число обращений процедуры оптимизации к двигателю с 200 до 3 вслед-
ствие переноса основного объема итераций на копию корректора; умень-
шение (минимум на 15% и 8%) максимальных концентраций СО и NO
x
в
ОГ после нейтрализатора при моторном эксперименте подтвердило возмож-
ность применения нейронных сетей для решения задачи совершенствования
управления подачей топлива бензинового двигателя.
Б.Я. Черняк (ГТУ “МАДИ”) представил доклад “Наблюдаемость и упра-
вляемость в самонастраивающихся системах управления”. Отмечено, что
наилучшие показатели двигателя в эксплуатации могут быть получены толь-
ко при адаптации управления с учетом изменения состояния двигателя и
эксплуатационных условий. Поэтому в МСУ постоянно расширяется чи-
сло локальных контуров замкнутого управления. Необходимо учитывать,
что двигатель — это многомерный многопараметрический объект динами-
ческого управления, требующий связанного управления рядом параметров.
Локально замкнутые контуры не могут обеспечить должного управления на
динамических режимах и при настройке локальных контуров трудно удо-
влетворить одновременно всем требованиям, предъявляемым к двигателю,
так как для этого нужно управлять одновременно рядом контуров, иметь
достаточно широкую информацию о показателях двигателя и решать много-
критериальные оптимизационные задачи. Решать эти противоречивые задачи
можно с использованием самообучающихся систем, учитывая сложный не-
линейный характер связей в объекте управления, влияние стохастических
факторов, задержек в системах измерения и управления и др. При этом дви-
гатель как объект управления, особенно на динамических режимах, нельзя
считать ни полностью управляемым, ни полностью наблюдаемым (по Кал-
ману). При неполной наблюдаемости и управляемости, а также в процессе
решения сложных оптимизационных задач, особенно в условиях, близких к
границе устойчивой работы, вероятно появление новых структур (зоны би-
фуркации). При использовании самообучающихся и самонастраивающихся
систем (согласно Винеру) нельзя исключить возможность появления оши-
бок (мутаций), причем в обучающейся системе последствия мутации сразу
закрепляются. В таких системах нельзя исключить появления сбоев в рабо-
те, например непроизвольной остановки двигателя или других нарушений
его работы. Для того чтобы, по возможности, уменьшить вероятность по-
явления сбоев, нужно разрабатывать специальные алгоритмы и технологии
обучения и оптимизации. К таким алгоритмам и методам можно отнести:
проведение при эксплуатации подстройки системы около заданного центра
настройки, полученного предварительной калибровкой; использование мак-
симума информации для ограничений выбираемых значений управляющих
воздействий; применение эволюционных методов планирования эксперимен-
тов при поиске оптимумов; использование асимптотических наблюдателей
и предикторов; проведение настройки не непосредственно на объекте, а на
обучаемых эталонных моделях с последующим использованием для упра-
вления только “удачных” решений; применение методов регуляризации при
поиске решений стохастических задач; использование робастных алгоритмов
и др.
114 ISSN 0236-3941. Вестник МГТУ им. Н.Э. Баумана. Сер. “Машиностроение”. 2007. № 4
