1
На правах рукописи
ИДРИСОВ Ильдар Ирекович
АЛГОРИТМЫ АДАПТАЦИИ
И ОБЕСПЕЧЕНИЯ ОТКАЗОУСТОЙЧИВОСТИ
СИСТЕМ УПРАВЛЕНИЯ
ГАЗОТУРБИННЫМИ ДВИГАТЕЛЯМИ
НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
Специальность 05.13.01 Системный анализ, управление и обработка информации (в промышленности)
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Уфа-2009 2
Работа выполнена в ГОУ ВПО «Уфимский государственный авиационный технический университет»
на кафедре вычислительной техники и защиты информации
Научный руководитель д-р техн. наук, проф.
Васильев Владимир Иванович
Официальные оппоненты д-р техн. наук, проф.
Асанов Асхат Замилович проф. кафедры прикладной математики и информатики Приволжского Федерального Университета д-р техн. наук, проф.
Лянцев Олег Дмитриевич проф. кафедры АСУ УГАТУ
Ведущая организация ФГУП УНПП «Молния», г. Уфа
Защита диссертации состоится 4 декабря 2009 года в 10-00 часов на заседании диссертационного совета Д-212.288. при Уфимском государственном авиационном техническом университете по адресу: 450000, г. Уфа, ул. К. Маркса,
С диссертацией можно ознакомиться в библиотеке университета
Автореферат разослан _ ноября 2009 г.
Ученый секретарь диссертационного совета д-р техн. наук, проф. В.В. Миронов
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы С расширением диапазона высот и скоростей полета летательных аппаратов (ЛА) появилась потребность в адаптации бортовых систем управления к условиям полета и режимам работы их силовых и энергетических установок. Современные газотурбинные двигатели (ГТД) представляют собой сложные технические объекты, которые отличаются многообразием протекающих в них физических процессов и характеризуются многомерностью, многосвязностью, нелинейностью, нестационарностью рабочих процессов, существенным влиянием режимов работы и внешних условий на характеристики их функционирования. Развитие и совершенствование ГТД сопровождается ужесточением требований к их системам автоматического управления (САУ), включая такие требования, как надежность, точность и качество процессов управления.
Современные подходы к построению высокоэффективных САУ ГТД основаны на работах А. А. Шевякова, Б. А. Черкасова, О. С. Гуревича, Ф. Д. Гольберга, Г. В. Добрянского, Т. С. Мартьяновой, Ю. М. Гусева, В. Н. Ефанова, В. Г. Крымского, Ю. С. Кабальнова, Р. Л. Лейбова, О. Д. Лянцева, Л. Б. Уразбахтиной, А. И. Фрида и др.
К числу основных факторов, которые необходимо учитывать при проектировании САУ ГТД, относятся факторы неопределенности, такие как неполнота априорной и рабочей информации, неточность математических моделей ГТД, погрешности датчиков и исполнительных механизмов, изменение характеристик двигателя в течение срока эксплуатации, возникновение возможных отказов функциональных элементов САУ. В качестве перспективного направления при решении задач проектирования САУ ГТД в последние годы рассматривается их построение в классе интеллектуальных систем управления, обеспечивающих робастность, адаптивность и отказоустойчивость процессов управления ГТД в условиях неопределенности.
Вопросам построения интеллектуальных систем управления (ИСУ) ГТД посвящены работы Б. Г. Ильясова, В. И. Васильева, Г. Г. Куликова, С. В. Епифанова, В. Ю. Арькова, С. С. Валеева, С. В. Жернакова, Р. А. Мунасыпова и др.
В этих работах показана, в частности, возможность применения искусственных нейронных сетей (НС) для решения задач идентификации и управления ГТД.
Использование НС-технологий должно обеспечить адаптацию алгоритмов управления ГТД в широком диапазоне изменения режимов работы и условий полета на основе механизмов обучения и самообучения.
