автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов

На правах рукописи

ОСЬКИН ДМИТРИЙ АЛЕКСАНДРОВИЧ

НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ И СИСТЕМЫ УПРАВЛЕНИЯ ИСПОЛНИТЕЛЬНЫМИ УСТРОЙСТВАМИ РОБОТОВ

Специальность: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (в машиностроении)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Владивосток 2004

Работа выполнена в Дальневосточном Государственном Техническом Университете (ДВПИ им. В.В. Куйбышева), г. Владивосток.

Научный руководитель: доктор технических наук, профессор

Дыда Александр Александрович

Официальные оппоненты: доктор технических наук, доцент

Алексеев Юрий Константинович кандидат технических наук, доцент Глушков Сергей Витальевич

Ведущая организация: Институт автоматики и процессов

управления ДВО РАН

Защита состоится «27» декабря 2004г. в 15.00 часов на заседании диссертационного совета К.212.055.03 Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева) по адресу: 690600, Владивосток, Аксаковский пер., 3А, ауд. Б-107.

С диссертацией можно ознакомиться в библиотеке Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева).

Автореферат разослан « 25 » ноября 2004г.

Ученый секретарь

диссертационного совета К.212.055.03 кандидат технических наук, доцент

Горбенко Ю.М.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Одним из перспективных направлений современной науки и практики является исследование и освоение Мирового Океана. Эти исследования приводят к интенсивному развитию подводной робототехники. Важной разновидностью этой техники являются подводные аппараты-роботы (ПА), оснащенные манипуляторами.

ПА как объект управления имеют ряд особенностей, в связи с которыми решение задач синтеза системы управления оказывается сложным. Прежде всего, управление ПА выполняется в условиях значительной структурно-параметрической неопределенности. Существенной особенностью ПА является сложность его математического описания. Таким образом, нелинейность и нестационарность уравнений динамики ПА являются факторами, затрудняющими решение задачи синтеза системы управления.

Манипуляторы, которыми оснащаются ПА, как объекты управления, также обладают некоторыми особенностями. В первую очередь следует обратить внимание на сложность описания динамики манипулятора. Также необходимо отметить, что для манипуляторов свойственна неопределенность, связанная с неточным знанием параметров манипулятора, управляющих приводов, массогабаритных показателей захватываемых грузов, а также сложной динамикой взаимодействия с рабочей средой, в которой проводится работы.

Проблемам робототехники посвящены многочисленные исследования отечественных и зарубежных ученых, таких как М.Д. Агеев, И. И. Артоболевский, В.В. Белецкий, B.C. Кулешев, Н.А. Лакота, А.Г. Лесков, B.C. Медведев, Е.Н. Пантов, Е.П. Попов, Е.С. Пятницкий, А.В. Тимофеев, Е.И. Юревич, А.С. Ющенко, B.C. Ястребов, S. Dubowsky, C.S.C. Lee, J.Y.S. Luh, J.-J. Slotine, M.D. Stokic, T.J. Tarn, M. Vucobratovic, D.R. Yorger и др.

Таким образом, в настоящее время одной из актуальных проблем управления ПА и связанными с ними манипуляторами, является разработка систем управления исполнительным контуром, которые гарантировали бы последним высокую точность выполнения работ.

Поведение ряда современных динамических объектов настолько сложное, что не только синтез управления, но даже получение моделей объектов представляет собой значительную трудность. Развитие и применение теории нелинейных, адаптивных, робастных, нейросетевых и других систем является перспективным для преодоления проблем, возникающих при решении задач синтеза систем управления.

Значительный вклад в развитие и исследование систем указанных классов внесли российские ученые: Ю.А. Борцов, А.А. Воронов, Д.П. Деревицкий, А.А. Красовский, Н.Д. Поляхов, В.В. Путов, В.В. Солодовников, В.Н. Фомин, А.Л. Фрадков, ЯЗ. Цыпкин, В.А. Якубович и другие, а также зарубежные ученые С. Byrnes, A. Isidori, P. Kokotovic, K.S. Narendra, R. Ortega и др.

Основное внимание в работе уделяется вопросам применения нейронных сетей (НС) к решению задач управления.

РОС НАЦИОНАЛЬНАЯ БИБЛИОТЕКА як/

snssSfl-

Преимуществом систем управления, основанных на использовании НС, по мнению исследователей, является возможность качественно решать задачи управления при отсутствии детального математического описания объекта, что связано со способностью НС к аппроксимации априорно неизвестных сложных нелинейных функциональных зависимостей. Отмеченное свойство используется для определения характеристик объектов управления или восстановлении уравнений объекта по входным и выходным данным, т.е. для идентификации.

Таким образом, как показывает анализ, применение НС в качестве управляющих структур перспективно для решения актуальных задач управления сложными динамическими объектами, в частности, исполнительными устройствами роботов.

Цель и задачи исследования. Целью диссертационной работы является синтез и исследование нейросетевых систем и алгоритмов управления исполнительными устройствами роботов.

Для достижения цели исследования в работе ставятся и решаются следующие основные задачи:

краткий анализ существующих типов НС, применяющихся при решении задач управления сложными динамическими объектами; синтез адаптивных алгоритмов и систем управления манипуляционных роботов (МР) и ПА;

синтез систем управления с применением многослойной НС, на основе модификации разработанных адаптивных алгоритмов; исследование сравнительной эффективности разработанных нейросетевых и традиционных адаптивных систем (алгоритмов) управления.

