CC BY
86
модифицированным нерекуррентным методом потенциальных функций, который работает значительно быстрее, обеспечивая тот же уровень ошибок, что и метод потенциальных функций.
ПЕРЕЧЕНЬ ССЫЛОК
1. Дубровин В.И. Идентификация и оптимизация сложных технических процессов и объектов.-Запорожье:ЗГТУ,1997.-92 с.
2. Биргер И.А. Техническая диагностика.-М.: Машиностроение, 1978.-240 с.
3. Горелик А.Л., Скрипкин В.А. Методы распознавания.-М.: Высшая школа, 1989.-232 с.
4. Суббот!н С.О. Нейронш мереж1 керують якютю // Пульсар, 1999, № 12, С. 8-10
5. Горбань А.Н. Обучение нейронных сетей.-М.: СП "ПараГраф", 1990.-159 с.
6. Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антонов В.Н. Нейросетевые системы управления.-СПб.: Издательство С.-Петербургского университета, 1999.-263 с.
7. Нейрокомпьютеры и интеллектуальные роботы / Амосов Н.М., Байдык Т.Н., Гольцев А.Д. и др.; Под ред. Амосова Н.М.-К.:Наукова думка,1991.-272 с.
8. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин.-М.: Наука, 1970.-384 с.
9. Дубровин В.И., Субботин С.А. Эвристический алгоритм классификации и его нейросетевая интерпретация // Радюелектрошка. ¡нформатика. Управлшня, 2000, № 1, C. 72-76.
10. Дубровин В.И., Субботин С.А. Нейросетевое моделирование и оценка параметров нелинейных регрессий // Нейрокомпьютеры и их применение / Сборник докладов 6-ой Всероссийской конференции, Москва 16-18 февраля 2000.-М.:Издательское предприятие журнала "Радиотехника", 2000.- С. 118-120.
11. Dubrovin V., Subbotin S. Choice of neuron transfer functions and research of their influence for learning quality of neural networks // Proceedings of International Conference on Modern Problem of Telecommunications, Computer Science and Engineers Training TCSET'2000, February 14-19, 2000, Lviv-Slavsko, pp. 45-46.
12. Дубровин В.И., Субботин С.А. Нейросетевая диагностика лопаток энергетических установок // Датчики и преобразователи информации систем измерения, контроля и управления / Сборник материалов XII научно-технической конференции с участием зарубежных специалистов. Под ред. проф. В.Н. Азарова. М.: МГИЭМ, 2000.-С. 240-242.
УДК 681.3.069:681.3.015
КОМБИНИРОВАННАЯ ДИАГНОСТИКА И КОНТРОЛЬ ПАРАМЕТРОВ ГТД НЕЙРОНЕЧЕТКОЙ ГИБРИДНОЙ ЭКСПЕРТНОЙ СИСТЕМОЙ
С. В. Жернаков
Рассматриваются основные подходы к построению гибридных нечетких экспертных систем диагностики и контроля параметров авиационного двигателя. Приводится структура экспертной системы, рассматривается пример решения комплексной задачи диагностики и контроля параметров ГТД. Рассматривается пример распознавания отказов датчиков при нормально работающем авиационном двигателе. Разработана методика построения подобных экспертных систем.
The principal approaches to construction of the aviation engine parameters hybrid fuzzy expert system of the diagnosis and control are considered. It is adduced the expert system structure, quoted the example of the solving of the complex task for diagnosis and control of gas turbine engine parameters. The example of recognizing of sensors failures in case of normal engine working is considered. The method of such type of expert systems construction is elaborated.
ВВЕДЕНИЕ
Развитие современных гибридных нейронечетких экспертных систем (ГННЭС) востребовано временем. Сложный объект диагностики, например, авиационный двигатель, требует не менее сложного аппарата диагностики и контроля, к которым относятся ГННЭС. В последнее время в монографиях и статьях этим интеллектуальным системам отводится место среди
динамических экспертных систем (ЭС) или ЭС реального времени (ЭС РВ) [1-3]. Эти программные продукты традиционно дороги: за рубежом стоимость экспертных оболочек-лидеров этого направления ЭС достигает нескольких десятков тысяч долларов, например, ЭС РВ С2 от 45 тыс. долларов. Учитывая эти обстоятельства, большинство разработчиков ЭС успешно развивают собственные программные продукты, способные качественно и продуктивно решать частные задачи, например, в области диагностики и контроля авиационных газотурбинных двигателей (ГТД).
Существующие в настоящее время методы и методики диагностики и контроля ГТД требуют существенных доработок, так как новые поколения авиационных двигателей требуют качественно новых интеллектуальных компьютерных технологий диагностики и контроля, базирующихся на теории экспертных систем (ЭС), нейросетей (НС), нечеткой логике (НЛ) и генетических алгоритмах (ГА), способных учесть накопленный опыт предшествующих работ в этой области и развивающих (обобщающих) новые методы и методики их исследования.
В современных ГТД одной из главных задач является
контроль и диагностика его параметров. Общее количество контролируемых (диагностируемых) параметров может достигать 500 и более. В этих условиях применение нечетких ЭС является актуальной задачей, так как при равных вычислительных возможностях по отношению с четкими ЭС они позволяют охватить больший спектр решаемых задач.
Среди комплексных задач существенно повышающих эффективность диагностики и контроля параметров ГТД и элементов систем автоматического регулирования, необходимо решить ряд вопросов, направленных на устранение препятствий для идентификации состояния авиационного двигателя. Эти вопросы связаны:
- с неисправностью датчиков первичной информации, что может вызвать ложные срабатывания системы контроля ГТД и значительно снизить достоверность идентификации отказа. Для правильного функционирования системы контроля состояния авиационного двигателя необходимо отделять (классифицировать) отклонения, вызванные изменением характеристик силовой установки, от отклонений измеряемых параметров, связанных с неисправностью датчиков, т.е. необходимо параллельно осуществлять идентификацию состояния двигателя, параметров его газовоздушного тракта и системы измерений с одновременной идентификацией программы регулирования [4 - 8];
- с трудностями выделения отказов элементов двигателя и отказов датчиков при отказах двигателя (в том числе и его подсистем), приводящим к малым отклонениям газодинамических параметров (например, при прогаре отдельных лопаток турбины), соизмеримых со случайными погрешностями в измерительных каналах
[4 -10];
- с трудностями автоматического получения и выделения необходимой достоверной информации в каждом полете на установившихся и переходных режимах работы (получение независимых измерений после каждого перехода двигателя на новый установившийся режим, четкое разделение переходных и установившихся режимов), что необходимо для повышения достоверности контроля и диагностики состояния двигателя и элементов САУ непосредственно на стенде и в полете при малых отклонениях от предполагаемого эталона измеряемых параметров [4 -13].
1. ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ
1. Пусть задано ^-мерное пространство признаков, каждая точка которого может быть представлена ^-мерным вектором X = ...,XN . Разделим это пространство на Q областей, называемых классами. Пусть задана обучающая выборка {X, В} = (Х^ В1), (Х2, В2),...,
(X^ В, где - точка в пространстве признаков; -
метка класса, к которому принадлежит данная точка. Работа классификатора заключается в том, чтобы для каждой новой точки X, не входящей в обучающую выборку, в условиях частичной или полной неопределенности, указать, к какому классу относится эта точка, используя для этого обучающую выборку {X, В} .
Для решения задачи в такой постановке предлагается новый подход, основанный на применении в качестве классификатора одной из подсистем (статической нечеткой базы экспертных знаний) гибридной нейроне-четкой экспертной системы.
2. Пусть состояние сложного динамического объекта X в каждый дискретный момент времени t описывается
^мерным вектором X = (XI,X2, ...,XtN) переменных, удовлетворяющих N уравнениям Xt + 1 = F(Xt, Qt) к = 1, 2, ..., М; где Qt = (, #2, .••, ) - вектор, эталонного (бездефектного) состояния сложного динамического объекта (СДО). Измерения, проводимые на СДО в любой момент времени могут быть описаны:
У1 = Н■ X1, где ^ = (у1,у2, ...,У1К) - вектор состояния реально измеренных параметров; Н - матрица преобразования.
Требуется определить диагностический вектор состояния СДО, минимизирующий среднеквадратическую
ошибку между эталонным (желаемым) У и реально
измеренным Уг выходами СДО.
Для решения задачи в такой постановке предлагается новый подход, основанный на применении в качестве устройства распознавания гибридного нейронечеткого ансамбля нейросетей, который реализует динамическую базу экспертных знаний в гибридной нейронечеткой экспертной системе.
2. МЕТОДЫ ДИАГНОСТИКИ
В настоящее время одним из перспективных направлений в области диагностики и контроля параметров ГТД является контроль и диагностика авиационных двигателей на переходных и неустановившихся режимах их работы, что требует интенсивного развития методов и средств диагностики и контроля состояния авиационных двигателей.
В качестве основных методов, пригодных для диагностики и контроля параметров ГТД отметим следующие [4,9,10-12]:
- метод малых отклонений (по уравнениям, связывающим основные характеристики ГТД и его отдельно контролируемых параметров, вычисляются коэффициенты влияния, качества протекающих в ГТД процессов);
причем те параметры, которые имеют наибольшие коэффициенты влияния, считаются наиболее информативными;
- метод факторного анализа (по результатам многофакторного эксперимента определяется связь обобщенного показателя качества (эффективности) ГТД с его контролируемыми параметрами, после этого производится оценка значимости коэффициентов полученной функциональной зависимости;
- метод экспертных оценок (перечень контролируемых параметров ГТД устанавливается с учетом мнений определенного числа экспертов - специалистов в данной предметной области);
- метод оптимизации набора контролируемых параметров, где с помощью данного метода обеспечивается выбор их значений параметров ГТД (число параметров считается заданным), которые доставляют экстремум принятому критерию оптимальности (максимум количества получаемой информации, минимум среднего риска и т.д.);
- метод математического моделирования ГТД (исследование ГТД производится на моделях, детализированных в зависимости от конкретных условий, и адекватных в отношении предварительно названной совокупности параметров; в результате проведения серии экспериментов, связанных с типовыми отказами, определяются параметры (признаки) ГТД, наиболее критичные к изменению его состояния).
Наиболее полно характеристику перечисленных методов можно найти, например, в [4,10]. В то же время, следует отметить, что применение перечисленных выше методов в условиях частичной или полной неопределенности параметров ГТД мало эффективно [4 -12]. Эти методы либо полностью не работоспособны (метод обобщенного параметра, метод факторного анализа, метод оптимизации контролируемых параметров и др.), либо частично работоспособны (метод малых отклонений, метод экспертных оценок, метод допускового контроля и др.) и их необходимо дорабатывать с учетом специфики решаемой задачи (внешние условия, режим работы, контролируемые и диагностируемые параметры и т.д.) и с учетом погрешностей измерений контролируемых и диагностируемых параметров [13-19].
Сложность проблемы комплексной диагностики и контроля ГТД в условиях частичной или полной неопределенности его параметров определена следующими причинами:
- недостаточностью измерительной информации (неопределенность в выборе: количества датчиков, места их расположения, точности);
- неопределенностью способа декомпозиции объекта (нечеткость в составе подсистем ГТД, их количестве) и декомпозиции пространства состояний (рис.2) (неопределенность в количестве областей, их взаимном расположении, мерах пересечения);
- наличием внешних возмущений (неопределенность связана с шумами, помехами, неточностями измерений, неадекватностью математической модели);
- необходимостью обучения системы контроля (допуски неточны, их трудно определить, назначить и т.д.)
3. КЛАССИФИКАЦИЯ СОСТОЯНИЯ ГТД
Организация достоверного контроля и диагностики ГТД существенно осложняется теми обстоятельствами, что для получения объективной и полной информации о техническом состоянии авиационного двигателя необходимо включать в процедуру контроля и диагностики значительное число разнородных физических величин (параметров), отражающих поведение его различных подсистем. На рис.1 X!, ...,Xm - параметры, характеризующие управляющие воздействия (0{ - расход топлива; Ьвз - величина перемещения центрального тела воздухозаборника; F/вна - угол поворота входного направляющего аппарата; Fс - площадь сопла); Xn + р _, Xr -
промежуточные переменные, характеризующие процессы, происходящие в отдельных системах и подсистемах ГТД; Xm + 1,____Xn - управляемые переменные (выходы
объекта: п^ и П2 - обороты первого и второго вала ГТД; Т3* - температура газов перед турбиной; Т4* - температура газов за турбиной; Р^ - давление на выходе из компрессора; X.[, _,Xr - измеренная суммарная информация, поступающая на вход ЭС и по совокупности которой она принимает решение).
Рисунок 1 - Комплексная диагностика и контроль ГТД нечеткой ЭС
Переход ГТД из одного состояния в другое сопровождается проявлением целого ряда признаков -ощутимых изменений контролируемых и диагностируемых параметров. На (рис.2) изображена геометрическая интерпретация задачи, решаемой гибридной нечеткой ЭС. Нетрудно видеть, что данная задача представляет
собой частный случай известной задачи статистической классификации [4,9], которая может быть сформулирована следующим образом: по результатам ограниченного числа измерений параметров диагностируемого объекта необходимо принять оптимальное решение о принадлежности его к тому или иному классу объектов. В [4] уточнено понятие класса. Класс - это подмножество объектов, все члены которого обладают определенным сходством, т.е. общностью основных свойств (признаков), при этом каждый из классов характеризуется собственным эталоном, который имеет усредненные признаки и является в этом смысле наиболее типичным представителем соответствующего класса. На (рис.2) - область исправных состояний; ^ - область
критических состояний; - область неисправных состояний; Р1 , Р2 , Р3 - классы (области) неопределенных состояний.
