Научная статья на тему 'Реализация нейросетевых баз знаний прецедентов в активных экспертных системах для комплексного мониторинга параметров авиационных двигателей'

Реализация нейросетевых баз знаний прецедентов в активных экспертных системах для комплексного мониторинга параметров авиационных двигателей Текст научной статьи по специальности «Математика»

CC BY
125
30
i Надоели баннеры? Вы всегда можете отключить рекламу.

Аннотация научной статьи по математике, автор научной работы — С.В.Жернаков

В статье рассматривается реализация баз знаний прецедентов активных экспертных систем на основе ансамблевых моделей нейросетей. Решается задача распознавания прецедентов ансамблевой моделью нейросетей в процессе комплексных отказов, с учетом частичной или полной неопределенности параметров системы "временной автомат приемистости и авиационный газотурбинный двигатель".

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по математике , автор научной работы — С.В.Жернаков

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The the paper the implementation of knowledge bases of precedents of the active expert systems on the basis of the hybrid of neuron networks is considered. The task of identification of the precedents is solved by hybrid neuron networks in the conditions of full or partial uncertainty of parameters of the system "a temporary acceleration control unit and air gas-turbine engine".

Текст научной работы на тему «Реализация нейросетевых баз знаний прецедентов в активных экспертных системах для комплексного мониторинга параметров авиационных двигателей»

меньше, чем у модальной матрицы, полученной с помощью алгоритма 2. Норма матрицы К при этом изменилась незначительно. Приведенные результаты позволяют сделать вывод, что предложенный алгоритм является более эффективным по сравнению с алгоритмами, в которых не предпринимаются специальные меры для формирования робастной структуры собственных векторов.

ПЕРЕЧЕНЬ ССЫЛОК

1. Cavin, R.K., III and Bhattacharyya, S.P. Robust and Well-Conditioned Eigenstructure Via Sylveste's Equation // Journal of Optimal Control Applications and Method. 1983, Vol. 4, pp.205-212.

2. Porter, B. and D'Azzo, J.J. Algorithm for Closid-Loop Eigenstructure Assignments by State Feedback in Multuvariable Linear Systems // International Journal of Control. 1978, Vol. 27, № 6, 1978, pp.943-947.

3. Moore, B.C. On the Flexibility Offered by State Feedback in Multuvariable Systems Beyond Closed-Loop Eigenvalue Assignments // IEEE Transactions on Automatic Control. 1978, Vol. AC-21, pp.689-692.

4. Kantsty, J., Nichols, N.K. and Van Dooren, P. Robust Pole Assignment in Linear State Feedback // International Journal of Control. 1985, Vol. 41, № 5, pp.1129-1155.

5. CTpeHr Г. Линейная алгебра и ее применение. - М.: Мир, 1960. - 454с.

УДК 681.3.069:681.3.015

РЕАЛИЗАЦИЯ НЕЙРОСЕТЕВЫХ БАЗ ЗНАНИЙ ПРЕЦЕДЕНТОВ В АКТИВНЫХ ЭКСПЕРТНЫХ СИСТЕМАХ ДЛЯ КОМПЛЕКСНОГО МОНИТОРИНГА ПАРАМЕТРОВ АВИАЦИОННЫХ ДВИГАТЕЛЕЙ

С.В.Жернаков

В статье рассматривается реализация баз знаний прецедентов активных экспертных систем на основе ансамблевых моделей нейросетей. Решается задача распознавания прецедентов ансамблевой моделью нейросетей в процессе комплексных отказов, с учетом частичной или полной неопределенности параметров системы "временной автомат приемистости и авиационный газотурбинный двигатель".

The the paper the implementation of knowledge bases of precedents of the active expert systems on the basis of the hybrid of neuron networks is considered. The task of identification of the precedents is solved by hybrid neuron networks in the conditions of full or partial uncertainty of parameters of the system "a temporary acceleration control unit and air gas-turbine engine".

Безопасность функционирования сложных технических объектов (СТО), например, авиационных газотурбинных двигателей (ГТД) требует непрерывного мониторинга их параметров. Создание ГТД V-VI поколения требует непрерывного совершенствования диагностируемой и контролируемой аппаратуры, связанное с увеличением числа контролируемых параметров, усложнением конструкции, ростом числа датчиков и исполнительных механизмов. В этих условиях наиболее актуальной проблемой является разработка и внедрение интеллектуальных технологий - активных экспертных систем (ЭС) [1-3], способных качественно и эффективно решать поставленные задачи (на уровне специалиста - эксперта). Это особенно важно сейчас, так как своевременное обнаружение и локализация отказов позволит исключить многочисленные аварийные и катастрофические ситуации участившиеся в последнее время.

