ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ СУДОВЫМ ДВИГАТЕЛЕМ СО ВСТРОЕННОЙ НЕЙРОСЕТЬЮ Российский патент 2024 года по МПК B63H21/22 G05D101/15 G06F17/00 G06N3/43 

Изобретение относится к интеллектуальным системам автоматического управления судовым двигателем на основе нейросети.

Эта система является элементом повышения надежности системы автоматического управления судовым двигателем с использованием его бортовой нейросетевой модели, обеспечения отказоустойчивости нечеткой интеллектуальной системы управления.

Ведущие судоходные компании внедряют технологии с использованием искусственного интеллекта ИИ, чтобы получить больше информации о работе своих судов, в то же время как цифровые гиганты, так и стартапы находят новые способы расширить границы использования искусственного интеллекта при эксплуатации различных судовых установок. Одной из таких сфер является внедрение интеллектуальной системы в контур автоматического управления судовым двигателем.

Разработанные на сегодняшний день системы автоматического управления (САУ) судовым двигателем основаны на передовых методах программирования, которые дают возможность реализовать дистанционное управление оборотами, нагрузкой, логикой сцепления, а также позволяют осуществлять изохронное распределение мощностей между несколькими двигателями или регулировать нагрузку с понижением скорости. Кроме того, они обеспечивают подачу множества аварийных сигналов, трендов и сообщений для оператора. Однако, помимо обозначенного достаточно широкого спектра функций САУ, интеллектуальная система автоматического управления (ИСАУ) судовым двигателем должна позволять моделировать нелинейную динамику, точно описывать или управлять сложными стохастическими системами судового двигателя, имея мало априорных теоретических знаний, что позволит превосходить в период переходных процессов схемы управления, которые основаны на статических отображениях.

Известны способ и система для оптимизации использования судовых источников энергии по патенту РФ 241773. Способ включает в себя создание компьютерной имитационной модели судна, оптимизированной с точки зрения топливной эффективности. Создание компьютерной имитационной модели включает в себя выбор уравнений из набора уравнений, описывающих основные компоненты и конструктивные характеристики судна, и выбор данных из набора характеристических данных основных компонентов и конструкций судна.

Система для оптимизации топливной эффективности судна, содержит процессор, хранилище данных, содержащее компьютерную имитационную модель судна, которая оптимизирована для обеспечения топливной эффективности и сеть датчиков для контроля параметров указанного судна, причем указанный процессор выполнен с возможностью генерирования одного или более оптимизированных параметров на основе компьютерной имитационной модели с учетом одного или более сигналов, полученных от указанной сети датчиков, и с возможностью вывода оптимизированных параметров, при этом основные компоненты и конструкции судна описаны в указанной компьютерной имитационной модели в качестве компонентов модели с определенными характеристиками из набора данных, описывающих характеристики компонентов, причем указанные компоненты модели объединены по каскадной схеме, а оптимизированные параметры представляют собой входные параметры различных компонентов. Серверный компьютер отвечает за обработку и оценку всех данных (текущих и исторических), за автоматическое управление и за передачу сообщений автоматического и ручного управления программируемыми логическими контроллерами в случае необходимости.

Система получает данные измерений от программируемых логических контроллеров, контролирующих различные элементы машин и механизмов, и передает сигналы управления элементам управления. Кроме того, система получает данные измерений и информацию от внешних источников, например оборудования GPS и метеорологических приборов. Система также передает сообщения клиентским компьютерам и получает от них сигналы управления. Модуль оптимизации режима работы также получает от системы сигналы измерений и передает системе сигналы управления. Система также формирует сообщения на основе измеренных значений и вычисляет новые производные значения или метки по полученным данным измерений и регистрирует (сохраняет) значения в базе данных для их последующего извлечения с целью формирования исторических последовательностей, контроля и составления отчетов.

Недостатком данного технического решения является ограниченный набор возможных команд управления для двигателя и других механизмов энергетической системы судна.

