Помощь в написании студенческих работ
Антистрессовый сервис

Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий

Диссертация: Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Алгоритмы адаптации и обеспечения отказоустойчивости систем управления газотурбинными двигателями на основе нейросетевых технологий (реферат, курсовая, диплом, контрольная)

Содержание

  • СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ, ПРИНЯТЫЕ В РАБОТЕ
  • ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ В ОБЛАСТИ ПРОЕКТИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ГАЗОТУРБИННЫМИ ДВИГАТЕЛЯМИ
    • 1. 1. Тенденции развитии авиационных ГТД и его систем автоматического управления
    • 1. 2. Анализ существующих методов построения математических моделей ГТД и многорежимного управления ГТД
    • 1. 3. Функции и задачи интеллектуальных систем управления ГТД
    • 1. 4. Роль и место нейросетевых технологий в интеллектуальном управлении ГТД
    • 1. 5. Методы и алгоритмы синтеза интеллектуальных систем управления ГТД
    • 1. 6. Выводы по первой главе. Постановка задач исследования
  • ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ ИДЕНТИФИКАЦИИ ГТД И ИСПОЛНИТЕЛЬНОГО МЕХАНИЗМА СИСТЕМЫ ТОПЛИВОПИТАНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
    • 2. 1. Общая постановка задачи идентификации ГТД и исполнительного механизма системы топливопитания на основе нейросетевых моделей
    • 2. 2. Выбор архитектуры и алгоритмов обучения нейросетевой модели ГТД и исполнительного механизма системы топливопитания
    • 2. 3. Задача идентификации нейросетевой модели гидромеханической части САУ ГТД
    • 2. 4. Методика идентификации и адаптации нейросетевых моделей ГТД
    • 2. 5. Результаты и
  • выводы по второй главе
  • ГЛАВА 3. СИНТЕЗ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ ГТД
    • 3. 1. Постановка задачи синтеза НС-алгоритмов управления ГТД
    • 3. 2. Синтез супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора
    • 3. 3. Синтез многорежимного НС-регулятора в астатической САУ
    • 3. 4. Синтез адаптивных НС-алгоритмов управления ГТД
    • 3. 5. Анализ устойчивости нейросетевой САУ ГТД
    • 3. 6. Синтез нейросетевого регулятора в составе САУ ГТД с селектированием каналов управления
    • 3. 7. Разработка алгоритма построения отказоустойчивой нейросетевой САУ ГТД
    • 3. 8. Результаты и
  • выводы по третьей главе
  • ГЛАВА 4. ОСОБЕННОСТИ ПРОГРАММНО-АППАРАТНОЙ РЕАЛИЗАЦИИ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ ГТД
    • 4. 1. Методика проектирования НС-алгоритмов управления ГТД
    • 4. 2. Анализ особенностей технической реализации НС-алгоритмов на основе высокопроизводительной бортовой распределенной вычислительной системы
      • 4. 2. 1. Выбор и обоснование архитектуры вычислителя
    • 4. 3. Аппаратная реализация на ПЛИС
      • 4. 3. 1. Анализ сложности и формирование требований к аппаратной реализации НС на базе ПЛИС
      • 4. 3. 2. Пример реализации НС-модели ГТД на базе ПЛИС
      • 4. 3. 3. Пример реализации НС-модели исполнительного механизма на базе плис
      • 4. 3. 4. Пример реализации НС-регулятора заданной структуры и анализ особенностей интеграции спроектированных НС-вычислителей в
  • САУЛА
    • 4. 4. Выводы по четвертой главе

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, многосвяз-ностью, 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. Кабального, Р. JI. Лейбова, О. Д. Лян-цева, JI. 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 классе1 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. Мунасыпо-ва 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 НС-моделей 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 программно-аппаратной 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. м !?

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 анализатеории 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.

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 ней-росетевого 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 заданиефункции, активации нейронов осуществляется? табличным способом-, а? структура НС определяется? с помощью* текстово-графического представлениячто? позволяет повысить, наглядность процесса проектирования и сократить требуемые вычислительные ресурсы на реализацию алгоритмов.

Практическая значимость работы.