Научная новизна результатов работы заключается в следующем:

1. Предложен и исследован обобщенный алгоритм нелинейного нейросетевого управления классом МР, основанный на методе вычисляемого момента (ВМ). Разработан нейросетевой алгоритм адаптивного управления на основе метода ВМ для класса динамических объектов (МР). Проведен сравнительный анализ синтезированной нейросетевой управляющей структуры и традиционных адаптивных алгоритмов управления, основанных на методе скоростного градиента.

2. Предложен и исследован алгоритм адаптивного управления с эталонной моделью (ЭМ) классом динамических объектов (МР). Разработан нейросетевой алгоритм адаптивного управления с ЭМ для класса динамических объектов (МР).

3. Предложен и исследован нейросетевой алгоритм, основанный на применении ЭМ для коррекции динамики движителя ПА.

4. Предложена процедура поэтапного синтеза нейросетевой системы управления ПА с предварительной нейросетевой коррекцией динамики движителей ПА.

Практическая , ценность работы. Разработанные и исследованные в диссертации нейросетевые. системы и алгоритмы позволяют обеспечить

высокое качество процессов управления сложными динамическими объектами, математические модели которых обладают существенной структурной и параметрической неопределенностью. Эта особенность позволяет значительно снизить затраты на разработку систем управления традиционными методами, для которых построение подробной математической модели объекта часто оказывается чрезвычайно трудоемким.

Разработано программное обеспечение, позволяющее исследовать классы предложенных систем управления с многослойными нейронными сетями. Созданный программный комплекс внедрен и используется в научных исследованиях в лаборатории №61 ИАПУ ДВО РАН, а также в учебном процессе Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева) и Морского Государственного Университета, в курсовом и дипломном проектировании.

Апробация работы. Результаты работы докладывались на VI Всерос. акуст. конф. "Исследование и освоение Мирового океана" (с международным участием) (Владивосток, 1998г.), 3-м международном конгрессе молодых ученых стран АТР (Владивосток, 1999г.), 8-м Всероссийском съезде по теоретической и прикладной механике (Пермь, 2002), Дальневосточной математической школе-семинаре им. акад. Е.В. Золотова (Владивосток, 2002, 2003гг.), EFAC conference on Control Application in Marine Systems "CAMS-2004" (Italy, Ancona, 2004), семинарах кафедр «Информационные системы управления», «Автоматизация технологических процессов» Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева), лаборатории №61 ИАПУ ДВО РАН.

Публикации. По результатам диссертации опубликовано 10 работ.

Структура и объем работы. Диссертационная работа состоит из введения, 4 глав, заключения, двух приложений, включает 89 рисунков, содержит список литературы, состоящий из 122 наименований. Общий объем работы составляет 160 страниц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность проблемы синтеза систем управления сложными динамическими объектами, в частности, такими как подводные аппараты-роботы, оснащенные манипуляторами. Намечены основные пути решения этой проблемы, сформулированы цели и задачи исследований, дана общая характеристика диссертационной работы.

В первой главе проводится анализ научно-технической литературы. Приведены основные виды НС, обсуждается их архитектура, свойства, алгоритмы обучения, классификация и особенности применения для решения задач управления. Выполнен обзор основных научных результатов, полученных в области применения различных типов НС для построения систем автоматического управления.

Наибольшее распространение получили следующие типы НС: многослойные нейронные сети с прямыми связями; многослойные

рекуррентные сети; динамические нейронные сети; нейро-нечеткие сети; а также другие модификации НС.

Основное внимание в работе уделено многослойным нейронным сетям. В главе подробно рассматривается архитектура, алгоритм работы и обучения многослойной нейронной сети (МНС). МНС представляет собой совокупность нейронов, распределенных по слоям, при этом выделяются входной слой, один или несколько промежуточных (скрытых) и выходной слой. Каждый нейрон скрытого слоя связан с нейронами предыдущего и последующего слоев. Характеристикой связи является весовой коэффициент связи. На нейроны входного слоя сети подается входное воздействие.

Активность (выход) Ь-го нейрона а-го скрытого слоя У^ рассчитывается по формулам:

х = (1)

Г'+вь. (2)

где \*/ь>с - весовой коэффициент связи между Ъ-м элементом (а-1)-го слоя

и с-м элементом а-го слоя; - сумма значений активностей нейронов (а-1)-го слоя, взвешенных собственными весовыми коэффициентами связей между нейроном предыдущего слоя и текущим нейроном, - пороговое значение Ь-го нейрона а-го слоя; .¡- количество нейронов предыдущего слоя.

Как правило, в качестве функций нелинейного преобразования §() выбираются функции экспоненциального вида, например:

ё(х) = 1/(1 + ехр(-т-х)), (3)

где т=соп81 - коэффициент.

Обычно нейроны выходного слоя не выполняют нелинейное преобразование над значением полученной при взвешивании суммы, т.е. для выходного слоя Ус = Н™1.

Для эффективного использования МНС ее необходимо настроить или обучить, т.е. выработать в МНС желаемую реакцию на внешние сигналы. Для обучения НС (коррекции весовых коэффициентов) используется метод обратного распространения ошибки. При использовании обучающих алгоритмов такого вида основной проблемой является определение значения ошибки выходного слоя.

Существует два основных подхода для обучения НС: прямой и косвенный. Прямой метод обучения обычно применяется для идентификации. На входы НС и идентифицируемого объекта подаются серии тестовых сигналов, и с выходов снимаются соответствующие значения. При этом в качестве ошибки принимается разница между желаемым выходом объекта и выходом НС, вычисление ошибки не представляет трудности.

