ВЕСТНИК ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА МОРСКОГО И РЕЧНОГО ФЛОТА ИМ. АДМИРАЛА С. О. МАКАРОВА

Целью работы является реализация интеллектуальных алгоритмов синтеза систем управления электроприводами систем энергоснабжения на объектах водного транспорта с использованием искусственных нейронных сетей. Использование подобных интеллектуальных алгоритмов позволит на практике осуществлять цифровую трансформацию аппаратных узлов регуляторов (контроллеров) в системах управления различными объектами, в том числе электроприводами, в математические алгоритмы, базирующиеся на нейросетевых контроллерах. Такие контроллеры, например, с использованием эталонной модели, являются более предпочтительными при управлении нелинейными объектами, поскольку нейросети, на которых они базируются, нелинейны. В связи с этим существенно расширена область их применения в дальнейшем развитии методов компьютерного мониторинга и параметрической идентификации моделей судовых и береговых объектов управления энергоснабжением, а также анализа и прогнозирования показателей энергоэффективности их режимов работы. Рассмотрена процедура синтеза нейросетевого регулятора, построенного на основе эталонной модели, для стабилизации угловой скорости вращения двигателя постоянного тока с целью компенсации колебаний, возникающих в контуре управления приводом. С использованием PID-тюнера определены параметры PID-регулятора, существенно влияющие на качество управления и позволившие ему в составе с типовым астатическим звеном первого порядка выполнять функции эталонного регулятора для обучения нейросетевого регулятора. Показано, что выбранные параметры нейронной модели объекта управления и нейросетевого эталонного регулятора позволили существенно улучшить показатели качества переходного процесса и устранить колебания в приводе управления двигателя постоянного тока. Приведены показатели и характеристики качества обучения нейросетевого регулятора и нейронной модели объекта при выбранных параметрах обучения. Предложен алгоритм обучения нейронной модели управляемого объекта и нейросетевого регулятора модели, базирующийся на динамическом характере обратного распространения ошибки отклонений значений выходных сигналов от эталонных в многослойной нейронной сети с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей. Алгоритм может быть применим в системах управления электроприводами безэкипажных объектов, как летательных, так водного и наземного базирования, на внутреннем водном транспорте.

В данной статье проанализирована эффективность использования нейронной сети для определения маневров расхождения двух судов. Дано краткое описание алгоритма и скрипта MATLAB, позволяющего находить изменения курсов для предотвращения столкновений пар судов. Описывается процесс создания обучающей выборки с помощью ранее разработанного скрипта, включающий предварительную обработку данных для устранения нереалистичных сценариев сближения пар судов, а также ситуаций, в которых отсутствует опасность столкновения. Обучение нейронных сетей выполнялось с помощью алгоритмов оптимизации Левенберга - Марквардта и Adam. В ходе исследования было обучено одиннадцать нейронных сетей с различными параметрами, из которых выбрана сеть, позволяющая прогнозировать изменения курсов для расхождения на безопасной дистанции для пар судов с точностью 94,8 % (точность прогнозов нейронной сети в данном исследовании определена как количество пар изначально опасно сближающихся судов, дистанция кратчайшего сближения которых после обработки нейронной сетью находилась в пределах 0,8-1,2 мили, поделенной на общее количество пар судов). В исследовании выполнено сравнение времени, затраченного на вычисление маневров расхождения с использованием алгоритма и нейронной сети. Исследование показало, что при увеличении количества опасно сближающихся судов до четырех и выше нейронная сеть затрачивает на прогнозирование маневра расхождения в пять раз меньше времени, чем алгоритм. С увеличением числа опасно сближающихся судов разрыв во времени обработки данных между нейронной сетью и алгоритмом увеличивается, что подтверждает целесообразность применения нейронных сетей в обработке больших массивов данных с парами опасно сближающихся судов. В дальнейших исследованиях планируется создать алгоритм для решения задачи безопасного расхождения группы судов, осуществляемого на основе попарного анализа опасности столкновений.

Цель работы состоит в усовершенствовании методов компьютерного мониторинга и параметрической идентификации моделей расходных характеристик судов для анализа и прогнозирования показателей энергоэффективности объектов водного транспорта, а также оптимизации режимов работы дизель-генераторных агрегатов.

Предложен алгоритм параметрической идентификации характеристик «вход-выход» различных по природе технологических процессов и систем (технических, биологических, экономических, социальных, экологических и др.) по данным измерений с помощью аппроксимоторных (регрессионных) нейронных сетей с возможностью количественной оценки погрешности параметрической оптимизации по эвклидовой норме.

В отличие от известных методов параметрической пригонки модели по статистическим рядам предлагаемый способ базируется на обучении многослойной нейрон ной сети с обратным распространением ошибки отклонений значений выходных сигналов от эталонных с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей.

Реализация алгоритма идентификации на основе предлагаемого способа пригонки модели выполнена с помощью радиальных нейронных сетей, имеющих фиксированную структуру с одним скрытым и одним выходным слоями в соответствии с нелинейными и линейными функциями активации нейронов, обеспечивающих точность отображения образов на основе эвклидовой метрики.

Предлагаемый подход позволяет упростить режимы обучения и обеспечить приемлемую точность аппроксимации и идентификации. Алгоритм реализован при оценивании параметров расходной характеристики судна с известной структурой модели потребления топлива по соответствующему статистическому ряду при заданном начальном приближении. Алгоритм может быть применим для идентификации параметров моделей характеристик расхода энергоресурсов как на судах, так и в целом в отрасли внутреннего водного транспорта при вычислении целевых индикаторов и показателей ее развития.