Известна система информационной поддержки принятия управленческих решений для обслуживающего персонала судовой энергетической установки по патенту РФ 2668487, которая содержит блок источников данных автоматизированной системы управления технологическим процессом, блок обработки и очистки данных, выполненный с возможностью анализа и переработки данных, блок базы данных телеметрии, выполненный с возможностью накопления оперативной информации по функционированию контролируемого энергетического оборудования, блок многомерной базы данных, выполненный с возможностью накопления и хранения долгосрочной информации, блок формирования отчетов, выполненный с возможностью отображения текущей информации о состоянии контролируемого энергетического оборудования, блок интеллектуального анализа параметров устройств, блок базы знаний, выполненный с возможностью накопления опыта и знаний, блок автоматизированного рабочего места оператора, отличающаяся тем, что дополнительно содержит блок искусственной нейросети, выполненный с возможностью совокупного анализа множественных источников данных, предсказания их изменений и принятия решений, блок компьютерной симуляции объекта контроля, выполненный с возможностью обработки данных и визуализации работы энергетического оборудования, блок логической модели, блок принятия решений в условиях неопределенности, выполненный с возможностью оценки вероятностей различных вариантов развития событий и помощи персоналу в принятии решений, блок оповещения персонала и управления автоматизированной системой управления технологическим процессом, выполненный с возможностью автономного выполнения противоаварийных мероприятий, оповещения персонала и управления элементами судовой энергетики, при этом первый выход блока источников данных автоматизированной системы управления технологическим процессом соединен с первым входом блока очистки и обработки данных, первый выход которого соединен с первым входом блока базы данных телеметрии, первый выход которого соединен с первым входом блока многомерной базы данных, второй выход соединен с первым входом блока формирования отчетов, третий выход соединен с первым входом блока искусственной нейросети, четвертый выход соединен с первым входом блока интеллектуального анализа параметров устройств, пятый выход соединен с первым входом блока компьютерной симуляции объекта контроля, первый выход блока многомерной базы данных соединен со вторым входом блока формирования отчетов, первый выход блока компьютерной симуляции объекта контроля соединен с третьим входом блока формирования отчетов, второй выход блока компьютерной симуляции объекта контроля соединен со вторым входом блока интеллектуального анализа параметров устройств, первый выход блока логической модели соединен со вторым входом блока компьютерной симуляции объекта контроля, первый выход блока искусственной нейросети соединен с третьим входом блока интеллектуального анализа параметров устройств, первый выход блока интеллектуального анализа параметров устройств соединен с четвертым входом блока формирования отчетов, второй выход блока интеллектуального анализа параметров устройств соединен с первым входом блока принятия решений в условиях неопределенности, третий выход блока интеллектуального анализа параметров устройств соединен с первым входом блока оповещения персонала и управления автоматизированной системой управления технологическим процессом, первый выход блока интеллектуального анализа параметров устройств соединен с четвертым входом блока базы знаний двунаправленной связью, второй выход блока базы знаний соединен с первым входом блока автоматизированного рабочего места оператора, первый выход блока формирования отчетов соединен со вторым входом блока автоматизированного рабочего места оператора, первый выход блока принятия решений в условиях неопределенности соединен с пятым входом блока формирования отчетов, первый выход блока автоматизированного рабочего места оператора соединен со вторым входом блока оповещения персонала и управления автоматизированной системой управления технологическим процессом.

Недостатком данного технического решения является фиксированная структура нейросети, независящая от внешнего воздействия.

ТЕХНИЧЕСКОЙ ЗАДАЧЕЙ предлагаемого изобретения является техническая возможность осуществления прогнозирования характеристик двигателя с меньшими затратами вместо проведения сложных и трудоемких экспериментальных работ.

ТЕХНИЧЕСКИЙ РЕЗУЛЬТАТ обеспечивается использованием нечетко-нейронных сетей и заключается в оценке предполагаемого расхода топлива и уровня выбросов углеводородов H_nC_m, углекислого газа CO₂, окислов азота NO_x в отработавших газах при различных реальных условиях плавания и выработкой адекватных команд управления двигателем и исполнительными механизмами для снижения экологической нагрузки на окружающую среду.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ состоит в использовании переменной структуры нейросетевой модели судового двигателя в зависимости от результата обработки полиномиальных регрессий. Нейросетевая модель судового двигателя базируется на многослойном персептроне с несколькими скрытыми слоями сигмоидальных единиц и линейной функцией активации для выходной единицы и реализуется блоком нейросетевой модели судового двигателя и исполнительных механизмов. В блоке расчета регрессий для каждой точки плоскости скорости вращения двигателя определяется набор полиномиальных регрессий как функции управляющих переменных для расхода топлива и удельного массового объема трех основных выбросов: H_nC_m, СО₂, NO_x. и в зависимости от полученных результатов определяются количество скрытых слоев в многослойном персептроне и количество узлов в каждом слое и реализуется блоком нейронного контроллера.

