CC BY
235
УДК 681.3.58
НЕЙРОСЕТЕВОЕ УСТРОЙСТВО КОНТРОЛЯ БОРТОВЫХ СИСТЕМ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА
В.Г. ЕФИМОВ, Ю.Н. КАРПАЧЕВ
Статья представлена доктором технических наук, профессором Кузнецовым С.В.
В статье рассмотрены особенности построения нейросетевого интеллектуального устройства контроля бортовых систем беспилотного летательного аппарата.
Ключевые слова: нейросетевое интеллектуальное устройство контроля, бортовые системы, беспилотный летательный аппарат.
В настоящее время наибольшее развитие получает беспилотная авиация. Создается множество различных классов беспилотных летательных аппаратов (БПЛА), которые способны осуществлять полеты до 1000 - 1500 км. Современные БПЛА стали применяться для решения широкого класса задач.
Решение этих задач потребовало установки на БПЛА новых систем, позволяющих получать и регистрировать большое количество информации, в том числе и в видео формате. Одним из способов снижения нагрузки на каналы связи и операторов, а также решения задачи автоматизации управления оборудованием в особых случаях в полете является повышение бортового «интеллекта» БПЛА. Этого можно достичь в частности путем создания бортовых устройств с искусственным интеллектом, которые решали бы задачу контроля технического состояния оборудования БПЛА и принятия решения о реконфигурации бортовых систем при возникновении отказа в полете.
В данной статье предлагается создание интеллектуального бортового устройства контроля на основе использования нейросетевой технологии. На рис. 1 изображена общая структура этого устройства с наземной аппаратурой, необходимой для его подготовки к применению.
Рис. 1. Структура нейросетевой системы контроля БПЛА
В бортовом устройстве контроля цифровые сигналы £ц от датчиков объекта контроля поступают в блок цифровых сигналов. Аналоговые сигналы £а от датчиков объекта контроля поступают в блок аналоговых сигналов, где осуществляется их фильтрация и анологово-цифровое преобразование. Затем все сигналы параллельно передаются на входы нейросетевого блока (далее именуется БНС - блок нейросетевой), где осуществляется их нейросетевая обработка, после чего выходные данные поступают в бортовое устройство регистрации (БУР) и устройство автоматической реконфигурации бортового оборудования (УАР БО). УАР БО осуществляет действия (отключение неисправного блока, переключения с целью использования резервного канала) для благополучного завершения полета или выдачи сигнала в систему аварийного приземления БПЛА с передачей сообщения об аварии и координат на наземный пункт управления.
Наземная часть системы предназначена для настройки БНС на заданные параметры (минимальные, максимальные значения параметров входных и выходных сигналов, параметры архитектуры нейросети), контроля бортовой части после ее настройки и плановом техническом обслуживании в наземных условиях.
Ядром бортовой части является БНС, функциональная схема которого представлена на рис. 2. Модуль предобработки сигналов осуществляет приведение числовых входных сигналов об объекте 2п (п = 1,.. N) произвольной величины к биполярному виду по следующей формуле
2(г - г ■ )
V-// 1 ЛГЧ V п П,Ш1П / 1
"(п = х = - - -1, (1)
(^п,шах гп,ш1п )
где гп - текущее значение обрабатываемого сигнала; гп,ш1п , гп,шах - соответственно минимально и максимально возможные значения этого сигнала.
Цифровые сигналы Параметры настройки от уст- Цифровые выходные
от объекта контроля ройства программирования сигналы
блока
Рис. 2. Функциональная схема нейросетевого блока
Преобразованные сигналы хп обрабатываются в нейросетевом модуле, который функционирует по следующему алгоритму:
- на вход нейросети подается текущий сигнал (х0,1; х0,м};
- вычисляются выходные сигналы первого нейронного слоя
N еи1’1 — е- Ми
" (1=1 V: = Е(^) + с1.А, , Уи = + —,„ ; (2)
п=1 е и + е ^
- вычисляются послойно выходные сигналы скрытых и выходного слоев
I gUm ’j e u™ ’j
"(j = 1,..., J; m = 1,..., M ): Um, j = X (wm_ß У m_1,i ) + cm, jbm, j , Ут, j = -----------------------_U~ . (3)
i=1
Сигналы выходного слоя yM j (j = 1,..., J) являются результирующими сигналами нейросети.
В модуле выходных сигналов результирующие сигналы нейросети преобразуются к виду sj , удобному для потребителей по формуле
W/ • 1 (У M, j + 1) (S j ,max S j ,min )
" ( j = J ): sj = ------------------j-2---------j-----------------------------+ sj min, (4)
где yM,j - текущее значение сигнала выходного слоя нейросети; s j,min , sj ,max - соответственно минимально и максимально возможные сигналы для потребителя.
В модуле памяти хранятся данные о параметрах (минимальные, максимальные значения) входных и выходных сигналов, архитектуре нейросети (весовые коэффициенты, количество слоев, количество нейронов), полученные в результате обучения БНС с помощью наземной части системы контроля.