зуются разбросом, поэтому представление о нем становится бесформенным, расплывчатым, нечетким (пересечение образов), что на практике может привести к ошибочным решениям и является главным препятствием при построении эффективного решающего правила.
4. Структура гибридной нейронечеткой ЭС. Структурная схема нечеткой гибридной ЭС изображена на (рис.3), где НЛ - блок нечеткой логики; КГ - блок когнитивной графики; БКЗ - база концептуальных знаний; БЭЗ - база экспертных знаний, ГННА -гибридный нейронечеткий ансамбль.
Рисунок 2 - Геометрическая интерпретация задачи контроля параметровГТД
Геометрически состояние ГТД можно представить М-мерным вектором (Хм ) (рис.2), где координатами пространства служат М измеренных параметров двигателя (X1,X2, ...,Хм) [4-7,9]. Положение вектора состояния
в пространстве при этом будет определять некоторую степень работоспособности ГТД, а разделение эталонов означает построение в этом пространстве так называемых разделяющих гиперповерхностей, устанавливающих границы между различными классами. При этом правило, в соответствии с которым производится построение разделяющих гиперповерхностей, а следовательно, осуществляется принятие решения о том, к какому классу относится диагностируемый объект, называется решающим правилом. На (рис.2) видно, что признаки ГТД в пределах каждого класса характери-
Рисунок 3 - Процесс информационного обмена в гибридной нейронечеткой ЭС
В базе знаний содержится ряд методов [4-13], доработанных и адаптированных в среде ЭС (база концептуальных знаний, база экспертных знаний, база правил и функции принадлежности, файлы БД) с учетом требований решаемой пользователем задачи; спецификой исследуемой им математической модели, которая может быть представлена в виде [10]:
- детерминированной модели диагностируемого объекта (детерминированные методы обработки);
- стохастической (вероятностной) модели диагностируемого объекта (вероятностные методы);
- комбинированной модели диагностируемого объекта (комбинированные методы);
- информации об определенных физических явлениях, описывающих или объясняющих состояние диагностируемого объекта (физические методы).
Анализ статистической информации о появлении дефектов ряда отечественных и зарубежных двигателей в процессе их эксплуатации показал [4-13], что из всей совокупности дефектов около 25% могли быть диагностированы первым методом; 25-30% - вторым; 3035% - третьим и 10-20% - четвертым. С точки зрения их значимости алгоритмы диагностирования более или менее равноценны и поэтому на практике могут применяться в равной мере. Формализация алгоритмов диагностирования в среде гибридных нечетких ЭС
позволит повысить их качественные и количественные оценки при постановке ими диагноза. Учитывая, что ГТД является сложным объектом, многие процессы в котором трудно описать аналитически, построение алгоритмов диагностирования и контроля в большинстве случаев базируется на комбинированных методах, адаптировать которые в среде гибридных нечетких ЭС не является проблемой [14-20], т.к. последние "хорошо приспособлены" к решению подобных задач.
5. Разнородные знания. База концептуальных знаний (БКЗ) в среде гибридной нейронечеткой ЭС образуется в виде отдельных понятий (формул, таблиц, графиков, нечетких правил), которые образуют ее структурную и физическую организацию. Формы представления знаний в ГННЭС разделяются на декларативные (описательные) и процедурные (вычислительные) [1-3,14,1922,23]. Однако это разделение, также как и применяемые на практике математические модели (ММ) диагностики и контроля параметров ГТД, адаптированные в среду ГННЭС, очень условно, т.к. последние могут эффективно использовать обе формы представления знаний (логическую и сетевую). Это связано с тем, что на различных этапах диагностики и контроля параметров авиационного двигателя эксперт (в зависимости от знаний и опыта) может применять различные по точности ММ.
Так в одном случае, на этапе экспресс-анализа, она может быть описана как формальная система, которая может быть задана в общем виде:
М = <8, И, В, Б),
где 8 - множество базовых элементов; И - множество синтаксических правил для построения из 8 правильных выражений; В - множество истинных выражений (аксиом); Б - семантические (нечеткие) правила для построения аксиом из других выражений. Данная ММ позволяет провести "грубый" анализ по выявлению крупных дефектов (аварийные и катастрофические ситуации).
В процессе натурного или полунатурного эксперимента чаще используются ММ ГТД, где на основе имеющейся априорной информации о конструктивных особенностях двигателя и физических процессах соответствующих его правильному функционированию, разрабатывается ММ ГТД в виде функционального отношения А между переменными состояния объекта, управляющими воздействиями и наблюдаемыми (контролируемыми) параметрами и внешней среды в виде [5,6]: ■ * ■ ~ ~
О (^ = F(О(t), и(t), У{t)Щ^А*); Я*(^ = Ф(О(и(Г(ООА*);
т( t) = с* я*( t) + н*( t),
где О* - вектор текущего состояния модели объекта; и
- оценка вектора управляющих воздействий; V - оценка
вектора внешних воздействий; Я* - вектор выходных
сигналов модели; Ж* - вектор наблюдения выходных
параметров модели; с* - матрица наблюдений модели;
А* - вектор параметров модели объекта; Н* - вектор погрешностей вычисления, характеризующийся пятью компонентами:
Ж
¡;,к*(t) = Р^,к(Щ(t), Вк,Ок,РкЛк),
где к*(0 - вектор выходных сигналов; Г) -вектор входных воздействий, характеризуемый определенным -м сочетанием компонент векторов наблюдений выходных параметров объекта 0 , управляющих и(t) и выходных V(t) воздействий на объект, = 1,5; Вк = {гР Г2_} - множество элементарных моделей, характеризуемых определенным к -м сочетанием, к= 1, К ; Ок - оператор преобразования вектора входных воздействий в вектор выходных сигналов, задающий способ интеграции элементарных моделей; вк - условия функционирования; ук - длительность функционирования
объекта диагностирования.
В другом случае, когда необходим точный диагноз состояния авиационного двигателя и более полная его экспертиза, удобно применять сетевые модели, т.к. они позволяют охватить более сложный спектр знаний за счет включения в явной форме всех отношений, образующих информационную структуру (в том числе и результаты испытаний конкретных двигателей) с описанием их семантики собственно в виде семантических сетей и фреймов [1-3,20]. Поэтому эти модели более информативны и точны.
