Гибридные системы – Обучающая последовательность для примера 2.1

Содержание

ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ. ОСОБЕННОСТИ ИХ РАЗВИТИЯ.

Системы, состоящие из нескольких разных подсистем, имеющих одну цель и общие действия, носят название Гибридных систем (ГС). Направление ГИС объединяет специалистов, которые занимаются разработкой методов имитации умственной деятельности человека. Обычно

ГИС состоит из:

· аналитических моделей,

· экспертных систем,

· искусственных нейронных сетей,

· нечетких систем,

· генетических алгоритмов,

· имитационных статистических моделей.

ГИС быстро развиваются, они объединяют формализуемые и неформализуемые знания.

Интеллектуальные системы (ИС), в зависимости от строения можно разделить на однокомпонентные и многокомпонентные. Однокомпонентные ИС используют какое-то одно средство искусственного интеллекта (ИИ). Многокомпонентные ИС используют разные средства ИИ. Многокомпонентные ИС более сложны по архитектуре, работа такой системы напрямую зависит от работы других слоев.

 ГИС по архитектуре делятся на четыре типа (Рисунок 1):

1)комбинированные,

2) интегрированные,

3) объединенные,

4) ассоциативные.

 

 

Рисунок 1.Типы архитектуры ГИС.

В связи с быстрым ростом информации, можно выделить еще один тип ГИС распределенный, который использует данные, поступающие из Интернета.

Системы первого типа представляют объединение Экспертных Систем (ЭС) и нейронных сетей и соединяют формализуемые знания, с которыми работает ЭС с  неформализуемыми знаниями в нейронных сетях. 

Входная информация поступают в ГС и через ЭС и через нейронную сеть. Выходные информация поступают на вход модуля, который ищет и разъясняет решения. Нейронная сеть помогает быстро обучаться, а ЭС, используя неявные данные объясняет решение. Примерами служат ГЭС для диагностики в медицине, ЭС для обучения.

Работа ЭС второго типа использует алгоритм с применением индукционного дерева. Этот алгоритм создает правила. Они позволяют осуществлять как прямые, так и обратные запросы.

В строении интегрированных ГИС все решает  модуль-интегратор, который, находит интеллектуальные модули и объединяет отзывы работающих модулей. БД доступна и нейронной сети. Нейронная сеть представлена, как инструмент для обучения. Нейронная сеть берет входные данные и применяет их как примеры для обучения.

Примерами Систем третьего типа можно отнести ГЭС для инвестиций, ГЭС для распознавания неисправностей.

Системы четвертого вида не получили пока большого распространения, так как они еще недостаточно надежны.

Распределенные ИС предлагают многоагентный подход в области распределенного ИИ (рисунок 2). В этом случае каждый модуль работает автономно и связывается с другими путем передачи информации через сеть.

 

Рисунок 2.  Архитектура распределенной ГИС

Существуют пять стратегий создания ГИС:

— автономные,

— трансформационные,

— слабосвязанные,

— сильно связанные,

— полностью интегрированные модели.

Автономные модели применяются для построения нулевого образца. Автономные модели состоят из независимых программ, поэтому при поступлении новых данных сразу должны измениться.

Результатом разработки трансформационных моделей должна стать автономная, не связанная с другими частями модель. Основное отличие трансформационной модели от автономной заключается том, что она начинает функционировать как система, которая использует один автономный метод, а заканчивает как система, использующая другой метод. Трансформационные модели быстро создаются и требуют меньше затрат.

В слабосвязанные модели приложение делится на элементы, которые общаются через файлы данных. Они просты для разработки и применяют коммерческие программы.

Сильносвязанные ГИС требуют меньше затрат, но имеют большую производительность по сравнению со слабосвязанными моделями. Однако они имеют три принципиальных ограничения:

1)Их сложно разрабатывать и поддерживать в рабочем состоянии.

2) Излишество накопленных данных.

3) Трудность проверки адекватности.

Полностью интегрированные ГИС вместе пользуются общими структурами данных и представлениями знаний. Это вид гибридов быстро развивается. В них выделяют создание концептуальных нейросетей, экспертных систем, в которых элементы связываются быстро и просто, а общая информация доступна тому и другому компоненту.  К преимуществам полной интеграции можно отнести надежность, увеличение скорости обработки, адаптацию и дедукцию.

 

Список литературы:

1. Боев, В.Д. Моделирование систем. Инструментальные средства GPSS World СПб.: БХВ-Петербург, 2004, – 105 с. 

2. Клачек П. М., Корягин С. И., Колесников А. В., Минкова Е. С. Гибридные адаптивные интеллектуальные системы. Ч. 1: Теория и технология разработки: монография. — Калининград: Изд-во БФУ им. И. Канта,2011. — 374 с.

2.Колесов, Ю. Сениченков Моделирование систем. Динамические и гибридные системы М: БХВ-Петербург, 2006, – 224с. 

4. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки. – СПБ: зд-во СПбГТУ, 2001, – 711 с.

sibac.info

Гибридная интеллектуальная система — Википедия. Что такое Гибридная интеллектуальная система

Под гибридной интеллектуальной системой (ГиИС) принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека[1]. Таким образом ГиИС — это совокупность:

  • аналитических моделей
  • экспертных систем
  • искусственных нейронных сетей
  • нечетких систем
  • генетических алгоритмов
  • имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

История возникновения термина

Термин «интеллектуальные гибридные системы» появился в 1992 г. Авторы вкладывали в него смысл гибридов интеллектуальных методов, таких как экспертные системы, нейросети и генетические алгоритмы. Экспертные системы представляли символьные, а искусственные нейронные сети и генетические алгоритмы — адаптивные методы искусственного интеллекта. Однако, в основном, новый термин касался достаточно узкой области интеграции — экспертные системы и нейросети. Ниже приведены несколько трактовок этой области интеграции другими авторами:

1. «Гибридный подход» предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей (способностей).

2. Термин «гибрид» понимается как система, состоящая из двух или более интегрированных подсистем, каждая из которых может иметь различные языки представления и методы вывода. Подсистемы объединяются вместе семантически и по действию каждая с каждой.