Роль человеческого фактора с ростом числа контролируемых и диагностируемых параметров падает [4], так как сопряжена с многочисленными ошибками контроля и

принятия решений (особенно в условиях НЕ - факторов: неопределенности ситуации; многочисленные помехи; неточности измерений, неполнота контроля и т.д.)

Спектр задач диагностики и контроля параметров авиационного ГТД существенно расширился с внедрением активных ЭС на борт летательного аппарата (ЛА). В частности, возможно проведение на борту ЛА не только регистрации и предотвращения аварийных ситуаций, но и настройки, отладки, углубленного диагноза состояния двигательных установок и ЛА. Данные возможности потребовали разработки и адаптации в среде баз знаний (БЗ) активных ЭС, наряду с хорошо зарекомендовавшими себя методами, методиками и алгоритмами новых методологий и принципов построения ЭС комплексного мониторинга, которые должны стать составной частью общей информационно-управляющей системы.

Как известно [5], диагноз ГТД можно проводить с разной степенью подробности. В активной ЭС (рис. 1) может быть организован трехуровневый диагноз состояния и неисправностей ГТД [5]: аварийный диагноз или диагноз малой глубины; диагноз средней глубины; диагноз большой глубины. Аварийный диагноз осуществляется по таблицам неисправностей (граф причинно-следственных связей, допусковый контроль) [68]. Если же аварийный диагноз не дает убедительного ответа, то принятие решения активной ЭС осуществляется на основе гетерогенной БЗ, в которой наряду с традиционными знаниями (семантические сети, фреймы, продукции, логические модели), широко применяются БЗ прецедентов, реализованные на моделях нейросетей (МНС). Основными требованиями предъявляемыми к таким ЭС являются: работа в реальном масштабе времени и гетерогенные (разнородные) БЗ (ГБЗ). Обеспечение

режима реального времени осуществляется активной ЭС посредством интерфейса с внешним миром (датчики -контроллеры - исполнительные механизмы). ГБЗ включает в себя: базы концептуальных знаний (БКЗ) (понятия из конкретной предметной области; факты; формулы; зависимости; таблицы и т.д.); базы экспертных знаний (БЭЗ) (эвристика; априорная; апостериорная; экспертная информация и т.д.); базы знаний прецедентов (БЗП). Хранимые знания в ГБЗ могут быть статическими и динамическими. Статические ГБЗ накапливают опыт эксплуатации ГТД независимо от времени. Динамические ГБЗ накапливают опыт в темпе реального времени: запоминается характеристика переходного процесса (переходные и неустановившиеся режимы работы); частотные характеристики и т.д. БЗП в среде активной ЭС является новой парадигмой [9-10] в процессе принятия решений при возникновении проблемных ситуаций в реальном масштабе времени.

Проблемная ситуация из предыдущего опыта, которая была зафиксирована и изучена таким образом, что она может многократно использоваться в решении будущих проблем, в совокупности с принятым решением, представляет собой предыдущий или сохраняемый прецедент. Очевидно, новый или нерешенный прецедент -описание новой проблемы, которая будет решена. Вывод, основанный на прецедентах - циклический и интегрированный процесс решения проблемы, изучение опыта принятия решений в процессе комплексного контроля и диагностики параметров ГТД. Вывод, основанный на БЗП в активной ЭС может быть реализован следующим образом (рис.2). Если в процессе решения задачи найдено успешное решение в проблемной ситуации, то прецедент сохраняется в БЗ для решения похожих проблем. Если попытка решения задачи ошибочна, то причина ошибки идентифицируется и запоминается в БЗ для исключения похожей ошибки в будущем.

В данной статье автором предлагается реализация БЗП активной ЭС комплексного мониторинга параметров ГТД на основе ансамблевых МНС. Рассмотрена реализация БЗП на примере комплексной диагностики и контроля параметров системы: "временной автомат приемистости (регулятор расхода топлива) и ГТД" (в условиях частичной или полной неопределенности исследуемых данных).

Рисунок 1 - Активная ЭС

Прецедент - это описание проблемы или ситуации в совокупности с подробным указанием действий, предпринимаемых в данной ситуации для решения данной проблемы. Прецедент включает: проблемную ситуацию, которая описывает состояние исследуемого процесса, когда произошел прецедент; решение этой проблемы; результат, который описывает состояние исследуемого процесса после произошедшей проблемной ситуации [9]. Вывод, основанный на прецедентах в активной ЭС, существенно отличается от других подходов искусственного интеллекта: вместо манипулирования общими знаниями в прикладной области, БЗП использует специфические знания относительно конкретных проблемных ситуаций из предыдущего опыта. Решение в новой проблемной ситуации осуществляется путем нахождения похожего прецедента в прошлом, и это решение многократно используется в последующих проблемных ситуациях. В работе [10] представлена теория обучения, основанная на сохранении опыта в динамическом развитии памяти и использовании прецедентов как моделей обучения решению проблем.

