Синтез автоматизированной системы управления подвижным составом на основе геометрической теории управления и нейронных сетей

Abstract

Диссертация 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.

Dissertation for the degree of Doctor of Technical Science on Specialty 05.13.07 – Automation of Control Processes. – National Technical University "Kharkіv Polytechnic Institute", Kharkіv, 2017. The dissertation is devoted to solving scientific and applied problems of increasing energy characteristics of traction rolling stock, traction asynchronous drive through the development and introduction of new onboard intellectual decision support system of machinist that is based on more accurate models and optimize dynamics tools, using new methods and specialized software and new technologies of information processing based on stable and plastic neural networks and new models of associative memory, which creates theoretical precondition for developing of automatic control systems of high-speed rolling stock. Developed a comprehensive diesel-train model that takes into account the principal vibrations of the rolling stock and the distribution of forces of interaction between them, as well as parallel performance of traction drive of wagons with motors that adequately reflects the processes that occur on the real object. Developed specialized software that realizes the man-machine system that automates the conversion of analytical geometric control theory in the synthesis models to the Brunovsky form. Based on the neural networks that can solve problems with multiple solutions, developed a new method of search switching functions between the variables in the form of linear models Brunovsky and variables of nonlinear models control object. Developed stable-flexible Hamming neural networks, Hebb and other networks based on Perceptron, that can recognize new information and studying during its performance and modification Hamming neural network, capable identify several solutions. Has developed structure and components of the onboard intellectual decision support system that allows the actual use of the rolling stock and when happening currently changing road conditions, system can give for machinist new control laws under which adheres to a schedule for the least cost fuel and energy resources. Conducted experimental investigations on mathematical models and real object that confirming the correctness of the proposed solutions, methods and algorithms.