Применение нейронных сетей в системах управления двигателя

Применение нейронных сетей в системах управления
двигателем внутреннего сгорания
Мельников Д.А.
МГТУ «МАМИ»
В современных городах и, особенно, мегаполисах остро стоит проблема загазованности и выбросов в атмосферу не только от предприятий, но и от автомобильного транспорта. Существует тенденции переноса промышленных предприятий из черты города, в
некоторых крупных Европейских городах введен платный проезд в центр города, так в
Лондоне эта цифра составляет 9 фунтов! В связи с этим необходимость принятия неотложных мер по борьбе с выбросами в атмосферу в крупных городах не подвергается сомнению. Существует огромное количество способов снизить выбросы и расход топлива от
автомобильных двигателей: применение каталических нейтрализаторов, регулирование
фаз газораспределения, применение камер сгорания специальной формы и т.д. В той или
иной степени автопроизводители применяют эти системы и подстраивают свои двигатели
к нормам токсичности выбросов. Современные двигатели внутреннего сгорания (ДВС)
имеют электронное управление реализованное блоком управления (ЭБУ), датчиками (датчик температуры, датчик детонации, датчики положения коленчатого и распределительного валов) установленными в самом двигателе, соединительными проводами и исполнительными механизмам (форсунки, электрический привод дроссельной заслонки с антипробуксовочной системой и др.) На этом фоне к электронным системам управления двигателя предъявляются все новые требования и использование линейных систем обработки
информации становится устаревшим и не отвечающим современным реалиям.
В последние несколько лет часто упоминаются системы управления основанные на
нейронных сетях. Целью данного доклада является подробное описание принципов работы нейронных сетей. Задача доклада состоит в доказательстве превосходства использования нейронных сетей или нелинейной логики в системах управления двигателем внутреннего сгорания.
Электронное управление двигателем пришло к нам в 1970-х годах. В то время инженеры всего Мира искали способы снижения потребления горючего ввиду всемирного
топливного кризиса. Эти механические системы имели минимальную производительность
и эффективность. Основными преимуществами микропроцессорного управления являются:
а) уменьшение габаритов системы;
б) оптимизация процессов сгорания;
в) возможность одновременно учитывать множество периферийных датчиков;
г) минимизация времени обработки входящей информации;
В начале 80-х ЭБУ стали стандартной частью практически любого автомобиля. Автомобильный блок управления двигателем это компьютер, предназначенный для решения
очень специфичной задачи. Условия его работы, такие как температура, влажность, необходимость обработки массы информации практически моментально делают сложным
процессом создание и проектирования ЭБУ. До сих пор Электронный блок управления
двигателем является самым сложным и энергоемким компьютером в автомобиле.
Т.е. по сути мы имеем обычный компьютер с линейной обработкой входных параметров без гибкой системы обработки данных. Двигатель, устанавливаясь на автомобиль,
может работать как при температуре внешней среды от +50 до -50 гр.С, как в пыльной, так
и в относительно чистой окружающей среде , как в сухом, так и во влажном климате, как
на высоте 1м. от уровня моря, так и на высоте 3000 тыс. метров. Исходя из этого. желательно иметь эластичную машину, отвечающую всем требованиям внешней среды. Такая
эластичность может быть основана на системе управления с использованием обычных,
стандартных датчиков, но которая на основании прежних входных сигналов сможет вовремя подстроиться и соответствовать как нормам токсичности, так и нормам расходова167
ния топлива. Такими свойствами обладают системы управления двигателем на основе
нейронных сетей.
Интерес к нейронным сетям обострился в последние несколько лет, хорошо применяемые в решении проблем с нетрадиционной точки зрения, в таких разных сферах, как
финансы, медицина, инженерия, геология и физика. Нейронные сети внедряются везде,
где есть проблемы предсказания, классификации и контроля. Это распространение может
быть приписано к следующим факторам (свойствам):
Нейронные сети обладают очень утонченной способностью моделирования сложных комплексных функций. В частности, нейронные сети являются нелинейными. На протяжении многих лет, с тех пор, как линейные модели стали широко известны и изучены,
линейное моделирование было основным методом. Нейронные сети также продолжают
проверять бедствие измерений проблемы, которое сбивает с толку попытки к моделированию нелинейных функций с большим числом вариаций.
Нейронные сети учатся на примерах. Нейронная сеть использует выводы из характерных данных, и, затем, вызывает тренируемые алгоритмы для автоматического изучения структуры данных. Нейронные сети также интуитивно притягивают, основанные на
сырой низкого уровня модели биологической нейронной системы. В будущем, развитие
этого нейробиологического моделирования может привести к подлинным интеллектуальным компьютерам.
Прогнозируемая эффективность таких систем приближается к 15-20% против традиционных систем управления двигателем внутреннего сгорания.
Ниже (рисунок 1) приведена схема классической нейронной сети с тремя входными
сигналами и с двумя слоями обработки информации.
Рисунок 1 – Схема нейронной сети
В нашей стране, на данный момент, уже существует опыт внедрения нейросетевых
систем управления двигателем внутреннего сгорания. Был разработан динамический корректор подачи топлива для электронного блока управления двигателя внутреннего сгорания. Из проведенных исследований видно, что при применении динамического корректора подачи топлива на основе нейронной сети цикловая подача топлива снизилась, а время
реакции изменения подачи топлива в зависимости от показаний датчика кислорода снизилось и выявилось трехкратное уменьшение отклонение состава смеси в переходном процессе.
Далее мною представлено подробное объяснение устройства нейронной сети. Вопервых, основу каждой НС составляют относительно простые, в большинстве случаев –
однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон
характеризуется своим текущим состоянием по аналогии с нервными клетками головного
мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов
– однонаправленных входных связей, соединенных с выходами других нейронов, а также
имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или тор168
можения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на
рисунке 2.
Рисунок 2 – Общий вид нейрона
Каждый синапс характеризуется величиной синаптической связи или ее весом wi,
который по физическому смыслу эквивалентен электрической проводимости.
Текущее состояние нейрона определяется, как взвешенная сумма его входов:
n
s = ∑ xi ⋅ wi .
(1)
i =1
Выход нейрона есть функция его состояния:
y = f(s).
(2)
Рисунок 3 – Функция состояния нейрона: а) функция единичного скачка;
б) линейный порог (гистерезис); в) сигмоид – гиперболический тангенс; г)
сигмоид – формула (3)
Нелинейная функция f называется активационной и может иметь различный вид, как
показано на рисунке 3. Одной из наиболее распространенных является нелинейная функция с насыщением, так называемая логистическая функция или сигмоид (т.е. функция Sобразного вида)[2]:
f ( x) =
1
1 + e − αx
.
(3)
При уменьшении α сигмоид становится более пологим, в пределе при α=0 вырождаясь в горизонтальную линию на уровне 0.5, при увеличении α сигмоид приближается по
внешнему виду к функции единичного скачка с порогом T в точке x=0. Из выражения для
сигмоида очевидно, что выходное значение нейрона лежит в диапазоне [0,1]. Одно из ценных свойств сигмоидной функции – простое выражение для ее производной, применение
которого будет рассмотрено в дальнейшем.
f © ( x) = α ⋅ f ( x) ⋅ (1 − f ( x)) .
(4)
169
Следует отметить, что сигмоидная функция дифференцируема на всей оси абсцисс,
что используется в некоторых алгоритмах обучения. Кроме того она обладает свойством
усиливать слабые сигналы лучше, чем большие, и предотвращает насыщение от больших
сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон.
Рисунок 4 – Однослойный перцептрон
Возвращаясь к общим чертам, присущим всем НС, отметим, во-вторых, принцип
параллельной обработки сигналов, который достигается путем объединения большого
числа нейронов в так называемые слои и соединения определенным образом нейронов
различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.
В качестве примера простейшей НС рассмотрим трехнейронный перцептрон (рисунок 4), то есть такую сеть, нейроны которой имеют активационную функцию в виде единичного скачка . На n входов поступают некие сигналы, проходящие по синапсам на 3
нейрона, образующие единственный слой этой НС и выдающие три выходных сигнала:
n