3. Ученые Центра Искусственного интеллекта Cranfield University (Англия) определяют «гибридную интегрированную систему» как систему, использующую более чем одну компьютерную технологию. Причем технологии накрывают такие области, как системы, основанные на знаниях, коннекционистские модели и базы данных. Интеграция технологий дает возможность использовать индивидуальную силу технологии для решения специфических частей задачи. Выбор технологий, внедряемых в гибридную систему, зависит от особенностей решаемой задачи.

4. Специалисты из University of Sanderland (Англия), входящие в группу HIS (англ. Hybrid Intelligent Systems), определяют «гибридные информационные системы» как большие, сложные системы, которые «бесшовно» (цельно) интегрируют знания и традиционную обработку. Они могут предоставлять возможность хранить, искать и манипулировать данными, знаниями и традиционными технологиями. Гибридные информационные системы будут значительно более сильными, чем экстраполяции концепций существующих систем.

Предмет и цель разработки гибридных интеллектуальных систем

Научная область ГиИС включает исследование автономных методов для определения их преимуществ и недостатков, отношений интеграции во многом определяющих состав, архитектуру и процессы обмена и обработки информации в гибридах, идентификацию задач соответствующих гибридным системам, разработку протоколов для коммуникации между компонентами и многопроцессорные архитектуры[2].

Цели исследований ГиИС включают создание методов увеличения эффективности, выразительной силы и силы вывода интеллектуальных систем, преимущественно более полных, разрабатываемых с меньшими усилиями разработки, чем приложения, использующие автономные методы. В фундаментальной перспективе ГиИС могут помочь понять когнитивные механизмы и модели[2].

Классификация гибридных интеллектуальных систем

В книге Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем (Колесников А. В., Кириков И. А.)[1] на основе аналитического обзора существующих классификаций ГиИС предложено выделять следующие пять стратегий разработки ГиИС: автономные, трансформационные, слабосвязанные, сильносвязанные и полностью интегрированные модели:

  • Автономные модели приложений ГиИС содержат независимые программные компоненты, реализующие обработку информации на моделях с использованием методов из ограниченного числа классов. Несмотря на очевидную вырожденность интеграции знаний в этом случае, разработка автономных моделей актуальна и может иметь несколько целей. Такие модели — способ сравнения возможностей решения задачи двумя или более различными методами. Новая автономная модель для решения решенной задачи верифицирует уже созданное приложение и приводит к адекватным моделям. Автономные модели могут использоваться для быстрого создания начального прототипа, после чего разрабатываются приложения, требующие большего времени. Автономные модели имеют и существенный недостаток — никакая из них не может помочь другой в ситуации обновления информации — все должны модифицироваться одновременно.
  • Трансформационные ГиИС похожи на автономные, так как конечный результат разработки — независимая, не взаимодействующая с другими частями модель. Основное отличие состоит в том, что такая модель начинает работать как система, использующая один автономный метод, а заканчивает как система, использующая уже другой метод. Трансформационные модели дают несколько преимуществ: быстроту создания и меньшие затраты, поскольку эксплуатируется единая модель, а окончательный метод наилучшим образом адаптирует результаты к окружению. Есть и проблемы: автоматическое преобразование одной модели в другую; существенная модификация модели, сравнимая по объёму с разработкой «заново».
  • Слабосвязанные ГиИС — это, по существу, первая реальная форма интеграции, когда приложение разбивается на отдельные элементы, связываемые через файлы данных. Классификация таких моделей рассмотрена ниже. Цепочные ГиИС используют как составные части два функционально завершенных элемента, один из которых — главный процессор, а другой — пре- или постпроцессор. В подчиненных ГиИС составные части — функционально завершенные элементы. Однако в этом случае один из них, подчиненный, включенный в другой, — главный решатель задачи. Метапроцессорные ГиИС используют как составные части один метапроцессор и несколько функциональных элементов. Сопроцессорные ГиИС при решении задачи применяют элементы, как равные партнеры. При этом каждый может передавать информацию каждому, взаимодействовать, обрабатывая подзадачи одной задачи. Если сравнить рассмотренные слабосвязанные ГиИС с другими более интегрированными приложениями, то они проще для разработки и допускают применение коммерчески доступных программ, снижающих бремя программирования. Время на эксплуатацию сокращено из-за простоты интерфейсов файлов, однако увеличена цена коммуникации и ниже производительность ГиИС. Сильносвязанные ГиИС имеют значительное перекрытие с классом слабосвязанных гибридов. Однако последние используют обмен информацией через резидентные структуры памяти, например DDE, в отличие от обмена через внешние файлы в слабосвязанных ГиИС. Это улучшает интерактивные возможности и дает более высокую производительность. Сильносвязанные модели могут функционировать в тех же формах, что и слабосвязанные, однако их пре-, пост — и сопроцессорные варианты по природе быстрее. Здесь используются следящие методы разработки: «доска объявлений», «конвейерная модель»[1] и «вложенные» системы.
  • Сильносвязанные ГиИС имеют низкие коммуникационные затраты и более высокую производительность по сравнению со слабосвязанными моделями. Тем не менее, эти ГиИС имеют и три принципиальных ограничения: 1) сложность разработки и поддержки возрастает как следствие внешнего интерфейса данных; 2) сильная связанность страдает от излишнего накопления данных и 3) проверка адекватности затруднена. Рассмотренные слабо- и сильносвязанные ГиИС в силу того, что их состав и структура во многом зависят от решаемой задачи, принято называть ещё и функциональными ГиИС.
  • Полностью интегрированные ГиИС совместно используют общие структуры данных и представления знаний, а взаимосвязь между компонентами достигается посредством двойственной природы структур. Это бурно развивающийся в мировой практике класс гибридов, где можно выделить разработку концептуальных нейросетей, основанных на знаниях, коннекционистских экспертных систем, в которых элементы взаимодействуют быстро и просто, а общая информация для независимого решения задачи мгновенно доступна тому и другому компоненту. Ещё один вариант полной интеграции — нечеткие нейросети — гибрид, по структуре похожий на нейросеть и реализующий одновременно нейро- и нечеткие вычисления. Преимущества полной интеграции — надежность, увеличение скорости обработки, адаптация, обобщение, снижение шума, аргументация и логическая дедукция, то, чего в сумме не найти ни в одном классе методов-родителей.