Разработаны инженерные методики синтеза и моделирования НС-алгоритмов идентификации и управления ГТД, применение которых позволяет формализовать основные этапы анализа, синтеза и моделирования САУ ГТД. Предложена методика анализа устойчивости нелинейной САУ ГТД с НС-регулятором, 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, IX-XI Международных научных конференциях «Компьютерные науки и информационные технологии (CSIT)» (Уфа, 2005, 2007; Анталья, Турция, 2008; Ретимнон, Греция, 2009);

Четвертой Международной научной молодежной школе «Нейроин-форматика 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.

4.4. Выводы по четвертой главе.

1. Предложена блок-схема методики разработки. ИСУ ГТД наоснове нейронных сетей, позволяющая автоматизировать процесс разработки. ИСУ ГТД, снизить время разработки элементов ИСУ ГТД и избежать необходимости проведения дополнительных исследований, за счет, следования предлагаемым в методике рекомендациям;

2. На основе проведенной оценки вычислительных затрат при аппаратной реализации нейросетевой САУ ГТД с. помощью: .процессоров? фон-Неймановской архитектуры, показано, что существующая бортовая-вычислит тельная система не подходит для. реализациина ее основе НС-алгоритмови требуется разработка более производительного вычислителя.

3. На основании проведенного анализа различных способов программно-аппаратной реализации НС моделей на базе специализированных процессоров (нейрочипов), заказных СБИС, универсальных процессоров, цифровых сигнальных процессоров и ПЛИС, сделан вывод о том, что ПЛИС в большей степени удовлетворяет критерию эффективности применения нейронных процессоров в САУ ГТД.

5. Выполнена программно-аппаратная реализация НС-модели ГТД на базе ПЛИС Altera. Показано, что спроектированная НС обеспечивает сум-марно-квадратическую ошибку вычисления параметров ГТД с помощью НС-модели на тестовой последовательности данных соответственно: 51=1,98%, 5и2=1,49%, 5Г4*=1,61%.

6. Выполнена программно-аппаратная реализация НС-модели исполнительного механизма на базе ПЛИС Altera. Показано, что спроектированная НС обеспечивает суммарно-квадратическую ошибку идентификации 5&-г*=1,54%, что удовлетворяет поставленным требованиям.

7. Выполнена программно-аппаратная реализация на ПЛИС НС-регулятора ГТД. Среднеквадратическая ошибка вычисления значений управляющих воздействий Gj и Fc с использованием спроектированной сети и эталонными значениями при этом составила 0,76%.

8. Проведен анализ особенностей интеграции спроектированных НС-вычислителей в САУ ЛА, который показал высокую пригодность разработанных нейровычислителей, реализованных на основе ПЛИС, для их использования в качестве элементов БРВС.

ЗАКЛЮЧЕНИЕ

.

1. Предложена методика динамической идентификации ГТД и исполнительного механизма системы топливопитания с использованием НС. Показано, что полученные НС-модели пригодны для использования их в составе модели САУ ГТД. Исследованы зависимости точности идентификации от архитектуры, структуры и методики формирования обучающей выборки НС. Предложена методика НС-идентификации ГТД с использованием алгоритмов регуляризации. Показано, что данный подход обеспечивает уменьшение погрешности идентификации на 1,9% (до 0,55%) для индивидуального экземпляра ИМ и на 2,7% (до 0,82%) для индивидуального экземпляра ГТД по сравнению с известными методами, основанными на интерполяции нелинейных характеристик объекта.

2. Решена задача синтеза алгоритма обучения супервизорной НС, используемой для настройки коэффициентов ПИД-регулятора ГТД, и синтеза адаптивного многорежимного нейросетевого регулятора ГТДвключая ней-росетевой регулятор с селектированием каналов управления. Предложена методика анализа устойчивости САУ ГТД с многорежимным нейросетевым регулятором на основе теоремы о малом коэффициенте усиления.

3. Разработаны алгоритмы обеспечения отказоустойчивости системы автоматического управления ГТД с использованием нейросетевых моделей ее элементов и подсистем на основе метода ГОТ Показано, что данный подход позволяет осуществлять распознавание отказов за время (25-^75) мс, что удовлетворяет требованиям, предъявляемым к современным САУ ГТД.

