Отзывы оппонентов (Нейросетевое моделирование адаптивных динамических систем)

ОТЗЫВ официального оппонента на диссертацик> Тюменцева Юрия Владимировича на тему «Нейросетевое моделирование адаптивных динамических систем», представленную к защите на соискание ученой степени доктора технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации (авиационная и ракетно-космическая техника)».

Актуальность избранной темы обусловлена все возрастающей сложностью динамических систем (ДС) и систем управления, в особенности исгюльзуемых в авиации. При создании перспективных технических систем традиционный аппарат математического моделирования, основанный па решении дифференциальных уравнений, не всегда позволяет решать возникающие задачи.

Подобного рода ситуации возникают, когда моделируемый объект, например, летательный аппарат (ЛА), вследствие отказов и повреждений внезапно и существенно изменяет свои характеристики, а модель используется в составе бортового комплекса средств управления поведением ДС. В такой ситуации, когда встроенная в систему управления модель перестает соответствовать моделируемому объекту, необходимо скорректировать модель лля восстановления ее соответствия этому объекту.

Следовательно, модель объекта должна обладать свойством адаптивности, которым математические модели в виде систем дифференциальных уравнений этим свойством не обладают. Имеется класс моделей - нейросетевые (НС) модели, для которых адаптивность представляет собой естественное свойство. Однако такие модели в их традиционном виде тракту«>т моделируемую систему как обьект типа «черный ящик» и являются чисто эмпирическими, основанными на экспериментальных данных о поведении ДС. Данное обстоятельство существенно ограничивает традиционные НС-модели по доступному для них уровню сложности моделируемых систем и большинство задач, представляющих прикладной интерес, остаются за пределами возможностей таких моделей. Для преодоления указанных ограничений в качестве цели в диссертации стало получение класса гибридных нейросетевых математических моделей, в которые встроено доступное в виде дифференциальных уравнений теоретическое знание о ДС.

Такой подход позволяет объединить достоинства традиционных моделей и компенсировать их недостатки: обеспечивает адаптивность, значительно повышает порог сложности решаемых задач, обеспечивает решение задач идентификации характеристик ДС. Объектом исследования в диссертации является управляемая нелинейная ДС, действующая в условиях разнообразных неопределенностей, вк>почая неполное и неточное знание о ДС и условиях ее функционирования, а также неопределенности из-за неконтролируемых внешних возмущающих воздействий и из-за изменения свойств ДС.

Соответственно„предмет исследования в диссертации — это модели многомерных нелинейных управляемых ДС, обладающие свойством адаптивности, а также адаптивные законы управления движением ДС. Общая характеристика диссертации. Диссертационная работа состоит из введения, ц>сети глав, заключения, списка использованной литературы из 211 наименований, а также двух приложений. Опа изложена на 4бб страницах (в том числе 288 страниц основного текста и 178 страниц приложений), содержит 27Ь рисунков и 10 таблиц. Введение посвящено обоснованию необходимости придания управляемым динамическим системам свойств адаптивности. Такая необходимость вытекает из ситуаций, возника>ощих в процессе функционирования систем и характеризующихся изменением их свойств. Соотвсгственно.

адаптивность должна обеспечиваться не только за счет корректировки законов управления ДС„но и путем корректировки самой модели ДС как объекта управления. Показано, что наиболее .>ффективным инструментом реализации таких систем являются нейросетевые гехцологии. Намечаются пути преодоления выявленных проблем. когорыс реализуются в последующих шести главах диссертации. В главе 7 рассматривается проблема моделирования управляемого движения нелинейных ДС.

Вводится классификация таких систем, а также сред„в которых они.действуют, вы- являются задачи, требующие решения в рамках рассматриваемой проблемы. Осуществляется формализация понятий поведения и деятельности ДС, уточняется характер принимаемых во внимание неопределенностей. Результаты такого рассмотрения дают единый взгляд на ДС различных классов, а так'ке позволяют дать постановку задачи моделирования ДС и сформулировап, требования к искомой модели. Далее, в терминах решаемой проблемы вводится понятие адаптивности ДС, а также уточняется, за счет каких элементов ДС и каким образом обеспечивается получение ее адаптивности.

В азаке 2 излагается нейросетевой подход к моделированию систем. В процессе формирования НС-моделей выявляются три основных задачи: построение параметризованного семейства математических моделей, в которое входит искомая НС-модель; получение обучающего набора данных с требуемым уровнем информативности; построение алгоритма обучения, осуществляющего параметрическую настройку формируемой НС-модели. Для решения первой задачи введен порождающий подход к формированию НС-моделей, заключающийся в выделении совокупности исходных элементов-примитивов и правил их комбинирования, обеспечивающих возможность получения иерархии НС-моделей. Вторая задача зак почается в получении обучающего набора данных с требуемым уровнем информативности для структурного синтеза и параметрической настройки НС-модели. Эта задача решается с помощью непрямого подхода, который использует тестовое воздействие специального вида на исследуемую ДС с последук1щим анализом реакции системы на это воздействие.