Полученные результаты

В рамках исследования методологий создания ГиИС в 2001 г. были предложены проблемно-структурная методология и технология разработки ГиИС, позволяющие синтезировать ГиИС для решения сложных (состоящих из множества подзадач, требующих применения различных методов имитации интеллектуальной деятельности человека) задач как систему методов решения подзадач сложной задачи[1]. Позже в 2007 г. была предложена проблемно-инструментальная методология разработки ГиИС как обобщение проблемно-структурной методологии на случай отсутствия релевантных методов решения подзадач сложной задачи[1].

На основе предложенных методологий и технологий разработаны ГиИС для практического применения в различных областях: сменно-суточное планирование в морском порту, планирование в биопроизводственной системе[3], проектирование автоматики морских транспортных судов[1], решения сложных транспортно-логистических задач[4], среднесрочного планирования на производственном предприятии с мелкосерийным характером производства[5] и другие. Подробное описание перечисленных ГиИС и результатов их практического использования может быть найдено в соответствующих источниках.

См. также

Список использованной литературы

  1. 1 2 3 4 5 6 Колесников А. В. Гибридные интеллектуальные системы: Теория и технология разработки. — СПБ: Изд-во СПбГТУ, 2001. — 711 с.
  2. 1 2 Medsker L.R. Hybrid Intelligent Systems. — Boston: Kluwer Academic Publishers, 1995. — 298 с.
  3. ↑ Клачек П. М., Корягин С. И., Колесников А. В., Минкова Е. С. Гибридные адаптивные интеллектуальные системы. Ч. 1: Теория и технология разработки: монография. — Калининград: Изд-во БФУ им. И. Канта, 2011. — 374 с.
  4. ↑ Колесников А. В., Кириков И. А., Листопад С. В., Румовская С. Б., Доманицкий А. А. Решение сложных задач коммивояжера методами функциональных гибридных интеллектуальных систем / Под ред. А. В. Колесникова. — М.: ИПИ РАН, 2011. — 295 с.
  5. ↑ Колесников А. В., Солдатов С. А. Теоретические основы решения сложной задачи оперативно-производственного планирования с учётом координации. // Вестник Российского государственного университета им. Иммануила Канта. Вып. 10: Сер. Физико-математические науки. — Калининград: Изд-во. РГУ им. И. Канта, 2009. — С. 82-98

Рекомендуемая литература

  1. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки / Под ред. А.М. Яшина. — СПб.: Изд-во СПбГТУ, 2001. — 711 с. — ISBN 5-7422-0187-7.
  2. Гаврилов А.В. Гибридные интеллектуальные системы. — Новосибирск: Изд-во НГТУ, 2003. — 168 с.
  3. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. — М.: Финансы и статистика, 2004. — 320 с.
  4. Колесников А.В., Кириков И.А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. — М.: ИПИ РАН, 2007. — 387 с. — ISBN 978-5-902030-55-3.
  5. Батыршин И.З., Недосекин А.А., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г. Нечеткие гибридные системы: теория и практика / Под ред. Н.Г. Ярушкиной. — М.: Физматлит, 2007. — 207 с. — ISBN 978-5-922107-86-0.
  6. Колесников А.В., Кириков И.А., Листопад С.В., Румовская С.Б.,Доманицкий А.А. Решение сложных задач коммивояжера методами функциональных гибридных интеллектуальных систем / Под ред. А.В. Колесникова. — М.: ИПИ РАН, 2011. — 295 с. — ISBN 978-5-902030.
  7. Клачек П.М., Корягин С.И., Колесников А.В., Минкова Е.С. Гибридные адаптивные интеллектуальные системы. Ч. 1: Теория и технология разработки: монография. — Калининград: Изд-во БФУ им. И. Канта, 2011. — 374 с. — ISBN 978-5-9971-0140-4.
  8. Колесников А.В., Солдатов С.А. Теоретические основы решения сложной задачи оперативно-производственного планирования с учётом координации // Вестник Российского государственного университета им. Иммануила Канта. — Калининград: Изд-во. РГУ им. И. Канта, 2009. — Вып. 10: Сер. Физико-математические науки. — С. 82-98.
  9. Medsker L.R. Hybrid Intelligent Systems. — Boston: Kluwer Academic Publishers, 1995. — 298 с.
  10. Wermter S., Sun R. Hybrid Neural Systems. — Heidelberg, Germany: Springer-Verlag, 2000.
  11. Negnevitsky M. Artificial Intelligence. A guide to intelligent systems. — Harlow, England: Addison-Wesley, 2005.
  12. Castillo O., Mellin P. Hybrid Intelligent Systems. — Springer-Verlag, 2006.
  13. Jain L.C., Martin N.M. Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. — CRC Press, CRC Press LLC, 1998.

Ссылки

wiki.sc

Гибридные экспертные системы

История создания и развития интеллектуальных информационных систем неразрывно и тесно связана с историей развития вычислительной техники. С появлением быстродействующих компьютеров появилась возможность моделировать и имитировать процессы деятельности человеческого мозга, например, процесс нахождения человеком оптимального пути до дома или побор необходимой книги. Историю создания и развития интеллектуальных информационных систем можно отсчитывать с конца шестидесятых годов двадцатого столетия, когда Л. Заде ввел понятие нечетких множеств и разработал теорию нечетких множеств. За прошедшее время были созданы разнообразные виды интеллектуальных информационных систем, такие как искусственные нейронные сети, генетические алгоритмы, экспертные системы, когнитивные системы, системы распознавания, интеллектуальные базы данных, системы, основанные на прецедентах.
Интеллектуальные информационные системы, созданные за последние годы, в зависимости от архитектуры можно классифицировать на две группы: однокомпонентные интеллектуальные информационные системы и многокомпонентные интеллектуальные информационные системы.
Кроме того, можно рассматривать и еще один тип интеллектуальных информационных систем, появление которого обусловлено стремительным ростом объемов знаний, информации и данных, которые могут храниться в распределенных базах данных и базах знаний, доступных через глобальную сеть Internet. Архитектуру интеллектуальной информационной системы такого типа можно назвать распределенной. При этом подходе каждый функциональный интеллектуальный модуль (агент) может работать автономно и во взаимодействии с другими модулями путем передачи данных и сообщений через глобальную сеть Internet. Существующие в настоящее время интеллектуальные информационные системы, такие как когнитивные системы, экспертные системы, системы на прецедентах, нейронные сети и тому подобные могут быть преобразованы в агенты.
Однокомпонентные интеллектуальные информационные системы основаны на использовании единственного средства искусственного интеллекта, такого, например, как нечеткая логика, вероятностный байесовский подход, генетический алгоритм или искусственная нейронная сеть. Многокомпонентные интеллектуальные информационные системы объединяют в себе различные методы, модели и средства искусственного интеллекта в единую сложную вычислительную модель.
Такое разнообразие интеллектуальных систем определяется необходимостью формализации разнообразных данных, информации и знаний, причем не всегда процесс формализации можно успешно выполнить для данных, информации и знаний любого вида и типа. Одним из видов многокомпонентных интеллектуальных информационных систем являются гибридные интеллектуальные системы.

