автореферат диссертации по транспорту, 05.22.19, диссертация на тему:Системы управления движением морских судов на основе рекуррентных нейросетевых моделей

На правах рукописи

КОНСТАНТИНОВА Елена Анатольевна

СИСТЕМЫ УПРАВЛЕНИЯ ДВИЖЕНИЕМ МОРСКИХ СУДОВ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

05.22.19 - Эксплуатация водного транспорта, судовождение

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 5 шр 2072

Владивосток - 2012

005014066

Работа выполнена в Федеральном бюджетном государственном образовательном учреждении высшего образования «Морской государственный университет им. адм. Г. И. Невельского».

Научный руководитель: доктор технических наук, профессор Дыда Александр Александрович

Официальные оппоненты:

Кувшинов Геннадий Евграфович, доктор технических наук, профессор, Дальневосточный федеральный университет, профессор кафедры судовой энергетики и автоматики

Артемьев Андрей Владимирович, кандидат технических наук, доцент, Морской государственный университет им. адм. Г. И. Невельского, доцент кафедры технических средств судовождения

Ведущая организация: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» имени В.И. Ульянова (Ленина), г. Санкт-Петербург

Защита состоится 28 марта в 14 часов

на заседании диссертационного совета Д 223.005.01 при Морском государственном университете им. адм. Г. И. Невельского по адресу: 690059, г. Владивосток, ул. Верхнепортовая, 50а, ауд. 241, факс (4232) 241-49-68.

С диссертацией можно ознакомиться в библиотеке УК-1 Морского государственного университета имени Г.И. Невельского. Автореферат разослан 27 февраля.

Ученый секретарь

диссертационного совета Ре: р Григорьевич

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

В современном мире особенно актуальными являются проблемы управления морскими подвижными объектами (МПО) и, в частности, морскими водоизмещающими судами. Это объясняется необходимостью обеспечить условия безопасного мореплавания при увеличивающейся интенсивности судоходства, когда требуется осуществление сложных маневров, прогнозирование возможной нестандартной ситуации, учет непредсказуемых внешних воздействий и др. Рациональная стратегия управления судном может оптимизировать расход топлива, уменьшить потери ходового времени, снизить себестоимость перевозок. Одной из важнейших систем судовой автоматики является система управления курсом, от качества работы которой напрямую зависит экономическая эффективность, защищенность внешней среды, надежность и безопасность мореплавания.

Значительный вклад в решение проблем управления МПО внесли российские ученые Лукомский Ю.А., Пешехонов В.Г., Скороходов Д.А., Чугунов B.C., Пантов E.H., Махин H.H., Шеремет Б.Б., Агеев М.Д., ЦымбалН.Н, Понырко С.А., Ястребов B.C., Юдин Ю.И., Вагущенко JI.JI. и др., а также их зарубежные коллеги Nomoto К., Bech М., Norrbin N.H., G. van Leeuwen, J. van Amerongen, J.C. Haarman, De Keizer C., Källström C.G., Äström K.J., Fossen T.I., Egeland O., Yorger D.R., Cooke J.G, Slotine J.-J.E., Healey L., Sutton R. и др.

МПО различных типов в значительной степени представляют собой сложные, априорно неопределенные по своим характеристикам, управляемые динамические объекты, функционирующие в недостоверно известной среде и разнообразных условиях, описание которых всегда является неполным.

Существенной причиной неопределенности динамики МПО является как неточность и неполнота информации об объекте и условиях его функционирования, так и погрешность измерений, используемых для формирования управляющих воздействий в процессе движения, неполнота

знаний о внешних возмущениях. К ним следует отнести резкие перепады ветро-волновых воздействий на МПО, течения и др.

Безопасность и эффективность мореплавания в значительной мере определяется степенью автоматизации процесса управления движением МПО. Для построения высококачественных систем управления движением морского судна и в целом класса МПО первостепенное значение имеет математическая модель управляемого объекта. Наличие адекватной математической модели позволяет решать как задачи анализа динамики морского судна, так и проблемы по совершенствованию систем управления движением, разработке и тестированию новых типов регуляторов.

Современная теория автоматического управления создала богатый арсенал средств, как для построения математических моделей динамических объектов, так и для синтеза управления. К их числу относятся: теория нелинейных, адаптивных, робастных, интеллектуальных и других систем. Большинство упомянутых методов, ориентированных, в частности, на решение задач идентификации, использует предположение об известности аналитической структуры дифференциальных и алгебраических уравнений, составляющих математическую модель. Такое допущение не всегда является оправданным и требует значительных усилий для доказательства его применимости.

В связи со сказанным, большой перспективой обладают методы исследования, которые не опираются на предположение об априорной определенности структуры и параметров уравнений математической модели. К числу таких методов относятся технологии, использующие нейронные сети (НС), получившие значительное развитие в последние два десятилетия. Это нашло отражение в публикациях российских ученых Горбаня А.Н., Нечаева Ю. И., Махотило К. В., Галушкина А.И., Веремей Е.И., Тархова Д.А., Терехова В.А. и др. и их зарубежных коллег Омату С., Хайкина С., Анил К. Джейн, Уоссермана Ф., Нарендры К. и др.

