3. Микроэлектроника. — 1977. — С. 3 — 8.

17. Афанасьев, В.Н. Математическая теория конструирования систем управления Текст. / В.Н. Афанасьев, В.Б. Колмановский, В.Р. Носов // Высшая школа Москва, 1989. — 447 с.

18. Ащепков, JI.T. Методы решения задач математического программирования и оптимального управления Текст. / JI.T. Ащепков, Б.И. Белов, В.П. Булатов // Наука. Новосибирск, 1984. - 233 С.

19. Ащепков, JI.T. О построении максимального куба, вписанного в заданную область Текст. / JI.T. Ащепков // ЖВМ и МФ. № 2, 1980. - С. 510-513.

20. Бабаев, A.M., Ягодкин В.Я. Автоматизированные судовые электроприводы Текст. / A.M. Бабаев, В.Я Ягодкин // Транспорт — Москва, 1986.-187с

21. Базара, М. Нелинейное программирование Текст. / М. Базара, К. Шетти // Мир. Москва, 1982. - 583 С.

22. Балычев, Ю.Г. Синтез адаптивных систем оптимального управления стохастическими объектами на основе прогнозирующей модели Текст. / Ю.Г. Балычев, A.A. Манин//Автоматика и телемеханика, 1995, №9. -С.81-93.

23. Батищев, Д.И. Методы оптимального программирования Текст. / Д.И. Батищев // Радио и связь. — Москва, 1988. — 312.

24. Белых, О.В. Информационные системы технических средств транспорта Текст./ О.В. Белых, А.Е. Сазонов //Элмор. — СПб, 2001. — 192 с.

25. Бессонов, A.A. Методы и средства идентификации динамических объектов Текст. / A.A. Бессонов, Ю.В. Загашвили, A.C. Маркелов // Энер-гоатомиздат. Ленинград, 1989. - С.280.

26. Березин, С.Я., Тетюев Б.А. Системы автоматического управления движением судна по курсу Текст. /. Судостроение Л.:, 1990.

27. Богданов, В. И. Реализация алгоритмов самонастройки на однокристальных СБИС Текст. / В. И. Богданов, О. Я. Озак // Zinatne, Riga, 1998. -112 с.

28. Богданов, В.И. ПИ- и ПИД- контроллеры с самонастройкой Текст. / В.И. Богданов, Я.Л. Виткалов, A.C. Потапов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. — Владивосток, ТОВМИ, 2005. Вып.54. - С.11 - 18.

29. Богданов, В.И. Самонастройка в задачах управления вездеходом Текст. / В.И. Богданов, Я.Л. Виткалов, A.C. Потапов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. — Владивосток, ТОВМИ, 2005. Вып.54. - С.19 - 33.

30. Богданов, В.И. Самонастройка как вид управления Текст. /

31. B.И. Богданов, Я. Л. Виткалов // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. ТОВМИ. Вып.57. — Владивосток, 2006. — С. 16 28.

32. Вагугценко, JI.JI. Системы автоматического управления движением судна Текст. / JI.JI. Вагущенко, H.H. Цымбал // Латстар. Одесса, 2002. — 244 с.

33. Веденов. A.A. Архитектурные модели и функции нейронных ансамблей Текст. / A.A. Веденов, A.A. Ежов, Е.Б. Левченко// ИНТ. Сер.: Физические и математические модели нейронных сетей. — 1990. Т. 1. — С. 44 -92.

34. Войткунский, Я.И. Справочник по теории корабля Текст. / Я.И. Войткунский, Р.Я. Першиц, И.А. Титов // Судостроение. — Ленинград. 1973.-С.512.

35. Воронов, A.A. Основы теории автоматического управления Текст. / A.A. Воронов // Энергия.- Москва, 1965.

36. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности Текст. / Г.К. Вороновский и др. // Основа. Харьков, 1997. — 231 с.

37. Галушкин, А.И. Теория нейронных сетей Текст. / А.И. Галушкин // Кн. 1. Сер.: Нейрокомпьютеры и их применение ИПРЖР,—Москва, 2000. —1. C. 73 76.

38. Геращенко, Е.И. Метод разделения движений и оптимизация нелинейных систем Текст. / Е.И. Геращенко, С.М. Геращенко// Наука — Москва, 1975.-374 с.

39. Глушков, C.B. Метод аппроксимации областей работоспособности Текст. / C.B. Глушков // Препринт, ДВВИМУ. Владивосток, 1985. — 12с.