Вместе с тем, анализ современной литературы, посвященной построению ИСУ ГТД, показывает, что многие задачи, связанные с построением НСмоделей ГТД и исполнительных механизмов (ИМ) систем топливопитания, нейросетевых адаптивных алгоритмов многорежимного управления ГТД, а также применением НС дл оперативного контроля и диагностирования отказов датчиков, исполнительных механизмов и системы управления ГТД в целом, до сих пор остаются открытыми. Вопросы программно-аппаратной реализации НС-алгоритмов управления и контроля САУ ГТД также требуют дополнительного исследования.
Таким образом, проблема разработки моделей, алгоритмов и программноаппаратной реализации интеллектуальных систем управления ГТД с использованием современных нейросетевых технологий является своевременной и актуальной.
Цель и задачи исследования Целью исследования является разработка теоретических и методических основ синтеза нейросетевых алгоритмов идентификации, многорежимного управления и обеспечения отказоустойчивости САУ ГТД, позволяющих повысить эффективность процессов управления ГТД в условиях неопределенности.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
1. Разработка и исследование алгоритмов идентификации ГТД и их исполнительных механизмов на основе рекуррентных нейронных сетей.
2. Разработка и исследование алгоритмов синтеза и адаптации нелинейных многорежимных регуляторов ГТД на основе многослойных нейронных сетей.
3. Разработка и исследование алгоритмов обеспечения отказоустойчивости САУ ГТД с использованием нейросетевых моделей их элементов и подсистем.
4. Оценка эффективности разработанных нейросетевых алгоритмов идентификации и управления ГТД и способов их программно-аппаратной реализации (ПЛИС).
Методика исследования Поставленные в работе задачи решались с использованием методов системного анализа, теории идентификации и теории автоматического управления, нейроинформатики, методов имитационного моделирования на ЭВМ.
Результаты, выносимые на защиту
1. Алгоритмы и методика идентификации ГТД и исполнительного механизма системы топливопитания на основе рекуррентных нейронных сетей.
2. Алгоритмы синтеза и адаптации нейросетевого регулятора ГТД на основе метода симплексного поиска и байесовской регуляризации.
3. Алгоритмы и методика синтеза отказоустойчивой САУ ГТД с использованием нейросетевых моделей ее функциональных элементов и подсистем.
4. Методика проектирования нейросетевых алгоритмов идентификации и управления ГТД, а также практические рекомендации по их технической реализации на базе программируемых логических интегральных схем (ПЛИС).
Научная новизна результатов 1. Предложены НС-алгоритмы динамической идентификации ГТД и исполнительного механизма системы топливопитания, отличающиеся тем, что они основаны на использовании новых классов архитектур НС, таких как динамические персептроны и рекуррентные сети Элмана, и алгоритмов обучения на основе байесовской регуляризации, что позволило повысить точность идентификации по сравнению с известными методами при наличии ограничений на вычислительные ресурсы БЦВМ.
2. Предложены алгоритмы синтеза и адаптации многорежимного нейросетевого регулятора ГТД, отличающиеся тем, что для компенсации нелинейных характеристик двигателя используется его нейросетевая обратная модель, обучаемая в режиме реального времени, что позволило повысить качество процессов управления в широком диапазоне изменения режимов работы двигателя.
3. Предложены алгоритмы обеспечения отказоустойчивости САУ ГТД, основанные на использовании метода FDI (Fault Detection and Identification), отличающиеся тем, что обнаружение отказов в системе осуществляется путем анализа рассогласований выходов функциональных элементов САУ с выходами аналогичных элементов в эталонной нейросетевой модели САУ, настраиваемой в режиме реального времени, что позволяет повысить оперативность и достоверность обнаружения отказов в широком диапазоне изменения режимов работы и характеристик САУ ГТД.
4. Предложена формализованная процедура моделирования и отладки нейросетевых алгоритмов управления ГТД на основе ПЛИС в среде САПР “Quartus”, отличающаяся тем, что задание функции активации нейронов осуществляется табличным способом, а структура НС определяется с помощью текстово-графического представления, что позволяет повысить наглядность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.
Практическая значимость работы Разработаны инженерные методики синтеза и моделирования НСалгоритмов идентификации и управления ГТД, применение которых позволяет формализовать основные этапы анализа, синтеза и моделирования САУ ГТД.