Характерным примером реализации косвенного обучения является нейросетевая система управления. В ней обучаемой частью является НС, включенная в устройство управления. В этом случае качество управления оценивается по выходному сигналу управляемого объекта. Так как реакция

устройства управления, обеспечивающая заданное состояние объекта, заранее неизвестна, то нельзя предварительно сформировать набор тестовых сигналов, и, следовательно, применить прямое обучение. В этом случае возможно оценить вектор ошибки выхода НС по оценке состояния объекта управления и применить косвенное обучение НС-регулятора. Для обучения НС в работе используются совместно алгоритм обратного распространения и скоростного градиента.

В соответствии с алгоритмом обратного распространения ошибки, значение весовых коэффициентов Wba с определяется следующим образом:

Wba.c(t + l)=W¿c(t)+ДWb%(t), (4)

где Д\У£С - приращение значения весового коэффициента, вычисляемое следующим образом:

Д^с (I) = -Г18 £ V"*1 , (5)

где 8 £ - величина ошибки в Ь-м элементе а-го слоя.

Значение ошибки выходного слоя определяется как:

= ДЕ = Уь-Уьа, (6)

где У^ - желаемое значение Ь-го выхода МНС,

значение ошибок промежуточных слоев находятся из следующего соотношения:

Во второй главе проведен анализ математических моделей динамических объектов — МР и ПА, для которых далее в работе выполняется синтез систем управления. Обсуждается и формулируется цель управления динамическими объектами, в частности, исполнительными устройствами МР и ПА.

Динамика ПА отличается существенной нелинейностью и неопределенностью, что связано, главным образом, с характеристиками рабочей (водной) среды.

Упрощенную математическую модель ПА (случай планарного движения) можно представить в виде:

~Г ^= ^ <йу г, - р, к, Ух | + р, тх си

^=Ухсоуг2-р211(к2Уг|У| + к3а)уУх) + х2р211 , (8) = ух Гз - Р4 (к4 + к5 С0у | У| + кб (О соу) + р4ту

. Щ

где Ух,У2,шу - компоненты вектора линейной скорости ПА вдоль осей ОХ, ОЪ и угловой скорости вращения вокруг оси ОУ, соответственно; • главные моменты инерции ПА; хх,т2 - упоры, создаваемые движителями

ПА относительно осей ОХ, 02; ту - вращающий момент вокруг оси ОУ; к1 -

кб, Р1 - р4, Г1 - г3 - коэффициенты, | V] = .

Управление пространственным движением ПА осуществляется путел создания упоров исполнительными движителями, в качестве которых обычш применяются двигатели постоянного тока с гребными винтами.

Математическая модель движителя выбрана в виде нелинейногс дифференциального уравнения и нелинейного алгебраического уравнения (1Л 81ойпе, а Уо^ег):

ш=-(т-Кс(о|(й|),

••в (9

Б=К, со|(о|,

где ю - скорость вращения винта (вала двигателя), Б - сила тяги (упор^ движителя, х - момент, развиваемый на валу двигателя, 1В - суммарные момент инерции, Кс -коэффициент вязкого трения винта, К, - коэффициенп тяги.

Далее в работе рассматривается математическая модель МР. В общем виде уравнение динамики п-звенного манипулятора записывается в виде:

н(ч)я+с(ч,ч)я+с(ч)=т, (ю;

где геИ"*1 — вектор обобщенных сил и моментов, развиваемы? управляющими приводами в сочленениях манипулятора; я,<}е Япх| - векторь: обобщенных координат и скоростей; Н(4,я)еКпхп - матрица инерции: С(4,я)ябКпх1 - вектор скоростных сил; 0^)еЕпх1 - вектор гравитационных сил.

Модель (10) может быть представлена в эквивалентном виде, с учетом следующих обозначений: q, = |я„ q12 ч13]т , q2 =4, = [я21 q22 q23f : Ч1 =Чг

(И;

ъ=нЫ-1 (х- с(д„ч2)я2 -

Целью управления МР является формирование моментных и силовых воздействий, которые обеспечивают желаемое траекторное движение цаф звеньев МР.

Приведенные математические модели ПА и МР отражают наиболее существенные свойства рассматриваемого класса объектов (нелинейность, многомерность, структурно-параметрическую неопределенность). Для управления описанными сложными динамическими объектами в работе развивается подход, основанный на применении многослойных НС.

В третьей главе выполняется краткий анализ существующих подходов к решению задач синтеза систем управления МР. Недостатком большинства традиционных способов является то, что они базируются на предположении о полной определенности в знании структуры и параметров математической модели управляемого объекта, которое на практике часто не выполняется.

В современной теории управления разработано множество подходов к синтезу систем управления многомерными нелинейными объектами: метод вычисляемого момента (ВМ), методы обратных задач динамики, метод структурного синтеза и др. Основная идея перечисленных и ряда других методов состоит в компенсации нежелательных нелинейных составляющих и внесении дополнительных слагаемых в уравнения системы, обеспечивающих желаемую, как правило, линейную динамику процессов.

Метод ВМ, в частности, предлагает формировать управление в виде:

т = Н(Ч,)(ям + А^ +Л„е2) + С(Ч„я2)Ч2 +0(Ч1>, (12) где е^афч^О - рассогласование, е2 = ег , Лр и Ла - диагональные матрицы.

Очевидно, что при выбранном управлении в уравнении (12) нежелательные составляющие компенсируются и динамика системы приобретает требуемый вид:

ё2+Лйе2+Лре,=0. (13)

Выбор Лр и Ла определяет нужную линейную динамику (13) и обеспечивает стремление к нулю (асимптотическую устойчивость).

Однако решение задачи описанным способом является успешным лишь при точном знании параметров управляемого объекта. Как правило, значения коэффициентов матриц Н, С и вектора в уравнения (10) представляют собой функциональные зависимости от обобщенных координат, скоростей и параметров объекта.