Структура нейросетевой модели определяется при каждом изменении условий плавания и, в зависимости от этого, регулируется режим работы двигателя.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ ПОЯСНЯЕТСЯ ГРАФИЧЕСКИ

На фиг. 1 изображена интеллектуальная система автоматического управления судовым двигателем со встроенной нейросетью.

На фиг. 2 изображена схема процесса структурной идентификации нейронной сети судового двигателя.

На фиг. 3 приведена архитектура работы нейронного контролера и его обучения

Интеллектуальная система автоматического управления судовым двигателем со встроенной нейросетью содержит блок приведения к стандартным условиям входных сигналов и данных от датчиков 1, блок нейросетевой модели судового двигателя и исполнительных механизмов 5, блок нейронного контроллера 7, блок расчета регрессий 2, блок фильтра Калмана 3, блок системы автоматического управления судовым двигателем и исполнительными механизмами 4, блок матрицы коэффициентов влияния 8, блок приведения к реальным условиям плавания 9, блок сравнения коэффициентов влияния 6, на который поступают значения коэффициентов влияния от блока приведения к стандартным условиям 1 и от блока фильтра Калмана 3, соединенного с выходом блока расчета регрессий 2, при этом блок приведения с стандартным условиям 1 соединен с блоком расчета регрессий 2 и блоком системы автоматического управления судовым двигателем и исполнительными механизмами 4, блоком нейросетевой модели судового двигателя 5, соединенного с блоком нейронного контролера 7 и блоком приведения к реальным условиям плавания 9, блок расчета регрессий 2 соединен с фильтром Калмана 3, при этом блок сравнения коэффициентов влияния 6 соединен с блоком матрицы коэффициентов влияния 8, соединенной с блоком приведения к реальным условиям плавания 9, соединенным с блоком системы автоматического управления судовым двигателем и исполнительными механизмами 4.

На фиг. 2 изображена схема процесса структурной идентификации нейронной сети судового двигателя в блоке расчета регрессий 2.

Принимая во внимание тот факт, что наблюдаемые параметры работы судового двигателя имеют статистический разброс, то рассчитывая их отклонения следует использовать среднее значение, проведя для этого несколько измерений j(5…10).

На следующем этапе необходимо определить порядки регрессоров (т.е. пространство запаздывания), а также количество узлов в скрытом слое нейрона для каждой подмодели. Используемый выбор нейронной структуры представлен на фиг. 2. Для каждого значения порядка нейронная сеть обучается с заданным числом узлов, которое должно быть достаточно большим, и рассчитывается критерий конечной ошибки предсказания (FPE). Оптимальный порядок соответствует минимальному значению FPE. Затем нейронная сеть обучается с этим порядком, но уже для нескольких значений номера узла в скрытом слое. Снова рассчитывается критерий FPE, и если он дает оптимальный номер узла, соответствующий минимальному значению FPE, то таким образом, формируется окончательная структура сети.

На фиг. 3 приведена архитектура работы нейронного контролера и его обучения, в котором текущий управляющий вход вычисляется путем решения нелинейной программы для каждого режима и состояния работы судового двигателя. Основная проблема оптимизации состоит в необходимости предсказания поведения системы, начиная с текущего состояния. Выбранная функция затрат сводит к минимуму выбросы на выходе из двигателя, одновременно пытаясь снизить расход топлива и поддерживая требуемый выходной крутящий момент. После этого данные контролера импортируется в экспериментальную реализацию в режиме реального времени для управления судовым двигателем.

Интеллектуальная система автоматического управления судовым двигателем со встроенной нейросетью работает следующим образом. На блок приведения к стандартным условиям 1 поступают входные сигналы от блока системы автоматического управления судовым двигателем и исполнительными механизмами 4 и входные сигналы от внешних датчиков метеоусловий, волнения и других, где сигналы приводятся к стандартному виду, в том числе нормируются для обработки в нейронной сети.

От блока приведения к стандартным условиям 1 обработанные сигналы поступают на блок расчета регрессий 2 и блок нейросетевой модели судового двигателя 5, который представляет собой прямой многослойный персептрон. В блоке расчета регрессий 2 рассчитывается набор полиномиальных регрессий как функции управляющих переменных для расхода топлива и удельного массового объема трех основных выбросов H_nC_m, СО₂, NO_x и определяются порядки регрессоров (т.е. пространство запаздывания), а также количество узлов в скрытом слое нейрона для каждой подмодели. Используемый выбор нейронной структуры представлен на Фиг. 2.

Так как наблюдаемые параметры работы судового двигателя имеют статистический разброс, то используются средние значения отклонений, для чего проводится несколько измерений j(5…10).

