- •1. Введение
- •2. Основные положения теории искусственных нейронных сетей
- •2.1. Введение.
- •2.2. Задачи, решаемые при помощи инс
- •2.3. Устройство инс
- •2.3.1. Искусственный нейрон
- •2.3.2. Искусственная нейронная сеть.
- •2.4. Архитектуры инс
- •2.6. Обучение инс
- •2.5. Математическое обоснование работоспособности инс.
- •2.6.1. Метод обратного распространения ошибки
- •3. Моделирование аэродинамических характеристик несущего винта вертолета
- •3.1 Основные положения аэроупругой математической модели несущего винта
- •3.1.1. Моделирование упругих деформаций лопасти.
- •3.1.2. Уравнение движения лопасти.
- •3.1.3. Аэродинамическая нагрузка на несущем винте.
- •3.1.4 Расчет аэродинамических характеристик нв
- •3.2 Алгоритм моделирования аэродинамических характеристик несущего винта при помощи многослойного персептрона
- •4. Разработка и обучение нейронной сети, моделирующей аэродинамические характеристики несущего винта вертолета.
- •4.1 Разработка программного обеспечения, моделирующего искусственные нейронные сети.
- •4.1.1. Требования к по
- •4.1.2. Разработка по
- •4.1.2.1. Функции выполняемые программой «Искусственные Нейронные Сети 1.1»
- •4.1.2.2Принципиальная схема функционирования «Искусственные Нейронные Сети 1.1»
- •4.2 Исследование влияния конфигурации нейронной сети на эффективность ее работы
- •3.3.1.1. Оценка сходимости по числу нейронов в слое и количеству циклов обучения
- •3.3.1.2. Оценка сходимости по числу слоев сети и количеству циклов обучения
- •3.3.1.2. Оценка влияния числа входов/выходов нейросети.
- •4.3 Формирование предпроцессора и постпроцессора сети
- •3.3.2.1. Информативность параметров
- •3.3.2.2. Нормирование входных и выходных данных.
- •3.3.2.3. Дискретизация входных данных.
- •4.4 Оптимизация процесса обучения нейронной сети
- •3.3.3.1. Усовершенствование метода обратного распространения ошибки
- •3.3.3.2. Метод коррекции ошибки
- •4.5 Обучение нейронной сети с учетом результатов исследований.
- •5. Расчет характеристик несущего винта и сравнение с исходной расчетной моделью
- •5.1. Расчет коэффициента подъемной силы
- •5.2. Расчет коэффициента силы сопротивления
- •5.3. Расчет коэффициента крутящего момента
- •5.3. Расчет коэффициента момента тангажа
- •6. Основные результаты и выводы.
- •7. Расчет себестоимости создания нейросетевой математической модели нв и необходимого по.
- •7.1. Введение
- •7.2. Основные гипотезы и допущения
- •7.4.3. Заработная плата исполнителей.
- •7.4.3.1. Основная заработная плата.
- •7.4.4 Отчисления единого социального налога.
- •7.4.5 Расчет стоимости машинного времени
- •7.4.6 Материалы и комплектующие
- •7.6.6 Накладные расходы.
- •7.6.7 Суммарная себестоимость разработки по.
- •7.5 Расчет рентабельности
- •7.6 Итог
- •8. Безопасности жизнедеятельности. Рабочее место инженера расчетчика и оператора эвм
- •8.1 Введение
- •8.2 Объект экспертизы
- •8.3 Факторы влияющие на работу оператора эвм
- •8.3.1 Электромагнитное излучение
- •8.3.2 Статическое электричество
- •8.3.3 Вентиляция помещения
- •8.3.4 Микроклимат
- •Температуры и относительной влажности воздуха в помещениях с эвм
- •8.3.5 Освещение помещения
- •8.3.7 Электробезопасность
- •8.4 Эргономическая проработка рабочего места.
- •Моторные поля
- •8.5. Расчет показателей, характеризующих охрану и условия труда при работе за эвм.
- •8.5.1 Определение показателей степени автоматизации и механизации труда.
- •8.5.2 Определение показателей травмобезопастности труда.
- •Безопасные операции
- •8.5.3 Определение коэффициента безвредности труда.
- •8.5.4 Определение интегральных показателей.
- •8.6 Пожарная профилактика
- •Профилактика
- •Тушение пожара
- •8.7 Дерево отказов.