Применение нейронных сетей целесообразно, когда математическая модель объекта частично или полностью неизвестна. Широкое применение нейронных сетей обусловлено также и тем обстоятельством, что они являются нелинейными по своей сути и поэтому принципиально могут эмулировать нелинейные свойства МПО. Привлекательность использования искусственных нейронных сетей заключается, в первую очередь, в их способности к адаптации, или обучению, в реальном времени при минимальной априорной информации об объекте управления. При этом наиболее исследованными являются вопросы построения НС, аппроксимирующих априорно неизвестные нелинейные функции, в то время, как изучению динамических моделей уделяется совершенно недостаточное внимание.

Следует отметить, что математическая модель объекта является основой при разработке и исследовании систем управления движением морского судна или другого МПО. Точные аналитические модели динамики МПО, безусловно, наиболее предпочтительны при решении задач анализа и синтеза алгоритмов и систем управления. Однако, как показал обзор научно-технической литературы, большинство аналитических математических моделей достаточно упрощены и часто не учитывают факторы неопределенности, нестационарности и нелинейности, имеющие место в реальных МПО.

Таким образом, возникает проблема построения математических моделей (идентификации) МПО в условиях частичной или полной априорной неопределенности их структуры, которые адекватны наблюдаемой динамике объектов. В диссертационной работе решение задач, связанных с этой проблемой выполняется в классе рекуррентных нейронных сетей (РНС).

В связи со сказанным, целью настоящей диссертационной работы является развитие и исследование методов построения динамических моделей морских подвижных объектов на основе рекуррентных нейронных сетей.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

- анализ существующих математических моделей МПО и их специфики;

- анализ особенностей НС подхода;

- построение и исследование моделей динамики морских подвижных объектов на основе рекуррентных нейронных сетей;

- численное моделирование и верификация на экспериментальных данных полученных нейросетевых моделей МПО.

Основные результаты и положения, выносимые на защиту.

- Обоснование возможности, перспективности и эффективности применения рекуррентных нейронных сетей для решения задач идентификации динамики МПО.

- Рекуррентные нейросетевые модели движения морского судна, где показана высокая степень точности полученных НС моделей.

- Алгоритмы обучения (настройки) рекуррентных НС моделей динамики морского судна, в том числе, и на основе экспериментальных данных.

Методы исследования, применяемые в диссертации, включают в себя: теорию дифференциальных уравнений, теорию автоматического управления, теорию корабля, компьютерное моделирование, теорию нейронных сетей, экспериментальные исследования на имитаторе динамики судна ИС2005.

Научная новизна проведенного исследования состоит в следующем:

- проведен анализ ряда линейных и нелинейных математических моделей МПО выбранного класса, показавший их значительное разнообразие, отсутствие универсальной модели динамики МПО и актуальность развития новых методов их идентификации;

- показана перспективность построения динамических моделей МПО в классе рекуррентных нейронных сетей, которые не требуют априорного задания структуры моделей;

- продемонстрирована работоспособность подхода к нейросетевой идентификации на примерах моделей линейной и нелинейной динамики МПО а также с использованием экспериментальных данных.

Достоверность результатов подтверждается корректным использованием строгих математических методов исследования, применением современных компьютерных технологий вычислений и моделирования, использованием сертифицированного аппаратно-программного комплекса ИС2005.

Практическая ценность представленной работы заключается в упрощении и унификации подходов к процедуре построения моделей динамики МПО, уменьшении затрат и сокращение сроков разработки моделей. Однородность вычислительной структуры рекуррентной нейронной сети способствует относительно простой аппаратно-программной реализации полученных РНС-моделей морских подвижных объектов и созданию систем автоматического управления их движением.

Отдельные результаты диссертационной работы используются в учебном процессе МГУ им. адм. Г.И. Невельского. Запланировано внедрение результатов в научно-производственной фирме «Control system», г. Владивосток.

Апробация результатов. Основные результаты диссертационной работы обсуждались и получили одобрение на 58 и 59 Международных научно-технических конференциях «Молодежь - наука - инновации» МГУ им. адм. Г.И. Невельского, а также на научных семинарах кафедры автоматических и информационных систем и лаборатории нелинейных и интеллектуальных систем управления МГУ им. адм. Г.И.Невельского.

Публикации. По результатам исследования опубликовано 11 печатных работ, в том числе 3 в рецензируемых изданиях.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, приложений, списка литературы, содержащего 122 наименования, и изложена на 143 стр.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность проблемы построения систем автоматического управления движением МПО. Обсуждается состояние и развитие проблемы, намечены основные перспективные пути решения, сформулированы цель и задачи исследований, дана общая характеристика работы.

