CC BY
35
интенсивности движения по полосам. Тип автомобиля (легковой, грузовой, автобус, микроавтобус, троллейбус и т.д.) задается с учетом состава транспортного потока на исследуемой улице, который предварительно определяется на основании натурных наблюдений, и соответствующей вероятности появления автомобиля того или иного типа. Автомобилю присваивается скорость, величина которой выбирается в соответствии с законом нормального распределения с учетом скоростного режима на исследуемой улице. При этом интервалы времени между автомобилями, въезжающими на контрольный участок, задаются в соответствии со смещенным экспоненциальным законом распределения [1]. Геометрические размеры автомобиля, а также тип и параметры его двигателя устанавливаются в соответствии с типом автомобиля.
Рис. 1. Блок схема алгоритма решения
Блок контроля фаз светофора моделирует подчинение объектов сигналам светофора.
Блоки контроля взаимодействия объектов позволяют учесть взаимное влияние транспортных средств на характеристики движения друг друга. Так, автомобиль при приближении ко впереди идущему автомобилю получает отрицательное ускорение (замедление), чем обеспечивается сохранение дистанции безопасности с учетом остановочных путей обоих автомобилей. В случае, когда лидирующий автомобиль имеет слишком низкую скорость, автомобиль, догоняющий его сзади, переходит к выполнению обгона с выездом на соседнюю полосу движения. При этом учитывается наличие возможных помех на смежной полосе. Аналогичные маневры выполняются при наличии стоящих на проезжей части автомобилей (у светофора, у тротуара, у остановочного пункта при отсутствии заездного кармана и т.д.). При подъезде к остановочному пункту пассажирское транспортное средство снижает скорость и останавливается, занимая свободное место либо в пределах остановки, либо в конце очереди на полосе движения, создавая помехи вновь подъезжающим автомобилям.
В процессе слежения за каждым из объектов, находящихся в контрольной зоне, он либо сохраняет параметры своего движения неизменными, либо ему придается ускорение или замедление, при этом он может ме-
нять направление движения для выполнения необходимого маневра.
Одним из расчетных результатов, полученных при использовании данной модели, является распределение суммарной продолжительности работы двигателей всех автомобилей, которые проезжают в течение заданного промежутка времени зону, прилегающую к перекрестку или остановочному пункту, по длине этой зоны. При этом учитывается работа двигателей на каждом из основных рабочих режимов: разгон, замедление, холостой ход и движение с постоянной скоростью. Используя результаты проведенных расчетов, а также известные литературные данные (например, [2]), можно сделать прогноз количества токсичных выбросов в атмосферу с отработавшими газами автомобильных двигателей.
На рис. 2 в качестве примера представлено полученное расчетным путем распределение режимов работы двигателей автомобилей по длине полосы движения при подъезде к светофору. Как видно из рисунка, изменение режимов работы двигателей автомобилей, обусловленное влиянием светофора, начинает проявляться в данном случае на расстоянии примерно 60 м до стоп-линии. То есть участок улицы длиной около 120 м, симметричный относительно центра светофорного объекта, должен качественно отличаться от смежных участков по составу выбрасываемых в атмосферу загрязняющих веществ.
хошто ч ход
посто чииая ск чрость
замел кние разгон
Л
72 -60 -4$ -36 -И -12 О 12 21 36 « ¡>8
Рис. 2. Распределение режимов работы двигателей автомобилей по длине полосы движения при подъезде к светофору
Предложенная модель может быть использована для определения и других параметров транспортного потока, например, задержек на перекрестке, длины очереди у светофора или у остановочного пункта, для оптимизации параметров остановочного пункта, для прогнозирования выбросов токсичных компонентов отработавших газов автомобилей на перекрестке с учетом продолжительности фаз цикла регулирования и т.д.
Список литературы
1. Клинковштейн Г.И., Афанасьев М.Б. Организация дорожного
движения. - М.: Транспорт, 2001. - 248 с.
2. Якубовский Ю. Автомобильный транспорт и защита окружающей
среды. - М.: Транспорт, 1979. - 198 с
В.И. Васильев, Я.А. Борщенко
Курганский государственный университет,
г. Курган
СИСТЕМЫ ТЕХНИЧЕСКОГО ДИАГНОСТИРОВАНИЯ С ЭЛЕМЕНТАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Значительный рост количества систем автомобиля, в том числе и электронных, а также повышение их сложности конструкции и принципов функционирования по-
Входные параметры: . интене.йвность дви'ЖешА й.Шётав транспортного потж$, Ш"1-'*—■■■' параметры лроеожеи -асти ' 1
л уМгпа,' л ар эм ещы. рабдты'светофора
требовали от производителей эффективных средств диагностирования. Особенно это касается встроенных средств, работающих непосредственно на автомобиле. Однако подавляющее большинство подобных систем обладают существенными недостатками - они оценивают техническое состояние отдельных элементов, подсистем и узлов дифференцированно, без взаимосвязи с другими подсистемами, что значительно снижает достоверность диагностирования и, как следствие, требует либо чрезмерно «жестких» или «мягких» нормативов. Сами по себе системы бортовой диагностики не обладают алгоритмами постановки диагноза по системам автомобиля, а лишь фиксируют локальные проявления неисправностей. Следует отметить, что стационарные комплексы диагностирования также, как правило, не имеют систем постановки диагноза по совокупности диагностических параметров, роль которых отводится оператору-диагносту.