- •8.8 Охрана окружающей среды
- •Приложение «Искусственные Нейронные Сети 1.0»
- •Возможности программы
- •Руководство пользователя Загрузка обучающей выборки
- •Создание инс
- •Обучение инс
- •Проведение расчетов при помощи полученной инс
- •Сохранение и загрузка инс
- •Устройство программы
- •«Искусственные Нейронные Сети 1.1»
- •Выполняемые программой функции
- •Основные изменения
- •Создание новой инс
- •Загрузка обучающей выборки.
- •Обучение инс
- •Проведение расчетов при помощи полученной инс
- •Сохранение и загрузка инс
- •Устройство «Искусственные Нейронные сети 1.1»
- •Использованная литература
7.6.7 Суммарная себестоимость разработки по.
Результаты расчетов сведены в таблицу
Таблица 6
No |
Статьи затрат |
Сумма, р. |
1 |
Основная заработная плата обслуживающего персонала |
134150 |
2 |
Дополнительная заработная плата обслуживающего персонала |
22805.5 |
3 |
Отчисления на социальные нужды |
197763 |
4 |
Затраты на машинное время |
7445.85 |
6 |
Материалы и комплектующие изделия |
750 |
7 |
Накладные расходы |
113400 |
|
Итого затраты |
476314.35 |
|
Прибыль 60% от основной и дополнительной зарплаты |
94173 |
|
Итого стоимость разработки |
570487.35 |
7.5 Расчет рентабельности
Мы провели расчет стоимости разработки нейросетевого ПО. Теперь давайте проведем сравнительный анализ затрат при использовании исходной математической модели в сравнении с нейросетевой моделью.
При проектировании вертолета необходимо произвести большое количество расчетов, и значительную часть этих расчетов составляет определение аэродинамических характеристик несущего винта на тех или иных режимах. Давайте рассмотрим прежде всего временные затраты на проведение этих расчетов на исходной математической модели и на нейросетевой модели.
Наиболее ресурсоемкие расчеты сведены в таблицу:
Таблица 7
Наименование расчета |
Время, затрачиваемое на проведение расчетов |
|
Исходная мат. модель |
Нейросетевая мат. модель |
|
Расчет ЛТХ вертолета |
30 суток* |
4.32 мин** |
Расчет max/min возможных перегрузок вертолета |
90 суток* |
13 мин** |
* Расчет аэродинамических характеристик ведется при аэроупругой модели НВ.
** Это время, полученное при выигрыше в скорости расчета в 10000 раз. В действительности это значение во многом зависит от размера нейронной сети и в настоящей работе составляет порядка 10^5 раз. Здесь представлены значительно заниженные данные с учетом возможных колебаний размера нейронной сети на практике. Однако даже такое занижение не оказывает никакого влияния на временные затраты на проведение расчета нейросетевой моделью по сравнению с временными затратами при использовании исходной математической модели, которые исчисляются в сутках.
Общий выигрыш во времени составляет ~100 суток (более 3 месяцев)
Трудно оценить в какую сумму обойдется столь значительная задержка в проектировочном цикле, однако с уверенностью можно сказать, что это сильно ударит по конкурентоспособности ЛА и вызовет большую задержку запуска производственного цикла, что уже исчисляется в миллионах рублей. В связи с этим расчет дополнительных затрат на машинное время смысла не имеет.
Следует отметить, что создание авиатернажетра на основе нейросетей также является экономически выгодным, поскольку для такого тренажера отпадает надобность закупки высокопроизводительных ЭВМ, которые нужны для обеспечения адекватности модели вертолета при использовании традиционных мат. моделей, а также проведения всех расчетов и визуализации в режиме реального времени. Стоимость необходимой высокопроизводительной ЭВМ на сегодняшний день в среднем составляет: 150000 рублей. Для удовлетворения этим требованиям также возможно применение нескольких синхронизированных ЭВМ средней производительности. При соединении нескольких компьютеров средней производительности затраты составят: 3 компьютера стоимостью 25000 рублей (1 компьютер – мат. модель, 1 компьютер – визуализация, 1 компьютер – синхронизирующий компьютер) + сетевое оборудование 3000 рублей. Итого 78000 рублей. Здесь дополнительной статьей расхода является настройка синхронизации компьютеров. При использовании нейросетевой математической модели возможно применение одного ЭВМ средней производительности без потери адекватности модели.