В первой главе обсуждаются основные аспекты моделирования и, в частности, особенности моделирования динамики морских подвижных объектов. Известные полные математические модели динамики МПО представляют собой сложные дифференциальные уравнения. Рассмотрена общая нелинейная многомерная динамическая модель МПО, показаны факторы ее существенной неопределенности, сложность для практического применения при разработке систем управления движением судна.

На практике часто применяются полностью или частично линеаризованные модели, которые более удобны для решения задач анализа и синтеза систем управления движением морского судна, однако игнорирующие важные особенности динамики МПО, которые могут оказать существенное влияние при интенсивном маневрировании судна

В диссертационной работе выполнен анализ наиболее известных и простых линейных моделей Номото первого и второго порядков, имеющих соответственно следующий вид:

Т — + Кссо = КЗ Л

Здесь коэффициенты Ка Ти Т2, К - константы, со - угловая скорость судна (скорость рысканья), 6 - угол поворота пера руля. Особенность этих моделей состоит в том, что указанные параметры обладают достаточно высокой степенью неопределенности, поскольку зависят от присоединенных масс воды, характеристик гидродинамического сопротивления, загрузки судна и т.д.

Возрастающие требования к безопасности мореплавания ведут к необходимости применения более адекватных нелинейных моделей при разработке систем управления движением судна.

В работе рассмотрены некоторые нелинейные модели динамики судна, основанные на дифференциальных уравнениях классической механики, которые адаптированы под отдельные классы задач за счет введения соответствующих нелинейных членов. По сути, они являются расширениями моделей Номото. Известны модели Норбина, Беха, Лемке, Ван Левена и др., в которых рассматриваются степень влияния нелинейностей и соответствующие функциональные зависимости.

На рисунках 1 и 2 представлены модели Норбина и Беха.

Рис.1 Модель Норбина

Рис.2 Модель Беха

В обеих моделях моменты сил вязкого сопротивления представляются с помощью нелинейных блоков, параметры К, п, Т2-константы.

Обзор литературы показывает, что единое мнение о виде нелинейных функциональных зависимостей, связанных с движением судна, отсутствует. Многообразие существующих моделей движения МПО показывает крайнюю сложность или даже невозможность создания их единой универсальной адекватной аналитической модели. Традиционные математические модели обладают жесткой аналитической структурой уравнений.

Более перспективным представляется подход, при котором отсутствуют или существенно ослаблены ограничения на структуру уравнений динамики МПО. Решение этой задачи осуществляется в классе рекуррентных нейронных сетей. Для их обучения (генерации обучающих выборок) будут использованы приведенные выше и другие модели динамики МПО, а также экспериментальные данные, полученные с имитатора динамики судна.

Во второй главе приводятся основные необходимые сведения из теории нейронных сетей. Обсуждаются основные типы нейронных сетей, их структура, виды активационных функций, а также алгоритмы обучения (настройки) нейронных сетей, принципиально приспособленных к моделированию динамических систем.

Показано, что в отличие от классического понимания параметрической или структурно-параметрической идентификации, под нейросетевой идентификацией динамического объекта подразумевается построение рекуррентной нейросети с динамикой, близкой к динамике исследуемого объекта.

Главное внимание уделяется классу рекуррентных нейронных сетей. Рекуррентные нейронные сети представляют собой адекватный математический аппарат для представления динамических систем. Аналогично традиционным моделям динамических систем, выходные переменные рекуррентных нейронных сетей, функционирующих в дискретном времени, зависят от их значений в предыдущие моменты времени, а также текущих значений внешнего входного сигнала.

Рекуррентные нейронные сети могут быть реализованы на базе нейронных сетей прямого распространения, охваченных обратной связью с блоками единичной задержки. Структура рекуррентной НС представлена на рис. 3, где 8 - входное воздействие, Z/ - звено единичного запаздывания, И(у/,\) - блок передачи, представляющий, в общем случае, многослойную НС прямого распространения, - матрицы весовых коэффициентов нейросети.

Рис. 3. Структура рекуррентной НС Проблема обучения (настройки) рекуррентной нейронной сети представляет собой оптимизационную задачу, которая может быть решена путем размыкания обратной связи и применения алгоритмов обучения нейронных сетей прямого распространения, обладающих широкими возможностями аппроксимации нелинейных функций.

В третьей главе исследуется возможность обучения рекуррентных нейронных сетей линейной и нелинейной динамике МПО. Рекуррентные нейросети позволяют моделировать динамические объекты, так как их выходные координаты в конкретный момент времени являются функциями входных воздействий и выходов РНС в предыдущие моменты времени. Для получения обучающих выборок использовались математические модели МПО и их модификации, анализ которых был осуществлен в первой главе. Для этого была выполнена дискретизация непрерывных динамических моделей.

В главе рассматриваются различные варианты структуры рекуррентной НС, один из которых представлен на рис. 4. На этом рисунке _/)(.) и /2(.) представляют собой соответственно активационные функции гиперболического тангенса и линейного типа.

Входы Первый слой Второй слой

Рис.4.Структура рекуррентной НС Настройка коэффициентов НС производится согласно рис. 5.