40. Глушков, C.B. Метод расчета параметров системы управления курсом судна с учетом внешних воздействий Текст. / C.B. Глушков //Сб. статей: Моделирование и управление. Владивосток: ДВГТУ, 1986.-С.134—139.

41. Глушков, C.B. Метод расширения допустимого диапазона внешних воздействий технических систем Текст. / C.B. Глушков // Препринт, ДВВИМУ. Владивосток, 1987. - 20 с.

42. Глушков, C.B. Метод технической диагностики систем / C.B. Глушков // Препринт, ДВВИМУ. Владивосток, 1990. — 13 с.

43. Глушков, C.B. Разработка метода оптимизации параметрической надежности электротехнических систем с учетом эксплуатационных воздействий / C.B. Глушков // Дис. канд. техн. наук. — Новокузнецк, 1992. -165 с.

44. Глушков, C.B. Метод параметрической адаптации технических систем Текст. / С.В.Глушков // Материалы XI Всероссийского семинара: Нейроинформатика и ее приложения. Красноярск: ИВН СО РАН, 2003. — С. 42-44.

45. Глушков, C.B. Самообучающиеся системы диагностики состояния технических объектов Текст. / C.B. Глушков // Владивосток: МГУ им. адм. Г.И. Невельского, 2005. — 108 с.

46. Глушков, C.B. Синергетика и нейросетевые системы управления курсом судна Текст./ В.И. Богданов, Я.Л. Виткалов, C.B. Глушков., А.С. Потапов. С.-П.: ПИТЕР, 2006. - 205 с.

47. Глушков, C.B. Результаты моделирования и испытания адаптивного авторулевого Текст. / C.B. Глушков, B.C. Перечесов // Транспортное дело России. Москва, Спецвыпуск № 7, 2006. - С. 16 - 18.

48. Глушков, C.B. Решение задач распознавания объектов Текст. / C.B. Глушков, Е.Г. Чемодакова, И.А. Жеретинцев // Научно-техническая конференция «Технические проблемы освоения Мирового океана». Материалы конференции. Владивосток: ДВО РАН, 2007. С. 205-209.

49. Гольдберг, JI.M. Цифровая обработка сигналов Текст. / JI.M. Гольдберг, Б.Д. Матюшкин, М.Н. Поляк // Радио и связь.- Москва, 1985.-312 с.

50. Гольдин, А.И. Системы стабилизации курса и качки судов Текст. / А.И. Гольдин, В.М. Колчанов, Г.Э. Шлейер //Центральный научно-исследовательский институт «Румб». — Ленинград, 1981. —118 с.

51. Горелова, Г.В. Метод оптимального номинала и его применения Текст. / Г.В. Горелова, В.В. Здор, Д.В. Свечарник // Энергия. — Москва, 1970.-200 с.

52. Головка, В.А. Нейроинтеллект: теория и применение. Текст. / В .А. Головка // БПИ. Кн. 1 и 2. Брест, 1999. - 544 с.

53. Гордиенко, Е.К. Искусственные нейронные сети. Ч. 1. Основные определения и модели Текст. / Е.К. Гордиенко, A.A. Лукьяница // Изв. РАН. Сер.: Техническая кибернетика. 1994. - № 5. - С. 79 - 92.

54. Горбань, А.Н. Обучение нейронных сетей Текст. / А.Н. Горбань// ПараГраф. — Ленинград, 1990. 468 с.

55. Горбань А.Н., Россиев Д.А.Нейронные сети на персональном компьютере Текст. / А.Н. Горбань, Д.А. Россиев// Наука, Сибирская издательская фирма РАН, — Новосибирск, 1996. — 422 с.

56. Гофман, А.Д. Движительно — рулевой комплекс и маневрирование судна Текст. / А.Д. Гофман // Судостроение. СПб, 1988. - 360 с.

57. Дейч, А.М. Методы идентификации динамических объектов Текст. / А.М. Дейч // Энергия. Москва, 1979. - 240 с.

58. Джури, Э.Д. Импульсные системы автоматического регулирования Текст. / Э.Д. Джури // Физмагиз.- Москва, 1963. 532 с.

59. Дзенскевич, Е.А. Исследование и разработка метода синтеза допусков на параметры технических систем Текст. / Е.А. Дзенскевич //Дис. канд. тех. наук. — Владивосток, 1985. — 144 с.