Адаптация ММ диагностики и контроля ГТД в среде гибридной нейронечеткой ЭС имеет ряд особенностей [14 -19]:
- ММ хранится и формируется в концептуальной базе знаний в виде отдельных понятий (воздухозаборник, компрессор, камера сгорания, турбина и т.д.);
- ММ постоянно хранится в памяти ЭВМ и может динамически расширяться за счет новых понятий, добавляемых в БКЗ;
- ММ может быть непосредственно встроена в экспертную базу знаний (ЭБЗ) в виде сетевой или логической модели (семантические сети, фреймы);
- ММ не зависит от входных и выходных данных вычислительного процесса и методов решения (функции интеллектуального решателя задач);
- ММ функционально расширяется элементами когнитивной графики, несущими дополнительную смысловую нагрузку в ММ;
- ММ может взаимодействовать с базами данных (БД) и базами знаний (БЗ) в пределах общего информационного пространства интеллектуальной среды и т.д.
Взаимодействие гетерогенных БЗ (БД, ЭБЗ, БКЗ, баз правил (БП)) с ММ и внешними программами-утилитами на этапе диагностики и контроля ГТД показано на (рис.4). Общая процедура обращения к ММ в ЭС выглядит следующим образом:
< Р> < Р> < S> ,
где <Р> - объект в БЗ; <Б> - понятие в БЗ; < S> -множество входных и выходных параметров ММ [16,18,19].
Dm, где Di -
в общем виде
Рисунок 4 - Взаимодействие гетерогенных БЗ с ММ в
ЭС
L - условие в виде D1V D2 V .. дизьюнкт в виде E11&E12&....E1n;
K - действие в виде G1&G2&.....Gk.
Нечеткость в БЭЗ может быть представлена:
(L ^ K(Z)),
где {L}, {K}, {Z} - множества нечетких переменных [2025]. Множества L, K, Z определяют частично или полностью неопределенные параметры диагностической нечеткой модели ГТД.
Диагностика ГТД (граф причинно-следственных связей) в среде БЭЗ ЭС представляет собой декомпозицию вида [19]:
Задача(О) ^ Подзадача1(01)#.....#ПодзадачаЫХ0п),
где Q - набор входных и выходных параметров задачи; # - символ конкатенации (перехода) из одной БЭЗ в
другую.
Однако каждая задача (цель) может быть декомпозирована на ряд подзадач (подцелей). В этом случае выбор способа решения основной задачи зависит от особенностей решения каждой из подзадач. Параметр, управляющий процессом решения целевой задачи (диагностики и контроля параметров ГТД), является свойством ее решения. Поэтому продукция цели БЭЗ преобразуется в продукции подцели:
Задача^)=Свойство ^ Подзадача1^1)=Свойство1#... .........#ПодзадачаЫ^п)=Свойство п.
Решатель совместно с машиной логического вывода в гибридной нейронечеткой ЭС решает прямые, обратные и смешанные задачи.
Работа ММ с несколькими БЗ и БД в ЭС (рис.4) осуществляется путем их совместного объединения в едином информационном пространстве благодаря входному языку гибридной нечеткой ЭС, позволяющему эффективно адаптировать и расширять концептуальную модель ГТД.
Процесс решения задачи решателем на ММ в среде ЭС осуществляется по следующему запросу [2,17,20]: ММ ^1) ^ ММ №) (1) ? S1,S2
ММ - ММ диагностируемого ГТД;
S1, S2 - диагностируемые параметры;
(1) - один из логических операторов.
БЭЗ представлена в виде четких, нечетких и комбинированных продукций ("если Ь, то К "):
6. МЕТОДИКА КОМПЛЕКСНОЙ ДИАГНОСТИКИ И КОНТРОЛЯ
Для решения поставленной автором комплексной задачи диагностики и контроля параметров ГТД и датчиков первичной информации на базе гибридной нейронечеткой ЭС предлагается следующая методика:
1. Формализация предметной области (разработка концептуальной модели (рис.5)); адаптация модели нормально работающего ГТД с эталонными зависимостями (на данном этапе по сведениям эксперта, разрабатывается концептуальная модель ГТД, адекватно отражающая происходящие в нем физические процессы; встраиваются файлы экспериментальных данных испытаний в виде таблиц и графиков с эталонными зависимостями на конкретных режимах работы).
Рисунок 5 - Концептуальная модель ГТД и одна из его подсистем
ГТД и датчиков) (полная проверка работоспособности ЭС и ее подсистем, с учетом максимальной глубины поиска неисправности (до элемента) в авиационном двигателе).
Оригинальность предлагаемой автором методики, заключается в том, что хорошо известные методы диагностики и контроля параметров ГТД и датчиков первичной информации функционально расширяются элементами нечеткой логики [20-25] и могут применяться совместно (комплексно) благодаря общему информационному пространству гибридной нейронечеткой ЭС и заключаются в следующем:
- гибридная нейронечеткая ЭС включает в себя (базы концептуальных и экспертных знаний) ряд методов [49], расширенных элементами нечеткой логики, встроенными в виде нечетких правил в нечетких базах экспертных знаний [20-25];
- ЭС позволяет имитировать поведение авиационного двигателя и его подсистем совместно с датчиками первичной информации в реальном масштабе времени;
- при необходимости ЭС поддерживает интерфейс с различными СУБД (Oracle, Informix, R-Base и т.д.), OLE и CASE - технологии, качественно расширяющие функциональные возможности ЭС;
- через файл посредник БД или файл-посредник (импорт-экспорт) возможна связь с нейросетевыми пакетами и средами (обучение нейросетей эталонным динамическим характеристикам на различных режимах работы ГТД);
- применение гетерогенных (разнородных) знаний (фреймы, семантические сети, логические сети (сети Петри), расширенных элементами мягких вычислений повышают надежность принимаемых ЭС решений при диагностике и контроле параметров ГТД;
- простота интерфейса, наглядность и удобство работы (система предназначена на непрограммиста);
- широкий спектр решаемых задач (оперативная настройка на конкретную предметную область).
В процессе контроля и диагностики параметров ГТД гибридной нечеткой ЭС (в базах знаний которой формализован ряд методов), последняя должна обладать высокой эффективностью, под которой понимается надежность принятия решений о состоянии авиационного двигателя в общем случае зависящей от следующих факторов:
- "объективности" принятой классификации состояний;
- диагностической ценности используемых признаков состояния;
- выбранного критерия оценки состояния;
- принятого алгоритма диагностирования;
- точности измеренной и величины погрешности определения признаков;
- внешних условий и т.д.
2. Адаптация метода диагностирования (идентификация характеристик элементов ГТД и датчиков) (определяются методы диагностики и контроля ГТД в БЗ ЭС, подключаемые в процессе решения поставленной задачи).