Гибридные интеллектуальные системы позволяют использовать достижения и преимущества традиционных средств и методов искусственного интеллекта, и в то же время способны решать задачи, нерешаемые отдельными методами и средствами искусственного интеллекта. Гибридные интеллектуальные системы позволяют более эффективно и адекватно соединять формализуемые и не формализуемые знания, информацию и данные за счет интеграции традиционных средств, методов и моделей искусственного интеллекта в единую сложную систему.
Гибридная информационная система, как правило, состоит из четырех основных модулей: управляющего центра, нескольких помощников, нескольких исполнителей движений и планировщика. В системе реализуют архитектуру с использованием управляющего центра, который связан с перечисленными основными модулями и координирует, направляет их функционирование. В процессе разработки основные интеллектуальные модули могут быть дополнены управляющими и коммуникативными знаниями и моделями, интеллектуальным интерфейсом, необходимыми для их объединения в многоагентную интеллектуальную информационную распределенную систему. Многоагентные системы могут осуществлять альтернативные рассуждения на основе применения знаний, информации и данных из разнообразных непересекающихся источников с использованием механизма устранения возникающих противоречий .
Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации и моделирования интеллектуальной деятельности человека и более одного метода формализации представления знаний, например, экспертных систем, искусственных нейронных сетей, нечетких систем, генетических алгоритмов и имитационных статистических моделей . Экспертная система в таких системах является интегрирующим модулем и связана с другими компонентами гибридной системы. Вспомогательные подсистемы, такие как база данных и гео-информационная система, служат связующими звеньями экспертной системы с полнофункциональными внешними базами данных и гео-информационными системами.
Можно выделить две интерпретации понятия гибридной интеллектуальной системы – узкая, когда в ней объединяются разные парадигмы представления знаний и обработки данных, но она остается в рамках инженерии знаний, и широкая – когда в гибридной интеллектуальной информационной системе объединяются модели инженерии знаний и нейро-информатики.
В рамках исследования методологий создания гибридных интеллектуальных информационных систем в 2001 году были предложены проблемно-структурная методология и технология разработки гибридных интеллектуальных систем, которые позволили синтезировать гибридные интеллектуальные системы для решения задач, состоящих из множества подзадач, требующих применения различных методов имитации и моделирования интеллектуальной деятельности человека. Позднее в 2007 году была предложена проблемно-инструментальная методология разработки гибридных интеллектуальных систем как обобщение проблемно-структурной методологии на случай отсутствия соответствующих методов формализации знаний и методов решения подзадач сложной задачи.
На основе предложенных методологий и технологий разработаны гибридные интеллектуальные системы для практического применения в различных предметных областях: решения сложных транспортно-логистических задач, сменно-суточное планирование в морском порту, среднесрочного планирования на производственном предприятии с мелкосерийным характером производства, гибридная экспертная система для инвестиционных рекомендаций.

Статья на тему гибридные экспертные системы

]]>

Отличная статья 0

idatenru.ru

Гибридные системы

6 Декабря 2012

Connect

Connect!

Ноябрь 2012

Павел Анащенко

системный архитектор, «Открытые Технологии»

Гонка частот процессоров закончилась в 2005–2006 гг. Дальнейшее увеличение производительности вычислительных систем стало осуществляться за счет повышения степени параллелизма и эффективности параллельных вычислений. Увеличение количества ядер, потоков, процессоров в системе тоже не могло быть бесконечным, и для ресурсоемких задач логичным решением стал вычислительный кластер. Именно системы, полученные путем объединения стандартных узлов в вычислительные кластеры, составляют в настоящий момент большую часть суперкомпьютерной отрасли.

Однако наращивание количества узлов в кластере приводит к увеличению доли накладных расходов и очень скоро становится неэффективным, да и попросту дорогим, как по своей первоначальной стоимости, так и по стоимости дальнейшего владения такой системой. Возрастание количества узлов все острее ставит вопросы энергоэффективности.

Выходы ищут в переходе на гибридные технологии – введение в архитектуру классических систем специализированных вычислителей, которые могли бы показать лучшее соотношение производительности и потребляемой мощности, производительности и стоимости и т. д.


Графика

не для графики

Распространение гибридных систем началось, пожалуй, с появления интегральных схем программируемой логики FPGA. Такие схемы позволяли разработать и самостоятельно сконфигурировать специализированное исполнительное устройство под конкретную задачу уже после его изготовления на заводе. За счет обеспечения взаимодействия такого устройства с универсальным вычислительным узлом и написания программного обеспечения, которое задействовало бы его в вычислениях, можно было добиться колоссальной эффективности гибридной системы для конкретной задачи. Теоретически можно было говорить даже об универсальности такой гибридной системы, поскольку FPGA позволяет довольно легко менять схему связей и тем самым строить различные исполнительные устройства под различные задачи. Но на практике применение гибридных систем на базе ПЛИС FPGA было связано с большой трудоемкостью разработки конфигурации ПЛИС, поэтому могло быть востребовано только для специализированных гибридных систем. Количество задач, которые могли решать такие системы, было ограничено.