60. Дзенскевич, Е.А. Метод аппроксимации областей работоспособности ортогональными параллелепипедами Текст. / Е.А. Дзенскевич,

61. B.В. Здор // ДВГУ, Управление информацией. Владивосток, 1985. —1. C. 180-187.

62. Дзенскевич, Е.А. Синтез допусков на параметры динамических систем Текст. / Е.А. Дзенскевич // Управление информацией, ДВГУ. Владивосток, 1985. - С. 187 - 198.

63. Дилон, Б. Инженерные методы обеспечения надежности систем Текст. / Б. Дилон // Радио и связь. — Москва, 1984. — 139 с.

64. Догановский, С.А. Параметрические системы автоматического регулирования Текст. / С.А. Догановский // Энергия. -Москва, 1973. 168 с.

65. Дремин И.М., Иванов О.В., Нечитайло В.А.Вейвлеты и их использование Текст./ И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук, Т. 171, №5. 2001. С. 45-51.

66. Дружкин, Г.В. Надежность систем автоматики Текст. / Г.В. Друж-кин // Энергия. Москва, 1966. — 528 с.

67. Дунаев, П.Ф. Расчет допусков размеров Текст. / П.Ф. Дунаев, О.П. Леликов// Машиностроение. Москва, 1981. - 198 с.

68. Дьяконов, В.А. МАТЪАВ-6. Универсальная интегрированная система компьютерной математики Текст. / В.А. Дьяконов //- Минск, 2001. — 218 с.

69. Дьяконов, В.А. МАТЬАВ. Анализ, идентификация и моделирование систем. Специальный справочник Текст. / В.А. Дьяконов, В.П. Круглов // Питер СПб, 2002. -438 с.

70. Здор, В.В. Методы выбора допусков на параметры элементов систем автоматического управления Текст. /В.В. Здор // ДВНЦ АН СССР, Современная технология производства приборов, средства автоматизации и систем управления. — Владивосток, 1976. — С. 154-173.

71. Здор, В.В. Определение и назначение допусков на параметры систем управления Текст. /В.В. Здор // Изв. АН СССР, техническая кибернетика. -№ 7 1977.-С. 100-109.

72. Здор, В.В. Метод диагоналей и его свойства Текст. / В.В. Здор // ДВНЦ АН СССР, Управление качеством и надежностью сложных систем. Владивосток, 1978. - С.52 - 65.

73. Ефимов, Д.В. Адаптивная система управления с нейронной сетью. Методы и аппаратные средства цифровой обработки сигналов Текст. / Д.В. Ефимов, В .А. Терехов, И.Ю. Тюкин // Изв. ГЭТУ. 1996. - Вып. 490. -С. 32-35.

74. Ивайкин, В. Использование скользящих режимов регулировании Текст. / В. Ивайкин / Современные технологии и автоматизации. — Москва, 2006 №1. С 90-94.

75. Ивахненко, А.Г. Самообучающиеся системы распознавания и автоматического регулирования Текст. / А.Г. Ивахненко // Техника.— Киев, 1969.-434 с.

76. Ивахненко, А.Г. Принятие решений на основе самоорганизации Текст. / А.Г. Ивахненко, Ю.П. Зайченко, В.Д. Димитров //Сов. Радио, — Москва, 1976.-231с.

77. Институт системного анализа РАН. Online. http://www.isa.ru

78. Институт проблем управления имени В.А. Трапезникова. Online. http://www.ipu.ru

79. Катковник В.Я. Многомерные дискретные системы управления Текст. / В.Я. Катковник, P.A. Полуэктов// Наука — Москва, 1966. — 163с.

80. ЮО.Квакернаак X. Линейные оптимальные системы управления: пер. с англ. Текст. / X. Квакернаак, Р. Сиван // Мир.- Москва, 1977. — 123с.

81. Керниган, Б. Практика программирования. Библиотека программиста Текст. / Б. Керниган, Р. Пайк // Невский Диалект. СПб, 2002. — 342 с.

82. Кнут, Д. Искусство программирования, 2т. Текст. / Д. Кнут // Мир-Москва, 1981.-415 с.

83. Красовский, A.A. Универсальные алгоритмы оптимального управления непрерывными системами Текст. / A.A. Красовский, В.Н. Буков, B.C. Шендрик // Наука Москва, 1977. - 398 с.

84. Красовский, Д. В. Техническая кибернетика Текст. / Д. В. Красовский // Мир. Москва, 1989. - 238 с.

85. Краткий философский словарь Текст. / под ред. М. М. Розенталя // Госполитиздат-Москва, 1954. — 342 с.