Рисунок 2 - База знаний прецедентов на нейросетях

1. ПОСТАНОВКА ЗАДАЧИ

Пусть множество прецедентов Я , г = 1, N расположено в некотором п-мерном пространстве, где каждый прецедент представлен своим вектором а, = (а, , ...,а, ),

г г1 гп

г = 1, п ; а вся совокупность матрицей АЬГАШ,п). Пусть прецеденты образуют в данном пространстве некоторое

число Ь - компактных локальных сгущений Rj, ] = 1, Ь (кластеры, классы). Задачей анализа является выделение

локальных сгущений: классов прецедентов, т.е. кластеризация или классификация прецедентов на базе ансамблевых МНС в условиях неопределенности, реализующих минимизацию функционала:

1

L

G(zV zL) = N Z Z \\a - 4 ^ min-

i = 1 a e R 1

Z; =

i N,

Z a ,

(1)

(2)

i ae R,.

где L - заранее заданное число кластеров ; zi - среднее по кластеру (центр кластера); Ni - число прецедентов в кластере .

2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ

ГТД, как СТО, характеризуется сложными физическими процессами, протекающими в нем и его подсистемах. Процессы запуска и разгона авиационных двигателей являются определяющими режимами его эксплуатации. Специальные регуляторы - временные автоматы приемистости (автоматы разгона) обеспечивают им нормальную приемистость - способность ГТД к изменению режима работы (переход двигателя с режима минимальной на режим максимальной тяги и наоборот). Выход временного автомата приемистости ГТД из строя может привести к аварийным и катастрофическим ситуациям. Поэтому, своевременное обнаружение и локализация отказов позволяют активной ЭС парировать аварийные и нештатные ситуации в процессе его эксплуатации.

Математическая модель (ММ) типового [11] автомата приемистости может быть представлена (рис. 3).

Рисунок 3 - Принципиальная схема изодромного гидромеханического регулятора

Этот регулятор состоит из чувствительного элемента 1, маятникового распределительного элемента 2, выполненного в виде сопло-заслонка, статического 5 и астатического 6 поршней, дроссельного пакета 3, входного

дросселя 4, дозирующей иглы 7 и задающего устройства 8. У поршня 6 также имеется пружина, однако она имеет пренебрежимо малую жесткость, подбираемую из условия герметичности в нерабочем состоянии.

На исходном равновесном режиме при п = по ширина щели распределителя 2 равна г0, давление в полостях статического поршня - Ро, оба поршня занимают исходное положение так, что через дозирующую иглу в двигатель поступает расход топлива 0Т = 0Т .

При подаче управляющего сигнала ДаруД рычаг поворачивается против часовой стрелки и маятник 2 прикрывает щель на Дго, уменьшая слив рабочей жидкости. Равновесие расходов топлива, втекающего через дроссель 4 и вытекающего через отверстие маятникового распределителя 2, нарушится и, в силу, неразрывности потока поршень 5 вместе с поршнем 6 начнут перемещаться, увеличивая подачу топлива через дозирующую иглу 7 на ДО^. Перемещение поршня 5 связано с изменением силы сжатия пружин, и, следовательно, с появлением на нем и дроссельном пакете 3 перепада давлений. Через дроссель 3 также начнет поступать топливо, что приведет к появлению относительной скорости перемещений поршней 5 и 6. Увеличение расхода топлива приведет к разгону ротора двигателя на Дп , повороту рычага по часовой стрелке и соответствующему увеличению ширины щели на Дг. Текущее значение ширины щели будет равно гщ = го - Дго + Дг . Изменение параметров двигателя и регулятора будет продолжаться пока частота вращения не достигнет заданного значения. При этом ширина щели и параметры статического поршня примут исходные значения, т. е. гщ = го и у=0.

Несколько иная картина получается при действии внешних возмущений. Обычно принято выражать внешнее воздействие в долях регулирующего воздействия (в данном случае расхода топлива). Если внешнее воздействие таково, что расход топлива увеличивается, то частота вращения двигателя будет также увеличиваться. Рычаг, в отличие от предыдущего случая, повернется по часовой стрелке и щель маятника увеличится. Обусловленное этим уменьшение давления в правой полости статического поршня приведет к смещению поршней влево на уменьшение расхода топлива в двигатель. Уменьшение расхода топлива и соответствующее снижение частоты вращения будут происходить до тех пор, пока щель маятникового распределителя и частота вращения двигателя не вернутся к исходным значениям го и по . Текущее значение щели маятникового распределителя в этом случае можно представить в виде гщ = го + к^кпп, где кК, кп -соответственно, коэффициенты усиления рычага и датчика частоты вращения.