4. Проведена оценка эффективности предложенных нейросетевых алгоритмов идентификации и управленияГТД, даны рекомендации по их программно-аппаратной' реализации на специализированной элементной базе ПЛИС.

Показать весь текст

Список литературы

  1. Аналитический обзор. Работы ведущих авиадвигателестроительных компаний по созданию перспективных авационных двигателей / под общ. ред.
  2. B.А. Скибина, В. И. Солонина, М. Я. Иванова. М.: ЦИАМ, 2004. — 424с.
  3. .Р., Фрадков A.JL. Избранные главы теории автоматического управления с примерами на языке Matlab .— СПб.: Наука, 1999. 468 с.
  4. В. Н., Терехов В. А., Тюкин Ю. И. Адаптивное управление в технических системах. СПб: Изд-во С.-Петербургского университета, 2001.244 с.
  5. Архитектуры и топологии многопроцессорных вычислительных систем. Курс лекций. Учебное пособие /A.B. Богданов, В. В. Корхов, В. В. Мареев, E.H. Станкова / М.:ИНТУИТ.РУ, 2004. 176 с.
  6. С.С. Проектирование интеллектуальных систем управления динамическими объектами на основе принципа минимальной сложности (на примере авиационных двигателей) // Автореферат диссертации на соискание ученой степени д.т.н. / Уфа: УГАТУ. 2005. 32 с.
  7. С.С., Шилоносов A.A., Каримов A.A. Нейросетевая интерполяция характеристик ТВВД // Труды Российско-Китайского симпозиума по актуальным проблемам двигателестроения, УГАТУ-НУАА, Уфа, 1999.1. C. 111−115.
  8. В.И. и др. Алгоритмы идентификации и многорежимного управления. ГТД на основе нейронных сетей / Васильев В. И.,.Валеев-С.С., Шило-носов A.A. // Вестник УГАТУ. 5 т. — 2004. — № 1(9). — С. 118−125.
  9. Васильев, В.И. и др. Синтез-многосвязной адаптивной системьгуправления ГТД на основе нейронных сетей / В. И'. Васильев, С. С. Валеев, A.A. Шилоносов1// Авиакосмическое приборостроение. 2003. -№ 7. — С. 36−53.
  10. В.И., Валеев С. С. Проектирование интеллектуальных систем управления ГТД на основе принципа минимальной сложности // Вестник УГАТУ. 2007. — № 2(20). — С. 32−41.
  11. В.И., Валеев С. С., Шилоносов A.A. К выбору структуры нейро-регулятора в системе управления динамическим объектом // Нейрокомпьютеры: разработка и применение. 2001, № 4−5. С. 52−60.
  12. В.И., Жернаков С. В. Контроль и диагностика технического состояния авиационных двигателей на основе экспертных систем // Вестник УГАТУ, Том 9, № 4 (22), 2007. С. 11−23.
  13. В.И., Идрисов И. И. Алгоритмы обеспечения отказоустойчивости САУ ГТД // Проблемы машиноведения, процессов управления и критических технологий: сборник, научных трудов. — Уфа: Гилен, 2008- С. 185−190.
  14. В. И. Оценка сложности нейросетевых моделей на основе энтропийного подхода / В. И. Васильев, С. С. Валеев //Нейрокомпьютеры, разработка, применение. 2004. — № 9. — С. 10−16.
  15. Великий тлумачний словник сучасно'1 украшсько!' мови. — Кшв, 1ршнь: ВТФ «Перун», 2004. 1440 с.
  16. А.В. Критерии интеллектуальности искусственных систем // Рефлексивные процессы и управление, 2004, Том 4, № 2. С. 20−41.
  17. В. Устройство управления двигателем на ПЛИС // http://www.kit-e.iTi/assets/files/pd1^20 040 288.pdf
  18. Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2001. -384 с.
  19. А.И. Основы нейроуправления // Нейрокомпьютеры: разработка и применение. 2002, № 9−10. С. 87−106.
  20. А.И. Теория нейронных сетей. Кн. 1. М.: ИПРЖР, 2000. — 416 с.
  21. А.Н. Разработка методов самоорганизации коммуникационных информационных систем в научно-образовательной среде : Автореф. дис. канд. техн. наук: 05.13.01: Ижевск, 2007 20 с.
  22. В. Элементная база аппаратных реализаций нейронных сетей // Компоненты и технологии № 8 2006. С. 100−103.