3. Описание диагностической модели ГТД в виде отдельных понятий (знаний) в БКЗ (выделение из концептуальной модели ГТД - отдельных понятий; описываемых уравнениями; определяются уравнения связей между понятиями).
4. Разработка БКЗ и ЭБЗ (разработка четких и нечетких баз экспертных знаний в виде четких и нечетких продукций с подключением понятий из БКЗ).
5. Определение диагностируемых и контролируемых величин (по согласованию с экспертом выделяются диагностируемые и контролируемые параметры в соответствие с их диагностической ценностью).
6. Выбор функции принадлежности контролируемых и диагностируемых параметров (в соответствие с экспериментальными или расчетными данными формируются функции принадлежностей контролируемых и диагностируемых параметров полностью охватывающие все классы (вместе с пересекающимися областями) состояния ГТД).
7. Описание разнородных знаний по диагностике и контролю ГТД в отдельных подсистемах гибридной нейронечеткой ЭС (БД, БЗ, экспертная БЗ, графическая БД, расчетные файлы, файлы импортируемые из других СУБД и т.д.).
8. Тестирование отдельных подсистем ЭС с разнородными знаниями на уровне запросов пользователя (пользователь тестирует ЭС, решая частные и общие задачи диагностики и контроля параметров ГТД на уровне его отдельных узлов и элементов).
9. Тестирование гибридной нейронечеткой ЭС (принятие решений по результатам диагностики и контроля
7. ПРИМЕР РЕАЛИЗАЦИИ
В качестве примера рассмотрим следующую задачу (рис.6): необходимо провести диагностику и контроль параметров ГТД и датчиков первичной информации (датчики температуры) в среде гибридной нейронечет-кой ЭС. Одной из ключевых проблем в процессе комплексной диагностики и контроля параметров ГТД -является парирование отказов датчиков от нормально работающего авиационного двигателя и наоборот. В качестве сигнала "норма" у датчика принята - 1, а "отказ" - 0. На (рис.11), полученным в процессе решения данной задачи гибридной нейронечеткой ЭС видно, что ЭС устойчиво (обучается) распознает и отличает отказы датчиков от нормально работающего ГТД.
Рисунок 6 - Пример диагностики параметров датчиков
и ГТД
Пользователь может работать с ЭС в двух режимах: непосредственный (наиболее полный), в котором пользователь на входном языке ЭС разрабатывает сценарий работы с ЭС; режим визуального программирования (автоматически реализуется когнитивной графикой) (КГ).
Блок когнитивной графики оперирует следующими графическими понятиями:
- проект (автономно функционирующая соподчиненная программа), которая может по желанию пользователя работать как автономно, так и в комплексе с другими графическими понятиями;
- графический объект - квадрат (простейший элемент схемного редактора), позволяющий собирать из отдельных понятий более сложные;
- Fuzzy - окружность (элемент нечеткой экспертной базы знаний (ЭБЗ), позволяющий создавать нечеткие продукции;
- связь - типовое соединение элементов схемного редактора в пределах его поля;
- Mein - блок когнитивной графики, отвечающий за автоматический синтез С-программ по собранной редактором схеме
Трудоемкость применения методики - средняя. Она не вызывает трудностей у профессионалов и правильно координирует действия новичка, который на простых и наглядных примерах может использовать ее в среде гибридной нейронечеткой ЭС, в качестве эффективного
инструмента (тренажера), для решения сложных, трудно формализуемых задач.
8. НЕЙРОННЫЙ АНСАМБЛЬ НС
В настоящее время при решении сложных комплексных задач диагностики и контроля параметров ГТД в качестве динамических баз экспертных знаний активных ЭС могут успешно применяться гибридные ансамбли НС [17,26-40], которые по сравнению с обычными НС позволяют получить на практике дополнительные преимущества:
- декомпозиция СДО (систем) на ряд простых объектов (подсистем);
- нейронный ансамбль (НА) проще перестраивается под изменяющиеся внешние условия (в классе адаптивных, самонастраивающихся систем);
- структура НА может быть оптимизирована под конкретную задачу;
- быстродействие и точность НА значительно выше, чем классических полносвязных сетей;
- НА обеспечивают лучшую аппроксимацию кусочно-непрерывных функций [26-30,36-38].
Перечисленные выше преимущества НА над обычными классическими полносвязными НС, дают возможность их дальнейшего применения при решении различных прикладных научно-технических задач.
9. ВЫБОР АРХИТЕКТУРЫ НС
В процессе решаемой автором задачи: распознавание отказов элементов маслосистемы (на примере клапана прямого действия) было выбрано три типа сетей: многослойный Персептрон; многослойный Персептрон -сеть Кохонена; РБФ - многослойный Персептрон - сеть Кохонена [32-35].
Выбор в качестве распознающей НС (Радиально -базисной функции) (РБФ) по отношению к НС -Персептрон более предпочтительно, так как определение весовых коэффициентов в РБФ сети осуществляется более быстро и точнее, чем параметров Персептрона, благодаря тому, что применение градиентных методов для настройки параметров последней приводит лишь к достижению локальных минимумов [26-31].
В процессе эксперимента при решении задач распознавания отказов ГТД РБФ и Персептроном было установлено, что скорость обучения и точность распознавания дефектов РБФ значительно возрастают, особенно
если входной вектор X принимает значения, близкие к
центрам обучения .
Архитектура РБФ сети представляет собой двухслойную сеть, в которой первый слой осуществляет заданное нелинейное преобразование без привлечения настройки параметров, так, что пространство входов отображается в новое пространство. В данном случае для 35 входных
параметров маслосистемы (оптимальным с точки зрения декомпозиции параметров будет (5 РБФ - НС по 7 параметров на входе (вектор состояния) и два параметра на выходе (состояние "1" - норма; "0" - отказ)).
НС - Персептрон в гиридном ансамбле выполняет функции концентрирующего поля, объединяющим выходы (5 РБФ НС) по 2 выхода. В процессе эксперимента с данной НС (после процесса контрастирования) сеть имела следующую архитектуру: 5-ти слойный Пер-септрон: 1-вый входной слой НС - 10 нейронов; 2-ой невидимый слой - 8 нейронов; 3-ий невидимый слой - 6 нейронов; 4-ий невидимый слой - 4 нейрона; 5-ий выходной слой - 2 нейрона. НС Персептрон усиливает качество распознавания дефектов, "уточняя" ее весовые коэффициенты. Общие уравнения, описывающие работу
Персептрона: и1 = X (входной вектор) для входного
слоя (к = 1 ); для 1-ого скрытого слоя (к = 2), ' «2 ^
I ки
г = 1 у
/ «5
и2 = /1
; j = 1, 2,..., «2 , для 5-ого выход-
ного слоя ( к = 5 ) Y = U5 = /
JJ
I j5 i = 1
, j = 1 2,..., «5
Распознавание Персептроном высокое. Эксперименты приведены в табл.1.