Математическое описание системы регулирования может быть представлено:

d-y = Av, dt

%=т(р"Ар -с*70 (у) -кп (у) ),

(4)

Д/^2(Ро/п-Ар) - ДЪ2{2)^Р0 - Ар - (5)

ф =_е

& у* + ^Ду

+ (-Ри71 (У) V) -Д/п^^Ар-д Р 1 (у ) ,

¿х

1 %д/п/рАр + дР 1(у),/Р

%П = -Т" (kdv( ^ + А/ь) - А") >

Л

(6)

(7)

¿V

где 70(у) - функция пользователя, ограничивающая перемещение поршня изодрома; 71(у) - функция пользователя, ограничивающая скорость поршня изодрома; Z (г) - функция пользователя, не позволяющая ширине щели маятникового распределителя становиться отрицательной; Е1 (у) - функция пользователя, определяющая включение дросселя. у - перемещение поршня; t - время; п - вязкое трение; т - масса статического поршня; Еи - площадь статического поршня; с* - жесткость пружины чувствительного элемента; ¥с -сила сухого трения; ку - приведенный коэффициент вязкого трения; р0 - давление питания; Ар - приращение давления; Е - модуль объемной упругости жидкости, считается, что содержание нерастворенного воздуха мало, т. е. Е=сош1; У* - суммарный объем; Ау - приращение перемещения поршня; Д - коэффициент расхода; / и /п -соответственно площади входного и выходного дроссельных пакетов; Ь - ширина щели распределителя (щель считается прямоугольной); р - плотность рабочей жидкости; х - перемещение астатического поршня; -площадь астатического поршня дозирующей иглы; п -частота вращения двигателя; Т^ - постоянная времени

двигателя; к^ - коэффициент усиления двигателя; к%и -коэффициент усиления дозирующей иглы; Ах -перемещение дозирующей иглы; Ап - приращение оборотов; А/ь - внешние воздействие, выраженное в

долях расхода топлива.

Математическое описание системы регулирования составляется в предположении следующих допущений: коэффициенты расхода маятникового распределителя и дросселей считаются постоянными; соблюдаются условие неразрывности жидкости и закон Гука; на дозирующей игле сохраняется перепад давления так, что расход топлива всецело определяется ее перемещением; трубопроводы считаются короткими (сосредоточенные параметры); существенные нелинейности - не рассматриваются; давление слива равно нулю. Кроме того, так как модель регулятора получается достаточно сложной и громоздкой, то с целью упрощения

применяется самая простая линейная модель двигателя, а датчик частоты вращения считается безынерционным. Математическая модель (ММ) включает в себя уравнения движения вычислительного рычага и поршня, баланс расходов гидроусилителя, уравнения дозирующей иглы и двигателя.

Комплексная диагностика и контроль параметров временного автомата приемистости ГТД осуществляется активной ЭС и ее ГБЗ, в которой хранятся эталонные характеристики временного автомата приемистости ГТД (рис. 4). Где на (рис. 4): а - перемещение поршня; б -скорость поршня; в - расход топлива; г - обороты двигателя. Реализация БЗП на ансамблевой МНС динамической БЗ позволяет активной ЭС совместно со статической БЗ (БКЗ и БЭЗ) эффективно решать прямые и обратные задачи комплексного контроля и диагностики параметров временного автомата разгона ГТД, граф причинно-следственных связей и таблица неисправностей которого хранятся в БЭЗ. К основным неисправностям временного автомата разгона ГТД можно отнести: засорение дроссельных пакетов; разгерметизация (утечки, перетечки); излом упругих элементов; изменение начальной затяжки; появление выработки между корпусом и золотником; подсос воздуха в систему и т.д.

3. КЛАССИЧЕСКИЕ МЕТОДЫ ДЛЯ РЕШЕНИЯ ЗАДАЧИ КОМПЛЕКСНОГО КОНТРОЛЯ И

ДИАГНОСТИКИ ПАРАМЕТРОВ ГТД

Перечень классических алгоритмов обработки диагностической информации, рекомендуемых к использованию при проведении экспериментальных исследований по оценке технического состояния двигателя известен и подробно описан в литературе [12-15]. Не останавливаясь подробно на каждом из методов лишь перечислим их:

- вторичная статистическая обработка полетной информации (статистическое осреднение одноименных параметров по парку двигателей, оценка дисперсии и других высших моментных характеристик; оценка статистических характеристик взаимосвязи различных диагностических параметров (коэффициенты корреляции, регрессии и т.д.); оценка доверительных значений и интервалов для вычисления статистических величин);

- сжатие информации и выделение информативных признаков: компонентный и факторный анализ измеряемых параметров; дисперсионный анализ; анализ таблиц сопряженности признаков;

- идентификация моделей временных рядов функциональных параметров: оценка коэффициентов в моделях статистического сглаживания последовательностей и в цифровых фильтрах; корреляционный и взаимокорреляционный анализ временных последовательностей; спектральный и взаимоспектральный анализ стационарных последовательностей; спектральный анализ нестационарных последовательностей;

- идентификация параметров диагностической модели двигателя: линейная и нелинейная аппроксимация экспериментальных зависимостей; оценка параметров по частотным характеристикам; подгонка коэффициентов

математической модели двигателя к экспериментальным данным;

- локализация дефектов и отказов: прямой табличный метод (граф причинно-следственных связей); анализ методом диагностических матриц; дискриминантные алгоритмы распознавания; методы логического распознавания и т.д.