На практике часто известны только оценки параметров, на основе которых вычисляются соответствующие матрицы и вектора, обозначенные как

Н(я,), С(я,,я2), 6(я,). В результате управление (12) приобретает вид:

г = Нй,)((12(1 + Лрв! + Лйе2) + С(я„я2)я2 + 6(я(), (14).

и динамика системы управления МР описывается следующим неоднородным уравнением:

в2 +Л(1е2 + Аре1 =Н(я1)42 + С(я1,Я2)<Ь + б(я,), (15) где Н(я,) = Н(я1)-Н(я1), С(я,,я2) = С(я1,я2)-С(я„я2) ,

С(Я() = С(Я1)--С(Ч1) - рассогласования между оценками и действительными значениями матриц.

При ненулевой правой части в (15) ошибка е(0, очевидно, уже не стремится к нулю, следовательно, точность системы падает.

Для нейтрализации влияния параметрической неопределенности на точность системы в работе выполнен синтез нейросетевой модификации алгоритма управления МР методом ВМ. В структуре реализованного алгоритма

управления (14) НС используется для аппроксимации оценок Н(я,), С(я,,я2), ¿(я,). Входами НС являются значения обобщенных координат Я1 и скоростей Я2. выходами - значения коэффициентов матриц уравнения (10).

При исследовании сети проводились численные эксперименты по определению оптимальной структуры сети для решения поставленной задачи. Выявлено, что при увеличении числа скрытых слоев НС значительно повышается вычислительная сложность сети и возрастают затраты на обучение, поэтому желательно использовать НС с одним скрытым слоем. Как показали численные эксперименты, для однослойной НС, рекомендуемое число нейронов в промежуточном слое должно быть не менее 10, число итераций обучения - 10 тыс., приемлемым шагом обучения, при использовании алгоритма скоростного градиента (АСГ) является т|=0.01-0.005. Численное моделирование показало, что использование сигмоидной функции предпочтительно в сравнении с ее кусочно-линейной аппроксимацией. При вариации коэффициента функции преобразования т (1.3) желаемым является интервал значений т=0.5-1.5.

На рис. 1, 2 показано изменение во времени некоторых элементов матриц Н, С уравнения (10), а также их оценок Н, С (параметров закона управления 14) при отработке траектории:

Гк, • г, 1<1с

41={к„ г>1с ,Я2 =

к2 г£1с I > 1с

, Чз=0,

(16)

2'

где к,=0.25, к2=0.1.

Кривой 1 обозначено значение параметра Ни из алгоритма управления, кривыми 2 и 3 обозначены истинные значения элемента матрицы инерции Н„ МР при массе захваченного груза швг=0 кг и шгг=3 кг, соответственно.

н„ о

кг/м! КГ1

/ 3 /- 2

/ /

Л,

-^ V

С... ¿„ ' кг/м1- 1а'

/1

14 У-

т \ \

/ \ -г 41. "

" 0 04 0.8 1.2 16 10 Ц

Рис. 1 Зависимость параметров Н„ МР Рис. 2 Зависимость параметров С„ МР и алгоритма управления н„ и алгоритма управления с„

Рис. 2 показывает зависимость параметров элемента матрицы С„ МР и элемента матрицы Си алгоритма управления (14), вычисляемые НС, при отработке того же движения. Кривая 1 соответствует Си при гп^Окг; кривая 2 - С„ при ш^Окг, 3 - Си при 1X1^=3 кг; 4 - Си при 01^=3 кг.

На рис. 3 приведены ошибки отработки программного движения (16) первым звеном при различных 1%. Кривые 1,2,3 соответствуют ш^О, 1 и 2кг.

-00125

0 04 08 1 2 1 6 20 ьс

Рис. 3 Переходные процессы в НС-системе при различных 1%

При реализации рассмотренного выше регулятора полученные результаты говорят о высокой эффективности предложенного алгоритма.

Для преодоления трудностей, возникающих в связи с неточным знанием параметров управляемого объекта можно воспользоваться рядом существующих подходов, например, адаптивных. Суть адаптации заключается в том, что в процессе управления происходит подстройка параметров регулятора для достижения желаемого поведения системы, например, движения по предписанной траектории или обеспечения заданной динамики управляемой системе.

В качестве алгоритма управления рассмотрим предложенный выше (14), но при этом оценки параметров Н(я,), С(я,,я2), 6^) будем подстраивать в процессе управления. Для этого воспользуемся АСГ, предложенным А.Л. Фрадковым:

Н(ч,) = ГРе2(яй2 + Лае2 + Лре1)т ,

¿(Я1>Ч2) = ГРе2я|, (17)

где Г, Р>0 - положительно-определенные матрицы.

При реализации нейросетевого управления происходит восстановление функциональных зависимостей оцениваемых параметров алгоритма управления.

Для обучения НС методом обратного распространения ошибки надо определить обучающий сигнал, представляющий собой вектор ошибки для выходного слоя сети:

ЛН(ч,) = -Г,Ре2(ям + Лёе2 +Лре,)т,

ЛС(Ч1.Ч2)в-Г,Рад1 . (18)

Дб(Ч1) = -Г,Ре2>

где Г1 - диагональная положительная матрица , ДН(я,), ДС(я1,я2), ЛСЗ^,) - векторы ошибок выходов НС (1.6), соответственно для настройки

оценок Щя,), ¿(я^яг), Сг(я,) алгоритма управления.