  23. А.П. Симплексный поиск. — М.: Энергия, 199. 176 с.
  24. Ч., Видьясагар М. Системы с обратной связью: вход-выходные соотношения. — М.: Наука, гл. редакция физ.-мат. лит-ры, 1983. 280 с.
  25. П. Введение в экспертные системы. 3-е издание. М.: Издательский дом «Вильяме», 2001. — 624 с.
  26. C.B. Идентификация характеристик ГТД на основе технологии нейронных сетей // Полет. 2006. — № 10. — С. 9−15.
  27. C.B. Контроль h диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных // Диссертация на соискание ученой степени д.т.н. / Уфа: УГАТУ, 2005. 340 с.
  28. C.B. Контроль технического состояния ГТД на основе нейронных сетей // Авиакосмическое приборостроение. — М.: 2006. № 8. — С. 34−37.
  29. C.B. Параметрическая идентификация ГТД гибридным ансамблем нейросетей // Нейрокомпьютеры: разработка и применение. 2001, № 4−5. -С. 31−35.
  30. JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. — 165 с.
  31. В.Н., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. I. Научно-организационные, технико-экономические и прикладные аспекты // Техническая кибернетика. -1992.-№ 5.-С. 171−196.
  32. И.И. Алгоритм адаптивного нейросетевого управления ГТД // Вычислительная техника и новые информационные технологии, межвузовский научный сборник. Выпуск 6 / ГОУ ВПО УГАТУ- отв. ред. В. И: Васильев. Уфа: УГАТУ, 2007. — С. 64−69:
  33. Идрисов И. И: Синтез и исследование адаптивных нейросетевых алгоритмов управления газотурбинного двигателя // Искусственный: интеллект: Интеллектуальные и многопроцессорные системы-2006 // Материалы Седьмой
  34. Международной научно-технической конференции. Т.2. Таганрог: Изд-во ТРТУ, 2006.-С. 267−271.
  35. Интегральные системы автоматического управления силовыми установками самолетов / под ред. А. А. Шевякова. М.: Машиностроение, 1983. -283 с.
  36. Интеллектуальные системы управления и контроля газотурбинных’двигателей / под ред. академика С. Н. Васильева. М.: Машиностроение, 2008. -550 с.
  37. Интеллектуальные системы управления с использованием генетических алгоритмов: Учебное пособие / В. И. Васильев, Б.Г.Ильясов- УГАТУ. Уфа, 1999. — 105 с.
  38. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие / В'.И. Васильев, Б. Г. Ильясов, С. С. Валеев и др.- Уфимск.гос.авиац.техн.ун-т. Уфа, 1997. 85 с.
  39. Искусственные иммунные системы и их применение / Под ред. Д. Дас-гупты. Пер. с англ. под ред. Романюхи. — М.: Физматлит, 2006. 344 с.
  40. Искусственный интеллект и интеллектуальные системы управления / И. М. Макаров, В. М. Лохин, C.B. Манько, М.П. Романов- под ред. ИМ. Макарова. М.: Наука, 2006. — 333 с.
  41. А. Применение ПЛИС в системе управления // «Электронные компоненты», № 1 2007. С. 49−51.
  42. В.Э. К вопросу об управлении мобильным роботом в условиях общей постановки задачи // Вестник компьютерных и информационных технологий, № 1, 2008. С. 2−9.
  43. В.И. Численные методы в примерах и задачах: Учебное пособие. — М.: Высшая школа, 2004. 480 с.
  44. В.В. Проблемные вопросы технической реализации аппаратных средств бортового нейросетевого обеспечения малых космических аппаратов // «Нейрокомпьютеры: разработка, применение», № 10−11 2005. С. 75−87.
  45. В.В., Гареев А. Ф., Васютин C.B., Райх В. В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. — С. 352.
  46. С., Нейронные сети: алгоритм обратного распространения, http://newasp.omskreg.ru/intellect/f22.htm
  47. Г. Г., Котенко П. С., Фатиков B.C., Ищук В. П. Интегрированное управление самолетом с турбовинтовентиляторными двигателями при посадке на короткие площадки // Мир авионики. № 4, 2008. С. 44−49.