Рисунок 4 - Эталонные характеристики временного автомата приемистости

Перечисленные методы и алгоритмы широко применяются в процессе доводки системы диагностирования и служат для формирования и апробирования программ, используемых в развитых бортовых и наземных системах диагностирования авиационных двигателей. Основной процедурой, используемой в алгоритмах диагностирования технического состояния двигателя, является сравнение вектора измеренных диагностических признаков с векторами, характеризующими исправное состояние и определенные виды неисправных состояний ГТД (эталонными векторами). Для получения наиболее информативных диагностических признаков в активной ЭС должно осуществляться определенное сжатие входных данных за счет удаления линейно зависимых комплексов параметров, не обладающих диагностической ценностью. В общем виде эта операция имеет вид [16]:

A X £ = Q , (8)

где А - матрица коэффициентов линейного преобразования; £ - вектор контролируемых параметров; Q - вектор линейных диагностических комплексов от контролируемых параметров. Компоненты матрицы А задаются как константы, исходя из принятой модели преобразования, и должны корректироваться при уточнении модели по мере накопления статистических данных и результатов экспериментальных исследований на ГТД и физических моделях. Значения компонент матрицы преобразования могут формироваться с использованием методов математической статистики (дисперсионный, факторный, кластерный анализ и т.д.), а также на основе обобщения аналитических связей между параметрами, обусловленных характеристиками двигателя. В качестве критерия для сравнения измеренных векторов диагностических признаков с

эталонными чаще всего на практике применяют обобщенную линейную разделяющую функцию [16], либо критерии основанные на вычислении функции расстояния между векторами (метрики).

Обобщенная линейная разделяющая функция определяется [16]:

* = (ГР' гр), <9)

г = 1

где Гр - эталонный вектор диагностических признаков;

Гр - вектор измеренных параметров; р = 1, Е ; Е - число

компонент вектора контролируемых параметров; -постоянные коэффициенты, определяемые на этапе разработки решающего правила; / - некоторые функции (в частном случае линейные) компонент вектора диагностических признаков; q - число элементов линейной разделяющей функции.

Решающее правило формируется на основе сравнения вычисленного значения * с заданным граничным значением Qгр : если * у Qгр , то предъявляемый вектор

сравним с эталонным; если * Р Qгр , то предъявляемый и

эталонный вектор различны.

В процессе численного эксперимента на ММ (рис. 3) была получена обучающая выборка (рис. 4), вид которой представлен в (табл. 1).

Таблица 1 - Обучающая выборка

Входные переменные Состояние системы "временной автоматприемистости - ГТД"

1 Ду Д¥ ДО Дп 1 2 3 15 16 21

В (табл.1) в качестве входных переменных заданы: t -время процесса разгона (торможения); Ду - перемещение поршня (м); А¥ - скорость поршня (м/с); ДО - расход топлива (кг/час); Дп - обороты (об/мин). Состояние системы "временной автомат приемистости - ГТД" оценивалось следующим образом: с 1 по 15 ячейку таблицы -отказы временного автомата приемистости (регулятора); с 16 по 21 ячейку таблицы - отказы ГТД (где 1 - излом пружины; 2 - жесткость пружины максимальная; 3 - жесткость пружины минимальная; 4 - минимальная начальная затяжка; 5 - максимальная начальная затяжка; 6, 8, 1о -утечки в жиклерах; 7, 9, 11 - засорение жиклеров; 12, 13, 14 - перетечки из жиклеров; 15 - засорение золотника; 16 -увеличенный расход топлива через дозирующую иглу; 17 -засорение дозирующей иглы; 18 - коэффициент усиления двигателя минимальный; 19 - коэффициент усиления двигателя максимальный; 2о - "зависание" оборотов; 21 -постоянная времени двигателя. Состояние системы в ячейках: 1 - норма; о - отказ; [-1; о] и [о; 1] - состояния неопределенности.

В условиях частичной или полной неопределенности параметров системы: "временной автомат приемистости -ГТД", большинство классических методов классификации, кластеризации, таксономии [12-18] необходимо дорабатывать. Так в процессе кластеризации прецедентов при

моделировании комплексного отказа: утечки и засорения в жиклере регулятора, "зависание" оборотов и изменение постоянной времени ГТД (ячейки 9-10, 20-21 по (табл. 1) и 14-15, 26-27 на (рис. 5) с учетом входных переменных), например, методом к - средних в условиях частичной неопределенности параметров (не более двух нечетких переменных) (рис. 5) видно, что данный метод "отягощен" ошибками распознавания (кластеры размыты), а при полной неопределенности (более двух нечетких переменных) метод не работает (рис. 6).