y j = f ∑ xi ⋅ wij  , j=1...3.
 i =1

(5)
Очевидно, что все весовые коэффициенты синапсов одного слоя нейронов можно
свести в матрицу W, в которой каждый элемент wij задает величину i-ой синаптической
связи j-ого нейрона. Таким образом, процесс, происходящий в НС, может быть записан в
матричной форме:
Y=F(XW),
(6)
где: X и Y – соответственно входной и выходной сигнальные векторы,
F(V) – активационная функция, применяемая поэлементно к компонентам вектора V.
Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной
микросхемы, на которых обычно реализуется НС. Чем сложнее НС, тем масштабнее задачи, подвластные ей.
Вывод из представленной работы представляется как приоритетность внедрения
нейронных систем управления, рассмотрения двигателя внутреннего сгорание как некий
конгломерат одновременных изменений происходящих с огромной частотой во времени
при абсолютно разных условиях. Как и в любом направлении деятельности человека,
здесь существует некая динамика развития. На мой взгляд, развитие систем управления
для двигателей внутреннего сгорания являются нейросетевые системы управления.
Литература:
1. Ф. Уоссермен Нейрокомпьютерная техника. М., Мир, 1992.
2. Материалы Всероссийской научной конференции "Проектирование научных и инженерных приложений в среде MATLAB". МАДИ (ГТУ), 2004г. Работа «Применение
MATLAB при разработке систем управления бензиновыми двигателями внутреннего
170
сгорания» Аманов К.А., Вощанкин С.В., Смирнов А.Б., Черняк Б.Я. Московский автомобильно-дорожный институт (ГТУ), Москва, 2004.
3. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения.
Нейрокомпьютеры и их применение (Книга 2): пер. с англ. Н.В. Батина, под ред.
д.т.н. проф. А.И. Галушкина и д.т.н. проф. В.А. Птичкина.— М.: ИПРЖР, 2000. –
271 с.
171