Результаты расчета регрессий поступают на фильтр Калмана 3. Туда же поступают и коэффициенты влияния от блока нейросетевой модели судового двигателя 5, в котором для каждого значения порядка регрессии нейронная сеть обучается с заданным числом узлов, и рассчитывается критерий конечной ошибки предсказания FPE. Оптимальный порядок соответствует минимальному значению FPE. Затем нейронная сеть обучается с этим порядком, но уже для нескольких значений номера узла в скрытом слое. Снова рассчитывается критерий FPE, и если он дает оптимальный номер узла, соответствующий минимальному значению FPE, то таким образом, формируется окончательная структура сети. Блок нейросетевой модели судового двигателя 5 находится во взаимной связи с нейронным контроллером 7, в котором текущий управляющий вход вычисляется путем решения нелинейной программы для каждого режима и состояния работы судового двигателя. Согласно представленной на Фиг. 3 схеме, в нейронном контролере текущий управляющий вход вычисляется путем решения нелинейной программы для каждого режима и состояния работы судового двигателя. Задача оптимизации состоит в необходимости предсказания поведения системы, начиная с текущего состояния. Выбранная функция затрат сводит к минимуму выбросы на выходе из двигателя, одновременно пытаясь снизить расход топлива и поддерживая требуемый выходной крутящий момент. После этого данные контролера импортируется в экспериментальную реализацию в режиме реального времени для управления судовым двигателем через блок приведения к реальным условиям плавания 9, на который поступают дополнительные входные данные, на вход блока системы автоматического управления судовым двигателем и исполнительными механизмами 4.

От блока фильтра Калмана 3 коэффициенты влияния поступают на блок сравнения коэффициентов влияния 6, где сравниваются с коэффициентами поступившими непосредственно с блока приведения к стандартным условиям 1 и разность поступает на блок матрицы коэффициентов влияния 8, имеющий выход для оператора судовой системы автоматического управления двигателем.

Изобретение относится к интеллектуальным системам автоматического управления судовым двигателем на основе нейросети. Система содержит блок приведения к стандартным условиям входных сигналов и данных от датчиков, блок нейросетевой модели судового двигателя и исполнительных механизмов, блок нейронного контроллера, блок расчета регрессий, блок фильтра Калмана, блок системы автоматического управления судовым двигателем и исполнительными механизмами, блок матрицы коэффициентов влияния, блок приведения к реальным условиям плавания, блок сравнения коэффициентов влияния, на который поступают значения коэффициентов влияния от блока приведения к стандартным условиям и от блока фильтра Калмана, соединенного с выходом блока расчета регрессий. Технический результат обеспечивается использованием нечетко-нейронных сетей и заключается в оценке предполагаемого расхода топлива и уровня выбросов углеводородов H_nC_m, углекислого газа CO₂, окислов азота NO_x в отработавших газах при различных реальных условиях плавания и выработке адекватных команд управления двигателем и исполнительными механизмами для снижения экологической нагрузки на окружающую среду. 3 ил.

Интеллектуальная система автоматического управления судовым двигателем со встроенной нейросетью, содержащая блок приведения к стандартным условиям входных сигналов и данных от датчиков (1), блок нейросетевой модели судового двигателя и исполнительных механизмов (5), блок нейронного контроллера (7), блок расчета регрессий (2), блок фильтра Калмана (3), блок системы автоматического управления судовым двигателем и исполнительными механизмами (4), блок матрицы коэффициентов влияния (8), блок приведения к реальным условиям плавания (9), блок сравнения коэффициентов влияния (6), на который поступают значения коэффициентов влияния от блока приведения к стандартным условиям (1) и от блока фильтра Калмана (3), соединенного с выходом блока расчета регрессий (2), при этом блок приведения с стандартным условиям (1) соединен с блоком расчета регрессий (2) и блоком системы автоматического управления судовым двигателем и исполнительными механизмами (4), блоком нейросетевой модели судового двигателя (5), соединенного с блоком нейронного контролера (7) и блоком приведения к реальным условиям плавания (9), блок расчета регрессий (2) соединен с блоком фильтром Калмана (3), при этом блок сравнения коэффициентов влияния (6) соединен с блоком матрицы коэффициентов влияния (8), с выхода которой сигнал поступает к оператору системы автоматического управления двигателем, блок приведения к реальным условиям плавания (9) соединен с блоком системы автоматического управления судовым двигателем и исполнительными механизмами (4).