Другим типом гибридной системы являются системы на базе так называемых ячеек CBEA (Cell Broadband Engine Architecture). Особенности процессоров этой архитектуры в том, что они включают универсальный блок, построенный по RISC-архитектуре POWER и предназначенный для работы операционной системы, а также восьми векторных процессоров, построенных по архитектуре SIMD, координацией работы которых занимается также универсальный блок. Совмещение ядра общего назначения с сопроцессорами, которые значительно ускоряют обработку мультимедиа и векторных вычислений, позволило найти им применение в игровых консолях и мультимедиасистемах. Но это не единственное их применение. В 2006 г. корпорация IBM выпустила блейд-сервер на базе процессоров Cell. А понастоящему архитектура стала знаменита тем, что на базе Cell был построен известный суперкомпьютер IBM «Roadrunner» – самый производительный в мире суперкомпьютер по рейтингу 2009 г. Его пиковая производительность составляла около полутора петафлопс. Но архитектура CBEA не нашла широкого распространения из-за своей проприетарности, сложности разработки программного обеспечения. Даже несмотря на то что IBM предоставила комплексную платформу разработчика, адаптация существующего ПО под архитектуру CBEA оставалась основной проблемой. К слову сказать, в современном мировом рейтинге TOP-500 присутствуют всего три суперкомпьютера, в составе которых функционируют процессоры Cell. Это IBM «Roadrunner», суперкомпьютер «Cerrillos», расположенный в той же, что и «Roadrunner», Национальной лаборатории в Лос-Аламосе, и суперкомпьютер «Ломоносов» Московского государственного университета им. М.В. Ломоносова. Причем «Ломоносов» содержит всего 30 узлов на базе процессоров Cell, в то время как гибридных узлов на базе графических процессоров в нем больше тысячи.

Названные виды гибридных систем в настоящий момент востребованы в узких областях. Понастоящему универсальным и наиболее популярным типом гибридных систем являются системы на базе графических процессоров. Идея использования графических процессоров для решения не графических задач (GPGPU – General Purpose GPU) долгое время лежала на поверхности и практически не реализовывалась. Использование графических процессоров в вычислениях требовало формулирования алгоритма в «шейдерных» терминах, что было очень неудобно и трудоемко. Поэтому бурное развитие подход построения гибридных систем на базе GPU получил только после февраля 2007 г., когда компанией NVIDIA была представлена первая версия CUDA SDK.

Графический процессор представляет собой SIMD-вычислитель с большим количеством ядер (оно превышает 2500) и общей памятью. При использовании его в качестве сопроцессора с CPU можно добиться значительного повышения производительности такой гибридной системы на задачах, хорошо поддающихся распараллеливанию. CPU взаимодействует с GPU по стандартной шине PCI-е. Существует вариант размещения GPU в отдельном независимом конструктиве с подключением к серверу посредством PCI-e-кабелей. Таким образом, практически любой стандартный сервер может быть легко превращен в маленький суперкомпьютер. К примеру, подключение к стандартному двухпроцессорному серверу двух модулей с GPU по 4 GPU в каждом повышает его пиковую производительность с 200–300 гигафлопс до более чем 5 Тфлопс в двойной точности. Очевидно, простота аппаратной реализации идеи и хорошее сопровождение CUDA SDK и есть причина популярности такого подхода к построению гибридных вычислительных систем.

Отдельно стоит сказать о программном обеспечении. Большинство коммерческих программных пакетов, требующих ресурсоемких вычислений, уже поддерживают GPU. Из наиболее известных можно назвать САПР: CATIA, ANSYS, Abaqus; математические пакеты MATLAB, Mathematica; графические пакеты Adobe Premiere Pro, Autodesk Maya; огромное количество пакетов для научных расчетов. И этот список постоянно пополняется. Если речь идет о самостоятельной реализации тех или иных алгоритмов для исполнения на гибридных платформах на базе GPU, можно использовать компилятор Си, входящий в состав CUDA SDK. Доступны также Fortran – классический язык для реализации параллельных алгоритмов, Pascal – скорее в учебных целях. Если код уже написан под классическую вычислительную систему, существует возможность оперативно адаптировать код для работы на гибридной системе с помощью специальных директив стандарта OpenACC. Для этого необходимо лишь отметить части кода, которые следует выполнять на GPU, пометить общие и индивидуальные для потока переменные. Такой вариант позволит быстро оценить степень его ускорения при переходе на гибридную систему.

Гибридная эффективность

Говорить об ускорении приложений удобно на примерах. Например, моделирование жизни молекул протеина, проведенное в программном пакете Amber, позволяет на классической системе с четырехъядерным процессором оценить 80 наносекунд жизни молекулы в день. Подключение к этой вычислительной системе всего одного GPU NVIDIA Tesla С2075 улучшает результат до 367 наносекунд в день. Подключение GPU к такой же системе при моделировании потоков масла в двигателе внутреннего сгорания с помощью ПО Promеtech уменьшает время моделирования с восьми дней до одного. Приведенные примеры не настолько ресурсоемкие, но уже здесь заметно значительное ускорение приложений.

На этих же примерах можно показать соотношение прироста производительности и прироста энергопотребления системы. Если считать, что сервер стандартной архитектуры потребляет около 600 Вт, возрастание энергопотребления составит около 30% (потребление GPU – 225 Вт), а производительность при этом повысится в четыревосемь раз. И эти цифры растут с усложнением задачи и увеличением требуемой производительности вычислительной системы. NVIDIA приводит оценку, сделанную для одного из проектов по построению платформы для обработки сейсмических данных. Переход с вычислительного кластера производительностью порядка 70 Тфлопс на узлах стандартной архитектуры на аналогичный по производительности гибридный вычислительный кластер на базе GPU приводит к снижению требований к месту для размещения оборудования в 31 раз, к электрической мощности ? в 27 раз. При этом стоимость системы уменьшается в 20 раз.

Все приведенные примеры были сделаны на GPU семейства Fermi; приходящее ему на смену семейство Kepler демонстрирует еще более высокие показатели энергоэффективности. При том же энергопотреблении модуль Tesla K10 на базе Kepler на одинарной точности в 4,5 раза производительнее, чем Tesla на базе Fermi. А GPU Tesla K20 и Tesla K20x, представленные 12 ноября на конференции SC’12 в Солт-Лейк-Сити, дают на реальных задачах прирост производительности по сравнению с Fermi до 3-х раз уже на двойной точности.