  48. В.М., Родзин С. И. Эволюционные вычисления: генетическое и эволюционное программирование. Новости искусственного интеллекта, № 5, Москва, 2003. С. 13−20.
  49. Г. Н. Интеллектуальные системы управления и их обучение с помощью методов оптимизации: Учебное пособие. М.: МАИ, 2002. — 112 с.
  50. Р.Л. Кусочно-линейный регулятор, дополненный нейронной сетью // Нейрокомпьютеры: разработка и применение. 2006, № 4−5. — С. 122−128.
  51. Р.Л. Линейная модель, дополненная нелинейной нейронной сетью // Нейрокомпьютеры: разработка и применение. 2006, № 3. — С. 34−38.
  52. А. Технология ПЛИС и ее применение для создания нейрочи-пов // Открытые системы, № 10, 2000. С. 19−23.
  53. В.Г., Фролов C.B. Использование байесовского подхода в обучении нейронных сетей // Информационные технологии. 1998. № 10. -С. 27−35.
  54. Г. П., Хазанова О. В. Системы автоматизации с использованием программируемых логических контроллеров: Учебное пособие. М.: ИЦ МГТУ «Станкин», 2005. — 136 с.
  55. И.И. Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей / Автореферат на соискание ученой степени кандидата технических наук Уфа: УГАТУ, 2007.- 16 с.
  56. Нейроинформатика / Горбань А. Н., Дунин-Барковский В. Л., Кир дин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296 с.
  57. . Кн. 6: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2002. — 425с.
  58. Нейросетевой метод восстановления информации с датчиков ГТД / Жер-наков C.B., Муслухов И. И. // Нейроинформатика и ее приложения 2005: Сб. науч. тр. VIII всероссийского научного семинара, Красноярск: Изд-во ИВМ СО РАН, 2005. С. 61−62:
  59. Нечеткая логика и искусственные нейронные сети / Круглов В. В., Дли М. И. М.: Физматлит, 2001 -224 с.
  60. С. Нейронные сети для обработки информации / Пер. с польского. М.:Финансы и статистика, 2002. — 344 с.
  61. Оценка уровня виртуальной интеллектуальности прикладной программно-технической системы на основе анализа эргономической модели / Литвинов BiA., Оксанич И. Н. // Математические машины и системы. 2008. — № 2. -С. 100-- 105.
  62. Проблемы проектирования и развития систем автоматического управления и контроля ГТД / С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др. — М.: Машиностроение, 1999. — 609 с.
  63. Ю.А. Интеллектуальные бортовые системы перспективных летательных аппаратов/www.mipt.ru/nauka/confmipt/сопГ49/г49/Г2гг^сц 5 / а2тп wp 1 /Г9псЮ
  64. Е.В., Куликов Г. Г., Фатиков В. С., Арьков В. Ю. Интеллектуальная система запуска авиационного ГТД // Мир авионики. № 4, 2008. -С. 40−43.
  65. С.И. Гибридные интеллектуальные системы на основе алгоритмов эволюционного программирования // Новости искусственного интеллекта. 2000. № 3. С. 159−170.
  66. О. и др. Нейроуправление и его приложения. Кн. 2/ О. Сигеру, X. Марзуки, Ю. Рубия -М.: ИПРЖР, 2000. 272 с.
  67. В.А. Оценка интеллектуальности систем // Нейрокомпьютеры: разработка и применение. 2006, № 8−9. С. 98−104.
  68. Соколов А.Ю.Знание-ориентированные модели и методы в системах управления принятия решений / Национальный аэрокосмический университет им. Н. Е. Жуковского «ХАИ», http://sumschool.sumdu.edu.ua/is-02/гиз/1есйдгез/ 8око1оу/зоко1оу.Ы-т
  69. В.В., Тумаркин В. Н. Теория сложности и проектирование систем управления. -М.: Наука, 1990. 168 с.
  70. В.В. К оцениванию интеллекта систем // Труды Международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в1 задачах управления (1С1Т). — Переяславль-Залесский, 19 991 6−9 декабря. — С. 36−42.