86. Круглов, B.B. Искусственные нейронные сети. Теория и практика Текст. / В.В. Круглов, В.В. Борисов // Горячая линия — Телеком, Изд.2. — Москва, 2002.-341 с.

87. Кузин, JI.T. Основы кибернетики Текст. / JI.T. Кузин, // Энергия-Москва, 1979.-425 с.

88. Куропаткин, П.В. Оптимальные и адаптивные системы Текст. / П.В. Куропаткин // Высшая школа.- Москва, 1980.- 280 с.

89. Леонович, A.A. Модуль распознавания речи в системе MATLAB Текст. / Труды Второй Всероссийской научной конференции «Проектирование инженерных и научных приложений в среде MATLAB» // ИПУ РАН. Москва, 2004. - С. 35 -41.

90. Логиновский, В.А. Комплексная обработка навигационных измерений Текст. / В.А. Логиновский, C.B. Смоленцев // в/о Мортехинформ-реклама, Учеб. пос.- Москва, 1988. 256 с.

91. Логиновский, В.А. Навигация Текст. / В.А. Логиновский, Ю.К. Баранов, М.И. Гаврюк и др. // Лань. СПб, 1997. - 235 с.

92. Лоскутов А.Ю. Введение в синергетику Текст. / А.Ю. Лоскутов, A.C. Михайлов // Наука.- Москва, 1985. 509 с.

93. Лукомский, Ю.А. Управление морскими подвижными объектами Текст. / Ю.А. Лукомский, В.М. Корчанов // Элмор. — СПб, 1996. — 320 с.

94. Лукомский, Ю.А.Навигация и управление движением судов Текст. / Ю.А. Лукомский, В.Г. Пешехонов, Д.А. Скороходов // Элмор. — СПб, 2002.-498 с.

95. Львович, Я.Е. Теоретические основы конструирования, технологии и надежности РЭА Текст. / Я.Е. Львович // Радио и связь. — Москва, 1986. 192 с.

96. Люнг, Л. Идентификация систем. Теория для пользования. Пер. с англ. Текст. / Л. Люнг // Наука, гл.ред. физ.мат.лит Москва, 1991. —323 с.

97. Маслов, А.Я. Оптимизация радиоэлектронной аппаратуры Текст. / А.Я. Маслов, A.A. Чернышев, В.В. Ведерников // Сов. радио. — Москва, 1982.-200 с.

98. Ляпунов, А. М. Общая задача об устойчивости движения Текст. / А.М. Ляпунов //Гостехиздат — Москва, 1950. — 236 с.

99. Марпл-мл., С. Л. Цифровой спектральный анализ и его приложения Текст. / С. Л. Марпл-мл // Мир. Москва, 1990. - 256 с.

100. Менский, Б.М. Принцип инвариантности в автоматическом регулировании и управлении Текст. / Б.М. Менский // Машиностроение Москва, 1972. - 245 с.

101. Меламед И.И. Нейронные сети и комбинаторная оптимизация Текст. / И.И. Меламед // Автоматика и телемеханика. — 1994. № 11. — С. 3-40.

102. Методы робастного, нейронечеткого и адаптивного управления Текст. /Ред. Н.Д. Егупов //Уч. для вузов, МГТУ им. Н.Э. Баумана, — Москва, 2002. 417 с.

103. Мински М. Персептроны Текст. / М. Мински, С. Пейперт // Мир. -Москва, 1971.-329 с.

104. Мирошников, А.Н. Моделирование систем управления технических средств транспорта Текст. / А.Н. Мирошников, С.Н. Румянцев //Элмор. СПб, 1999. - 256 с.

105. Михайлов, B.C. Судовая электроавтоматика Текст. / B.C. Михайлов// Судостроение. Ленинград, 1970. - 428 с.

106. Мордовченко, Д.Н. Техническая эксплуатация авторулевых Текст. / Д.Н. Мордовченко, Л.Г. Панякин, А.Ф. Таратин // Транспорт. Москва, 1980.-263 с.

107. Немировский, A.C. Сложность задач и эффективность методов оптимизации Текст. / A.C. Немировский, Д.В. Юдин // Наука.- Москва, 1979.- 384 с.

108. Ожегов, С.И. Словарь русского языка Текст. / С.И. Ожегов// Наука. Москва, 1970. - 472 с.

109. Омату С., Халид М., Юсуф Р.Нейроуправление и его приложения Текст. / С. Омату, М. Халид, Р. Юсуф // Радиотехника. Кн.2. Москва, 2000.-327 с.

