Нейронечеткий метод управления развитием высоких и критических технологий в авиадвигателестроении

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

ИННОВАЦИИ № 10 (156), 2011
Нейронечеткий метод управления развитием высоких и критических технологий в авиадвигателестроении
С. Г. Селиванов,
д. т. н., профессор
e-mail: S.G. Selivanov@mail. ru
С. Н. Поезжалова,
дипломированный специалист, аспирант, магистр техники и технологии, м. н. с.
e-mail: poezjalova@mail. ru
Кафедра технологии машиностроения, факультет авиационных технологических систем, Уфимский государственный авиационный технический университет
Предложена функциональная модель АСНИ-технологий и продемонстрировано применение нейронечеткого метода управления развитием высоких и критических технологий в авиадвига-телестроении в виде информационной технологии работы обобщенно-регрессионной сети и использования нечеткой логики для формирования еди-
ных технологий авиационных двигателей нового поколения.
С использованием средств искусственного интеллекта выявлены рациональные функции, описывающие развитие истребительной авиации и инновационно-инвестиционных проектов для создания конкурентоспособной продукции.
Ключевые слова: инновационный проект, нейронная сеть, нечеткая логика, функциональная модель, сигмоида, логистическая функция, единые технологии, узловые технологии.
Для ускоренной разработки инновационных проектов основным методом сокращения сроков создания и постановки на производство новых изделий является автоматизация технической подготовкой производства (АСТПП). В данной публикации предложено дополнить известные методы АСТПП средствами искусственного интеллекта, которые обеспечивают математическое моделирование и оптимизацию объектов проектирования.
В инновационных проектах и программах для разработки предварительных комплектов технологической документации, обеспечивающих создание техники новых поколений, рекомендуется строить функциональную модель «Автоматизированной системы научных исследований высоких и критических технологий» (АСНИ-технологий). Эта система была разработана в целях технологического обеспечения создания авиационных двигателей нового поколения.
Предложенная функциональная модель АСНИ-технологий (рис. 1), построенная в среде BPWin 4.1 (IDEF0), содержит 4 блока задач и 10 автоматизированных подсистем (программных продуктов), необходимых для автоматизации решения данных задач. Предложенная модель, являющаяся базой для
технологического обеспечения работ (в виде единых, базовых, узловых, высоких и критических технологий, а также комплектов перспективных и директивных технологических процессов) по проектированию и созданию авиационных двигателей нового поколения, позволяет показать последовательность действий по выполнению НИР для обеспечения НИОКР средствами инновационного проектирования авиационных двигателей.
Рассмотрим более подробно блоки задач АСНИ-технологий:
• 1 блок задач — анализ технического уровня авиационных двигателей. Результатом функционирования данного блока является определение требований по технологическому обеспечению конкурентоспособности новых изделий-
• 2 блок задач — анализ патентной информации. Результатом функционирования данного блока являются выводы и обоснования по применению высоких и критических технологий в ходе дальнейших НИОКР авиационных двигателей нового поколения-
• 3 блок задач — формирование единых технологий авиационных двигателей нового поколения для
Рис. 1. Функциональная модель разработки предварительных проектов технологической документации для создания авиационных двигателей нового поколения
системотехнической разработки инновационных проектов. Результатом работы по этой функции является передача прав на единые технологии-
• 4 блок задач — разработка узловых и базовых ин-
новационных технологий. Этот функциональный блок включает в себя не только подготовку комплектов технологической документации инновационных проектов, но и построение календарных план-графиков, разработку бизнес-планов, которые необходимы не только для технологического проектирования, но и для оценки эффективности инвестиций в создание авиационных двигателей нового поколения.
Рассмотрим более подробно каждый из названных блоков задач, входящих в функциональную модель разработки предварительного комплекта технологической документации.
1 блок — анализ технического уровня авиационных двигателей.
Предложенная для определения закономерностей и тенденций развития авиационных двигателей нейронная обобщенно-регрессионная сеть (ОИКМ) решает задачи определения регрессий путем аппроксимации различных функций (рис. 2).
Для описания работы названной нейронной сети вначале предположим, что имеется обучающая выборка ((х1, у1), (у2, у2), …, (х^ у^) (пары данных вход-выход), которая генерируется неизвестной функцией? (х), искаженной шумом. Задача аппроксимации с помощью сети состоит в нахождении оценки неизвестной функции? (х) и определения ее значений в других точках [2].