Рис.5. Схема обучения нейросети Целью обучения (настройки) сети является определение весовых коэффициентов, при которых реакция сети на конкретное входное воздействие минимально отличается от реакции модели судна. При

осуществлении процедуры обучения нейросетевой модели на ее вход, как и на вход модели судна, подается задающее воздействие (положение пера руля судна), а также значения выходных координат РНС в предыдущие моменты дискретного времени математической модели МПО (скорость рысканья), что и составляет обучающую выборку для НС. Критерий, позволяющий оценить близость поведения ИНС и модели судна, был выбран в следующем виде:

N N

1 = Е (хяс(0 - * (О)2 =2 е(02 = -> тт

1=0 1=0

В этой формуле х(1) - угловая скорость поворота судна (скорость рысканья); хНсО) - выход нейронной сети; /=0,1,2,З...Ы - дискретное время; Л^- длина обучающей выборки.

Процесс обучения представляет собой оптимизацию на множестве обучающей выборки по матрицам весовых коэффициентов РНС. После обучения блока рекуррентная НС замыкается обратной связью через

звено единичного запаздывания и используется уже как настроенная модель динамического объекта.

В главе описаны проведенные эксперименты по настройке нейронных сетей при подаче в качестве обучающей выборки данные, сгенерированные линейными моделями Номото первого и второго порядка, нелинейными моделями Норбина первого порядка, Беха второго порядка и другими. Результаты моделирования представлены в таблице 1 под номерами 1, 2, 3, 4 соответственно для каждой из перечисленных моделей.

Здесь и далее использованы следующие обозначения:

1 - выход моделей Номото (1,2), Норбина (3), Беха (4);

2 - реакция НС;

3 -ошибка, разница между значениями отклика математических моделей и реакцией обучаемой НС;

4 - входное воздействие.

Единицы измерения переменных 6, со (как и хнс) град и град/сек соответственно. Ось абсцисс представляет собой время, измеряемое в сек.

Вначале, необученная сеть, естественно, обладает произвольной динамикой, отличной от динамики исследуемого объекта. После обучения динамика настроенной рекуррентной нейронной сети с высокой степенью точности совпадает с динамикой выбранной модели судна.

После обучения рекуррентных нейронных сетей проводилось тестирование при измененных (не входивших в обучающую выборку) входных воздействиях, которое показало высокую степень сходства полученной нейросетевой динамики и модели МПО.

В таблице 2 приведены результаты тестирования предварительно

Графики реакции обученной НС

Входное воздействие

Сигнал

с шумовой

составляющей

Постоянный

сигнал

Ненулевые начальные

условия

Аналогичные исследования были проведены на выборках, сгенерированных моделью Номото второго порядка, моделью Норбина первого порядка, Беха второго порядка.

Исследования показали, что нейросетевая идентификация динамики МПО успешно выполняется и для разнообразных типов математических ( моделей вязкого сопротивления. Анализ полученных результатов показывает практическое совпадение реакций выбранных моделей судна и обученной РНС.

Проведенные исследования подтвердили сохранение 'работоспособности подхода к построению нейросетевых моделей МПО при действии умеренных внешних возмущений (шумов, ветро-волновых воздействий, течений), а также при наличии сопутствующей нелинейности 'исполнительных механизмов МПО, в частности, рулевой машины.

Исследована и продемонстрирована возможность выполнения нейросетевой идентификации динамики судна в замкнутом контуре системы управления.

Проведено исследование вопроса о сохранении идентификационных свойств рекуррентных нейросетей при их использовании в составе САУ движением МПО в рабочем режиме. Схема НС-идентификации для рассматриваемого случая приведена на рис. 6.

Рис. 6. НС-идентификация.

Выполненная идентификация морского судна позволяет реализовать различные алгоритмы (системы) управления, в частности, прогнозируемое управление (Model Predictive Control), управление, устойчивое к отказам (Fault Tolerant Control) и другие.

В четвертой главе исследуемый подход к построению нейросетевых моделей динамики МПО применяется к экспериментальным данным, полученным на имитаторе сигналов ИС 2005.

Приводятся основные характеристики имитатора, представляющего собой программно-аппаратный комплекс, кратко описывается его интерфейс.

С помощью ИС 2005 были получены данные при имитации движения шести типов судов: пассажирского судна прибрежного плавания, траулера,

транспортного рефрижератора, автомобильно-пассажирского судна, танкера, супертанкера. Моделировались различные условия плавания - скорость 8, 10, 15 уз, волнение от 1 до 3 баллов, изменялась скорость ветра. Это позволило | получить процессы, соответствующие динамике выбранного типа судна и

I

условиям плавания. При этом исследовались варианты использования точной I и зашумленной информации. Эти данные были приняты в качестве обучающих выборок для настройки рекуррентных нейросетевых моделей.1 После обучения рекуррентной нейронной сети (осуществления нейросетевой I идентификации) она, как, показывают полученные результаты (рис. 7 и 8), демонстрирует динамику, совпадающую с высокой степенью точности, с процессами, полученными на имитаторе ИС 2005.