Несмотря на то что отношение производительности к энергопотреблению для гибридных систем много лучше, чем для классических, при построении высокопроизводительных систем абсолютное энергопотребление часто является сдерживающим фактором. Современные конструкции серверов позволяют разместить до 4 GPU и 2 CPU в стандартном корпусе высотой 1 RU, такая плотность обеспечивает возможность построить систему производительностью более 770 Тфлопс (в одинарной точности) в стандартном монтажном шкафу высотой 42 RU, но потреблять данная система будет около 75 кВт. Отвод тепловой мощности от монтажного шкафа, как правило, достаточно проблематичен. И дело даже не в мощности, потребляемой серверами, как таковой, а в необходимости обеспечить требуемый поток воздуха для ее отвода. Охлаждение оборудования при столь высокой плотности осуществляется обычно путем использования закрытых монтажных конструктивов, объединенных с блоками кондиционеров для образования изолированного воздушного контура (шкаф с закрытой архитектурой охлаждения). При таком решении крайне важно учитывать расход воздуха системы охлаждения вычислительных узлов. В приведенном примере производительность вентиляторов сервера равна приблизительно 300 CFM, что при пересчете дает более 21 тыс. м3/ч на всю систему. Обеспечить такой воздушный поток в условиях ЦОД практически невозможно. Вероятно, проблема может быть решена с помощью систем непосредственного жидкостного охлаждения или каких-то других жидкостных систем, но подобные решения пока дороги (практически сводят на нет все стоимостные преимущества, заложенные в решения самой вычислительной платформы), возникает масса вопросов по их обслуживанию, надежности их самих и охлаждаемых компонентов. Да и востребуется заказчиками такая экстремальная плотность крайне редко.

Отдельно следует упомянуть еще один важный компонент, позволяющий повысить эффективность использования гибридного вычислительного кластера, – специализированную систему управления и мониторинга. Такие системы дают возможность организовать единый командный и графический интерфейс для управления и мониторинга узлов, провижининга ОС на вычислительные узлы кластера, параллельно решать административные задачи на нескольких узлах сразу, управлять конфигурацией и осуществлять контроль над системой управления заданиями, управлять учетными записями пользователей. Они обеспечивают мониторинг состояния и загрузки CPU и GPU, позволяют при необходимости перераспределять задачи или выводить из работы простаивающие узлы в целях экономии электроэнергии и ресурсов системы охлаждения.


Обобщая сказанное, можно утверждать, что современный суперкомпьютер, построенный с учетом требований энергоэффективности, простоты адаптации или разработки программного обеспечения и оптимальный по соотношению стоимость/производительность, – это гибридный вычислительный кластер на графических процессорах, спроектированный из расчета использования с воздушными климатическими системами. Дополнительного эффекта можно достичь путем разделения CPU- и GPU-частей по отдельным конструктивам, что даст возможность не только существенно снизить взаимовлияние частей при проведении регламентных работ и защитить инвестиции при модернизации системы, но и максимально гибко подойти к распределению оборудования внутри монтажного шкафа, обеспечив тем самым оптимальное распределение тепловых зон и повысив эффективность отвода тепла. Существующие на рынке решения позволяют, исходя из этих требований, построить систему производительностью до 300 Тфлопс в одинарной точности или более 64 Тфлопс в двойной точности в пределах одного монтажного шкафа. Это уже результат, позволяющий попасть в рейтинг ТОР-50 суперкомпьютеров СНГ.


Предыдущая новость:
Системность телекома

Следующая новость:
Какой ЦОД нужен оператору связи

www.ot.ru

Гибридная интеллектуальная система — это… Что такое Гибридная интеллектуальная система?

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС — это совокупность:

  • аналитических моделей
  • экспертных систем
  • искусственных нейронных сетей
  • нечетких систем
  • генетических алгоритмов
  • имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

История возникновения термина

Термин «интеллектуальные гибридные системы» появился в 1992 г. Авторы вкладывали в него смысл гибридов интеллектуальных методов, таких как экспертные системы, нейросети и генетические алгоритмы. Экспертные системы представляли символьные, а искусственные нейронные сети и генетические алгоритмы — адаптивные методы искусственного интеллекта. Однако, в основном, новый термин касался достаточно узкой области интеграции — экспертные системы и нейросети. Ниже приведены несколько трактовок этой области интеграции другими авторами.

Предпосылки

1. «Гибридный подход» предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей (способностей).

2. Термин «гибрид» понимается как система, состоящая из двух или более интегрированных подсистем, каждая из которых может иметь различные языки представления и методы вывода. Подсистемы объединяются вместе семантически и по действию каждая с каждой.

3. Ученые Центра Искусственного интеллекта Cranfield University (Англия) определяют «гибридную интегрированную систему» как систему, использующую более чем одну компьютерную технологию. Причем технологии накрывают такие области, как системы, основанные на знаниях, коннекционистские модели и базы данных. Интеграция технологий дает возможность использовать индивидуальную силу технологии для решения специфических частей задачи. Выбор технологий, внедряемых в гибридную систему, зависит от особенностей решаемой задачи.

4. Специалисты из University of Sanderland (Англия), входящие в группу HIS (англ. Hybrid Intelligent Systems), определяют «гибридные информационные системы» как большие, сложные системы, которые «бесшовно» (цельно) интегрируют знания и традиционную обработку. Они могут предоставлять возможность хранить, искать и манипулировать данными, знаниями и традиционными технологиями. Гибридные информационные системы будут значительно более сильными, чем экстраполяции концепций существующих систем.

См. также

Литература

  • Гаврилов А.В. Гибридные интеллектуальные системы. – Новосибирск: Изд-во НГТУ, 2003. – 168с., ил.
  • Кириков И. А. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем. — М.: ИПИ РАН, 2007. — 387 с, ил. — ISBN 978-5-902030-55-3
  • Larry R.Medsker. Hybrid Intelligent Systems. 1995.
  • Stefan Wermter, Ron Sun, Hybrid Neural Systems. Springer-Verlag, Heidelberg, Germany. 2000.
  • Negnevitsky M. Artificial Intelligence. A guide to intelligent systems. Addison-Wesley, 2005.
  • Castillo, P.Mellin, Hybrid Intelligent Systems, Springer-Verlag. 2006.
  • Lakhmi C. Jain; N.M. Martin Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. — CRC Press, CRC Press LLC, 1998

Ссылки

dic.academic.ru

Гибридная интеллектуальная система Википедия

Под гибридной интеллектуальной системой (ГиИС) принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека[1]. Таким образом ГиИС — это совокупность:

  • аналитических моделей
  • экспертных систем
  • искусственных нейронных сетей
  • нечетких систем
  • генетических алгоритмов
  • имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

История возникновения термина[ | ]

Термин «интеллектуальные гибридные системы» появился в 1992 г. Авторы вкладывали в него смысл гибридов интеллектуальных методов, таких как экспертные системы, нейросети и генетические алгоритмы. Экспертные системы представляли символьные, а искусственные нейронные сети и генетические алгоритмы — адаптивные методы искусственного интеллекта. Однако, в основном, новый термин касался достаточно узкой области интеграции — экспертные системы и нейросети. Ниже приведены несколько трактовок этой области интеграции другими авторами:

1. «Гибридный подход» предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей (способностей).