110. Пеленгрэн, М. Статистический расчет следящих систем Текст. / М. Пеленгрэн // Издательство иностранной литературы. — Москва, 1957. — 224 с.

111. Перечесов, B.C. Адаптивный авторулевой Текст. / В.В. Воробьев, B.C. Перечесов // Материалы региональной научно-технической конференции «Молодежь и научно-технический прогресс». — Владивосток, ДВГТУ, 2006. С. 194 - 196.

112. Перечесов, B.C. Морские испытания адаптивного авторулевого Текст. / B.C. Перечесов // Материалы региональной научно-технической конференции «Молодежь и научно-технический прогресс». — Владивосток, ДВГТУ, 2006. С. 144 - 146.

113. Петров, Б.Н. Принцип построения и проектирования самонастраивающихся систем управления Текст. / Б.Н. Петров, В.Ю. Рутковский, И.Н. Крутова // Машиностроение.— Москва, 1972. 260 с.

114. Петров, Б.Н. Системы автоматического управления объектами с переменными параметрами: Инженерные методы анализа и синтеза. Текст. / Б.Н. Петров, A.B. Соколов и др.// Машиностроение. Москва, 1986.-348 с.

115. Петров, Ю.П. Оптимизация управляющих систем, испытывающих воздействия ветра и морского волнения Текст. / Ю.П. Петров // Судостроение. — Ленинград, 1973. — 216 с.

116. Поздняков, С.И. Сравнение математических моделей с точки зрения коэффициентов влияния Текст. / С.И. Поздняков, Ю.И. Юдин // Вестник МГТУ, т. 9, № 2, Мурманск, 2006. -С. 241-245.

117. Попов, Е.П. Теория нелинейных систем автоматического регулирования и управления Текст. / Е.П. Попов // Наука.- Москва, 1979.- 256 с.

118. Пупков, К.А. Методы синтеза оптимальных систем автоматического управления Текст. / К.А. Пупков, Н.В. Фалдин, Н.Д. Егупов //Изд-во МГТУ им. Н.Э. Баумана Москва, 2000. - 452 с.

119. Прокофьев, В.А. Информационные технологии управления перевозками Текст. / В.А. Прокофьев// Учеб. пос.: ГМА.- СПб, 1999. 232 с.

120. Растригин, Л.А. Введение в идентификацию объектов управления Текст. / Л.А. Растригин, Н.Е. Маджаров // Энергия. —Москва, 1977. — 216с.

121. Рейклейтис, Г. Оптимизация в технике Текст. / Г. Рейклейтис // Мир.-Москва, 1982.-т1,-583 с.

122. Роберт Каллан, Основные концепции нейронных сетей Текст. / Р. Каллан // изд. дом Вильяме. —Москва, 2001. — 384 с.

123. Родионов, А.И. Автоматизация судовождения Текст. / А.И. Родионов, А.Е. Сазонов // Транспорт .- Москва, 1992. -326 с.

124. Розенблатт, Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга Текст. / Ф. Розенблатт // Мир. Москва, 1965. — 466 с.

125. Ротштейн, А.П. Влияние методов деффазификации на скорость настройки нечеткой модели Текст. / А.П. Ротштейн, С.Д. Штовба // Кибернетика и системный анализ. 2002. - №1. -С. 23-31.

126. Савельев, А.Я. Арифметические и логические основы цифровых автоматов Текст. / А.Я. Савельев // Высшая школа.- Москва, 1980. — 438 с.

127. Свидетельство об офиц. регистр. программ для ЭВМ, №2007612767, Программа реализации нейронной сети типа Когнитрон «NeuroMashine Текст. / Авторы и заявители C.B. Глушков, В .Я. Домбрич, опубл. 28.06.2007

128. Сергиенко, А.Б.Цифровая обработка сигналовТекст./ А.Б. Сергиенко // Питер. СПб, 2006. - 456 с.

129. Синергетика: процессы самоорганизации и управления Текст. / под об. ред. A.A. Колесникова // Изд-во ТРТУ. — Таганрог, 2004. — 536 с.

130. Смагин, В.И. Синтез следящих систем управления по квадратичным критериям Текст. / В.И. Смагин, Ю.И. Параев // Изд-во ТГУ — Томск, 1996.-348 с.

131. Смирнов, E.JÏ. Технические средства судовождения Текст. / Е.Л. Смирнов и др.// ГМА . СПб, 2000. - 358 с.

132. Соболев, Г.В. Управляемость корабля и автоматизация судовождения Текст. / Г.В. Соболев // Судостроение. — СПб, 1976. — 342 с.

