Диссертация (785777), страница 41

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 41)

рис. А.129–А.131 длясистемы с ПМ и рис. А.132–А.134 для системы с ЭМ).3. В проведенных экспериментах, результаты которых представлены на рис. А.129–А.134,время функционирования системы делилось, как и в предыдущем случае, на два отрезкапродолжительностью по 20 с каждый. Характер задающего воздействия по углу атаки такой же, как и в предыдущем случае, т.

е. первые 20 с задающий сигнал представляет собойслучайную последовательность часто изменяющихся значений угла атаки. При таком сигналевозмущение от поданного входного сигнала не успевает затухнуть, как на объект действуетуже следующий сигнал. Такого рода сложный сигнал позволяет оценить кумулятивное воздействие нескольких возмущений, реакции от воздействия которых пересекаются по времени,т. е. позволяет осуществить тестирование системы управления в достаточно жестких условиях.

В отличие от предыдущего случая, корректировка закона управления не проводилась, т. е.адаптационный механизм был отключен.На втором временном отрезке система управления тестируется с помощью более традиционного входного сигнала, позволяющего оценить характер поведения системы при изолированных ступенчатых воздействиях.Результаты показывают, что неточность настройки не является критической для устойчивости системы, но вызывает значительные отклонения от эталонной траектории (по рассматриваемому каналу). В установившемся режиме эти отклонения могут быть сведены кнулю с помощью интегрального компенсатора, однако в переходных режимах (при работе набольших частотах) с этим справиться не удается и единственная возможность повысить точность — включить механизмы адаптации вплоть до уменьшения ошибки ниже определенногоуровня.220Как видно из результатов, представленных на рис.

А.129–А.134, отсутствие механизмовадаптации приводит к резкому ухудшению качества управления. А именно, ошибка отслеживания задающего сигнала по углу атаки лежит теперь в пределах 2Æ , а в ряде случаев — дажеи в пределах 4Æ .Таким образом, механизмы адаптации позволяют снизить ошибку слежения в значительнобольшей области пространства состояний (в случае нелинейной системы) и расширить полосучастот, в которой ошибка слежения не превышает некоторой заданной величины.

То естьнаделение системы адаптивными свойствами позволяет ей бороться с гораздо более широкимклассом параметрических неопределенностей объектов управления.4. Общий вывод, который позволяют сделать результаты, полученные в разд. 4.4, состоит втом, что методы адаптивно-робастного моделирования и управления в вариантах с эталоннойи прогнозирующей моделью, а также основанные на использовании метода обратной динамики и инверсной модели объекта управления, являются мощным и перспективным инструментом, позволяющим решать поставленные задачи отказоустойчивого управления движениемЛА в условиях неопределенности.2215Нейросетевые полуэмпирические модели управляемыхдинамических системВ разд. 3 и 4 было показано, что эмпирические НС-модели, т. е. НС-модели традиционного типа, реализующие концепцию «черный ящик», имеют серьезные ограничения по уровнюсложности решаемых задач, порожденные размерностью таких моделей.

В связи с этим возникает проблема снижения размерности создаваемой НС-модели таким образом, чтобы неухудшить ее гибкость. Эту проблему предлагается решать в классе модульных полуэмпирических динамических моделей, объединяющих возможности теоретического и нейросетевогомоделирования. Рассматривается подход к формированию таких моделей, а также процессих поэтапной корректировки с целью получения требуемых характеристик точности моделирования. Дается сопоставление этих характеристик для полуэмпирических и эмпирическихмоделей, подтверждающее перспективность предлагаемого класса моделей.5.1 Соотношение между эмпирическими и полуэмпирическими моделямидинамических системВ разд.

3 было рассмотрено формирование эмпирических моделей (моделей типа «черный ящик»), основываясь только на экспериментальных данных наблюдения за поведениеммоделируемой системы. Этот подход типичен для традиционного нейросетевого моделирования. Он может оказать весьма полезным, а в ряде случаев и единственно возможным, еслиотсутствует какое-либо априорное знание о природе моделируемой системы, механизмах еефункционирования, особенностях поведения. Однако нередкой является ситуация, когда такого рода знания имеются в той или иной форме. В частности, имеются многочисленныемодели движения для объектов различного вида (летательные аппараты, корабли, автомобилии т. п.), основанные на законах механики, а в ряде случаев — и на законах из других областейнауки, например, моделирование движения летательных аппаратов с большими сверхзвуковыми скоростями, когда существенную роль начинают играть тепловые явления, заставляютвключать в модель движения не только соотношения, основанные на законах механики, но исоотношения из области термодинамики и теплопередачи.Модели такого рода, особенно полученные непосредственно из фундаментальных законов природы («из первых принципов»), играют важнейшую роль во всех областях науки итехники.