2. Термин «гибрид» понимается как система, состоящая из двух или более интегрированных подсистем, каждая из которых может иметь различные языки представления и методы вывода. Подсистемы объединяются вместе семантически и по действию каждая с каждой.

3. Ученые Центра Искусственного интеллекта Cranfield University (Англия) определяют «гибридную интегрированную систему» как систему, использующую более чем одну компьютерную технологию. Причем технологии накрывают такие области, как системы, основанные на знаниях, коннекционистские модели и базы данных. Интеграция технологий дает возможность использовать индивидуальную силу технологии для решения специфических частей задачи. Выбор технологий, внедряемых в гибридную систему, зависит от особенностей решаемой задачи.

4. Специалисты из University of Sanderland (Англия), входящие в группу HIS (англ. Hybrid Intelligent Systems), определяют «гибридные информационные системы» как большие, сложные системы, которые «бесшовно» (цельно) интегрируют знания и традиционную обработку. Они могут предоставлять возможность хранить, искать и манипулировать данными, знаниями и традиционными технологиями. Гибридные информационные системы будут значительно более сильными, чем экстраполяции концепций существующих систем.

Предмет и цель разработки гибридных интеллектуальных систем[ | ]

Научная область ГиИС включает исследование автономных методов для определения их преимуществ и недостатков, отношений интеграции во многом определяющих состав, архитектуру и процессы обмена и обработки информации в гибридах, идентификацию задач соответствующих гибридным системам, разработку протоколов для коммуникации между компонентами и многопроцессорные архитектуры[2].

Цели исследований ГиИС включают создание методов увеличения эффективности, выразительной силы и силы вывода интеллектуальных систем, преимущественно более полных, разрабатываемых с меньшими усилиями разработки, чем приложения, использующие автономные методы. В фундаментальной перспективе ГиИС могут помочь понять когнитивные механизмы и модели[2].

ru-wiki.ru

Классификация гибридных систем | Двигатель автомобиля

Гибридный автомобиль (HV) — это автомобиль, как минимум, с двумя различными преобразователями энергии и двумя различными системами накопления энергии (в автомобиле) для привода автомобиля.

С одной стороны, гибриды различаются по их конструкции (параллельный, последовательный, комбинированный или разветвленный гибрид) и, с другой стороны, по степени электрификации (микро, мягкий, полный гибрид).

Если автомобиль получает энергию не только от топлива, а и от электросети, то тогда его называют подключаемый гибрид (Plug-ln-Hybrid).

Классификация по конструкции

Параллельный гибрид

Рисунок. Параллельный гибрид

  • Топливный бак (Т)
  • Аккумуляторная батарея (В)
  • Электродвигатель (Е)
  • ДВС (V)
  • Коробка передач (G)

В параллельных гибридах ДВС и электродвигатель вместе воздействуют на трансмиссию. Оба двигателя могут быть меньшими по размеру, чем в том случае, если бы они устанавливались в автомобиль и работали по отдельности. Поскольку электродвигатель одновременно используется как генератор, то выработка энергии по время движения электродвигателем невозможна.

Последовательный гибрид

Рисунок. Последовательный гибрид

  • Топливный бак (Т)
  • Аккумуляторная батарея (В)
  • Электродвигатель (Е)
  • ДВС (V)
  • Генератор (Gen)

В последовательных гибридах на трансмиссию воздействует только электродвигатель. ДВС приводит в действие электрический генератор, который вращает электродвигатель и заряжает аккумуляторную батарею. Последовательный гибрид работает местами на чистом электричестве при заряженной аккумуляторной батарее и, таким образом, очень близок к электромобилю.

Поэтому он также называется электромобилем с увеличенным запасом хода (Range-Extender).

Комбинированный или разветвленный гибрид

Рисунок. Комбинированный или разветвленный гибрид

  • Топливный бак (Т)
  • Аккумуляторная батарея (В)
  • Электродвигатель (Е)
  • ДВС (V)
  • Генератор (Gen)
  • Инвертор (L)

Комбинированный гибрид объединяет под капотом параллельный и последовательный гибрид. ДВС посредством генератора и аккумуляторной батареи подготавливает энергию для электродвигателя или непосредственно соединен с приводом. Переключение и соединение между двумя состояниями выполняется автоматически.

Подключаемый гибрид

Рисунок. Подключаемый гибрид

  • Топливный бак (Т)
  • Аккумуляторная батарея (В)
  • Электродвигатель (Е)
  • ДВС (V)
  • Генератор (Gen)
  • Розетка (S)

В подключаемых гибридах аккумуляторная батарея заряжается не только от ДВС, а и от сети. Таким образом, подключаемый гибрид может проезжать длинные дистанции на чистом электричестве. Подключаемый гибрид представляет собой следующий этап развития электромобилей.

Классификация по степени электрификации

Микрогибрид

Несмотря на то, что так называемые микрогибриды с рекуперацией энергии торможения и автоматикой старт- стоп уже сегодня вносят значительный вклад в экономию топлива и снижение выброса вредных веществ в атмосферу, воздействия на привод они не оказывают. Поэтому в узком смысле слова они не являются гибридными автомобилями.

Пример микрогибридной системы

Система i-StARS от фирмы Valeo может остановить двигатель еще до полной остановки автомобиля, то есть как только скорость упадет ниже 8 км/ч (в случае автоматической коробки передач) и 20 км/ч (в случае механической коробки передач). Таким образом, оптимизируется расход топлива и упрощается вождение автомобиля. Регенеративная функция тормоза срабатывает, как только водитель снимает ногу с педали акселератора. Затем система отправляет электронный сигнал на стартер генератор, вследствие чего кинетическая энергия автомобиля преобразуется сразу же в электрическую энергию, заряд аккумуляторной батареи. Этим достигается значительное сокращение расхода топлива.