Рис.7. НС-идентификация динамики траулера.

Рис.8. НС-идентификация динамики пассажирского судна прибрежного плавания.

ЗАКЛЮЧЕНИЕ

На основе анализа известных математических моделей движения морских подвижных объектов сделан обоснованный выбор применения рекуррентных нейронных сетей и показана эффективность данного подхода, позволяющего существенно повысить точность представления динамики МПО и при этом ослабить структурные ограничения, присущие традиционным моделям.

Разработана методика и алгоритмы проведения процедуры нейросетевой идентификации динамики морского подвижного объекта. Выполнена реализация разработанных алгоритмов нейросетевой идентификации.

Построены и протестированы на модельных данных рекуррентные нейросетевые модели движения морского судна.

Для различных типов морскх судов разработаны рекуррентные нейросетевые динамические модели, обучение которых выполнялось с использованием экспериментальных данных, полученных на базе сертифицированного имитационного программно-аппаратного комплекса.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ

Публикации в рецензируемых научных изданиях

1. Константинова, Е.А. Нейросетевая идентификация динамики МПО [Текст] / Е.А. Константинова, A.A. Дыда // Научные проблемы транспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ -2011.-№1. - с. 111-115

2. Константинова, Е.А Нейросетевая идентификация нелинейной модели судна [Текст] / Е.А. Константинова, A.A. Дыда, Д.А. Оськин // Научные проблемы транспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ-2011.-№2.-с. 153-155

3. Константинова, Е.А Влияние помех на точность нейросетевой идентификации модели судна [Текст] / Е.А. Константинова // Научные проблемы транспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ. - 2011.-J&2. - с. 149-152

Прочие публикации

4. Константинова, Е.А. Применение искусственных нейронных сетей в управлении динамическими объектами. [Текст] / Е.А. Константинова // Вестник Морского государственного университета. Сер. Автоматическое управление, математическое моделирование и информационные технологии. - Владивосток: Мор. гос. ун-т. - 2009.-№28. - с. 50-52

5. Константинова, Е.А. Моделирование искусственных нейронных сетей с помощью инструмента оптимизации MS Excel - надстройки Поиск решения [Текст] / Е.А. Константинова // Вестник Морского государственного университета. Сер. Автоматическое управление, математическое моделирование и информационные технологии. -Владивосток: Мор. гос. ун-т. - 2010.-№37. - с. 69-72

6. Константинова, Е.А., Рекуррентная нейронная сеть Элмана и ее моделирование в MATLAB [Текст] / Е.А. Константинова, A.B. Хлевицкий // Вестник Морского государственного

университета. Сер. Автоматическое управление, математическое моделирование и информационные технологии. - Владивосток: Мор. гос. ун-т. - 2010.-№37. - с. 72-77

7. Константинова, Е.А. Морские подвижные объекты как предмет моделирования [Текст] / Е.А. Константинова // Молодежь - наука -инновации: сборник материалов 58-й международной молодежной НТК. - Владивосток: Мор. гос. ун-т. - 2010. - с.76-77

8. Константинова, Е.А. Обзор и анализ математических моделей движения судна [Текст] / Е.А. Константинова // Молодежь - наука -инновации: сборник материалов 58-й международной молодежной НТК. - Владивосток: Мор. гос. ун-т. - 2010. - с. 78-80

9. Константинова, Е.А. Моделирование передаточных функций системы управления судном в системе Matlab [Текст] / Е.А. Константинова // Молодежь - наука - инновации: сборник материалов 58-й международной молодежной НТК. - Владивосток: Мор. гос. ун-т. -2010. - с. 80-83

Ю.Константинова, Е.А. Оценка влияния помех на процесс обучения нейронной сети [Текст] / Е.А. Константинова // Молодежь - наука -инновации: сборник материалов 59-й международной молодежной НТК. - Владивосток: Мор. гос. ун-т. - 2011. - с. 56-59

П.Константинова, Е.А Нейросетевая идентификация динамики судна по модели Номото. [Текст] / Е.А. Константинова // Молодежь -наука - инновации: сборник материалов 59-й международной молодежной НТК. - Владивосток: Мор. гос. ун-т. -2011.-е. 60-63

КОНСТАНТИНОВА Елена Анатольевна

СИСТЕМЫ УПРАВЛЕНИЯ ДВИЖЕНИЕМ МОРСКИХ СУДОВ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 20.02.2012. Формат 60 х 84/16. Бумага писчая. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ № 73 Отпечатано в типографии ИПК МГУ им. адм. Г.И. Невельского 690059 г. Владивосток, ул. Верхнепортовая, 50а

61 12-5/3430

ФЕДЕРАЛЬНОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ МОРСКОЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ имени адмирала Г.И. Невельского