Формирование таких моделей, однако, сопряжено с серьезными трудностями, для222их получения требуется располагать значительным объемом знаний о моделируемом объекте,что далеко не всегда возможно. Кроме того, если даже такая модель существует, например,модель движения летательного аппарата, совсем не обязательно, что она окажется пригоднойдля решения некоторой конкретной поставленной задачи. Во-первых, эта модель может содержать величины и зависимости, в значениях которых имеются существенные неопределенности, что, соответственно, препятствует получению точного и надежного решения.

Во-вторых,даже если модель сформирована полностью и факторы неопределенности в ней отсутствуют, она может оказаться непригодной для решения реальных прикладных задач. Например,если требуется моделировать движение некоторого объекта в реальном масштабе времени свысокой точностью, то традиционная модель движения в виде системы дифференциальныхуравнений (обыкновенных или в частных производных), решение которой осуществляется спомощью соответствующих методов численного интегрирования, может потребовать недопустимо большого времени на получение решения.Чтобы преодолеть указанные затруднения, формируются, как было показано выше, приближенные эмпирические модели, одним из наиболее эффективных способов получения которых является нейросетевой подход.Модели, называемые теоретическими («белый ящик»), прямо противоположны по принципам своего формирования чисто эмпирическим моделям («черный ящик»).

Эмпирическиеданные вовлекаются в процесс получения теоретической модели лишь опосредованно какисточник сведений о системе, характере ее поведения, что дает возможность выбрать соответствующий класс соотношений, описывающих это поведение, но непосредственно этиэмпирические данные при формировании этих соотношений не используются.

В противоположность этому, эмпирические модели основываются исключительно на экспериментальныхданных, они формируются таким образом, чтобы отвечать этим данным наилучшим образом,т. е. воспроизводить их с наименьшей ошибкой.Эмпирические модели, позволяя преодолеть затруднения, связанные с теоретическими моделями, порождают, в свою очередь, новые затруднения, которых не было в моделях теоретического типа.

В частности, обучение (настройка) этих моделей требует наличия соответствующих обучающих наборов данных, получение которых может представлять собой оченьнепростую задачу. В случае, когда о моделируемом объекте нет никаких данных, кроме экспериментальных, характеризующих его поведение, ничего не остается, кроме как пытатьсяполучить для него эмпирическую модель. Но в случае, когда помимо эмпирических дан223ных имеются еще и какие-то знания о нем, например, в виде уравнений движения, пустьи с неопределенными факторами в них, необходимо пытаться использовать теоретическиеданные как дополняющие имеющиеся экспериментальные данные.

Такого рода комбинированный, компромиссный, подход можно назвать полуэмпирическим моделированием («серыйящик») [76, 149–162]. В сравнении с чисто теоретическим подходом его применение позволяет повысить точность моделирования за счет того, что негативное влияние элементовтеоретической модели, не поддающихся адекватному описанию из-за недостатка соответствующих знаний, можно компенсировать переводом этой модели в полуэмпирическую форму иуточнением ее обучением на доступных экспериментальных данных. Применительно к чистоэмпирическим моделям учет имеющихся теоретических знаний путем перехода к полуэмпирическим моделям позволяет упростить процесс формирования моделей, удовлетворяющихзаданным требованиям, а также, что весьма немаловажно, сократить объем экспериментальных данных, требуемых для обучения модели. При этом, чем больше объем привлекаемыхтеоретических знаний, тем меньше будет объем требуемых экспериментальных данных.5.2 Общая схема процесса формирования полуэмпирических НС-моделейПредлагаемый подход состоит в сочетании теоретических знаний о моделируемой динамической системе со структурными преобразованиями и обучением теоретической модели,преобразованной в нейросетевую форму, для ее улучшения.Учитываются теоретические знания двух видов: об объекте моделирования («физика объекта») и о вычислительных методах анализа моделей.

Характеристики

Список файлов диссертации