Третья задача состоит в конкретизации формируемой модели ДС средствами машинного обучения. При рсп1ении этой задачи возникают серьезные трудности, обусловленные очень сложным рельефом функции ошибки НС-модели. Предложен алгоритм решения данной задачи, который сводит исходную задачу к последовательности подзадач более простого вида. В главе 3 рассматривается проблема нейросетевого моделирования ДС на примере управляемого движения летательных аппаратов. При этом используется аппарат динамических сетей традиционного типа - формируется модель типа «черный ящик».

К числу наиболее востребованных моделей данного типа можно отнести сети типа чАКХ (нелинейная авторегрсссия с внешними входами, реализованная средствами НС-технологии). Для выявления уровня возможностей такого рода моделей проведено решение конкретной прикладной задачи, результатом которой является НС-модель продольного углового движения ЛА нескольких классов. существенно отличающихся друг от друга своими динамическими свойствами.

Выло установлено, что в большинстве случаев получаемая динамическая |чАКХ-модель обладает достаточно высокими быстродействием и точностью. Однако, обнаружились существенные ограничения по уровню сложности моделируемых ДС, определяемому сочетанием числа переменных состояния и управления для ДС. Показано. что с ростом сложности задачи трудносги использования МАЯХ-моделей многократно возрастают, а с некоторого уровня сложности такие модели становятся вообще непригодными по реализуемой точности моделирования.

Такого рода «рубежной» задачей в динамике полета ЛА является задача моделирования продольного углового движения маневренного самолета. Для успешного моделирования управляемых ДС с уровнем сложности, типичным для реальных прикладных задач, потребовалось создать новый класс моделей ДС, обладающих адаптивностью и свободных от недостатков традиционных НС-моделей. Эта проблема решается в главах 5 и 6. В авиве 4 результаты предшествующих глав используются для регпения задачи нелинейного адаптивного управления на основе НС-технологий.

Основное внимание уделяется проблеме отказоустойчивого управления ДС, связанно~о с восстановлением функциональности закона управления системой при внезапном изменении свойств ДС вследствие отказов ее оборудования и повреждений конструкции. Исследованы возможное.ги адаптивных систем с точки зрения парирования неопределенностей различного вида, в первую очередь, неполное и неточное знание свойств объекта управления. Для ряда схем адаптивного управления проведена обширная серия вычислительных экспериментов, данные которых позволяют говорить о потенциально высокой эффективности НС-подхода к реализации механизма адаптивности.

В то же время. при реализации этих потенциальных возможностей выявлена существенная за- висимость работоспособности механизма адаптации от точности модели объекта, используемой в составе адаптивной ДС. 1!оказано, что точность моделирования, обеспечиваемая чисто эмпирическими НС-моделями моделями типа «черный ящик», в целом ряде случаев оказывается недостаточной для успешного функционирования механизма адаптации. В главе 5 предлагается подход к решению проблемы ограниченности возможностей традиционных НС-моделей типа «черный ящик» с точки зрения доступного уровня сложности моделируемых ДС.

'Эта ограниченность вытекает из известного в НС-технологии соотношения между числом настраиваемых параметров сети и объемом набора доступных экспериментальных да>шых о поведении ДС, используемых в качестве обучающего набора. Объемы данных, реально доступных для ДС в большинстве приложений, диктуют необходимость снизить размерность НС-модели, но не в ущерб ее гибкости. Подход, предложенный в пятой главе, ориентирован на решение именно этой проблемы. Он состоит в создании полуэмпирической (гибридной) модели, основанной на встраивании в НС-модель теоретического знания, доступного для моделируемой системы.

Такая мера позволяет резко снизить размерность НС- модели за счет того, что значительная часть ее теперь определяется соотношениями, перенесенными в сеть из теоретической модели, а настройке с использованием НС-обучения подвсргаются только те элементы модели, которые отвечают имеющимся факторам неопределенности (например, если формируется НС-модель движения ЛА, то такими факторами являются аэродинамические характеристики ЛА). Для того, чтобы выявить специфику процесса формирования таких моделей, используется набор демонстрационных примеров.

Результаты их решения наглядно показывают преимущество полуэмпирических НС-моделей по сравнению с чисто эмпирическими. В а>а«е 6 полуэмпирические НС-модели используются для решения задач моделирования движения ЛА и идентификации аэродинамических характеристик !АДХ) ЛА. Сначала рассмотрена относительно простая задача моделирования продольного углового движения >!А, решавшаяся в третьей главе с использованием эмпирической НС-модели типа МАЯХ. Сопоставление результатов показало существенно более высокую эффективность полуэмпиричсских НС-моделей по сравнению с эмпирическими НС-моделями.

11рименение развигого подхода к значительно более сложной задаче моделирования полного углового движения ЛА показало, что эта задача успешно решается с использованием полуэмпирической гибридной НС-модели, в то время как эмпирическому подходу она оказывается недоступной. Результаты вычислительных экспериментов убедительно показывают: предложенные в диссертации полуэмпирическис НС-модели управляемых ДС по точности существенно превосходят традиционные динамические НС-модели; полуэмпирические гибридные НС-модели обладают требуемым свойством адаптивности, отсутствующим у моделей ДС в виде систем диффсрепциашьных уравнений.