Предложена методика анализа устойчивости нелинейной САУ ГТД с НСрегулятором, основанная на использовании теоремы о малом коэффициенте усиления. Разработаны методические и практические рекомендации по реализации НС-моделей и алгоритмов управления ГТД на программируемых логических интегральных схемах (ПЛИС) в САПР «Quartus».
Апробация работы Основные положения, представленные в диссертационной работе, докладывались и обсуждались на:
VII, IXХI Международных научных конференциях «Компьютерные науки и информационные технологии (CSIT)» (Уфа, 2005, 2007; Анталья, Турция, 2008; Ретимнон, Греция, 2009);
Четвертой Международной научной молодежной школе «Нейроинформатика и системы ассоциативной памяти» (Таганрог, 2008);
Всероссийской молодежной научной конференции «Мавлютовские чтения» (Уфа, 2008);
III и IV Всероссийских зимних школах-семинарах аспирантов и молодых ученых «Актуальные проблемы в науке и технике» (г. Уфа, 2008, 2009);
Российско-немецком семинаре «Инновационные информационные технологии: теория и практика» (г. Уфа, 2009).
Публикации По теме диссертации опубликовано 15 работ, в том числе 1 статья в рецензируемом журнале из перечня изданий, рекомендованных ВАК.
Структура и объем работы Диссертационная работа состоит из введения, четырех глав основного материала, заключения, приложений и библиографического списка. Работа изложена на 150 страницах машинописного текста и включает 59 рисунков, 16 таблиц. Библиографический список содержит 144 наименования.
СОДЕРЖАНИЕ РАБОТЫ
Во введении дается общая характеристика работы: цель исследования, актуальность решаемых задач, определяется научная новизна и практическая значимость защищаемых результатов.
В первой главе проводится анализ существующих подходов к построению САУ ГТД в классе иерархических интеллектуальных систем управления (ИСУ), приводятся требования к перспективным САУ ГТД. Дается классификация задач, решаемых САУ ГТД с иерархической организацией уровней управления, приводится критерии интеллектуальности этих систем. Показана возможность повышения эффективности САУ ГТД на основе применения алгоритмов интеллектуального управления.
Проводится сравнительный анализ различных парадигм вычислительного интеллекта (экспертные системы, нейросетевые структуры, алгоритмы нечеткой логики и т.д.) с точки зрения перспектив их применения для решения задачи интеллектуального управления ГТД. Показаны преимущества использования нейросетевой парадигмы для решения данной задачи.
Рассмотрены различные подходы к решению задачи идентификации ГТД в реальном времени, адаптации алгоритмов управления и обеспечения отказоустойчивости САУ ГТД. На основе проведенного анализа предложена обобщенная структурная схема иерархической интеллектуальной системы управления ГТД, раскрывающая функции алгоритмов управления на различных уровнях САУ (рис. 1).
Согласно выбранной нейросетевой парадигме, база знаний ИСУ ГТД представляется в виде нескольких нейронных сетей, распределенных по уровням управления. Информационный обмен между отдельными НС осуществляется либо напрямую, либо посредством использования дополнительных логических блоков.
Рисунок 1 Обобщенная структурная схема ИСУ ГТД (Д – датчики, ИМ – исполнительные механизмы) Проведенный анализ работ в области разработки нейросетевых ИСУ ГТД показал, что в данной области остаются нерешенными такие задачи, как: задача адаптации НС-модели под конкретный экземпляр двигателя с учетом старения и изменения условий его эксплуатации; задача идентификации гидромеханических исполнительных механизмов системы топливопитания; задача выбора архитектуры НС-регуляторов и их применения в САУ с селектированием каналов; задача адаптации НС-регуляторов с использованием НС-моделей ГТД в режиме реального времени; задача оперативного контроля и диагностирования отказов датчиков, исполнительных механизмов и системы управления ГТД в целом.
Отмечается, что одной из актуальных проблем в теории нейронных сетей является проблема определения оптимальной структуры нейронной сети, адекватной решаемой задаче. Для решения данной проблемы применительно к САУ ГТД в работе предлагается использование алгоритмов обучения НС с байесовской регуляризацией.
Формулируется цель исследования и задачи, решаемые в диссертационной работе.