ОБХ^-сеть копирует внутрь себя все обучающие наблюдения и использует их для оценки отклика в произвольной точке (1). Окончательная выходная оценка регрессионной зависимости в искусственной
нейронной сети получается [3] как взвешенное среднее выходов по всем обучающим наблюдениям:
(1)
где Хк, ук — точки обучающей выборки. Таким образом, искусственная нейронная сеть ОКХМ [2] является обобщенной моделью (рис. 2) развития: любого инновационного проекта, множества инновационных проектов анализируемого поколения техники и технологий, а также закономерностей диффузии новых технологий.
Сигмоид — это гладкая монотонная нелинейная Б-образная функция, которую часто применяют для «сглаживания» значений параметров анализируемых инновационных проектов.
Ранее в научной литературе по инновационной деятельности под сигмоидом чаще всего понимали только логистическую функцию развития техники и технологий. В данной публикации показано, что применявшиеся ранее логистические закономерности — это только частные случаи локальных логистических зависимостей Фишера-Прая, Перла, Морриса и других зарубежных авторов [4].
Логистическая функция (2) или логистическая кривая — это сигмоидальная Б-образная кривая [3, 8], изображенная на рис. 3. Она моделирует кривую роста вероятности некоего события, по мере изменения управляемых параметров развития.
Простейшая логистическая функция может быть описана формулой:
Р (0 = 1/(1+ехр (-0),
(2)
ИННОВАЦИИ № 10 (156), 2011
ИННОВАЦИИ № 10 (156), 2011
Рис. 2. Виды сигмоид и их применение в нейронных сетях
где переменную P можно рассматривать как численность некоторых объектов (изделий, технологий, численности людей и т. д.), а переменную t — как время. Хотя область допустимых значений t совпадает с множеством всех действительных чисел от минус до плюс бесконечности, практически, из-за сущностной природы показательной функции exp (-t), достаточно вычислить значения только в сравнительно узком интервале.
Логистическую функцию в общем виде можно представить как решение простого нелинейного дифференциального уравнения первого порядка (3). Это уравнение, также известное, как уравнение Фер-хюльста (по имени впервые сформулировавшего его бельгийского математика), изначально появилось при рассмотрении модели роста численности населения, имеет вид [8]:
dP/dt = P (1-P), (3)
где P — переменная, зависящая от времени t и с граничным условием P (0) = ½. Решение этого уравнения позволяет получить две наиболее распространенных формы записи логистической зависимости после интегрирования (4, 5):
P (t)=exp (t)/(exp (t) — exp (4)
или (выбирая постоянную интегрирования):
P (t)=exp (t)/(i+exp (t)). (5)
Логистическая сигмоидальная функция тесно связана с гиперболическим тангенсом следующим соотношением (6, 7):
2 P (t) = 1 + tanh (t/2). (6)
п ч
и, J 0-
6 -4 -2 0 2 4 6
Рис. 3. Логистическая функция (сигмоида) общего вида
Функция гиперболического тангенса с использованием экспоненциальной записи [8] выглядит следующим образом:
f (s) = th (s/a) =
= (exp (s/a)-exp (-s/a))/(exp (s/a)+exp (-s/a)), (7)
где a — эмпирический коэффициент- s — фактор крутизны.
Кроме рассмотренной логистической зависимости можно также рассмотреть двойную логистическую сигмоидальную кривую (рис. 4).
Двойной логистической является функция (8), подобная логистической функции (рис. 3) с многочисленными проявлениями сигмоид [3, 8]. Ее общая формула имеет вид:
y = sign (x-d) (1 — exp (-((x-d)/s)2)), (8)
где d — локальный центр, s — фактор крутизны.
Здесь «sign» представляет функцию знака. Эта кривая основана на Гауссовском распределении и графически подобна двум идентичным логистическим сигмоидам, соединенным вместе в пункте x = d.
В семейство функций класса сигмоид также входят такие функции как арктангенс, гиперболический тангенс [3] и другие функции подобного вида (9, 10), например:
Функция Ферми (экспоненциальная сигмоида) имеет следующий вид:
f (s) = i/(i+exp (-2 as)). (9)
Рациональная сигмоида:
f (s) = s/(| s |+a). (10)
Сигмоидальные функции находят применения в обширном диапазоне областей знания, включая искусственные нейронные сети, биологию, биоматематику, экономику, химию, математическую психологию, вероятность и статистику. В данной публикации рассмотрены возможности их применения в инновационном проектировании. Рассмотрим при-
і
0,5
0
-0,5
-1
-100 -50 0 50 100
Рис. 4. Двойная логистическая функция
менение изложенных теоретических положений для определения регрессионных зависимостей развития инновационных проектов.