Таким образом, существует объективная научно-техническая проблема создания комплексных систем диагностирования, построенных на универсальных принципах, обеспечивающих высокий уровень достоверности постановки диагноза и перспективных в отношении массовой реализации как в стационарных стендах, так и средствах бортового диагностирования.
Проектирование системы диагностирования требует создания алгоритма диагноза и определения нормативов. Традиционные подходы реализуют эти два этапа раздельно, что является их существенным недостатком. Тем не менее, в медицине, экономике достаточно успешно применяются диагностические и экспертные системы на основе методов искусственного интеллекта, таких как «нечеткая логика» и «нейронные сети».
Особенно широко применяются системы на базе «мягких вычислений» - «нечеткая логика». Не вдаваясь в теоретические аспекты «нечеткой логики», отметим, что в стандартном виде она эффективна только при следующих условиях: небольшое количество параметров диагностирования в рамках одной нечеткой системы (до 7), наличие знаний у эксперта о влиянии факторов на целевую функцию, невысокие требования к точности системы.
Именно вследствие этих ограничений эти технологии ограниченно находят применение в технической диагностике. Для успешного применения нечеткой логики в технических системах требуется: алгоритм определения показателей лингвистических переменных (количество функций принадлежности - термов, их параметров), алгоритм синтеза правил нечеткого вывода, алгоритм подстройки системы на основе тестовых выборок.
Начальными условиями для автоматического построения системы диагностирования являются: выборка данных в виде матрицы X, в которой представлены диагнозы О.
Для применения классического метода определения нормативов требуется оценить плотность распределения ^х) и при удовлетворительном согласии распределения с нормальным законом задаваясь доверительным уровнем вероятности безотказной работы Рд определяем допустимые значения параметров диагностирования. Очевидны недостатки такого подхода: необходима достаточная выборка, распределение параметров должно быть близко к нормальному закону, а также определение лишь двух состояний объекта: исправно и неисправно. Спроектировать системы диагностирования позволяет следующий алгоритм на основе сформированных интервалов нечеткой системы и настроенной генетическим алгоритмом.
На первом этапе необходимо ранжировать выборку по классам состояний или диагнозам:
Параметры диагностирования х|
X.
><2 X*
Значение выходного фактора (класс - диагноз^)
с1„
Следует отметить, что искомый каждый интервал лингвистической переменной ИМТ^ соответствует гипотезам:
МП-» а,, ПЧТ2—> ¿2, ПЧТп—> 4.
(1)
Для поиска границ интервалов ГМТ1 =[а, Ь ] воспользуемся методикой [1] основанной на использовании законов золотого сечения для разложения отрезков, для чего нужно решить систему:
51 = 0,618*а1 + 0,382 *Ь1з
52 = 0,618 + 0,382 * а;, 1'бё 52>х1.
(2)
где х1, х2 - значения выборки, соответствующие одному классу с1п.
Для удобства применения следует сгруппировать данные внутри одного класса по возрастанию.
Вторым шагом данного этапа является последовательная проверка принадлежности значений хп полученному интервалу. При наличии таковой проверяется следующее значение, а при отсутствии образуется новый интервал 1ЫТ2.
Следует ввести порог, определяющий необходимость обобщения интервалов Ах внутри одного класса решений с1п, величина которого в первую очередь будет определяться точностью оценки параметров хп.
Таким образом, условие обобщения интервалов будет:
р(ШТ\,тТ2) < Ад
р(МТ\, ШТ2) = шах\а\ - а2\, \Ы - 62|}
(3)
В результате обобщения образуется новый интервал ШТЗ =ШТ1 ^ШТ2.
Сформированные интервалы являются основой для построения термов той или иной формы, тем не менее, ряд работ показывают наибольшую эффективность термов с нелинейным характером изменения и малым числом параметров настойки, таковыми являются функции принадлежности, задаваемые функциями:
а) симметричная гауссовская функция принадлежности
(х-ЪУ
¿ид(о) = е 2с2 • б) функция, предложенная [2]
Ав)=- 1
(4)
1 +
б-Ъ
(5)
28
ВЕСТНИК КГУ, 2007. №4
где Ь и с - параметры настройки: с- координата максимума функции, /и°{Ъ) = 1; с - коэффициент концентрации - растяжения функции (рис. 1). Для нечеткого терма Т число Ь представляет наиболее возможное значение переменной х.