Во второй главе рассматривается задача идентификации ГТД и исполнительного механизма системы топливопитания на основе нейронных сетей.
Осуществляется выбор топологии и структуры НС, даны рекомендации по построению обучающей выборки и выбору алгоритмов обучения НС. Рассмотрены алгоритмы решения задачи нейросетевой идентификации ИМ и ГТД в широком классе архитектур НС (персептроны, динамические персептроны, рекуррентные сети Элмана). Исследованы зависимости точности идентификации от архитектуры, структуры и методик формирования обучающей выборки НС.
Рисунок 2 – Блок-схема методики нейросетевой В качестве базовой методики для решения задачи идентификации НСмоделей на примере двухвального ГТД и исполнительного механизма системы топливопитания (дозатора топлива) используется подход, основанный на предварительном обучении (инициализации) НС-моделей с использованием данных, полученных с помощью известных математических моделей ГТД и ИМ, таких как поэлементные математические модели (ПММ) и кусочно-линейные динамические модели (КЛДМ), и последующей адаптацией полученных НСмоделей к конкретным экземплярам объектов идентификации (рис. 2).
На этапе обучения НС использовался алгоритм Левенберга-Маркуордта с байесовской регуляризацией, основанной на использовании регуляризующего члена в выражении для ошибки обучения:
где i (k ) yi (k ) yi (k ) – рассогласование между значениями i-го измеряего параметра ГТД и соответствующего выхода НС-модели; [k1,k1+L] – «временное окно» данных в пределах которого осуществляется настройка (обучение) НС;
Wst(m) – веса синаптических связей НС; m – номер слоя НС (m = 1, …, М), в нашем случае, для 3-слойной сети М=2; и – экспериментально подбираемые веса для отдельных составляющих ошибки обучения ( + = 1).
На основе предложенной методики разработаны алгоритмы нейросетевой идентификации ИМ и адаптации полученной НС-модели для конкретного экземпляра ИМ. В качестве источника данных для инициализации НС-модели была использована ПММ исполнительного механизма системы топливопитания.
Показано, что предложенная методика идентификации позволяет решать задачу идентификации конкретного экземпляра ИМ со среднеквадратической ошибкой (СКО) по величине расхода топлива в камеру сгорания, равной 0,55%. Максимальная величина погрешности при этом составила GT =1,5%.
Установлено, что наилучшее качество идентификации обеспечивается при использовании НС-модели ИМ на основе 3-слойного персептрона, содержащего нейронов в скрытом слое.
Рассмотрены алгоритмы нейросетевой идентификации ГТД и адаптации полученной НС-модели для конкретного экземпляра двухвального двигателя. В качестве источника данных для инициализации НС-модели использовалась КЛДМ ГТД. В качестве базового алгоритма обучения было предложено использовать алгоритм Левенберга-Маркуордта с байесовской регуляризацией.
Установлено, что наилучшее качество идентификации ГТД обеспечивает рекуррентная сеть Элмана с 12 нейронами в скрытом слое (рис. 3).
В результате применения предложенной методики адаптации для предварительно обученной НС-модели установлено, что задача идентификации конкретного экземпляра ГТД решается со значением СКО на переходных режимах, равными n1 = 0,68%, n2 = 0,63%, ПK* = 0,82%, T4* = 0,15%, и с СКО на установившихся режимах - n1 = 0,49%, n2 = 0,48%, ПK* = 0,61%, T4* = 0,04%.
Рисунок 3 – НС-модель ГТД на основе рекуррентной сети Элмана Также был проведен эксперимент, позволяющий оценить точность НСмодели в условиях зашумления регулируемых параметров. В канал датчиков частоты вращения n1 и n2 добавлялся равномерно распределенный шум в интервале до 1% от максимального значения этих параметров. Было установлено, что СКО идентификации НС-модели ГТД в данных условиях не превышает 1,24%.
На основании полученных результатов сделан вывод о том, что применение предложенного подхода позволяет повысить качество идентификации НСмоделей для конкретных экземпляров ГТД и ИМ, и, кроме того, сокращает время, требуемое для реализации процедуры адаптации НС-модели, на 60-80%.