На правах рукописи

КОНСТАНТИНОВА ЕЛЕНА АНАТОЛЬЕВНА

СИСТЕМЫ УПРАВЛЕНИЯ ДВИЖЕНИЕМ МОРСКИХ СУДОВ НА ОСНОВЕ РЕКУРРЕНТНЫХ НЕЙРОСЕТЕВЫХ

МОДЕЛЕЙ

05.22.19 - Эксплуатация водного транспорта, судовождение Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель:

доктор технических наук, профессор Дыда A.A. Владивосток - 2012

Содержание

ВВЕДЕНИЕ....................................................................................................4

Глава 1. ОСОБЕННОСТИ МПО И ИХ МАТЕМАТИЧЕСКИЕ МОДЕЛИ................................................................................................................12

1.1. Система управления курсом судна.................................................12

1.2. Общие аспекты моделирования......................................................16

1.2.1. Классификация моделей...........................................................18

1.2.2. Математические модели...........................................................22

1.2.3. Модель динамического объекта..............................................26

1.2.4. Математические модели МПО................................................28

1.2.5. Физические аспекты движения МПО.....................................31

1.2.6. Силы и моменты, действующие на корпус судна..................33

1.2.7. Системы координат...................................................................34

1.2.8. Полная математическая модель движения морского подвижного объекта......................................................................................38

1.2.9. Анализ математических моделей МПО..................................41

1.3. Линейные модели МПО..................................................................45

1.3.1. Математическая модель Номото.............................................46

1.4. Нелинейные модели МПО...............................................................49

1.5. Выводы по первой главе..................................................................52

Глава 2. НЕЙРОСЕТИ И ОСОБЕННОСТИ ИХ ПРИМЕНЕНИЯ..........54

2.1. Обоснование использования нейросетей.......................................54

2.2. Общие свойства нейронных сетей..................................................60

2.2.1. Структура нейронных сетей.....................................................65

2.2.2. Рекуррентные сети....................................................................67

2.2.3. Выбор структуры нейронной сети..........................................73

2.3. Обучение нейросетей.......................................................................74

2.4. Применение нейронных сетей........................................................78

2.5. Обоснование возможности построения нейросетевых моделей динамики МПО..................................................................................................80

2

2.6. Выводы по второй главе..................................................................82

Глава 3. СИНТЕЗ И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДИНАМИКИ МПО...............................................................................................84

3.1. Нейросетевая идентификация динамики судна на основе линейных моделей Номото...............................................................................85

3.1.1. Выбор архитектуры нейросети................................................86

3.1.2. Нейросетевая идентификация на основе линейной модели Номото первого порядка...............................................................................87

3.1.3. Численные эксперименты по нейросетевой идентификации на основе модели Номото 1-го порядка......................................................88

3.1.4. Нейросетевая идентификация на основе линейной модели Номото второго порядка...............................................................................93

3.2. Нейросетевая идентификация на основе нелинейных моделей Беха и Норбина..................................................................................................98

3.3. Обучение НС динамике модели МПО, учитывающей нелинейность рулевой машины.....................................................................103

3.4. Нейросетевая идентификация в замкнутой системе управления МПО..................................................................................................................104

3.5. Использование идентификации в схемах управления движением судна.................................................................................................................107

3.6. Выводы по третьей главе...............................................................110

Глава 4. НС-ИДЕНТИФИКАЦИЯ ДИНАМИКИ СУДНА НА ОСНОВЕ

ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ.............................................................111

4.1. Основные характеристики имитатора ИС 2005..........................111

4.2. Построение нейросетевых моделей МПО на основе экспериментальных данных...........................................................................115

4.3. Выводы по четвертой главе...........................................................123

ЗАКЛЮЧЕНИЕ.........................................................................................124

СПИСОК ЛИТЕРАТУРЫ.........................................................................126

ПРИЛОЖЕНИЯ.........................................................................................141

3

ВВЕДЕНИЕ

В современном мире особенно актуальными являются проблемы управления морскими подвижными объектами (МПО). Это в первую очередь объясняется необходимостью обеспечить условия безопасного мореплавания при увеличивающейся интенсивности судоходства, когда требуется осуществление определенных маневров, прогнозирование возможной нестандартной ситуации, учет непредсказуемых внешних воздействий и др. Рациональная стратегия управления может оптимизировать расход топлива, уменьшить потери ходового времени, снизить себестоимость перевозок. Естественно, система управления курсом является одной из важнейших систем судовой автоматики, от качества работы которой напрямую зависит экономическая эффективность, экологическая безопасность, надежность и безопасность плавания морского судна.

Следует отметить, что в Федеральной целевой программе «Глобальная навигационная система», утвержденной президентом Российская Федерация на период времени до 2011 года, особое место, с точки зрения обеспечения безопасности мореплавания, занимает подпрограмма «Технология высокоточной навигации и управления движением».

Значительный вклад в решение проблем управления МПО внесли российские ученые Лукомский Ю. А., Пешехонов В. Г., Скороходов Д. А., Чугунов В. С., Пантов Е. Н., Махин Н. Н., Шеремет Б. Б., Агеев М. Д., Цымбал Н. Н, Понырко С. А., Ястребов В. С., Юдин Ю. И., Вагущенко Л. Л. и др., а также их зарубежные коллеги Бех М., Норрбин Н., Д. ван Левен, Номото К., Фоссен Т. и др.