133. Современная прикладная теория управления Текст. / Под ред.

134. A.A. Колесникова // Изд-во ТРТУ. Таганрог, 2000. — 563 с.

135. Солодовников, В. В.Теория автоматического регулирования (Техническая кибернетика) Текст. / В. В. Солодовников // Кн. 1, 2, 3, 4, Машиностроение. Москва, 1967. - 435 с.

136. Солодовников, В.В. Расчет и проектирование аналитических самонастраивающихся систем с эталонными моделями Текст. /В.В. Солодовников, Л.С. Шрамко // Машиностроение.- Москва, 1972.- 270 с.

137. Степахно, Р.Г. Еще раз об управляемости Номото Текст. / Р.Г. Степахно // Вестник МГТУ т.6. Москва, 2003. - С. 43-51.

138. Терехов, В.И. Нейросетевые системы управления Текст. /

139. B.И. Терехов и др. //Мир Москва, 2002. — 402 с.

140. Уидроу, Б. Адаптивная обработка сигналов Текст. / Б. Уидроу,

141. C. Стирнз // Мир Москва, 1989. - 342 с.

142. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика Текст. / //Мир. Москва, 1992. - 384 с.

143. Уткин, В.И. Скользящие режимы в задачах оптимизации и управления Текст. / В.И. Уткин //Наука,- Москва, 1981.- 368 с.

144. Фельдбаум, A.A., Электрические системы автоматического регулирования Текст. / А. А. Фельдбаум // Оборонгиз. Москва, 1957. — 488 с.

145. Фомин, В.Н. Адаптивное управление динамическими объектами Текст. / В.Н. Фомин, A.JI. Фрадков, В.А. Якубович // Наука,- Москва, 1981.- 448 с.

146. Цыпкин, Я.З. Информационная теория идентификации Текст. / Я.З. Цыпкин // Наука. Москва, 1954. - 406 с.

147. Цыпкин, Я.З. Адаптация и обучение в автоматических системах Текст. / Я.З. Цыпкин // Наука. Москва, 1968. - 400 с.

148. Цыпкин, Я. 3. Основы теории автоматических систем Текст. / Я.З. Цыпкин // Наука. Москва, 1997. - 418 с.

149. Чиндев, П.И. Теория автоматического регулирования Текст. / П.И. Чиндев // КВИАВУ.- Киев, 1963. 428 с.

150. Чичинадзе, В.К. Решение невыпуклых нелинейных задач оптимизации. Метод преобразования Текст. / В.К. Чичинадзе // Наука. Москва, 1983.-258 с.

151. Чураков, Е.П. Оптимальные и адаптивные системы Текст. / Е.П. Чураков // Энергоатомиздат. Москва, 1987. - 256 с.

152. Шокин, Ю.И. Интервальный анализ Текст. / Ю.И. Шокин // Наука.- Новосибирск, 1981.- 211 с.

153. Шульце, К. П. Инженерный анализ адаптивных систем Текст. / К. П. Шульце, К.Ю. Реберг // Мир. Москва. 1992. - 280 с.

154. Хакен, Г.Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах Текст. / Г. Хакен // Мир. — Москва, 1985.-488 с.

155. Хант, Э.Искусственный интеллект Текст. / Э. Хант // Мир. Москва, 1978.-358 с.

156. Юдин, Ю.И. Математические модели плоскопараллельного движения судна. Классификация и критический анализ Текст. / Ю.И. Юдин, И.И. Сотников // Вестник МГТУ, т. 9, №2, Мурманск, 2006. -С. 200-208.

157. Юдин, Ю.И. Маневренные характеристики судна как функции параметров его математической модели Текст. / Ю.И. Юдин, С.И. Поздняков // Вестник МГТУ, т. 9, №2, Мурманск, 2006. -С. 234-240.

158. Юревич, Е.ИТеория автоматического управления Текст. / Е.И. Юревич // Энергия. -СПб, 1969. 436 с.

159. Astrom, K. J., Towards intelligent control. IEEE Control Systems Magazine, Vol. 9, 1989.-P. 60-69.

160. Astróm К J., Wittenmark J. Adaptive Control // Addission Wesely, USA, 1989. 245 pp.

161. Barron A.R. Universal approximation bounds for a sigmoidal function // IEEE Trans. Infotm. Theory / 1993. - Vol. 39. - P. 930 - 945.

