05.13.07 "Автоматизація процесів керування"
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/19068
Переглянути
Документ Синтез автоматизированной системы управления подвижным составом на основе геометрической теории управления и нейронных сетей(НТУ "ХПИ", 2017) Заковоротный, Александр ЮрьевичДиссертация на соискание ученой степени доктора технических наук по специальности 05.13.07 – автоматизация процессов управления. – Национальный технический университет "Харьковский политехнический институт", Харьков, 2017. Диссертация посвящена решению научно-прикладной проблемы разработки бортовой системы поддержки принятия решений машинистом, созданной на основе обобщенных математических моделей и средств оптимизации динамики подвижных объектов с использованием новых методов и программного обеспечения, а также новой технологии обработки информации на основе стабильно-пластичных нейронных сетей и новых моделей ассоциативной памяти, что создает теоретическую предпосылку разработки автоматических систем управления подвижным составом и позволяет улучшить его энергетические характеристики. Разработана модель дизель-поезда, учитывающая основные виды колебаний вагонов и распределение сил взаимодействия между ними во время движения, а также параллельную работу тяговых приводов, которая адекватно отражает процессы, протекающие на реальном объекте. Разработано программное обеспечение, реализующее человеко-машинную систему, которая позволяет автоматизировать аналитические преобразования геометрической теории управления при синтезе моделей в форме Бруновского для объектов, описываемых системами обыкновенных дифференциальных уравнений высокого порядка с несколькими управлениями. На основе нейронных сетей адаптивной резонансной теории, способных решать задачи с несколькими решениями, предложен новый метод поиска функций преобразования между переменными линейных и нелинейных моделей. С помощью принципа максимума решены две задачи оптимального управления тяговым подвижным составом: максимального быстродействия и минимизации взвешенной линейной комбинации времени и расходов квадрата управления, что позволяет, с одной стороны, получить для каждого участка пути законы управления, которые определяют минимально необходимое время для преодоления перегона, а с другой стороны, получить законы управления, обеспечивающие график движения и минимизацию расхода топливно-энергетических ресурсов. Разработаны стабильно-пластичные нейронные сети Хемминга, Хебба и сети на основе перцептрона, способные распознавать новую информацию и дообучаться в процессе своего функционирования, которые позволяют использовать их как альтернативу дискретным нейронным сетям адаптивной резонансной теории. Разработана бортовая система поддержки принятия решений, которая позволяет в реальных условиях скоростного движения выдавать машинисту закон управления поездом, при котором соблюдается график движения при минимальных затратах топливно-энергетических ресурсов. Для реализации базы данных системы поддержки принятия решений машинистом разработана N-направленная нейросетевая ассоциативная память, которая способна восстанавливать по входному вектору множество из N векторов, ассоциативных к входной информации, и двунаправленная многослойная дискретная ассоциативная память с управляющими нейронами, которая способна восстанавливать цепочки ассоциаций и корректировать результаты с учетом дополнительной информации. Создана база знаний, позволяющая запоминать несколько равноценных решений о законе управления поездом для текущего перегона, нейросетевая система диагностики тяговых двигателей и система, позволяющая прогнозировать возникновение и подавлять развитие буксования колесных пар во время движения. Приведены результаты экспериментальных исследований интеллектуальной системы поддержки принятия решений машинистом и законов оптимального управления подвижным составом, которые подтвердили достоверность предложенных решений по автоматизации процессов управления движением дизель-поезда.Публікація Синтез автоматизованої системи управління рухомим складом на основі геометричної теорії керування та нейронних мереж(НТУ "ХПІ", 2017) Заковоротний, Олександр ЮрійовичДисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.07 – автоматизація процесів керування. – Національний технічний університет "Харківський політехнічний інститут", Харків, 2017. Дисертація присвячена вирішенню науково-прикладної проблеми розробки бортової системи підтримки прийняття рішень машиністом, що створена на основі узагальнених математичних моделей та засобів оптимізації динаміки рухомих об'єктів з використанням нових методів та програмного забезпечення, а також нової технології обробки інформації на основі стабільно-пластичних нейронних мереж та нових моделей асоціативної пам'яті, яка створює теоретичну передумову розробки автоматичних систем керування рухомим складом та дозволяє поліпшити його енергетичні характеристики. Розроблено модель дизель-поїзда, що враховує основні види коливань вагонів та розподіл сил взаємодії між ними, а також паралельну роботу тягових двигунів обмоторених вагонів, що адекватно відображає процеси, які протікають на реальному об'єкті. Розроблено спеціалізоване програмне забезпечення, що реалізує людино-машинну систему, яка дозволяє автоматизувати аналітичні перетворення геометричної теорії керування при синтезі моделей у формі Бруновського. На основі нейронних мереж, що здатні вирішувати завдання з декількома рішеннями, розроблено новий метод пошуку функцій переходу між змінними нелінійних і лінійних моделей у формі Бруновського. Розроблені стабільно-пластичні нейронні мережі Хеммінга, Хебба та мережі на основі перцептрона, здатні розпізнавати нову інформацію й донавчатися в процесі функціонування, та модифікацію нейронної мережі Хеммінга, що здатна визначати декілька рішень. Розроблено структуру та складові бортової системи підтримки прийняття рішень, що дозволяє в реальних умовах експлуатації рухомого складу й поточній зміні дорожньої обстановки видавати машиністу закон керування, при якому дотримується графік руху за мінімальних витрат паливо-енергетичних ресурсів. Проведені дослідження на математичних моделях і реальному об'єкті, результати яких підтверджують правильність запропонованих рішень, методів та алгоритмів.