Известно, что методы инновационного проектирования, влияют на график смещения как дат наступления контрольных событий, так и на расхождение фактических и запланированных затрат, (рис. 5) [4].
Сопоставительный анализ инвестирования отдельно взятого инновационного проекта (рис. 6) позволил установить существенно лучшие результаты по использованию функции Ферми в сравнении с логистической зависимостью (11−14).
Полученные по статистическим данным сигмоидальные закономерности подчиняются следующим уравнениям регрессии:
а) логистическая кривая суммарных отчислений:
^ (?) = 647,024/(1+ехр (-(?-4,5))) — 24,236, (11) К2=0,9547-
б) логистическая кривая бюджетных отчислений имеет вид:
^ (?) = 545,602/(1+ехр (-(?-4,5))) — 55,435, (12) Л2=0,9465-
в) функция Ферми суммарных отчислений имеет вид:
Б (?)=517,793/(1+ехр (-2 ¦ 1,38 (?-4,5)))+38,652, (13) Л2=0,9865-
г) функция Ферми бюджетных отчислений:
^ (?)=435,083/(1+ехр (-2 ¦ 1,494 (?-4,5)))-1,638, (14) Л2=0,9901.
Как видно из представленных уравнений, функция Ферми (13, 14) обладает существенно лучшей сходимостью в сравнении с логистической функцией общего вида (11, 12), поэтому является более рациональной
Общая стоимость, в %
Сроки наступления контрольных дат событий проекта, мес.
Рис. 5. Графики изменения стоимости проекта и хода его расписания
для использования в задачах графического отображения и обоснования инновационно-инвестиционных проектов.
Анализ второго класса задач инновационного проектирования (рис. 2) по использованию методов моделирования развития техники и технологий по параметрам технического уровня также показывает на меньшую предпочтительность логистических зависимостей для анализа инновационных проектов. Рассмотрим в этом плане вначале возможности применения искусственной нейронной сети ОКММ [2] (рис. 7) для анализа закономерностей развития авиационных двигателей.
Далее представлен фрагмент текста программы для нахождения аппроксимации функции арктангенса для двигателей дозвуковых самолетов-истребителей первого поколения (х — годы первого полета самолета с новым двигателем, у — значение максимальной тяги реактивного двигателя, кг [1]):
х = [1942- 1942- 1946- 1946- 1947- 1947- 1947- 1947- 1947- 1947- 1947- 1948- 1948- 1949- 1950- 1953]-
Затраты, млн руб.
7001
600& quot-
500 400 300 200 100
0
-100
01 23 456 789
Г, кварталы 2007−2008 гг.
+ суммарные отчисления ¦ бюджетные отчисления
--- логистическая функция общего вида
---функция Ферми
Рис. 6. Изменение затрат инновационноинвестиционного проекта
ИННОВАЦИИ № 10 (156), 2011
ИННОВАЦИИ № 10 (156), 2011
входные
значения
скрытый
слой
скрытый
слой
выходные
значения
Рис. 7. Общий вид обобщенно-регрессионной сети (GRNN)
y = [442. 748- 442. 748- 720. 352- 720. 352- 1019. 580 1019. 580- 1019. 580- 1019. 580- 1019. 580- 1019. 580 1019. 580- 1750. 000- 1750. 000- 2480. 420- 2779. 648 3027. 263]-
Имя нейронной сети, запрашиваемой в системе МАТЬАБ 6.5 [2]:
b=newgrnn (х, у, 0. 2) —
В результате нейронная сеть определяет промежуточные значения точек по заданному оператором
множеству точек оси абсцисс:
Тяга, кг
Даты первых полетов, годы 1 Двигатели дозвуковых самолетов-истребителей Двигатель АМ-5 — кратковременное превышение скорости звука (особая точка) Двигатели сверхзвуковых истребителей-перехватчиков Двигатель АЛ-5 — снят с испытаний вследствие низкой надежности (особая точка) і Двигатели самолетов-истребителей вертикального взлета и посадки * Двигатели многофункциональных высокоманевренных истребителей (истребителей-бомбардировщиков) Двигатель РД-33 (Миг-29) — без многофункциональных модификаций (особая точка) Двигатель АЛ-31Ф-3 — для учебно-тренировочного морского истребителя (особая точка)
Рис. 8. Обобщенные сигмоидальные закономерности развития авиационных двигателей отечественной истребительной авиации
y1 = sim (b, [1943- 1944- 1945- 1951- 1952])
В результате работы искусственной нейронной сети GRNN получаем значения функции на оси ординат:
y1 = 1.0 e + 003 * {0. 4427 0. 5815 0. 7204 2. 7796 3. 0273}.