Наиболее существенным отличием нейросетевого алгоритма (18) от адаптивного (17) является то, что восстанавливаемые оценки Н^), С(я,,я2), 6^,) алгоритма управления представляют собой функциональные зависимости, в отличие от постоянных параметров, восстановленных с помощью аналогичного адаптивного. Поэтому НС-алгоритмы обладают, как подтверждают исследования, более высоким качеством процессов.

Также необходимо подчеркнуть, что после обучения сети в течение заданного количества итераций (заданное количество итераций было определено выше и составляет ~10 тыс.) можно использовать настроенную сеть для управления.

На рис. 4, 5 приведены графики ошибки первого звена МР при отработке движения (16). На рис.4 изображены переходные процессы в системе с адаптивным управлением при различных значениях 1% в МР. Кривые 1 и 2 соответствуют П1р-=0кг и т8г=2кг.

На рис. 5 приведены переходные процессы в системе с обученной НС при различной массе захваченного груза. Кривые 1, 2, 3 и 4 соответствуют массам грузов в Окг, 1 кг, 2кг и Зкг.

Как видно, нейросетевое управление обеспечивает более качественное управление.

Наибольшие трудности представляют собой методы синтеза систем управления динамическими объектами в условиях структурно-параметрической неопределенности, когда не только значения параметров, но и сама структура математического описания управляемого объекта неизвестна. В таком случае представим объект управления в обобщенном виде:

Я = А(д)Ч + В(д)и+ф(0, (19)

(21)

где А, В - функциональные матрицы соответствующей размерности, фО)-внешние возмущения, q- вектор собственных координат объекта управления, и - вектор управлений.

Синтез системы осуществим с использованием ЭМ, задающей желаемую динамику МР:

Чл-А^ + В^Ю, (20)

где Ат, Вт -матрицы коэффициентов, г(0 - входное воздействие. В частности, в рассматриваемом примере эталонная модель выбрана в виде:

и^МО-кАв-кзЯа, где г(0е Я1"3 - желаемый закон движения звеньев МР, kj.k2.k3 е К3х3 - диагональные матрицы коэффициентов ЭМ, выбираемые из соображения устойчивости принятой модели.

Алгоритм управления запишем в следующем виде:

т = Кр(г,я,,я2)я1 +К„(г,я,,я2)ч2 +К,(г,д,,ч2)г(0 , (22) где Кр(г,я,,я2), К^ьЯг), Кг(г,ЯьЯ2) - диагональные матрицы соответствующих размерностей.

Применение алгоритма скоростного градиента к (19) - (22) позволяет получить алгоритмы настройки матриц Кр, Ку, К,- для адаптивного управления и коррекции выходов НС:

Кр=ГВ*РеЛ*, ДК^-ЦВ^Ре^,

Кг = ГВ^Ре, гт, (23) ДК, = -Г, В*Ре,гт, (24)

Кт = ГВ*РеЛ1, ДКу=-1ХРе2Ч*,

В рассматриваемом алгоритме управления, как и в (14) при адаптивном управлении, элементы матриц Кр, К„, К, представляют собой постоянно настраиваемые коэффициенты, а при использовании нейросетевого подхода -функции.

На рис. 6,7 приведены графики движения первого звена МР при отработке траектории (16).

На рис. 6 цифрой 1 обозначена эталонная траектория движения первого звена МР. Кривые, обозначенные цифрами 2 и 3 соответствуют переходным процессам при коэффициентах ЭМ (21): к,=к3=1(Ю , к2=20 и к, =к3 =1250, к2 =50.

На рис. 7 цифрой 1 обозначена эталонная траектория движения первого звена МР. Кривая 2 соответствует переходному процессу при управлении с одновременным обучением сети, кривая 4 - управлению с предварительно обученной сетью. Кривые 3, 5 соответствуют ошибкам при отработке траекторных движений 2 и 4, соответственно. Как видно из приведенных графиков, при управлении с обучением переходный процесс на начальном этапе характеризуется колебательностью со значительным перерегулированием, но с течением времени он стабилизируется. При

управлении с обученной НС переходный процесс характеризуется незначительной колебательностью.

-075 О

2 I -А

Л г -

1

0.4 08 1.2 1.6 2.0 Ьс

Рис. 6 Переходные процессы при различных коэффициентах ЭМ в системе с адаптивным управлением

/ 1 г, 2

V / У

зфхх) «я

А / Г

У

0 04 0.8 1.2 1.6 10 1.С

Рис. 7 Переходные процессы в нейросетевой системе

В главе исследуется также влияние параметров НС на точность алгоритмов управления. Исследовано влияние отказа отдельных нейронов промежуточного слоя на сохранение работоспособности НС-системы управления.

Четвертая глава посвящена вопросам синтеза нейросетевой системы управления ПА. Предварительно применяется централизованный подход к управлению ПА. Затем решается задача декомпозиции ПА на движители и носитель и предлагается новый алгоритм управления. Приводятся основные результаты, полученные при моделировании разработанных систем.

Первоначально в работе рассматривается централизованный подход к управлению. При этом ПА с движителями рассматривается как единая динамическая система (рис. 8). На рисунке обозначены: р - регулятор, в зависимости от реализации системы, адаптивный или нейросетевой; Д1-ДЗ -движители ПА.

Рис. 8. Структурная схема централизованного управления ПА

Для такой системы выбран алгоритм управления с ЭМ. В рассматриваемом примере выберем ЭМ в виде апериодического звена первого порядка, как наиболее простого в реализации и обладающего желаемыми характеристиками. Уравнение ЭМ, имеют вид:

да=АтЯ„+Втт(1) , (25)

где е И3 - выход ЭМ, г(1)е К3*1 - желаемый закон изменения скорости ПА, Аш ,Вт б Я3*3 - диагональные матрицы коэффициентов ЭМ.