  71. Теория автоматического управления. Т. 1. Ким Д. П5 / М: ФИЗМАТЛИТ,/2003.-288 с.
  72. Теория систем автоматического регулирования. Издание третье, исправленное. Бесекерский В. А., Попов Е. П. / М: „Наука“ 1975. 768 с.
  73. Толковый словарь по искусственному интеллекту / Сост.: А. Н. Аверкин, М.Г. Гаазе-Рапопорт, Д. А. Поспелов. — М.: Радио и связь, 1999. 256 с.
  74. И.Ю., Терехов В. А. Адаптивное управление нелинейными динамическими объектами с применением нейронных сетей // Нейрокомпьютеры: разработка и применение. 2006, № 6. С. 3−15.
  75. Ф. Нейрокомпьютерная техника: теория и практика / Пер. с англ. М.: Мир, 1992. — 105 с.
  76. В.К. Об интеллектуальном анализе данных // Новости искусственного интеллекта, № 3, 2004. С. 3−18.
  77. А.И. Адаптивные системы автоматического управления-авицион-ными двигателями с селектированием режимов // Вестник УГАТУ, № 1, 2000. — С.179−187.
  78. .А. Автоматика и регулирование воздушно-реактивных двигателей. М.: Машиностроение, 1988. — 360 с.
  79. A.A. Алгоритмы идентификации и многорежимного управления ГТД на основе нейронных сетей // диссертация на соискание ученой степени к.т.н. / Уфа, 2003.- 180 с.
  80. С. Д. Муравьиные алгоритмы. Exponenta Pro. Математика в приложениях- 2003, № 4. С. 70−75.
  81. A successful* Interdisciplinary Course on Computational' Intelligence / G.K. Kumar // IEEE Computational Intelligence Magazine. Febraury 2009, vol: 4, #1. pp. 14−23
  82. AN1442 APPLICATION NOTE, Andre ROGER and Charles AUBENAS http://www.st.com/stonline/products/literature/an/8596.pdf
  83. Advanced Multivariable Control Systems of Aeroengines / Eds.: Sun Jianguo, Vasilyev V.I., Ilyasov B.G. BUAA Pub., Beijing, China, 2005. 621 p.
  84. Bishop C. Training with noise is equivalent to Tikhonov regularization // Neural Computation, 1995, vol. 7(1). pp. 108−116.
  85. Bishop C. M. Neural Networks and Mashine Learning. New York. SpringerVerlag, 1998, 346 p.
  86. Bishop C. M. Neural Networks for Pattern Recognition. Oxford: Oxford University Press, 1995, 504 p.
  87. Chang W., Hwang R., Hsieh J. A multivariable on-line adaptive PID controller using auto-tuning neurons // Engineering Application of Artificial Intelligence 16 (2003). pp. 57−63.
  88. Chen S., S.A. Billings and P.M. Grant. „Nonlinear system identification using neural networks“. Int. Journal of Contrl, Vol. 51, 1990. pp. 1215−1228.
  89. Chen S., S.A. Billings, C.E. Cowan an P.M. Grant, „Practical Identification of NARMAX models using radial basis function“. Int. Journal of Contrl, Vol. 52, 1990. pp. 1327−1350:
  90. Dependability: Basic Concepts and Terminology (in English, French, German, Italian and Japanese), Springer-Verland, Vol.5, 1992. (ed.: J.C. La-prie) — 267 p.
  91. Dynamic Modelling of Gas Turbines: Identification, simulation, condition monitoring and optimal control / Eds. G. Kulikov, H: Thompson. Springer-Verlag, New York. 2004. 309 p.
  92. Elman J.L. Finding Structure in Time // COGNITIVE SCIENCE, № 14, 1990. -pp. 179−211.
  93. Evans and E. R. Messina, Performance Metrics for Intelligent Systems, Proceedings of the 2000 PerMIS Workshop, Aug., 14−16, 2000, Gaithersburg, MD. pp. 101- 104.
  94. Girosi F., Jones M., Poggio T. Regularization theory and neural networks architectures //Neural Computation, 1995, vol. 7. pp. 219−269.
  95. Hirasawa K., Mabu S., Eto S., Hu. J. An approximate stability analysis of nonlinear systems described by Universal Learning Networks // Appliad Soft Computing 7 (2007) — pp. 642−651.