Таблица 1 - Результаты обучения НС Персептрон
Алгоритм обучения Ошибка распознавания персептроном Количество шагов обучения
Back propogation 0,00012509 810
Conjugate gradient 0,00017019 900
Quick propogation 0,00015705 850
Quasi-Newton 0,00014575 900
Lewenberg-Marquardt 0,00012625 950
Delta bar delta 0,00013803 850
НС - Кохонена - классификатор (два входа - один выход). Сеть с высокой степенью точности осуществляет классификацию (распознавание) состояния авиационного двигателя, в том числе с учетом частичной или полной неопределенности его параметров.
10. ФАЗЗИФИКАЦИЯ ДАННЫХ
Процесс фаззификации данных в гибридном НА может быть организован следующими двумя способами:
- с привлечением статической экспертной базы знаний ГННЭС;
- четкие обучающие выборки заменяются на функции принадлежности нечетких множеств, каждое из которых лежит в области определения входного вектора
X = (Хр ..., х^)Т £ ^^, каждая компонента которого X лежит в диапазоне изменения, [Хог-, полностью покрываемого набором , г = 1_____ N, функций принадлежности ^. Дальнейший процесс фаззификации НА полностью совпадает с идеями изложенными в [21].
11. ПРИМЕР РЕАЛИЗАЦИИ. РАСПОЗНАВАНИЕ ОТКАЗА КЛАПАНА ПРЯМОГО ДЕЙСТВИЯ КАК
ЭЛЕМЕНТА МАСЛОСИСТЕМЫ
Наиболее важными показателями безотказной работы гидромеханических устройств (ГМУ) являются надежность и эффективность их функционирования. Как правило, эти свойства учитываются на этапах разработки и изготовления ГМУ. В процессе испытаний авиационных двигателей агрегаты и узлы ГМУ подвергаются значительным нагрузкам, приводящим к необратимым изменениям в конструкции, обуславливающим ухудшение их технического состояния и как следствие ведущими к многочисленным отказам ГМУ.
Системы технического диагностирования на базе гибридных нейронечетких экспертных систем являются эффективным интеллектуальным средством повышения надежности гидро-механической системы авиационного газотурбинного двигателя (ГТД) и его агрегатов и узлов в целом. Благодаря им обеспечивается своевременное определение технического состояния объекта; локализуется и устраняется неисправность; прогнозируется техническое состояние; сокращаются затраты на обслуживание; предотвращаются аварии и удлиняется межремонтный период. Современные системы технического диагностирования являются комплексными [1419,32-35], сочетающими в себе различные методы диагностирования, которые не исключают, а дополняют друг друга.
Блок-схема параметрического диагностирования клапана основана на сравнении математической модели конкретного клапана с моделью эталонного бездефектного клапана, т.е. в проверке принадлежности параметров состояний допустимым диапазонам их рассеивания. Выход параметра за пределы этих диапазонов должен свидетельствовать о наличии неисправности в клапане.
При составлении модели приняты следующие допущения: коэффициент расхода дросселирующей щели клапана является постоянным (квадратичный режим); демпфирование обусловлено только вязким сопротивлением цилиндрического капиллярного насадка; существенные нелинейности (сухое трение, нечувствительность, насыщение, кавитация, гидроудары и др.) не рассматриваются; соблюдаются условие неразрывности и закон Гука; трубопроводы - короткие так, что параметры
считаются сосредоточенными; присоединенная масса жидкости - мала; гидродинамическая сила и перекрытие на золотнике отсутствует.
При сделанных допущениях динамическая модель клапана имеет вид [42,43]:
Таблица 3 - Отказ 1 (изменение начальной затяжки)
в = I Ьхщ*12г+ 1х + УЁр
Состояние клапана: "норма"
Время Перемещение Скорость Давление
0,00 9,865е-3 0,000 2е6
0,01 2,344е-3 -0,055 1,426е6
0,02 1,616е-3 0,025 2,994е6
0,03 1,868е-3 -0,018 2,228е6
0,04 1,773е-3 8,956е-3 2,48е6
0,05 1,804е-3 -4,098е-3 2,393е6
0,06 1,795е-3 1,73е-3 2,417е6
0,07 1,797е-3 -6,784е-4 2,414е6
0,08 1,797е-3 2,466е-4 2,412е6
0,09 1,796е-3 -8,188е-5 2,413е6
0,1 1,797е-3 2,375е-5 2,412е6
тх = р/- кух - с (хн + х)
где р - давление; Q - объемный расход; т, /, й, х - масса, площадь, диаметр и перемещение золотника клапана; р , Е, V - плотность, модуль упругости и коэффициент кинематической вязкости жидкости; I , й - длина и диаметр цилиндрического клапана гидравлического демпфера; | - коэффициент расхода; V - объем. С начальными условиями: t = 0 ; Q(0) = Q§ ; р(0) = р0 ; х(0) = х0, х(0) = 0 .
В предположении ламинарного характера течения в канале демпфера коэффициент вязкого трения может быть подсчитан по выражению [42,43]
ку = 8пур (й/й&)4 .
Обучающие выборки для каждой из трех наиболее информативных функций состояния (табл.2) - (табл.5) будут служить входными данными для одной или нескольких нейронных сетей, осуществляющих классификацию отказов клапана.
Таблица 2 - Эталонное состояние клапана
Состояние клапана
Время Перемещение Скорость Давление
0,00 9,865е-4 0,000 2е6
0,01 3,202е-3 0,048 7,468е5
0,02 2,591е-3 -0,078 1,18е6
0,03 2,379е-3 0,02 1,371е6
0,04 2,516е-3 9,052е-4 1,229е6
0,05 2,48е-3 -2,96е-3 1,266е6
0,06 2,478е-3 1,14е-3 1,267е6
0,07 2,484е-3 -1,198е-4 1,262е6
0,08 2,482е-3 -9,198е-5 1,264е6
0,09 2,482е-3 5,495е-5 1,264е6
0,1 2,482е-3 -1,192е-5 1,264е6
Таблица 4 - Отказ 2 (засорение дросселя)
Состояние клапана
Время Перемещение Скорость Давление
0,00 9,865е-4 0,000 2е6
0,01 1,499е-3 0,027 3,526е6
0,02 1,664е-3 9,919е-3 2,822е6
0,03 1,732е-3 4,534е-3 2,599е6
0,04 1,764е-3 2,214е-3 2,503е6
0,05 1,78е-3 1,111 е-3 2,458е6
0,06 1,788е-3 5,653е-3 2,436е6
0,07 1,792е-3 2,895е-4 2,424е6
0,08 1,794е-3 1,487е-4 2,419е6
0,09 1,795е-3 7,654е-5 2,416е6
0,1 1,796е-3 3,942е-5 2,414е6
Таблица 5 - Отказ 3 (разгерметизация)
Состояние клапана
Время Перемещение Скорость Давление
0,00 986,544 0,000 2e6
0,01 986,544 4,965e-6 2e6
0,02 986,544 9,431e-3 2e6
0,03 986,544 1,05e-5 2e6
0,04 986,544 1,03e-5 2e6
0,05 986,544 1,008e-5 2e6
0,06 986,544 1,001e-5 2e6
0,07 986,544 1,002e-5 2e6
0,08 986,544 1,003e-5 2e6
0,09 986,544 1,004e-5 2e6
0,1 986,544 1,004e-5 2e6
нормальный процесс функционирования клапана; обучение, распознавание и прогнозирование отказов клапана при наличии одного или нескольких нормированных дефектов; при частичной потере параметров, в рассмотренных выше задачах, из обучающей выборки "обученная" НС устойчиво восстанавливала ее.