Рисунок 5 - Размытость кластеров при частично нечетких входных данных

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Рисунок 7 - Размытость кластеров в виде нечетких областей параметров

Области неопределенности кластеризации прецедентов хорошо заметны на (рис.7)-(рис.8). На рис. 7 хорошо видны области - " островки" размытости кластеров.

Рисунок 6 - Ошибка кластеризации при полной неопределенности входных данных

Рисунок 8 - Размытость кластеров в трехмерном пространстве

Результаты иерархического группирования

классическим методом к-средних в условиях частичной неопределенности параметров (дендрограмма) показана на (рис.9).

Рисунок 9 - Результаты иерархической кластеризации в исходном пространстве признаков

Исследования, проведенные автором в среде пакета программ 81аШИса 6.о в условиях НЕ - факторов, показали необходимость расширения классических методов кластеризации, классификации, таксономии элементами "мягких" вычислений. Расширение классических методов кластеризации элементами "мягких" вычислений (нечеткая логика, генетические алгоритмы, нейросети) позволяет ликвидировать данный недостаток, увеличивая точность распознавания кластеров и принятия решений. Максимального эффекта распознавания прецедентов в процессе комплексного контроля и диагностики параметров системы: "временной автомат приемистости - ГТД" можно достичь с помощью аппарата нейросетей.

4. РАЗРАБОТКА БЗП НА ОСНОВЕ

АНСАМБЛЕВЫХ МНС

Предварительный анализ данных для выбора архитектуры нейросети (НС), адекватной решаемой задаче тесно связан с точностью моделируемого процесса. Известно [19-21], что чем больше данных привлекается к оценке процесса, тем точнее оценка самого процесса и как следствие точность принятого решения. Однако в процессе моделирования наступает информационное "насыщение" (этот эффект наступает тогда, когда количество участвующих в вычислительном процессе данных не повышает общей точности ММ. Оптимальный выбор данных для НС происходит путем их оценки (ценности). В процессе натурного (полунатурного) и численного эксперимента происходит уточнение ММ, а вместе с ней и количества данных. В процессе информационной оценки параметров временного автомата приемистости ГТД из 15о данных (регулятор и двигатель) были выбраны 8о наиболее информативных.

Преобразование данных перед их обработкой НС для достижения ее вычислительной эффективности - важный этап оценки данных (нормирование данных; обработка эксперимента; корреляционный и факторный анализ;

экспертная оценка достоверности данных, предварительная обработка статистики (априорная, апостериорная, вероятностная и др. информация). На данном этапе из 8о информативных выявлены 5 коррелированных данных, рассмотренных в пяти случаях основных неисправностей временного автомата приемистости ГТД, на двух основных режимах работы ГТД.

5. ВЫБОР АРХИТЕКТУРЫ НС И МЕТОДОВ ОБУЧЕНИЯ

В процессе решения данной задачи в режиме реального времени ММ временного автомата приемистости ГТД содержала следующие дефекты: засорение входного и выходного дроссельных пакетов; изменение начальной затяжки; утечки и перетечки в системе. Влияние данных дефектов рассматривалось на двух режимах: "Малый газ" и "Максимал". В качестве основных фазовых переменных временного автомата приемистости рассматривались: перемещение поршня, скорость поршня, давление, перемещение дозирующей иглы, обороты двигателя.

Для разработки БЗП активной ЭС комплексной диагностики и контроля временного автомата приемистости ГТД, автором предлагается следующая архитектура ансамблевой МНС [19-21]: Неокогнитрон -Кохонена. МНС Неокогнитрон - 3-х слойная сеть, выполняющая следующие функции: входной слой (рецепторный) осуществляет фокусировку и разделение данных (5 по 5о нейронов) (пять фазовых переменных изменяются во времени в течение 5 секунд: общий объем обучающей выборки - 5 переменных по 5ооо данных); один промежуточный слой - 1оо нейронов; выходной слой (обобщающий) - 1о нейронов (5 классов по 2 состояния: норма или отказ). МНС Неокогнитрон выполняет предварительный экспресс-анализ распознавания прецедента. Более детальное выделение прецедента осуществляет НС Кохонена, имеющая архитектуру (1о нейронов на входе НС - 1о нейронов в конкурирующем слое - 5 нейронов на выходе). Прецеденты, выделенные НС Кохонена запоминаются затем в БЗП активной ЭС (рис.Ю) - (рис.11). Где на (рис.Ю): д - распознавание ансамблевой МНС эталонного состояния временного автомата приемистости ГТД (I - область неработоспособного состояния; II - область работоспособного состояния); е - распознавание комплексного отказа (засорение двух жиклеров; изменение начальной затяжки, разгерметизация) на двух режимах работы двигателя (I - область неработоспособного состояния; II - область работоспособного состояния); а на (рис.11) показаны области распознавания прецедентов ансамблевой МНС: 1 - засорение внешнего дроссельного пакета; 2 - засорение внутреннего дроссельного пакета; 3 - изменение начальной затяжки; 4 - разгерметизация; 5 - проявление комплексного дефекта (1-4) на режиме "Малый газ"; 6-9: области нормального функционирования временного автомата приемистости ГТД. Учет НЕ-факторов позволяет четко выделять прецеденты и области работоспособного состояния ГТД, полностью исключая ошибки I и II рода [4,7,8].