Выберем алгоритм управления:

т = Кг(г,Ч)г(0 + К<1(г,я)Ч, (26)

где Кг(г,я), К<,(г^) - диагональные матрицы соответствующей размерности.

Используя АСГ, определим законы настройки коэффициентов матриц Кг(г^), К<,(г,я) для адаптивного и нейросетевого алгоритмов управления ПА: К, = ГВщРег(1)т, ДКГ = -Г1В>г(1)т,

К^ГВ'Ре^, (27) ДКч=-Г1ВттРеЧт, (28)

Результаты численного моделирования показали, что и адаптивный, и НС-регуляторы в рассматриваемой системе управления неэффективны. По-видимому, это связано с большой размерностью и сложностью системы.

Как показали исследования, преодолеть возникшую трудность можно, выполнив декомпозицию исходной системы на несколько подсистем: непосредственно ПА и движители. Учитывая, что динамика движителей нелинейна, предлагается скорректировать ее, обеспечив близость к эталонной (апериодической).

Для проверки подхода промоделирована система управления ПА, оснащенного движителями с апериодической динамикой. При этом использовался алгоритм (26), (27) для адаптивного управления и (26), (28) для нейросетевого. Как подтвердили результаты моделирования, рассмотренная система показывает высокую эффективность.

На рис. 9 приведен график переходных процессов разгона ПА в системе с адаптивным управлением (1 - выход ЭМ, 2- скорость ПА). На рис.10 приведены графики процесса разгона ПА при нейросетевом управлении (1 - ЭМ, 2 и 3 -скорость ПА при управлении с одновременным обучением сети и с обученной НС.

АА Ш уАА

Л -л 1

-0,75

0 2 4 6 8 10 1с

Рис. 9 Разгон ПА при адаптивном управлении.

3

2

\ к V

-075

0 2 4 6 8 10 (.с

Рис. 10 Разгон ПА при управлении с НС.

Таким образом для эффективного управления ПА целесообразно провести предварительную коррекцию динамики движителей. В работе предложена их нейросетевая коррекция.

В качестве ЭМ предлагается использовать апериодическое звено:

Fd = (r(t)-Fd)/T, (29)

где r(t) - вход, Fd - сигнал на выходе ЭМ, Т - постоянная времени. Для коррекции движителей используется многослойные НС. Корректирующий алгоритм выбран в виде:

т=К, (г, F)r(t)+ Kf (г, F)F + K(r, F) , (30)

где К, (г, F) , Kf(r,F) , K(r,F) - функциональные зависимости, оцениваемые НС.

Настройки параметров корректирующего алгоритма предлагается проводить из соотношений:

ЛКГ =—r,Per(t),

AKf = -r,PeF, (31)

ДК = -Г,Ре, где е = Fd - F - значение ошибки.

Результаты моделирования показали высокое качество нейросетевого способа коррекции. На рис. 11, 12 приводятся результаты численного моделирования системы управления, в первом случае управление происходит одновременно с обучением НС в процессе работы. Во втором случае используется обученная НС. На рисунках приняты следующие обозначения: 1-упор, развиваемый движителем, 2- выход ЭМ, 3- ошибка.

f.fd.e10 №н

F.F-na Н/м

/ 1

ft и 5

L,.

0,4 О,S 12 1.6 2,0 le

0,4 0.8 1Д 1,6 2,0 t. с

Рис. 11 Переходные процессы в системе с Рис. 12 Переходные процессы в

одновременным обучением НС

системе с обученной НС

На основании полученных результатов синтезирована система децентрализованного управления ПА (рис. 13).

Рис. 13. Структурная схема децентрализованного управления ПА с предварительной НС-коррекцией динамики движителей Синтез системы управления осуществляется в два этапа. На первом этапе выполняется НС-коррекция динамики исполнительных двилсителей ПА. На втором этапе осуществляется управление ПА с движителями, скорректированными по разработанному ранее алгоритму.

Л 74

О

«щ

А 1

\ 1

2 4 6 8 10 (,с

Рис. 14 Разгон ПА при адаптивном управлении

м/с

к л,

А д

\ \ М\1 V

41,75

0 2 4 6 8 10 (.с

Рис. 15 Разгон ПА при управлении с НС

На рис. 14 приведен график переходных процессов разгона ПА в системе с адаптивным управлением (1 - выход ЭМ, 2- скорость ПА). На рис.15 приведены графики процесса разгона ПА в нейросетевой системе управления: 1 -эталонная модель, 2- скорость разгона ПА при управлении с одновременным обучением сети, 3 - управление с обученной НС.

Результаты моделирования синтезированной системы показали ее высокую эффективность.

В приложениях приведены документы, подтверждающиг практическое использование результатов диссертации.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Разработана и исследована нейросетевая реализация нелинейного алгоритма управления классом МР на основе метода вычисляемого момента.

Предложены и исследованы обобщенный алгоритм нелинейного нейросетевого управления и нейросетевой алгоритм адаптивного управления классом динамических объектов (МР). Выполнен сравнительный анализ

синтезированной нейросетевой управляющей структуры с традиционным адаптивным алгоритмом управления. Показаны эффективность и даны рекомендации по применению нейросетевых алгоритмов управления.

Разработан нейросетевой алгоритм адаптивного управления с ЭМ классом динамических объектов (МР), выполнен сравнительный анализ синтезированной нейросетевой управляющей структуры и адаптивного управления.