162. Brause R. Neural Netze: Eine Einfuhrung in die Neuroinformatik. -Stuttgart, Teubner, 1995. 325 pp.

163. Broomhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems. 1988. - Vol. 2. - №3.- P. 321 - 355.

164. Bulter, H. Reference Model Decomposition in Direct Adaptive Control / H. Bulter, G. Honderd, J.V. Amerongen // Int. Journal of Adaptive Control and Signal Processing. 1991, vol. 5, # 3. - P. 199 - 217.

165. Cybenco G. Appraximation by superposition of sigmoidal functions // Math. Control, Signal Syst. 1989. - №2. - P. 303 - 314.

166. Clarke D.W., Mohtadi C., Tuffs P.S. Generalized predietive control. Part 1: The basic algorithm // Automatica. 1987. - Vol. 23. - P. 137 - 148.

167. Funahashi K. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. - №2. - P. 183 - 192.

168. Gabel, Robert A. and Roberts, Richard A. Signals and Linear Systems. New York : John Wiley & Sons, 1973. 243 pp.

169. Gueler, G.F. Modeling, Design and Analysis of an Autopilot for Submarine Vehicle // International Shipbuilding Progress. 1989, vol. 36, # 15. -P. 81-85.

170. Gupta M.M., Rao D.H. Neuro-control systems: A tutorial. Control Systems. Theory and Applications / Ed. M. Gupta, D. Rao // IEEE Press. Intelligent Syst. Res. Laboratory, of Saskatchewan, Saskatoon, Canada, S7N 0W0, 1995. -P. 181-188.

171. Grossberg S. The adaptive brain. Vol. 1. — Amsterdam: North-Holland, 1987. 225 pp.

172. Girosi F., Poggio T. Representation properties of networks: Kolmo-gorov's theorem is irrelevant // Neural Computation. — 1989. № 1. - P. 465 - 469.

173. Girosi F., Poggio T. Netwoks and the best approximation property // Biological Cybernetics. 1990. - № 63. - P. 169 - 176.

174. Glad S.T. Lecture notes on nonlinear control system. Report №LiTH — ISY - R - 2212. - Linkuping University, 2000. - 367 pp.

175. Haykin S. Neural Networks. A comprehensive foundation. New York: Macmillan College Publishing Company, 1994. - 486 pp.

176. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. -New York: Wiley, 1949. 373 pp.

177. Haken H. Synergetic computer and cognition: A top — dawn approach to neural nets. Berlin: Springer - Verlag, 1991. - 335 pp.

178. Hopfield J.J. Neural Networks and Physical systems with emergent collective computational abilities // Proc. Nat. Acad. Sci. USA. - 1982. — № 79. — P. 2554-2558.

179. Hopfield J.J. Neurons with graded response have collective computation properties like those of two-state neurons // Proc. Nat. Acad. Sci. 1984. — № 81.-P. 3088-3092.

180. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. D.A. White, D.A. Softe. N.-Y.: Van Nostrand Reinhold, 1992.

181. Hornik K., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. — 1989. №2. — P. 359-366.

182. Hecht-Nielsen R. Kolmgorov's mapping neural network existence theorem // Int. Conf. NN. IEEE Press. 1987. - Vol. 3. - P. 11 - 13.

183. Kohonen T. Self-organization and associative memory. Berlin: Sringer-Verlag, 1987.

184. Lathi, B. P. Linear Systems and Signals. Calif: Berkeley-Cambridge Press, 1992. 353 pp.

185. Mandani E.H. Application of fuzzy algorithms for a simple dynamic plant//Proc. OflEE.-1986.-Vol. 121.-P. 1585-1588.

186. Markel, J., Gray, A. H. Jr. Linear Prediction of Speech. NY : SpringerVerlag, 1980. 379 pp.

187. Nadan M. T., Demuth H. B. Neural Networks for Control// Proceddings of the 1999 American Control Conference. San Diego: CA. 1999. -P 16421656.

188. Norrbin N. H. On the added resistance due to steering on a straight course/ZProc. 13th ITTC, Berlin and Hamburg. 1972. P. 1-24.

189. Nomoto K., Motoyama T. Loss of Prohulsion Power Caused by Yawing with Particular Reference to Automatic Steering // J. Soc. Nav. Arch. Jahan. Dec. 1966. Vol. 120, N12.-P. 71-80.

190. Park J., Sandberg I.W. Approximation and radial-basis-fiinction networks //Neural Compu. 1993. - Vol. 5. - P. 305 -316.

191. Pervoznsky A. Some error bounds for approximation by artifical neural networks // Proc. 13 triennial World Congress. San Grancisco, USA, 1996. — P. 157-162.