Мягкий гибрид

Мягкий гибрид не работает на чистом электричестве. Электродвигатель только поддерживает ДВС.

Энергия для электродвигателя поступает, например, от использования энергии торможения.

В обычных автомобилях энергия движения — или кинетическая энергия — преобразуется при торможении в тепло на тормозных дисках. Тепло просто безвозвратно выбрасывается в окружающую среду. В гибридных автомобилях кинетическая энергия улавливается генератором и накапливается в высоковольтной аккумуляторной батарее.

Пример для системы с мягким гибридным приводом: Honda IMA (встроенный ассист двигателя)

Стартер-генератор расположен между двигателем и коробкой вместо маховика.

Одним из преимуществ автомобилей с мягким гибридным приводом является тот факт, что ДВС, который реализует, по существу, свою мощность в зоне средних и высоких оборотов, комбинируется с преимуществами электродвигателя, который развивает свою силу на низких оборотах. Гибридная система, поэтому, может рассматриваться как усилитель мощности и эффективности.

В целом, можно сказать, что посредством «уменьшения» ДВС снижается расход бензина, а также выбросы в окружающую среду. Однако клиенты не готовы принять малую мощность. Автомобиль с гибридным приводом при помощи электродвигателя может компенсировать недостающую мощность, например, при разгоне или ускорении.

Рисунок. Характеристика мощности и крутящего момента Honda-IMA

Рисунок. Обзор системы Mercedes S400 HYBRID

  1. 12-В-генератор
  2. ДВС
  3. Электродвигатель
  4. 7-ступенчатая автоматическая коробка передач
  5. Модуль силовой электроники
  6. Модуль высоковольтной аккумуляторной батареи
  7. Модуль DC/DC-преобразователя
  8. 12-В-батарея

Другой пример мягких гибридов

Mercedes S 400 HYBRID имеет параллельный гибридный привод. При такой концепции привода как ДВС, так и электродвигатель механически соединены с ведущими колесами (параллельная схема двигателей). Мощности обоих двигателей могут суммироваться, в результате чего отдельные мощности двигателей могут быть меньшими. Движение на одном только электродвигателем невозможно.

Полный гибрид

Полный гибрид приводится в действие местами только электродвигателем. Технической основой полного гибрида является разветвленный, комбинированный или последовательный гибрид.

Рисунок. Audi А1 e-tron в качестве последовательного полного гибрида

Пример автомобиля с полным гибридным приводом

Audi А1 e-tron приводится в действие электродвигателем с максимальной мощностью 75 кВт/102 л.с. и максимальным крутящим моментом 240 Нм. Передача усилия происходит при помощи одноступенчатой коробки передач. Запас хода А1 при работе только на электричестве: 50 км. Если литийионный аккумулятор, установленный перед задним мостом, разряжен, то самая маленькая модель фирмы Audi приводится в действие, как и Opel Ampera или Chevrolet Volt, при помощи небольшого ДВС.

Литий-ионный аккумулятор расположен в основании кузова перед задним мостом, чтобы оптимизировать распределения веса и центр тяжести автомобиля А1 e-tron массой 1,2 т. Литий-ионный аккумулятор весом 150 кг имеет емкость 12 кВт/ч.

Рисунок. Коробка передач с двумя электродвигателями для привода

Другой пример

BMW Х6 ActiveHybrid

Мощные электромоторы (67 кВт/91 л.с. и 63 кВт/86 л.с.) компактно размещаются в активной, двух режимной трансмиссии, в корпусе размером с обычную автоматическую коробку передач.

В зависимости от дорожной ситуации привод осуществляется или посредством электродвигателей, или посредством ДВС, или попеременно обоими приводами.

  • В режиме 1 при малой скорости с использованием электромашин, прежде всего, обеспечивается значительное сокращение расхода топлива, а также создается дополнительная сила тяги.
  • В режиме 2, напротив, электрически передаваемая мощность на высокой скорости падает с одновременным увеличением КПД ДВС (благодаря коррекции точки нагрузки) и топливной эффективности.

И в этом режиме обе электромашины работают по разному и наряду с электрической поддержкой привода и функцией генератора, в частности, отвечают за эффективное переключение передач.

Рисунок. Расположение компонентов в автомобиле

  1. Теплообменник охлаждающей жидкости трансмиссионного масла
  2. Трубопроводы для трансмиссионного масла
  3. Двухдисковый маховик
  4. Высоковольтные провода
  5. Корпус активной коробки передач
  6. Гибридный механизм блокировки при парковке
  7. Электрогидравлический модуль управления
  8. Насос для трансмиссионного масла с электрическим/механическим приводом

Привод дополнительных агрегатов в автомобилях с полным гибридным приводом

Основной проблемой является привод дополнительных агрегатов, которые при остановке двигателя должны работать. Приводимые ранее в действие посредством ДВС компоненты теперь должны работать только на электричестве.

Электрический вакуумный насос

Функции вакуумного насоса:

  • обеспечение пониженного давления в усилителе тормозного усилия,
  • поддержание подачи пониженного давления в режиме старт/стоп.

Электрогидравлический усилитель рулевого управления

Для работы усилителя рулевого привода во время автоматической остановки двигателя необходимо разъединить усилитель и ДВС и обеспечить независимую поддержку рулевого управления. Благодаря такой поддержке по мере необходимости одновременно обеспечивается оптимизация расхода топлива.

Компрессор кондиционера с электроприводом

Для обеспечения достаточной мощности охлаждения салона автомобиля во время автоматической остановки двигателя необходимо разъединить привод компрессора кондиционера и ДВС и обеспечить независимое кондиционирование салона, а также независимое охлаждение высоковольтной батареи. Это выполняется при помощи компрессора кондиционера с электрическим приводом. Благодаря такому охлаждению одновременно обеспечивается оптимизация расхода топлива. Электрический компрессор кондиционера отвечает за всасывание, сжатие хладагента и прокачивания его через систему. Электрический компрессор кондиционера в зависимости от температуры испарения плавно регулируется блоком управления кондиционера в диапазоне от 800 до 9000 мин^-1.

ustroistvo-avtomobilya.ru

Отправить ответ

avatar
  Подписаться  
Уведомление о