Процесс обучения БНС включает ряд этапов:
1. Определение архитектуры нейронной сети:
- количество входов и выходов;
- количество слоев и нейронов в каждом слое;
- значения сигналов смещений для нейронов.
2. Настройка каналов модуля предобработки сигналов:
- ввод минимально z„tmin и максимально znmax возможных значений входных сигналов;
- ввод минимально xn,min и максимально xn,max возможных значений приведенных сигналов.
3. Настройка каналов модуля выходных сигналов для преобразования сигналов нейросети в требуемую форму.
4. Обучение собственно нейросети.
Последний этап обучения БНС наиболее трудоемкий с вычислительной точки зрения. В настоящее время разработаны различные методы обучения нейронной сети [1; 4; 8], которые позволяют автоматизировать этот процесс. Наиболее широко известен метод обратного распространения ошибки. На основе его можно построить достаточно эффективный алгоритм обучения нейронной сети, который представляет собой следующее:
а) выбирается значение шага обучения 0< р < 1;
б) задается значение максимально допустимой ошибки Emax на любом нейроне выходного слоя нейросети;
в) первоначально выбираются весовые коэффициенты связей в нейронной сети и начальные значения весовых коэффициентов смещений. Их значения можно задать случайным образом;
г) на основе известных экспертных знаний, знаний формализованных в виде технического
описания и инструкции по эксплуатации объекта контроля, данных полученных при испытании объекта, определяются обучающие наборы из K примеров преобразованных значений входных [x(1)0,b...,x(1)0,N]; ...; [x^b-.-.x^-oN]; ...; [x(K)0,b...,x(K)0,N] и соответствующих им выходных
[y(1)M,1, - ,/Vj]; .; [ykM,1, •••,/kM,j]; .; [y(K)M,1, ■■■,y(K)u,A сигналов нейронной сети;
д) по заданному значению входа нейросети первого примера обучающего набора вычисляются значения на выходе каждого нейрона:
- первого слоя
N е^' — е—,1’-/
" /-1 У: = Е(<пХП) + с,А/, У1,/ = ,1/ + — ,1/ ; (5)
п=1 е ^ + е ^
- поочередно всех последующих слоев
^ е,т,/ е—,т,/
"(/=1,...^;т=2, ...,М):,т,/ = Е (^т-1,1 ут—1,г) + Ьт,/Ст,/ , Ут,/ = ,т . + — ,т . ; (6)
. =1 е т ^ + е т и
е) определяются значения ошибок каждого нейрона:
- выходного слоя
" (/=1,...¿): 8т/ = (1 — у2т/)(у(т,/— Ут/ ); (7)
- поочередно всех предыдущих слоев в порядке убывания их номера
J
" /=и ¿„-и=(1—ут—1,/)Е (¿т,х:,1!,1); (8)
'=1
ж) производится корректировка весовых коэффициентов нейронных связей:
- между первым слоем и входами
" /=1,...^;п=1, ...,М): +1) = Ч!п/)(0 + Р<5и4,П (9)
^ следует понимать как момент обучения);
- для смещений нейронов первого слоя
" (/=1, ...¿): С1,/ (^ + 1) = с1,/ (0 + Рдх,Д,; (10)
- поочередно между всеми последующими слоями
" (/=1, ...¿; т=2, ...,М: +1) = ) + рб2Луи; (11)
- для смещений нейронов последующих слоев
" (/=1, ...¿; т=2, ...,М): ст, (Г + 1) = ст ] (0 + р8т ,Ът/ ; (12)
з) затем расчеты выполняются для каждого (к=2, ..., К) из оставшихся примеров обучающего набора;
и) после текущего цикла обучения на всех примерах вычисляется значение ошибки
Е
(к) _
У2д — У 2,:
на выходе каждого нейрона выходного слоя сети для всего обучающего набора. В связи с важностью, с точки зрения безопасности полетов, нейросетевого устройства контроля необходимо обеспечить точность сигнала не ниже заданной на каждом выходе нейросети, поэтому целесообразно применить правило остановки процесса обучения нейросети, основанное на сравнении расчетной Е(к) с заданной максимально допустимой ошибкой Етах:
- если Е(к ] > Етах , то обучение по пунктам г-^з повторяется;
- если Е(к) £ Етах , то нейронная сеть считается обученной и готова к применению по назначению.
Далее естественным образом возникает вопрос о возможности практической реализации такого нейросетевого устройства. Существуют два варианта реализации нейросети [3; 5; 7]: программная (программы на обычных ЭВМ, которые получили название нейроэммуляторов) и аппаратная. Хотя программные реализации преобладают над аппаратными, однако удельный вес аппаратных реализаций нейросетевых устройств в общем количестве мировых технологических
разработок неуклонно растет. Наибольшее развитие в данном направлении наблюдается в Японии, где разработки на основе нейросетевых технологий успешно внедряются во множестве образцов бытовой техники, таких как фотоаппараты, микроволновые печи, видеокамеры и т.д.
Рассмотрим вопрос выбора варианта разработки нейросетевого устройства с точки зрения реализации основных достоинств нейросети (табл. 1).