Таким образом, каждому интервалу соответствует своё терм-множество |Л°(б).
На втором этапе происходит построение лингвистических правил с учетом допущений: интервалы (термы) могут быть пересекающимися; построенные правила в виде предложений условия <Апёё> 51 е |Д°(51).<01> (11 не могут быть противоречивыми.
Рис. 1. Модель функции принадлежности
После чего «грубая» диагностическая система считается построенной, однако точность ее, как правило, не высока. Повысить ее точность представляется возможным путем оптимизации параметров функций принадлежности, то есть b и с. А также тонкую настройку системы можно осуществить путем изменения весов каждого правила wr
По мнению авторов, целесообразно применять генетический алгоритм (ГА) поиска оптимального решения при настройке системы. Генетический алгоритм осуществляет одновременный поиск по многим направлениям путем использования вариации возможных решений. Переход от одной вариации к другой позволяет избежать попадания в локальный оптимум. Популяция претерпевает нечто наподобие эволюции: в каждом поколении относительно хорошие решения репродуцируются, в то время как относительно плохие отмирают. ГА используют вероятностные правила для определения репродуцируемой или уничтожаемой хромосомы (решение, код) - совокупности оптимизируемых параметров, чтобы направить поиск к областям вероятного улучшения целевой функции.
С точки зрения программной реализации целесообразно использовать языки высоко уровня, имеющие в своем составе вышеизложенные алгоритмы. Таковой на сегодняшний день является среда MATLAB. Его последние версии обладают пакетом расширения генетических алгоритмов - gatool и fuzzy logic. Среда позволяет разрабатывать системы поэтапно, применяя графический интерфейс как для отладки отдельных подпрограмм, так и в структурных единицах среды программирования m-файлах. Конечный продукт может быть скомпилирован в независимое приложение на зыке С++.
Список литературы
1. Хартман К. и др. Планирование эксперимента в исследовании
технологических процессов. -М.: Мир, 1977. - 408с.
2. Ротштейн АЛ. Интеллектуальные технологии идентификации:
нечеткая логика, генетические алгоритмы, нейронные сети. —
Винница: УНИВЕРСУМ—Винница, 1999. — 320 с.
О.Г. Вершинина
Курганский государственный университет, г. Курган
МЕТОДИКА БЕССТЕНДОВОГО ДИАГНОСТИРОВАНИЯ ИЗНОСА ФРИКЦИОНОВ ГМП
Метод, позволяющий проводить углубленную диагностику ГМП, в том числе диагностику ее фрикционов, был разработан в МАДИ канд. техн. наук Е.В.Недобухом [1]. Им был определен перечень диагностических параметров для углубленной диагностики ГМП, включающий в себя давление масла в главной масляной магистрали ГМП (РJ, отношение угловой скорости вращения ведущих дисков фрикциона к угловой скорости вращения ведомых дисков фрикциона(8J, а также интегральный параметр включения фрикциона (SJ. Под интегральным параметром включения фрикциона S1 понимается разница площадей, заключенных под реализацией угловой скорости ведомого вала фрикциона ГМП СО, и угловой скорости вала турбины C0¿ за время переходного процесса включения фрикциона t
t
Sl=\{(Dm-(D2)dt. (1)
О
31 Si pao
30
28
2o
2Í
22
20
1S
Puc. 1. Изменение интегрального параметра процесса включения фрикциона S от величины зазора между дисками фрикциона Н при различной угловой скорости фрикциона соп[1]
При этом автором доказана возможность определения величины износа дисков фрикциона по величине интегрального параметра на режиме тестового разгона автобуса при различной скорости переключения передач СО. на тяговом роликовом стенде по зависимостям, представленным на рис.1.
Недостатком данного метода является невозможность его использования без стенда тяговых качеств, так как все исследования проводились автором на одном тестовом нагрузочном режиме. Кроме того, теоретические исследования по обоснованию метода были проведены автором с использованием весьма грубой математической модели, не учитывающей, в частности, фазы опорожнения цилиндра фрикциона и инерционных сил, возникающих при разгоне трансформатора за время переключения переда, что искажает реальные процессы, происходящие в ГМП. Кроме того, автором не подтверждены экспериментально некоторые весьма важные закономерности, полученные в ходе теоретических исследований.
Так как ускорение ведущего вала фрикциона в момент переключения передач зависит как от момента сопротивления движению, так и от режима работы двигателя, в частности от угла открытия дроссельной заслон-