Полученный ряд чисел определяет первую регрессионную зависимости (1) на рис. 8 для авиационных двигателей дозвуковых самолетов-истребителей первого поколения. В данном случае в качестве главного показателя, определяющего совершенство двигателя, выступает тяга (кг) [1]. Ее изменения с течением времени подчиняются общим законам инноватики [4] и имеют вид, представленный на рис. 8.
Аналогичным образом можно получить сигмоидальные закономерности для авиационных двигателей:
• истребителей-перехватчиков (3) в виде билогисти-ческой зависимости-
• многофункциональных, высокоманевренных самолетов-истребителей (истребителей-бомбардировщиков) (4) —
• самолетов вертикального взлета и посадки (5). Анализ зависимостей рис. 8 позволяет также сделать вывод, что типовая регрессионная зависимость в виде арктангенса (кривая № 2, пунктирная линия) в виде пунктирной линии неудовлетворительно описывает закономерность развития авиационных двигателей для самолетов-перехватчиков. Это связано со смещением кривой из-за отрицательных результатов летных испытаний ряда самолетов и двигателей
Таблица 1
№ сигмоиды (рис. 7) Полученное уравнение Сходимость R2
1 F (t)=930 arctg (t-1948)+1750 0,7957
2 F (t)=5700 arctg (t-1957)+9800 0,6445
3 F (t) = sign (-1976,65) x x (1-exp (-((t-1976,65)/30,6)2))+10 250 0,8992
4 F (t)=4000 arctg (t-1966)+8450 0,8780
5 F (t)=3900 arctg (t-1985)+11 650 0,9515
Рис. 9. Теоретическая поверхность развития единых технологий авиационных двигателей
Рис. 10. Поверхность развития единых технологий авиационных двигателей по результатам экспертной оценки данных патентной статистики
данного типа (Р-11Ф-300, Р-15, Р-15−300, Р-21Ф-300, Р-13Ф-300, Р-11Ф2−300) в начале 60-х гг. XX в., что
вызвало задержку по времени в развитии сигмоиды данного поколения техники путем образования небольшой горизонтальной площадки. Дальнейшее развитие авиационных двигателей [1] для данного типа самолетов характеризуется использованием одноваль-ных газотурбинных двигателей с форсажной камерой с крылатых ракет на истребителях-перехватчиках, что продолжило развитие сигмоиды, но уже в виде било-гистической зависимости (кривая № 3). Полученные закономерности (рис. 8) выражаются уравнениями, представленными в табл. 1.
В следующих блоках (2, 3) функциональной модели АСНИ-технологий (рис. 1) осуществляется анализ патентной информации по авиационным двигателям новых поколений и формируется единая технология авиационных двигателей нового поколения [6, 7]. В этих функциональных блоках рекомендуется использовать средства искусственного интеллекта в виде метода нечеткой логики (Fuzzy Logic) [2] для автоматизации технологического проектирования.
В системе MATLAB 6.5. [2] с помощью пакета «Fuzzy Logic» можно осуществлять поиск «ядра решений», которое опирается на результаты анализа патентной статистики (блок 2) и экспертных оценок, заключающихся в отборе наилучших технических предложений по узловым технологиям в целях создания реактивных двигателей нового поколения.
В пространственной форме совокупность имеющихся в электронной базе данных узловых технологий можно представить в виде поверхности (рис. 9), где по осям отложены оценки по данным патентной статистики (тяги, степени сжатия компрессора, температуры на турбине), а по вертикальной оси ординат — точка варианта технологии.
Как видно из рис. 9 в нижней области находятся малоперспективные узловые технологии создания реактивных двигателей. В верхней области — располагаются «высокие технологии», реализующие наиболее прогрессивные и оригинальные инновационные
решения. В промежутке между этими областями имеют место промежуточные технологии.
На рис. 9 условно показана одна из Б-образных кривых развития узловых технологий (в частности, вентилятора авиационного двигателя), а поверхность, таким образом, представляет собой множество вариантов развития узловых технологий, из которых можно выделить «ядро решений» для разработки единой технологии двигателя нового поколения.
После ввода в систему МА^АВ 6.5 данных по экспертной оценке патентных документов (оценки их значимости для увеличения тяги, степени сжатия компрессора, температуры на турбине) поверхность развития несколько модифицируется, рис. 10.
Для системного анализа полученного «ядра решений» из области «высоких технологий» (рис. 9, 10) на следующем шаге рекомендуется строить структурные модели в виде многовариантных сетевых графов [4,
7] развития единых технологий нового поколения авиационных двигателей, в которых обобщены только точки высоких узловых технологий, отобранные на предыдущем шаге анализа с использованием метода нечеткой логики.