Таблица 1
№ п.п Достоинства нейросети Основные варианты реализации нейросетевых технологий
нейро- эмуля- торы нейро- компью- теры нейро- модули
1 Потенциально высокая отказоустойчивость нейросети в силу структурной избыточной, присущей самой природе нейронной сети (отключение части нейронной сети не приводит к отказу всей нейронной сети, а лишь может снизить качество обработки информации) (зависит от надежности процессора ЭВМ) + +
2 Благодаря реализуемой в нейронной сети архитектуре параллельной обработки обеспечивается решение задач в темпе реального времени + +
3 Способность нейронных сетей к обучению позволяет поддерживать автоматизированную систему контроля в актуальном состоянии в процессе эксплуатации без перепрограммирования. В данном случае программирование заменяется обучением + + +
Нейросетевые аппаратные решения внедряют в свои продукты такие известные фирмы, как Siemens, Intel, Phillips Research (Нидерланды), 3M Laboratories и многие другие. Несмотря на многообразие аппаратных решений, с точки зрения сохранения основных достоинств нейросети и стоимости, наиболее предпочтительным вариантом реализации нейросети для рассматриваемой нами задачи является разработка нейромодулей. Здесь в качестве элементной базы используются программируемые логические интегральные схемы (ПЛИС), сигнальные, нейросигналь-ные, систолические процессоры и процессоры с каскадной архитектурой. Выбор определенной элементной базы в значительной степени определяется опытом разработчика, доступностью на российском рынке тех или иных электронных компонентов, а также особенностями реализуемого проекта.
В последние годы резко возрос интерес к использованию ПЛИС в качестве элементной базы нейромодулей [2; 3]. На рынке появились высокочастотные ПЛИС, отмечается тенденция к снижению их цены и напряжения питания. Еще одной немаловажной особенностью ПЛИС является их конструктивное исполнение из множества однотипных элементов, что повышает надежность работы микросхемы и упрощает проектирование нейронной сети. Все это позволяет обеспечить низкое энергопотребление, высокое быстродействие и надежность, а также низкую конечную стоимость нейромодулей.
ЛИТЕРАТУРА
1. Г оловко В.А. Нейронные сети: обучение, организация и применение // Нейрокомпьютеры и их применение: учеб. пособие для вузов / под общ. ред. А.И. Галушкина. - М.: ИПРЖР, 2001. - Кн. 4.
2. Грибачев В.П. Элементная база аппаратных реализаций нейронных сетей // Компоненты и технологии = Components & technologies: журнал / учредители: ООО «ИД Скимен», ООО «Изд-во Фаинстрит». - М.: Скимен; Санкт-Петербург: Фаинстрит, 2006. - № 8.
3. Грошев А.Г., Панов Ю.А. Реализация нейронных сетей на базе ПЛИС // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника. - 2003. - № 10.
4. Донской Д.А. Методы искусственного интеллекта: искусственные нейронные сети: учеб. пособие. - Пенза: ИИЦ ПГУ, 2007.
5. Злобин В.К. Нейросети и нейрокомпьютеры: учеб. пособие / В.К. Злобин, В.Н. Ручкин. - СПб.: БЖВ - Петербург, 2011.
6. Нейрокомпьютеры в авиации (самолеты) // Нейрокомпьютеры и их применение / под ред. В.И. Васильева, Б.Г. Ильясова, С.Т. Кусимова: учеб. пособие для вузов. - М.: Радиотехника, 2003. - Кн. 14.
7. Амяутдинов М. А., Галушкин А.И., Казанцев П. А., Остапенко Г.П. Нейрокомпьютеры: от программной к аппаратной реализации. - М.: Горячая линия - Телеком, 2008.
8. Хайкин, Саймон. Нейронные сети: полный курс. - 2-е изд., испр. / пер. с англ. - М.: ООО «И. Д. Вильямс»,
2006.
NEURAL NETWORK DEVICE CONTROL OF AIRCRAFT SYSTEMS OF UNMANNED AIRCRAFT
Efimov V.G., Karpachev Y.N.
In the article the peculiarities of constructing of network intelligence devices to control onboard system of unmanned aircraft is considered.
Key words: neural network intelligent device control, aircraft systems, unmanned aircraft.
Сведения об авторах
Ефимов Владимир Гурьянович, 1977 г.р., окончил ВВИА им. проф. Н.Е. Жуковского (2007), старший научный сотрудник НИЦ ВУНЦ ВВС «ВВА им. проф. Н.Е. Жуковского и Ю.А. Гагарина», автор 10 научных работ, область научных интересов - техническое диагностирование авиационного оборудования, системы искусственного интеллекта.
Карпачев Юрий Николаевич, 1960 г.р., окончил Рижское ВВАИУ им. Я.Алксниса (1982), кандидат технических наук, доцент кафедры ВУНЦ ВВС «ВВА им. проф. Н.Е. Жуковского и Ю.А. Гагарина», автор более 60 научных работ, область научных интересов - техническое диагностирование авиационного оборудования, системы искусственного интеллекта.