В третьей главе проводится анализ способов построения многорежимных регуляторов ГТД и обеспечения отказоустойчивости САУ ГТД на основе нейронных сетей.
На рис. 4 представлены основные варианты включения НС-регуляторов в астатических САУ ГТД.
Для схемы, изображенной на рис. 4, а, где целью обучения супервизорной НС является минимизация рассогласования между выходами САУ и ее эталонной модели (ЭМ), разработан алгоритм обучения НС, используемой для настройки коэффициентов ПИД-регулятора на основе метода симплексного поиска. Суть данного метода состоит в том, что движение к оптимуму в n-мерном пространстве варьируемых параметров (в нашем случае, выходов НС, которые представляют собой настраиваемые коэффициенты усиления ПИД-регулятора), осуществляется путем последовательного отражения вершин симплекса относительно одной из его граней. Симплекс – это фигура в n-мерном пространстве, образованная (n + 1) вершинами, не принадлежащими ни одному из пространств меньшей размерности.
Рисунок 4 – Схемы включения НС-регулятора в САУ ГТД Для схемы, изображенной на рис. 4, б, предложен алгоритм адаптации параметров многорежимного нейросетевого регулятора ГТД на основе обратной модели ГТД с использованием рекуррентной НС, дообучаемой в режиме реального времени. Предполагается, что сеть НС2 непрерывно обучается в процессе функционирования САУ, а сеть НС1 формирует управляющее воздействие на ИМ ГТД, причем после очередного цикла дообучения (адаптации) сети НС2 ее параметры копируются в управляющую часть САУ – сеть НС1.
Предложена методика анализа абсолютной устойчивости нелинейной САУ ГТД с НС-регулятором на основе теоремы о малом коэффициенте усиления. Рассмотрен случай, когда ГТД как объект управления на различных режимах описывается набором передаточных функций WГТД ( s), где r – номер базоr ) вого режима эксплуатации двигателя (r=1,…,R), а обученный НС-регулятор описывается нелинейным отображением u = Ф(х). Методика анализа устойчивости включает в себя следующие этапы: 1) приведение структурной схемы САУ ГТД к эквивалентной структурной схеме «нелинейный элемент – линейная часть»; 2) построение нелинейной характеристики «вход-выход» НСрегулятора и определение граничного коэффициента усиления (с) сектора ее изменения; 3) вычисление максимального собственного числа замкнутой линейной система описываемой матрицей передаточных функций где –матрица передаточных функций линейной части САУ для r-го режима работы ГТД; 4) построение амплитуднофазовых характеристик линейной части САУ ГТД и принятие решения об устойчивости САУ на указанном множестве режимов.
Приведен пример, показывающий особенности применения предложенной методики анализа устойчивости для конкретных характеристик САУ ГТД.
Разработан алгоритм и методика синтеза нейросетевого регулятора, применяемого в составе системы автоматического управления ГТД с селектированием каналов управления. В современных САУ ГТД селекторы используются в САУ для устранения зоны совместной работы различных каналов управления.
В работе показана возможность построения НС-регулятора, позволяющего совмещать функцию регулирования с селектированием каналов управления.
Для обеспечения требуемой точности аппроксимации при меньших вычислительных затратах, было предложено представить НС-регулятор в виде двух НС, позволяющих реализовать функции селектирования.
Рисунок 5 – Структурная схема нейросетевого регулятора ГТД На рис. 5 показана схема реализации нейросетевого регулятора ГТД, где сеть НС1 обеспечивает аппроксимацию характеристик селектора по минимуму, а НС2 – селектора по максимуму. Здесь – производная по частоте вращения ротора компрессора высокого давления; n1 – величина ошибки управления по частоте вращения ротора компрессора низкого давления n1, ИМ – исполнительный механизм (дозатор топлива).
С целью выбора оптимальной структуры НС был проведен ряд экспериментов. Наибольшая точность обучения была получена для НС1, содержащей нейронов в скрытом слое, для НС2 – 3 нейрона в скрытом слое. Установлено, что поставленные требования к показателям качества процессов управления при этом выполняются на заданном множестве режимов работы ГТД.
«