Морские подвижные объекты представляют собой класс сложных

динамических систем, которые действуют в условиях значительного влияния

внешней среды. МПО различного назначения в значительной степени

представляют собой сложные, априорно неопределенные по своим

характеристикам, управляемые динамические объекты, функционирующие в

недостоверно известной среде и разнообразных условиях, описание которых

4

всегда является неполным.

Существенной причиной неопределенности является как неточность и неполнота информации об объекте и условиях его функционирования, так и погрешность измерений, используемых для формирования управляющих воздействий в процессе плавания, неполнота знаний о нерегулярных внешних возмущениях. К ним следует отнести резкие перепады ветро-волновых воздействий на МПО, ограничения акватории плавания и др.

Из-за невозможности проведения полных натурных испытаний с учетом всех возможных воздействий и индивидуальных конструктивных особенностей каждого судна, чрезвычайно актуальной остается проблема получения их моделей. Моделирование динамики судна позволяет решать многие важные задачи управления его движением в заданных условиях, при стохастических внешних возмущениях, с учетом сложной геометрии судна, в связи с загрузкой или вертикального движения судна, влияния узостей и т.д. [12, 21, 25, 30, 60-62]. К настоящему времени существует множество публикаций о моделях российских (Басин А. М., Мастушкин Ю. М., Войткунский Я. И, Гофман А. Д., Павленко В. Г, Соболев Г. В., Федяевский К. К., Тумашик А. П., Мелкозеровой И. П., Першиц Р. Я. и др.) и зарубежных (Nomoto К., Bech М., Norrbin N.H., G. van Leeuwen, J. van Amerongen, J. C. Haarman, De Keizer C., Kallstrom C. G., Astrom K. J. и др.) ученых. В работах указанных и других авторов рассматриваются различные модели движения МПО. Вопросами моделирования динамики МПО занимались множество ученых, разработавших различные модели, имеющие разную степень сложности: от простейших, линейных, до более сложных, например, нелинейных, учитывающих вязкое сопротивление водной среды, нестационарное аэро- и гидродинамическое воздействие. Обзор литературы показывает, что модели различаются существенным разнообразием. Частным морским объектам соответствуют определенные математические модели.

Математическое моделирование ставит в соответствие моделируемому физическому процессу систему математических соотношений, решение

5

которой позволяет получить заключение о поведении объекта без его реального образца [43, 22, 96, 51, 63, 74]. Процесс получения моделей -достаточно непростой и трудоемкий, осложненный стохастичностью внешних воздействий, нестационарностью характеристик самого МПО, сложностью возможных форм судна, свойствами поверхности корпуса, особенностями обтекания - ламинарного или турбулентного. Учет всех этих данных позволяет создавать адекватные модели МПО и на их основе соответствующие системы управления.

Современная теория управления разработала богатый арсенал средств как для построения математических моделей динамических объектов, так и для синтеза управления. К их числу относится: теория нелинейных, адаптивных, робастных, интеллектуальных и других систем [16, 20, 23, 32, 34, 39, 45, 46, 47, 52, 64-66, 69, 70, 73, 74, 96, 110, 114]. Большинство упомянутых методов, ориентированных, в частности, на решение задач идентификации, использует предположение об известности структуры - вида дифференциальных и алгебраических уравнений, составляющих модель. Такое допущение не всегда является оправданным и требует значительных усилий для доказательства применимости.

В связи со сказанным, большой перспективой обладают методы исследования, которые не опираются на предположение об априорной определенности структуры и параметров уравнений. К числу таких методов относятся нейронные сети (НС), получившие значительное развитие в последние два десятилетия [5, 38-42, 31, 50, 73, 104-106].

Нейронные сети представляют собой перспективный класс однородных вычислительных структур, позволяющий воспроизводить сложные зависимости. Использование нейросетей целесообразно, когда математическая модель объекта частично или полностью неизвестна. Широкое применение нейронных сетей обусловлено также и тем, что они являются нелинейными по своей сути и поэтому принципиально могут эмулировать нелинейные свойства МПО. Привлекательность использования

6

искусственных нейронных сетей заключается также и в способности к обучению в реальном времени при минимальной априорной информации об объекте управления.

Следует отметить, что при разработке и исследовании систем управления движением МПО основой является математическая модель объекта. Безусловно, точные аналитические модели динамики МПО наиболее предпочтительны при решении задач анализа и синтеза алгоритмов и систем управления. Однако, как показал обзор научно-технической литературы, большинство аналитических математических моделей достаточно упрощены и часто не учитывают факторы неопределенности и нелинейности, имеющие место в реальных МПО.

