Системы определения местоположения водного транспорта
ВВЕДЕНИЕ
Актуальность темы обусловлена тем, что автоматизация – это один из основных принципов современного судовождения. Выработка курса, скорости; прокладка маршрута, определение местоположения судна (ОМС) – все эти задачи в навигации и судовождении может решать электронно-картографическая навигационно-информационная система (ЭКНИС).
Как видно из вышесказанного, ЭКНИС в значительной мере облегчает работу штурмана. Однако, аварийность не идёт на убыль, а число аварий по вине человека остаётся прежней. В связи с этим необходимо оптимизировать систему «человек-машина». К тому же, из-за увеличения числа морских судов вопрос безопасности судовождения стоит остро как никогда.
В современные электронно-картографических навигационно-информационных системах (ЭКНИС) имеется достаточный функционал для определения местоположения судна (ОМС), потому что точное и быстрое определение местоположения судна является одним из важных факторов безопасности судовождения.
ВВЕДЕНИЕ 4
1 ОСОБЕННОСТИ ПРИМЕНЕНИЕ КЛАССИЧЕСКИХ МЕТОДОВ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ СУДНА В СОВРЕМЕННОМ СУДОХОДСТВЕ 11
1.1 Этапы развития автономных и неавтономных методов определения местоположения судна в море 11
1.2 Точность и надежность навигации при определении местоположения судна с помощью глобальных космических систем и сигналов автоматической идентификационной системы 21
1.3 Обоснованность применения нейронной сети для построения модели счисления пути судна и коррекции движения путём ввода контрольных обсерваций 36
1.4 Актуальность внедрения нейросетевых технологий для определения местоположения при управлении судном системами интегрированного ходового мостика в концепции е-Навигации 40
1.5 Выводы по главе 42
2 АНАЛИЗ НЕЙРОННЫХ, А ТАКЖЕ ГИБРИДНЫХ НЕЙРО-НЕЧЁТКИХ СИСТЕМ ДЛЯ СОЗДАНИЯ РАБОЧЕГО АЛГОРИТМА СИСТЕМЫ 44
2.1 Элементарные и продвинутые конфигурации нейронных сетей 44
2.2 Адаптивная резонансная теория. Искусственные нейронные сети Гроссберга-Карпентера. Рекуррентные сети 60
2.3 Варианты архитектуры сети, её алгоритма обучения, а также числа эпох, достаточного для обеспечения заданной точности обсервации 67
2.4 Комплексная оценка точности полученной позиции, а также вероятные риски при использовании нейронных сетей для контроля местоположения судна 73
2.5 Вывод по главе 82
3 НЕКОТОРЫЕ ПРЕДЛОЖЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ И СЧИСЛЕНИЯ СУДНА 84
3.1 Особенности построения рекуррентных нейронных сетей в пакете прикладных программ для решения задач технических вычислений 84
3.2 Разработка математической модели автоматизированной обсервации 93
3.3 Реализация алгоритма настройки свободных параметров сети (алгоритм обучения) и его параметров 105
3.4 Обучение и апробация созданной рабочей модели автоматизированных ОМС на основе нейросетевых технологий на имитационных данных из ЭКНИС для уменьшения влияния систематических ошибок в ходе натурного эксперимента 116
3.5 Выводы по главе 123
4 ВЛЯНИЕ ПОГРЕШНОСТЕЙ НА НАДЁЖНОСТЬ И УСТОЙЧИВОСТЬ ПОЛУЧЕННОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ 125
4.1 Оценка надёжности и устойчивости системы 125
4.2 Анализ коэффициента корреляции погрешностей системы на основании существующих требований точности места судна и выбор оптимальной точности обсервации путём итерационного подбора 130
4.3 Выводы по главе 137
5 НЕЙРОСЕТЕВАЯ МОДЕЛЬ АВТОМАТИЗИРОВАННЫХ ОБСЕРВАЦИЙ, КАК ЧАСТЬ ЭРГОТИЧЕСКОЙ СИСТЕМЫ В КОНЦЕПЦИИ Е-НАВИГАЦИИ 138
5.1 Человеко-машинная система, как помощь в принятии выверенного решения, в концепции развития е-Навигации 138
5.2 К проблеме учёта человеческого фактора в эргатических и машинных системах концепции развития е-Навигации в безэкипажном судоходстве 147
5.3 Выводы по главе 158
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 159
- Резолюция A.953(23). Всемирная радионавигационная система: принята 5 декабря 2003 года. – СПб.: Моркнига, 2004. – 14 с.