Ы ¡при(Акоп

Ас1м1у о( ¡прийноп

■ ■ .-:?■ Г ■ 7 <■

^ \ Р \

\ \ и' Ж

Ж»* I ■■■

е)

Рисунок 10 - Распознавание прецедентов ансамблевой

МНС

Рисунок 11 - Области распознавания прецедентов и нормальной работы ГТД

Процесс диагностики и контроля параметров автомата разгона ГТД может осуществляться как на установившихся, так и на переходных режимах работы (рис. 12). В качестве алгоритмов обучения ансамблевой МНС могут применяться: комплексный алгоритм обучения основанный на методе обратного распространения ошибки во времени или каждая МНС может обучаться отдельно. Анализ точности принятого ансамблевой МНС решения приведен в (табл. 2). Применение ансамблевой МНС для реализации на их основе БЗП ГБЗ активной ЭС комплексного мониторинга временного автомата приемистости ГТД позволяет им в реальном масштабе времени накапливать опыт экспертов для применения его в процессе эксплуатации в будущем. Кроме этого, подключение БЗП к ансамблевой МНС (ВАМ-АИТ) совместно с данными из БД испытаний позволяет эффективно решать обратные задачи.

Таблица 2 - Точность распознавания прецедента ансамблевой МНС

Модель НС Агоритм обучения Количество шагов обучения Точность распознавания прецедента в (%) Распознавание с учетом НЕфакторов в (%) Распознавание без учета НЕфакторов в (%) Количество режимов Количество классов Количество перемен-ных Размерность обучающей выборки

Ансамбль Комплексный 1100 100 95 10 2 5 5 5000

График кзмвнэнпя безразмерный абаропш ат изменения 1р

Рисунок 12 - Влияние дефекта (засорение дроссельного пакета) на обороты ГТД

Проведенные автором исследования свидетельствуют о правильности выбранного им подхода к реализации БЗП активной ЭС на основе ансамблевой МНС, которая была апробирована им в среде нейроимитатора Кеш^оЫйош 3.0 в условиях НЕ-факторов.

ПЕРЕЧЕНЬ ССЫЛОК

1. Бурков В.Н., Новиков Д.А. Теория активных систем: состояние и перспективы. - М.: СИНТЕГ, 1999. - 125с.

2. Новиков Д.А., Петраков С.Н. Курс теории активных систем. - М.: СИНТЕГ, 1999. - 142с.

3. Попов Э.В., Фомин И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. - М.: Финансы и статистика, 1996. - 315с.

4. Васильев В.И. Искусственный интеллект в системах управления и обработки информации. //Вестник УГАТУ. 2000, №1. - С.112-117

5. Боев Б.В., Бугровский В.В., Вершинин М.П. и др. Идентификация и диагностика в информационноуправляющих системах авиакосмической энергетики. - М.: Наука, 1988. - 195с.

6. Кеба И.В. Диагностика авиационных газотурбинных двигателей. - М.: Транспорт, 1980. - 356с.

7. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Управление динамическими системами в условиях неопределенности. - М.: Наука, 1998. - 625с.

8. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Проблемы проектирования и развития систем автоматического управления и контроля ГТД. - М.: Машиностроение, 1999. -685с.

9. Черняховская Л.Р., Никулина Н.О., Халиков Т.А. и др. Разработка динамической модели процесса управления в проблемных ситуациях на основе базы знаний прецедентов. // Управление в сложных системах, 1999, №17. - С.38-45

10. Куликов Г.Г., Набатов А.Н., Речкалов А.В. и др. Автоматизированное проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования. - Уфа: УГАТУ, 1999. - 223с.

11. Черкасов Б.А. Автоматика и регулирование воздушно-реактивных двигателей. - М.: Машиностроение, 1988. -360с.

12. Дуда Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. - 650с.

13. Мандель И.Д. Кластерный анализ. - М.: Финансы и статистика, 1988. - 385с.

14. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. - Новосибирск: ИМ РАН, 1999. - 270с.

15. Вапник В.Н. Восстановление зависимостей по

эмпирическим данным. - М.: Наука, 1979. - 545с.

16. Дубравский Н.Г., Егоров И.В., Знаменков O.K. и др. Структура и алгоритмы системыдиагностики двигателей по функциональным параметрам. - М.: ЦИАМ, 1984, №10261. - 156с.

17. Шепель В.Т., Кузьменко М.Л., Сарычев С.В. и др. Надежность, диагностика, контроль авиационных двигателей. - Рыбинск: РГТА, 2001. - 352с.

18. Научный вклад в создание авиационных двигателей. // Под ред. Скибина В.А. и Солошина В.И. - М.: Машиностроение, 2000, кн.1 - 625с.

19. Галушкин А.И. Теория нейронных сетей. - М.: ИПРЖР, 2000. - 416с.

20. Жернаков С.В. Об одной методике построения гибридных экспертных систем диагностики и контроля ГТД в условиях неопределенности. /Авиационнокосмическая техника и технологии, 1998, Вып.5. - С.325-332

21. Жернаков С.В. Контроль и диагностика ГТД гибридными экспертными системами.//Труды ЦАГИ,1999, вып.2640. -С.125-132

РЕШЕНИЕ ЗАДАЧИ ОПТИМАЛЬНОЙ ЭКСПЛУАТАЦИИ ПОПУЛЯЦИИ ТИХООКЕАНСКИХ ЛОСОСЕВЫХ РЫБ

Е.В.Ласт, Е.Я.Фрисман

В работе анализируются механизмы самоорганизации и управления в биологических популяционных системах. Предлагается математическая модель динамики численности сложноструктурированной популяции, ориентированная на описание популяций тихоокеанских лососей. Исследуются неподвижные точки и их устойчивость. Решается задача оптимального управления для двух наиболее популярных методик промысла.

This work is analyses mechanisms of self-organization and control in biological population systems. A mathematical model of population with age structure number dynamics is suggested. This model is meant for description Pacific salmon's populations. Stationary points and their stability are investigated. The problem of optimum control for two most popular methods of a craft is solved.

На современном этапе развития общества антропогенное воздействие на природные системы стало сравнимо по своим масштабам с естественными явлениями и процессами. Человек активно вмешивается в протекание глобальных геофизических процессов, причем в большинстве ситуаций это вмешательство носит негативный характер: нарушение озонового слоя, исчезновение лесов и полезных ископаемых, загрязнение мирового океана и т.д. В то же время человечество, несмотря на развитие техники и технологий, все так же зависит от окружающей среды.

В таких условиях научно обоснованное, рациональное управление экосистемами приобретает особую важность. Уникальность природных систем не позволяет проводить крупномасштабные эксперименты, а последствия неверного решения могут оказаться катастрофическими. Кроме того, особенностью биологических систем является их способность к самоорганизации, т. е. возникновению сложных динамических режимов при отсутствии внешних воздействий. Поэтому нельзя заниматься проблемами управления экосистемами и отдельными популяциями без

предварительного качественного анализа. В связи с этим особое значение приобретает метод математического моделирования реальных систем. В данной работе мы предлагаем вариант дискретной математической модели динамики численности одного из ценнейших промысловых видов - тихоокеанских лососей.

Горбуша, нерка, сима, кижуч, кета и чавыча относятся к роду ОпсогЬупсЬш. Ареал распространения представителей этого рода ограничивается северной частью Тихого океана. Южная граница ареала находится на о. Тайвань в Азии и в Калифорнии в Америке.

Половозрелые особи одного возраста у разных видов имеют заметные различия в размерах и весе тела. Наиболее просто отличить виды, когда лососи имеют брачный наряд, поскольку в это время приобретается особая форма тела и его окраска.

Тихоокеанские лососи - моноцикличные проходные рыбы, которые сразу после первого нереста погибают. Размножаются они в реках и озерах, нагуливаются до нереста в море.

В период нереста популяции тихоокеанских лососей хорошо очерчены в пространстве: каждая популяция, заходящая в свою реку, обособляется от других и воспроизводится самостоятельно. Более того, даже популяции, нерестящиеся на одной и той же реке, занимают разные участки: одни - как, например, сима - выбирают мелкие притоки и верховья рек, другие - кета, горбуша -срединные участки, чавыча занимает сравнительно глубоководные участки с быстрым течением и т. д. Это дает возможность не учитывать при моделировании вероятность захода рыб из других нерестовых водоемов, несмотря на то, что особи нескольких популяций лососей проводят продолжительное время в море совместно.

Возрастная структура нерестового стада сильно различается у разных видов: если для нерки известна 21

i Надоели баннеры? Вы всегда можете отключить рекламу.