Рисунок 7 - Структура НА
Обучение НС Персептрон проводилось следующими Таблица 6 - Результаты обучения комбинированных алшритмами: back propogation, conjugate gradient, quick НС propogation, Quasi-Newton, Lewenberg-Marquardt, delta
bar delta.
На (рис.8) - (рис.10) показано, как дефект, связанный с изменением начальной затяжки клапана, проявляется на характере трех функций состояния клапана (а - нормальная работа клапана; б - работа клапана с дефектом).
Ошибка распознавания (Персептрон-Кохонен) Ошибка распознавания (РБС-Персептрон-Кохонен) Количеств о шагов обучения
1,385е-6 1,213е-6 1400
В данной работе рассматривается пример трех типовых отказов клапана на одном из нескольких режимов работы ГТД:
1. Изменение начальной затяжки (чувствительности) клапана.
2. Засорение дросселя (жиклера).
3. Увеличение рабочего объема (разгерметизация).
При моделировании данной задачи на ЭВМ автором
исследована работа клапана на нескольких режимах и при различном сочетании его параметров. В ходе эксперимента на нейросетях (НС) прямого распространения (Персептрон) и гибридных НС (табл.1) -(табл.6), (рис.8) - (рис.10) был решен ряд задач: из 25 исследованных параметров клапана выявлены наиболее информативные (3-4) максимально влияющие на
S 0.003
0.00233
0.00166
0 0.01 0.02 0.03 0.04
а)
S 0.004
0.003
0.002
4
0 0.01 0.02 0.03 0.04 t
б)
Рисунок 8 - Влияние дефекта на функцию перемещения
а) 6)
Рисунок 9 - Проявление дефекта на функции скорости
а) 6)
Рисунок 10 - Проявление дефекта на функции давления
Методика диагностики и контроля ММ клапана на базе гибридного НА:
1. Получение обучающей выборки работы бездефектного клапана на N режимах;
2. Получение обучающей выборки для клапана с дефектом (дефектами) на N режимах;
3. Выбор архитектуры гибридного ансамбля НС;
4. Выбор алгоритмов обучения;
5. Обработка, обучение, распознавание, тестирование и принятие решений.
ЗАКЛЮЧЕНИЕ
В заключение следует отметить, что рассмотренный подход к построению интеллектуальной системы контроля и диагностики ГТД на базе гибридной нейро-нечеткой ЭС позволяет:
- легко адаптировать диагностируемый объект;
- активно применять знания (правила и нечеткие правила в экспертных БЗ, процедуры) и механизмы рассуждений для эффективного решения задач диагностики;
- создавать мощную информационную гибридную среду с одновременной поддержкой графической интер-
претацией объекта диагностики и баз данных, что позволяет хранить текущее состояние диагностируемой системы;
- обобщить и усовершенствовать концептуальную модель представления разнородных знаний в среде реляционной БД (Access, FoxPro и Informix), управляемой СУБД и взаимодействующая с ядром гибридной нейронечеткой ЭС;
- эффективно решать задачи оптимизации и распределения информационных потоков по отдельным подсистемам ЭС с разнородными знаниями в условиях неопределенности;
- включать и отключать программные модули, имитирующие поведение датчиков и компенсирующих недостающие параметры диагностируемого объекта.
Проведенные автором исследования с динамическими базами экспертных знаний, реализованными на базе гибридного НА позволили сделать следующие выводы:
- ансамблевые сети эффективны при решении задач большой размерности;
- скорость обучения этих сетей уступает по времени обычным полноразмерным НС, однако качество распознавания (точность) значительно выше;
- НА легко адаптируются к изменению внешних условий;
- НА эффективно решают задачи диагностики и контроля СДО в условиях частичной или полной неопределенности его параметров;
- НА сети хорошие классификаторы, в том числе и в условиях неопределенности [34-41].
Разработанная автором комплексная методика диагностики и контроля параметров ГТД на базе гибридной нейронечеткой ЭС функционирует под управлением ОС Windows на IBM PC.
ПЕРЕЧЕНЬ ССЫЛОК
1.
Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения. //Теория и системы управления. Известия РАН. №3 1997.
Искусственный интеллект. Кн. 3. Программные и аппаратные средства. /Под ред. В.Н. Захарова. - М.: Радио и связь, 1990.
Попов Э.В., Фомин И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. - М.: Финансы и статистика, 1996.
Васильев В.И., Гусев Ю.М., Иванов А.И. и др. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. - М.: Машиностроение, 1989.
Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Управление динамическими системами в условиях неопределенности. -М.: Наука, 1998.
Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Проблемы проектирования и развития систем автоматического управления и контроля ГТД. - М.: Машиностроение, 1999. Тармаев А.А. Обоснование способа идентификации и парирования характерных отказов и неисправностей аппаратуры автоматики двухдвигательной вертолетной силовой установки. //Авиационная промышленность. №1, 1999. Дедеш В.Т., Августинович В.Г, Боев М.М. Идентификация систем автоматического управления авиационных ГТД. - М.: Машиностроение, 1989.
Ахмедзянов А.М., Дубравский Н.Г., Тунаков А.П. Диагностика состояния ГТД по термо-газодинамическим параметрам. - М.: Машиностроение, 1983. 10. Ахмедзянов А.М., Юлдыбаев Л.Х. Вопросы технической
2.
3.
4.
5.
6.
7.
8.
9.
Б. Ю. Жураковський, Я. Ю. Жураковський: КАСКАДНЕ СТИСНЕННЯ ПРИ ОБРОБЦ11НФОРМАЦ11 В АВТОМАТИЗОВАНИХ СИСТЕМАХ УПРАВЛ1ННЯ
диагностики состояния авиационных двигателей. // Испытания авиационных двигателей. - Уфа: УАИ, 1987. №5.