- Пат. 102420 Российская Федерация, МПК G08C 21/00. Устройство для определения местоположения судна / Сорокин А.Б.; заявитель и патентообладатель Сорокин Александр Борисович. – № 2010127005/11; заявл. 25.05.2010; опубл. 27.02.2011, – 13 с.
- Пат. 2678762 Российская Федерация, МПК B63H25/00. Способ и система контроля местоположения судна с помощью нечеткой логики / Кондратьев С.И. [и др.]; заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова". – № 2018105412; заявл. 13.02.2018; опубл. 31.01.2019, Бюл. № 4. – 16 с.
- Пат. 2685705 Российская Федерация, МПК G01S 15/06. Способ определения собственного местоположения судна на основе сигналов автоматической идентификационной системы и устройство для его осуществления / Трусов С.В. [и др.]; заявитель и патентообладатель Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы"). – № 2018131173; заявл. 30.08.2018; опубл. 23.04.2019, Бюл. № 12. – 8 с.
- Аванесова, Т. П. Способ решения проблемы уменьшения влияния человеческого фактора при расхождении судов в море / Т. П. Аванесова, Д. В. Язов, А. В. Меланич // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2014. – № 1(133). – С. 126-130.
- Авдонькин, Д. С. Стохастизм навигационных измерений в системах ГЛОНАСС и GPS как фактор выбора периода обсервации / Д. С. Авдонькин, Л. Н. Юсупов // Транспортное дело России. – 2010. – № 2. – С. 93-96.
- Алгоритмы цифровой коррекции информационно-измерительных каналов для комплексной системы судовождения / Г. Г. Куликов [ и др.] // Вестник Уфимского государственного авиационного технического университета. – 2007. – Т. 9. – № 5. – С. 9-15.
- Андреев, А. А. Реализация искусственной нейронной сети на основе адаптивной резонансной теории / А. А. Андреев, Е. В. Шатилова // Вестник Тамбовского университета. Серия: Естественные и технические науки. – 2008. – Т. 13. – № 1. – С. 78-80.
- Боран-Кешишьян, А.Л. Анализ надёжности технических средств сложных человеко-машинных систем при известных законах распределения времени до отказа элементов / А.Л. Боран-Кешишьян // Advanced Engineering Research. - 2013. - №5-6 (74). – С. 59-67.
К задачам внедрения цифровой навигации относится упрощение процедур обязательной отчетности при одновременном повышении информированности береговых и портовых властей. Одной из таких процедур, является определение местоположения судна. Причем именно в акваториях с наиболее интенсивным судоходством, на подходах к портам, где нагрузка на судоводителя максимальна и где его внимание должно быть сосредоточено на безопасной навигации [42].
Из всего вышесказанного следует, что исследования в области создания точных систем счисления потеряли актуальность, поскольку глобальные спутниковые навигационные системы, предлагают навигатору информацию о параметрах движения с высокой точностью и малой дискретностью. Тем не менее, спутниковые системы имеют существенные недостатки. Это – непрозрачная для радиоволн среда, значительный уровень паразитных шумов, возможные нарушения целостности системы, не автономность.
Поэтому возникает необходимость разработок нейросетевых алгоритмов с аппроксимацией функций и прогнозирования временных рядов, в задачах навигации и управления движением судна, как свойства нелинейного отображения входного сигнала в выходной.
Создание таких моделей счисления пути судна на основе нейронной сети позволит построить модель, где адаптивный нейрорегулятор применим для удержания судна на заданной траектории, при использовании информации только от автономных навигационных систем. Применение такого регулятора привет к более эффективному управлению в условиях неопределённостей по сравнению с существующими алгоритмами.
Использование такой нейросети для прогноза скорости дрейфа судна экспонирует формирование необходимого множества образов при использовании имитационной модели, в основе дифференциального уравнения Риккати. Коэффициенты его известны теоретически и уточняются в реальном времени по результатам натурных наблюдений. Координаты судна, полученные с использованием модели, сравниваются с координатами, измеренными в ходе натурного эксперимента, и получаем возможность использования модели в качестве имитационной.
В процессе проверки таких нейронных сетей, сравнивается с работой имитационной модели для образов экспериментального судна, отличного от использованного в процессе обучения. В результате чего допускается возможность нейронных сетей в модельных ситуациях заменить дифференциальное уравнение с достаточной точностью за определенное дискретное время плавания.