Синтезирован алгоритм адаптивного управления ПА с ЭМ, и его нейросетевая реализация. Показано, что нелинейность динамики исполнительных движителей ПА и высокая размерность системы в значительной мере затрудняют нейросетевую (как и адаптивную) реализацию алгоритма управления и ухудшают переходные процессы. Для повышения качества системы предлагается использовать принцип декомпозиции.

Показана эффективность применения принципа декомпозиции объекта управления (ПА) на подсистемы и поэтапного синтеза НС-управления, при котором (в соответствии с количеством уровней декомпозиции) вначале выполняется НС-коррекция исполнительных движителей ПА, а затем выполняется сингез полной НС-системы управления.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ

1. Оськин Д.А. Управление движением подводного аппарата на основе нейросетевых алгоритмов. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002. С. 103-104.

2. Оськин Д.А. Нейросетевая коррекция динамики движителя подводного аппарата. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002.- С. 105-106.

3. Оськин Д.А. Синтез управления движением подводного аппарата с использованием нейросетевых алгоритмов. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Изд-во Дальневост. ун-та, 2003,- С. 147-148.

4. Дыда А.А., Оськин Д.А. Управление подводным роботом на основе нейронных сетей. VI Всерос. акуст. конф. "Исследование и освоение мирового океана" (с международным участием). Владивосток, Дальнаука, 1998,- С. 190-192.

5. Оськин Д. А., Дыда А.А. Анализ применения нейронных сетей для управления и идентификации.// Доклады 38 НТК ДВГТУ.- Владивосток: ДВГТУ, 1997.-С.41.

6. Os'kin D.A., Dyda A.A. Manipulator control using neural network. Young people & scientific- technical progress. 3th international students' congress of the Asian Pacific Region countries, part I. Vladivostok, Russia. FESTU.-1999. p. 106.

7. Os'kin D.A., Dyda A.A. Manipulator control using computing torque method. Young people & scientific- technical progress. Materials of the third international students congress of the Asian Pacific Region countries, part I. Vladivostok, Russia. FESTU.-1999. p. 106.

8. OsTdn D.A., Dyda A.A. Neural Network and Adaptive Control System Synthesis: Comparative Study for Underwater Robots. Pacific Science Review, Volume Two- 2000.- pp. 34-37.

9. Дыда A.A., Маркин B.E., Оськин Д.А.. Синтез робастно-адаптивных и нейросетевых алгоритмов управления манипуляционными роботами // VIII Всероссийский съезд по теоретической и прикладной механике. Аннот. докл. - Екатеринбург: УрО РАН, 2001. - С.242.

10. Dyda A.A., Oskin D.A. Neural network control system for underwater robots. IFAC conference on Control Application in Marine Systems "CAMS-2004". -Ancona, Italy, 2004. - p. 427-432.

>'■244 25

Оськин Дмитрий Александрович

Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов

Автореферат

Подписано в печать 19.11.04. Формат 60x84/16 Усл. печ. л. 1,16. Уч.-изд. л. 1,0. Тираж 100 экз. Заказ 186 Издательство ДВГТУ, 690950, Владивосток, Пушкинская, 10 Типография издательства ДВГТУ, 690950, Владивосток, Пушкинская, 10

ВВЕДЕНИЕ.

1. ОБЗОР И ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ.

1.1. ЭТАПЫ РАЗВИТИЯ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ.

1.2. ОСНОВНЫЕ ТИПЫ НС.

1.3. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ.

1.4. ВЫВОДЫ.

2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПОДВОДНЫХ РОБОТОВ И МАНИПУЛЯТОРОВ.

2.1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПОДВОДНЫХ РОБОТОВ.

2.2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ДВИЖИТЕЛЯ ПОДВОДНОГО АППАРАТА.

2.3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ MP.

2.4. ВЫВОДЫ.

3. СИНТЕЗ И ИССЛЕДОВАНИЕ ТРАДИЦИОННЫХ И НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ МАНИПУЛЯЦИОННЫМ РОБОТОМ.

3.1. СИНТЕЗ АЛГОРИТМА УПРАВЛЕНИЯ MP МЕТОДОМ

ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.1.1. ТРАДИЦИОННАЯ РЕАЛИЗАЦИЯ МЕТОДА ВЫЧИСЛЯЕМОГО

МОМЕНТА.

3.1.21 НЕИРОСЕТЕВАЯ РЕАЛИЗАЦИЯ МЕТОДА ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.1.3. ИССЛЕДОВАНИЕ ВЛИЯНИЯ ПАРАМЕТРОВ НС НА КАЧЕСТВО ОБУЧЕНИЯ.

3.1.4. ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОЙ СИСТЕМЫ УПРАВЛЕНИЯ.

3.2. СИНТЕЗ НЕПРЯМОГО АДАПТИВНОГО И НС УПРАВЛЕНИЯ MP, НА ОСНОВЕ МЕТОДА ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.2.1. СИНТЕЗ И ИССЛЕДОВАНИЕ НЕПРЯМОГО АДАПТИВНОГО АЛГОРИТМА УПРАВЛЕНИЯ MP.

3.2.2. СИНТЕЗ НЕПРЯМОГО АДАПТИВНО-НЕЙРОСЕТЕВОГО АЛГОРИТМА УПРАВЛЕНИЯ MPf.