В связи с этим возникает проблема построения математических моделей (идентификации) МПО в условиях частичной или полной априорной неопределенности их структуры, которые адекватны наблюдаемой динамике объектов. В настоящей диссертационной работе решение задач, связанных с этой проблемой, будет выполняться в классе рекуррентных нейронных сетей (РНС).

Целью диссертационной работы является развитие и исследование методов построения динамических моделей морских подвижных объектов на основе рекуррентных нейронных сетей.

Для достижения поставленных целей в диссертационной работе решается следующие задачи:

- анализ особенностей существующих математических моделей МПО;

- анализ особенностей НС подхода;

- построение моделей динамики морских подвижных объектов на основе рекуррентных нейронных сетей;

- численные эксперименты и верификация полученных нейросетевых моделей МПО.

Основные результаты и положения, выносимые на защиту.

- Обоснование возможности, перспективности и эффективности применения рекуррентных нейронных сетей для решения задач идентификации динамики МПО.

- Рекуррентные нейросетевые модели движения морского судна, где показана высокая степень точности полученных НС моделей.

- Алгоритмы обучения (настройки) рекуррентных НС моделей динамики морского судна, в том числе, и на основе экспериментальных данных.

Методы исследования, применяемые в диссертации, включают в себя: теорию дифференциальных уравнений, теорию автоматического управления, теорию корабля, компьютерное моделирование, теорию нейронных сетей, экспериментальные исследования на имитаторе динамики судна ИС2005.

Достоверность результатов подтверждается корректным использованием строгих математических методов исследования, применением современных компьютерных технологий вычислений и моделирования, использованием сертифицированного аппаратно-программного комплекса ИС 2005.

Практическая ценность представленной работы заключается в упрощении и унификации подходов процедуры построения моделей динамики МПО, уменьшении затрат и сокращение сроков разработки моделей.

Научная новизна проведенного исследования состоит в следующем:

- проведен анализ ряда линейных и нелинейных математических моделей МПО выбранного класса, показавший их значительное разнообразие, отсутствие универсальной модели динамики МПО и актуальность развития новых методов их идентификации;

- показана перспективность построения динамических

8

моделей МПО в классе рекуррентных нейронных сетей, которые не требуют априорного задания структуры моделей;

- продемонстрирована работоспособность подхода к нейросетевой идентификации на примерах моделей линейной и нелинейной динамики МПО а также с использованием экспериментальных данных.

Апробация результатов. Основные результаты диссертационной работы обсуждались и получили одобрение на 58 и 59 Международных научно-технических конференциях «Молодежь - наука - инновации» МГУ им. адм. Г. И. Невельского, 2010 и 2011 годов, а также на научных семинарах кафедры автоматических и информационных систем и лаборатории нелинейных и интеллектуальных систем управления МГУ им. адм. Г. И. Невельского.

Публикации. По результатам диссертационных исследований опубликовано - 11 работ, из них 3 - в рецензируемых научных изданиях.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, содержащего 122 наименования, приложений и изложена на 143 стр.

В первой главе обсуждаются основные аспекты моделирования и, в частности, особенности моделирования динамики морских подвижных объектов. Рассмотрена общая многомерная динамическая модель МПО, показана ее существенная нелинейность и неопределенность, сложность для практического применения при разработке систем управления. Выполнен анализ наиболее известных линейных моделей Номото первого и второго порядка, нелинейных моделей Беха и Норрбина. Показана актуальность развития подхода к построению моделей МПО в классе рекуррентных нейронных сетей.

Во второй главе приводятся основные необходимые сведения из теории нейронных сетей. Обсуждаются основные типы нейронных сетей, их

9

структура, виды активациониых функций, алгоритмы обучения (настройки) нейронных сетей. Главное внимание уделяется классу рекуррентных нейронных сетей, принципиально приспособленных к моделированию динамических систем. Показана перспективность их применения для идентификации динамических объектов.

В третьей главе исследуется возможность обучения рекуррентных нейронных сетей линейной и нелинейной динамике МПО. Для получения обучающих выборок использовались математические модели МПО и их модификации, анализ которых был выполнен в первой главе. После обучения рекуррентных нейронных сетей проводилось тестирование, которое показало высокую степень сходства полученной нейросетевой динамики и поведения модели МПО при измененных (не входивших в обучающую выборку) входных воздействиях. Исследования показали, что нейросетевая идентификация динамики МПО успешно выполняется для разнообразных типов математических моделей вязкого сопротивления.

Показано сохранение работоспособности подхода к построению нейросетевых моделей МПО при действии умеренных внешних возмущений (шумов, ветро-волновых воздействий, течений), а также при наличии сопутствующей нелинейности исполнительных механизмов МПО, в частности, рулевой машины.

Исследована и продемонстрирована возможность выполнения нейросетевой идентификации динамики судна в замкнутом контуре системы управления.

В четвертой главе исследуемый подход к построению нейросетевых моделей динамики МПО применяется к экспериментальным данным, полученным на имитаторе сигналов ИС 2005.

Приводятся основные характеристики имитатора, представляющего собой программно-аппаратный комплекс, кратко описывается его интерфе