11. Сиротин H.H., Коровкин Ю.М. Техническая диагностика авиационных ГТД.- М.: Машиностроение, 1979.
12. Кеба И.В. Диагностика авиационных газотурбинных двигателей. -М.: Транспорт, 1980.
13. Гуревич О.С., Гольберг Ф.Д., Селиванов O.A. Интегрированное управление силовой установкой многорежимного самолета. - М.: Машиностроение, 1993.
14. Жернаков С.В. Об одной методике построения гибридных экспертных систем диагностики и контроля ГТД в условиях неопределенности. // Авиационно-космическая техника и технологии: Сб.науч.тр. - Харьков: ХАИ, 1998. Вып.5
15. Жернаков С.В. Сравнительный анализ гибридных экспертных систем для диагностики и контроля параметров ГТД. // Авиационно-космическая техника и технологии: Сб.науч.тр. - Харьков: ХАИ, 1999. Вып.9
16. Жернаков С.В. Диагностика и контроль параметров ГТД гибридными экспертными системами. // Авиационно-космическая техника и технологии: Сб.науч.тр. - Харьков: ХАИ, 1999. Вып.9
17. Жернаков С.В. Диагностика и прогнозирование состояния газотурбинного двигателя гибридными нейронечеткими экспертными системами. //Теория и системы управления. Известия РАН, 1999, №5.
18. Жернаков С.В. Контроль и диагностика ГТД гибридными экспертными системами. - Жуковский: ЦАГИ, 1999, вып.2640.
19. Жернаков С.В. Об одной методике построения гибридных экспертных систем диагностики и контроля ГТД в условиях неопределенности. // Авиационная и ракетно-космическая техника. - Харьков: ХАИ, 1998. вып.5
20. Герман О.В. Введение в теорию экспертных систем и обработку знаний. - Минск: Дизай-нПРО, 1995.
21. Истратов А.Ю., Хрущева Т.А., Лазебник В.М. Нечеткий нейросетевой контроллер для управления динамической системой. //Приборостроение. Т.40, №6, 1997.
22. Нариньяни А.С., Телерман В.В., Ушаков A.M. и др. Программирование в ограничениях и недоопределенные модели. //Информационные технологии. №5, 1998.
23. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей.- Рига: Зинатне, 1990.-180с.
24. Прикладные нечеткие системы. /Под редакцией Т.Тэрано.-М.: Мир, 1993.
25. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики. Учебное пособие. Уфа: УГАТУ, 1995.
26. Галушкин А.И. Синтез многослойных схем распознавания образов. - М.: Энергия, 1974.
27. Горбань А.Н. Обучение нейронных сетей. - М.: СП Параграф, 1990.
28. Горбань А.Н., Россиев А.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996.
29. Горбань А.Н., Аунин-Барковский В.Л, Кирдин А.Н. и др. Нейроинформатика. - Новосибирск: Наука, 1998
30. Уоссерман Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
31. Васильев В.И., Ильясов Б. Г., Валеев С.С., Жернаков С.В. Интеллектуальные системы управления с применением нейросетей. Учебное пособие. Уфа: УГАТУ, 1996.
32. Жернаков С.В. Диагностика и контроль гидромеханических устройств нейронечеткими экспертными системами.// Сб. докладов 2-ой Всероссийской конференции. "Нейроинфор-матика - 2000". - М.:МИФИ,2000.
33. Жернаков С.В. Идентификация параметров ГТД гибридным ансамблем нейросетей. // Сб. докладов 2-ой Всероссийской конференции. "Нейроинформатика - 2000". - М.: МИФИ, 2000.
34. Жернаков С.В. Комплексная диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами. //Сб. докладов 2-ой Всероссийской конференции. "Нейроинформатика - 2000". -М.:МИФИ,2000.
35. Жернаков С.В. Диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами. // Информационные технологии. №3, 2000.
36. Васильев В.И., Жернаков С.В., Уразбахтина Л.Б. Параметрический метод контроля ГТД.//Сб. трудов. VI Всероссийской конференции. "Нейроинформатика и ее применение ".- М.: Радио и связь, 2000.
37. Куссуль Э.М., Байдык Т.Н. Структура нейронных ансамблей. //Нейрокомпьютер. №1, 1992.
38. Куссуль Э.М., Байдык Т.Н., Лукович и др. Нейронные классификаторы с распределенным кодированием входной информации. //Нейрокомпьютер. №1, 1992.
39. Нейрокомпьютеры и интеллектуальные роботы. //Под ред. Н.М.Амосова. - Киев: Наукова думка, 1991.
40. Савушкин С.А. Нейросетевые экспертные системы.// Нейрокомпьютер. №2, 1992.
41. Касаткин А.М., Касаткина Л.М. Подход к построению нейро-сетевых систем, основанных на знаниях. //Нейрокомпьютер. №2, 1992.
42. Судариков В.А. Распознавание изображений трехмерных объектов с использованием самоорганизующейся нейронной сети. //Изв. Вуз. Приборостроение. Т.39, №1, 1996.
43. Аанилов Ю.А., Кирилловский Ю.Л., Колпаков Ю.Г. Аппаратура объемных гидроприводов: Рабочие процессы и характеристики. - М.: Машиностроение, 1990.
44. Попов А.Н. Динамика и регулирование гидро- и пневмосистем. - М: Машиностроение, 1982.
УАК 621.391.251:681.3.053
КАСКАДНЕ СТИСНЕННЯ ПРИ 0БР0БЦ1 1НФ0РМАЦ11 В АВТОМАТИЗОВАНИХ СИСТЕМАХ УПРАВЛ1ННЯ
Б. Ю. Жураковський, Я. Ю. Жураковський
В работе рассматриваются предложенные каскадные способы сжатия при обработке измерительной, текстовой, графической и комбинированной информации, которая является характерной для автоматизированных систем управления. Полученные данные о коэффициенте сжатия для всех предложенных способов каскадного сжатия дают возможность сделать правильный выбор способа сжатия для использования его в автоматизированной системе управления.
В роботг розглядаються запропоноваш каскадш способи стиснення при обробЦ вим(рювальноЧ, текстовой., граф(чноЧ та комбтованог гнформацИ, яка е характерною для авто-матизованих систем управлгння. Одержанг данг коефгцгент стиснення для всгх запропонованих способгв каскадного стиснення, що дае можливгсть зробити правильний вибгр
способу стиснення для використання його в автоматизованш системг управлгння.
The offered cascade ways of compression at processing the measuring, textual, graphic and combined information, which is characteristic for the automated control systems are considered in the work. The received data on factor of compression for all offered ways of cascade compression enable to make a correct choice of a way of compression for use it in the automated control system.
1 ВСТУП
Метою виконано! роботи e проведения дослщжень