192. Rumelhart D.E., Hinton G.E., Williams RJ. Learning internal representation by error propagation // Parellel Distributed Processing / Eds. D.E. Rumel-hart, J.L. McClelland. Cambridge MA: MIT Press, 1986. - P. 318 - 362.

193. Saiful A. and S Omatu, Neuromorphic self-tuning PID controller. Proc. of 1993 IEEE ICNN. San Francisco, 1993.-P. 552-557.

194. Suykens Johan A.K., Vandewalle Jons P.L., De Moor Bart I.R. Artifical Neural Networks for Modelling and Control of Non-Linear Systems. — Bjston. Dordrecht. London, Kluwer Academic Publishers, 1998. 373 pp.

195. Substantial fuel savings promis'ed by Racal Decca's new adaptive autopilot // The Motor Ship, 1981- P. 49-50.

196. Sprecher D.A. On the structure of continuos of several variables // Trans. Of the American mathematical Society. 1965. - № 115. — P. 310 — 355.

197. Sun P., Powll B., Hrovat D. Optimal Idle Speed Control of an Automa-tive Engine // Proc. of American Control Conference 200. 26 — 30 Jun. Chicago, 2000/-P. 1018-1026.

198. Slotine, I.-J. E. Adaptive Sliding Controller Syntesis for Nonlinear Systems / I.-J. E. Slotine, J.A. Coetsee // Int. Journal Control. 1986. - Vol. 42, # 6.-P. 37-51.

199. Slotine, I.-J. E. Adaptive Sliding Controller Syntesis for Nonlinear Systems / I.-J. E. Slotine, J.A. Coetsee // Int. Journal Control. 1986. - Vol. 42, # 6.- P. 37-51.

200. Tadeusiewicz R. Sieci Neuronowe. Warszawa: PWN, 1993. - 325 pp.

201. Tsidori A. Nonlinear control systems // An Introduction 2nd ed. — Berlin: Springer-Verlag, 1989. 279 pp.

202. Takahashi Y., Chan C.S., Auslander D.M. Parametereins Gei linearen DDC — algorithmen // Regelungstecnik and Prozeb -Datanverarbeitung. — 1971. -Vol. 19.-P. 237 244.

203. Tonomary J and S Omatu Process control by on-line trained neural controllers. IEEE Thans on Industrial electronics, Vol. 39, pp. 511-521, 1992

204. Zaden L.A. Fuzzy sets and systems // Proc. Of Symp. On System Theory. Brooklyn, Polytechnic Institute, 1965. - P. 29 - 37.

205. Willems J.C. Dissipative dynamical systems. Part 1. General theory // Arch. Rational Mechanics and Analysis. 1972. - Vol. 45. - P. 321 - 351.

206. White, D. A. and Sofge, handbook of Intelligent Control., Van Nostrand Reinhold, new York, 1992. 375 pp.

207. Yongqiang Zhuo. Specialized learning for ship intelligent Track-keeping using neurofuzzy / Yongqiang Zhuo, Grant E. Hearn // CAMS 2004, IF AC Conference on Control Applications in Marine Systems.- Ancona, Italy, 2004.-P. 291 296.

208. РОССИЙСКИХ МОРСКОЙ РЕШС1Р СУДОХОДСТВА RUSSIAN МАВШМЕ REGISTER OF SHIPPING65.301. СВИДЕТЕЛЬСТВО CERTIFICATE1. No. „ 03.03.200606.00227.170

209. Владивосток, Россия Vladivostok, Russia1. Город, страна1.ktcc, country

210. Изготовитель ООО НПФ "Управляющие системы" Manufacturer Control systems Со.Ltd

211. Заказчик ЗАО "Дальневосточная судостроительная компания" Purchaser JSC "Far East Shipbuilding Leasing Company"

212. Заказ (контракт!) № Заводской заказ №

213. Purchaser'* order (contract) No. Work's order No.

214. Настоящим удостоверяется, что нижеперечисленные изделия изготовлены, освидетельствованы я испытаны в соответствии с правилами и предписаниями Российского морского регистра судоходства.

215. This is to certify that the products listed below have been manufactured, surveyed and tested in accordance with rules and regulations of Russian Maritime Register of Shipping.

216. Потребляемая мощность: 5 Вт

217. Точность автоматического удержания на заданном курсе: ± 0,1° Тип системы: Адаптивная.

218. Accuracy of automatic keeping the ship on a preset heading ± 0,1° Type of System: Adaptive autopilot