  96. Idrisov I.I. Adaptive Control of Gas-Turbine Engine on the Base of Neural Network // Компьютерные науки и информационные технологии: CSIT'2007. Международное научное издание. Уфа: УГАТУ, том 3. pp. 1−3.
  97. Jinde Cao, Jun Wang. Absolute exponential stability of recurrent neural networks with Lipschitz-continuous activation functions and time delays. Neural Network, vol.17, #3, 2004. -pp. 379−390
  98. King R.E. Computational Intelligence in Control Engineering. Marcel Dekker Inc., New York, Basel- 1999: 295 p.
  99. Kreiner. A. Modellbasierte Regelungskonzeptefuer TurboLuftstrahltriebwerke / A. Kreiner, K. Lietzau, R. Gabler // MTU Aero Engines, Technische Universitaet Muenchen, 2006. http://www.mtu.de/de/technologies/engineeringnews/others/l 1753 .pdf
  100. MacKay D. J. C Bayesian interpolation // Neural Computation. 1992. V. 4, № 3.-pp. 415−447.
  101. Moller J.C. Neural network-based sensor validation for turboshaft engines // 34th AIAA/ASSME/SAE/ASEE Joint Propulsion Confernce and Exhibit, 1998. pp. 1−8.
  102. Narendra K.S. Neural Networks for Control: Theory and Practice // Proceedings ofthe IEEE, Oct. 1996. vol. 84, Issue 10, pp. 1385−1406.
  103. Narendra K.S., K. Parthasarathy. „Identification and control of dynamical systems using neural networks“, IEEE Trans, on Neural Networks, Vol. I, 1990. pp. 4−27.
  104. Nimomiya H., Sasaki A. Study on Generalization Ability of 3-Layer Recurrent // Neural Networks IJCNN. — 2002. pp. 65−72.
  105. Pashilkar A.A., Sundararajan N., Saratchandran P. A fault-tolerant neural network aided controller for aircraft auto landing // Aerospace Scciency and Technology, # 10, 2006. pp. 49−61.
  106. Psaltis D., A. Sideris and A. Yamamura, „A Multilayered neural network controller“, IEEE Control Systems Magazine, Vol:8 pp. 17−21, 1988.
  107. Rehage D., Carl U., Vahl A. Redundancy management of fault tolerant aircraft system architectures — reliability synthesis and analysis of degraded, system states // Aerospace-Science and Technology, 2005. № 9. pp. 337−347.».
  108. Rozzioni G., Kim Y.-W., SoIiman A. EstimatiomProblems in Engine Control* and Diagnosis // Preprints ofthe 4-th*IFAC Symposium of Fault Detection Supervision and Safety for Technical Processes, Budapest, Hungary, 14−16 June, 2000, Vol.1, pp. 124−129.
  109. Rumelhart D.E., Hinton G.E., Williams R.J. Leaning representations by back-propagating errors/ZNature. 1986.- Vol.323, pp.533−536.
  110. Saridis D.N. Analytical Formulation of the Principle of Increasing Precision and Decreasing Intelligence for Intelligent Machines // Automatica. 1989. — № 3. pp. 461−467.
  111. Shilonosov, A. A., Vasilyev, V. L, Valeyev, S. S. Neural Networks Application in the Problems of Identification and Control of Aero-Engines// International Conference ASI-2000, France, Bordeaux, Sept. 18−20. 2000. pp. 333 — 339.
  112. StatSoft, Inc (2001). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm
  113. Swingler К. Applying Neural Networks. A practical Guide / Morgan Kaufmann. 1996. 303 p.
  114. Vasilyev. V.l., Valeyev S.S. Estimation of Neural Network Models Complexity on the Basis of Entropy Approach. Proceedings of the Workshop «Computer Science and Information Technologies (CSIT2004)», Budapest. October 17−19, Vol.1. 2004. pp. 38−42.
  115. Widrow B., Plett G. L. Intelligent Adaptive Inverse Control / Proc. of IF AC 96, San Francisco, CA, July 1996. pp. 104−105.
  116. Winston P. H. Artificial Intelligence (3rd Edition) Addison-Wesley Pub Co- 3rd edition, 1992.-691 p.
Заполнить форму текущей работой

Сессия? Спокойно!