Многовариантный граф развития единых технологий является ядром возможных как конструкторских, так и проектно-технологических решений (в виде проектных, перспективных и директивных технологических процессов [5]) для структурной оптимизации единых технологий.
Дальнейшая многокритериальная структурная оптимизация технологических процессов (проектных, перспективных и директивных) на сетевых графах может быть осуществлена с помощью теории статистических решений и теории игр, динамического программирования, использования искусственных нейронных сетей и других методов системного анализа технологий [4, 6].
По результатам такого анализа на основании данных патентной статистики можно выделить перечень наиболее перспективных технологий для обеспечения новых конструкторских решений создания авиацион-
ИННОВАЦИИ № 10 (156), 2011
ного двигателя нового поколения, разработки предварительного комплекта технологической документации и проектирования директивных технологических процессов.
Четвертый блок функциональной модели (рис. 1) предназначен для разработки предварительного комплекта технологической документации в ходе инновационного проектирования реактивных двигателей нового поколения [7].
Заключение
Предложенная функциональная модель АСНИ-технологий, разработанная в целях технологического обеспечения создания авиационных двигателей нового поколения, обобщает научные закономерности, зависимости, математические модели, методы и технологии, используемые в прикладной инновационной деятельности и инновационном проектировании.
Установлено, что искусственная нейронная сеть вида ОКММ является обобщенной моделью развития любого инновационного проекта, множества инновационных проектов развития техники и технологий, а также закономерностей диффузии новых технологий.
Доказано, что для инновационно-инвестиционныхо проектов рациональной функцией, описывающей развитие проекта является функция Ферми, а для развития поколения техники и технологий — сигмоидальные закономерности типа арктангенс, правомерность данного положения подтверждена для закономерностей развития авиационных двигателей.
Установлено, что применение нейронечеткого метода управления развитием высоких и критических технологий в авиадвигателестроении в виде информационной технологии работы обобщеннорегрессионной сети и использования нечеткой логики в АСНИ-технологий позволяет формировать единые технологии авиационных двигателей нового поколения, разрабатывать проектные, перспективные и директивные технологические процессы для постановки новых авиационных двигателей на производство.
Список использованных источников
1. В. А. Баргатинов. Крылья России: Полная иллюстративная энциклопедия. Изд. исправ. и дополн. М.: Эксмо, 2007.
2. В. П. Дьяконов, В. В. Круглов. MATLAB 6.5 SP1/7/7 SP2+Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала» М.: СОЛОН-ПРЕСС, 2006.
3. Д. Кук. Компьютерная математика/пер. с англ. Г. М. Кобелькова. М.: Наука, 1991.
4. С. Г. Селиванов, М. Б. Гузаиров, А. А. Кутин. Инноватика: Учебник для вузов. 2-е изд. М.: Машиностроение, 2008.
5. С. Г. Селиванов, М. В. Иванова. Теоретические основы реконструкции машиностроительного производства. Уфа: Гилем, 2001.
6. С. Г. Селиванов, С. Н. Поезжалова. Метод математического моделирования и структурной оптимизации единых технологий в инновационных проектах//Вестник УГАТУ, т. 12 № 2, 2009.
7. С. Г. Селиванов, С. Н. Поезжалова. Автоматизированная система научных исследований высоких и критических технологий авиадвигателестроения//Вестник УГАТУ, т. 13, № 1, 2009.
8. В. С. Шипачев. Высшая математика: Учебник для вузов. 4-е изд. М.: Высшая школа, 1998.
The neural-fuzzy management method of development of high and critical technologies in engine-building manufacture S. G. Selivanov, doctor of Engineering, Professor, Department of machine-building technology, Aviation technological systems faculty, Ufa State Aviation Technical University (USATU).
S. N. Poezjalova, Master of technique and technology, Diplomaed expert, the post-graduate student, Younger research worker, Department of machine-building technology, Aviation technological systems faculty, Ufa State Aviation Technical University (UsAtU).
The functional model of ASSR-technologies is offered and application of the neural-fuzzy management method of development of high and critical technologies in engine-building manufacture is shown in the form of information technology of work integrated-regression networks and use of fuzzy logic for formation of united technologies of aviation engines of new generation. The rational functions describing development of fighters and innovative-investment projects for creation of competitive production are revealed with use of artificial intelligence techniques.
Keywords: Innovative project, neural network, fuzzy logic, functional model, sigmoid, logistical function, united technologies, node technologies.

ПоказатьСвернуть
Заполнить форму текущей работой