3.3. СИНТЕЗ УПРАВЛЕНИЯ MP С ЭТАЛОННОЙ МОДЕЛЬЮ ПРИ СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ НЕОПРЕДЕЛЕННОСТЯХ

3.3.1. СИНТЕЗ АДАПТИВНОГО АЛГОРИТМА УПРАВЛЕНИЯ'MP С ЭТАЛОННОЙ МОДЕЛЬЮ

3.3.2. НЕЙРОСЕТЕВОЙ АЛГОРИТМ УПРАВЛЕНИЯ1 MP С ЭТАЛОННОЙ МОДЕЛЬЮ

3.3.3. СРАВНИТЕЛЬНЫЙ? АНАЛИЗ- АДАПТИВНОГО И НЕЙРОСЕТЕВОГО АЛГОРИТМОВ УПРАВЛЕНИЯ С ЭТАЛОННОЙ ( МОДЕЛЬЮ.

3.4 ВЫВОДЫ.

4. СИНТЕЗ И СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ АЛГОРИТМОВ УПРАВЛЕНИЯ ПОДВОДНЫМ АППАРАТОМ.110>

4.1. СИНТЕЗ СИСТЕМЫ УПРАВЛЕНИЯ' ПОДВОДНЫМ? АППАРАТОМ.

4.2. СИНТЕЗ ДЕЦЕНТРАЛИЗОВАННОГО УПРАВЛЕНИЯ ПА С АПЕРИОДИЧЕСКОЙ ДИНАМИКОЙ ДВИЖИТЕЛЕЙ.

4.3. НЕЙРОСЕТЕВАЯ КОРРЕКЦИЯ ДИНАМИКИ ДВИЖИТЕЛЯ ПОДВОДНОГО АППАРАТА.

4.4. ИССЛЕДОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ С НС-СКОРРЕКТИРОВАННОЙ ДИНАМИКОЙ ДВИЖИТЕЛЕЙ.

4.5 ВЫВОДЫ.

Диссертационная работа посвящена разработке и исследованию нейросетевых алгоритмов и систем управления исполнительными устройствами манипуляционных роботов и подводных аппаратов-роботов. Применение НС позволяет предложить новые подходы к синтезу систем управления и, как подтверждают диссертационные исследования; обеспечить высокое качество процессов управления в условиях значительной априорной неопределенности.

В1. Современное состояние развития систем управления роботами. Актуальность работы. В настоящее время внимание специалистов современной теории управления сосредоточено на проблеме построения систем управления сложными динамическими объектами, для которых характерны многомерность, нелинейность, нестационарность, структурно-параметрическая неопределенность. Для таких объектов не только синтез алгоритмов управления, но и построение математических моделей сопряжено со значительными трудностями.

Важными классами таких сложных объектов являются манипуляционные роботы (MP), мобильные роботы, подводные аппараты-роботы, оснащенные манипуляторами. Эти машины и аппараты широко используются в сфере производства и научных исследований. Они предназначены для комплексной автоматизации физического труда при выполнении различных технологических операций: сборки, сварки и окраски деталей, погрузочно-разгрузочных работах, при проведении работ в условиях агрессивных сред и невесомости и др. [10, 12, 13,18,21,31,36,45,49, 54,59].

Значительный вклад в развитие робототехники внесли российские ученые М.Д. Агеев, И.И. Артоболевский, В.В. Белецкий, B.C. Кулешов, П.Д. Крутько, Н.А. Лакота, А.Г. Лесков, B.C. Медведев, Е.П. Попов, А.В. Тимофеев, Е.И. Юревич, А.С. Ющенко, B.C. Ястребов и другие, а также их зарубежные коллеги

S. Dubowsky, C.S.C. Lee, J.Y.S. Luh, J.-J. Slotine, M.D. Stokic, TJ. Tarn, M. Vucobratovic, D.R. Yorger и др.

Одним из наиболее перспективных направлений современной науки и практики является комплексное исследование и освоение Мирового Океана. Эти исследования приводят к интенсивному развитию подводной робототехники. Подводные аппараты (ПА) обеспечивают выполнение различных работ в толще воды и около дна, а также позволяют проводить разноплановые научные исследования, аварийно-спасательные и поисковые работы и т.д. Значительная часть рабочих ПА, как правило, оснащена' манипуляторами.

ПА, как объект управления, имеет ряд особенностей,^ в связи с которыми решение задач' синтеза системы управления оказывается сложным. Прежде всего, управление ПА выполняется в условиях значительной структурно-параметрической неопределенности. Эта неопределенность в наибольшей мере, связана с неточным знанием параметров робота-носителя, а также сложной динамикой'взаимодействия1 с окружающей водной* средой в которой работает аппарат. Выполняемые работы могут требовать осуществления движений в различных направлениях, с различными скоростями и ориентацией в пространстве, при этом пространственная конфигурация манипулятора также может произвольно изменяться. Это приводит к тому, что значительно затрудняется расчет присоединенных масс, моментов инерции, гидродинамических сил и моментов, действующих на ПА и манипулятор в водной среде.

Существенной особенностью ПА является сложность его математического описания. Динамика движущегося в водной среде ПА описывается системой сложных нелинейных дифференциальных уравнений. Кроме того, в случае, когда нельзя пренебречь неидеальностью движителей ПА, их уравнения должны быть внесены в общую модель, что ведет к усложнению математического описания объекта управления. Таким образом, нелинейность, а также неопределенность и нестационарность уравнений динамики ПА являются факторами, затрудняющими решение задачи синтеза системы управления.

Манипуляторы, которыми часто оснащаются ПА, как объекты управления, также обладают некоторыми особенностями. В первую очередь следует отметить, что только динамика манипулятора, представляющего многозвенник, как правило, описывается системой нелинейных дифференциальных уравнений высокого порядка. При учете динамики двигателей, приводящих в движение звенья манипулятора, порядок уравнений еще более возрастает. Также необходимо отметить, что и для MP свойственна неопределенность, связанная с неточным знанием параметров манипулятора, управляющих приводов, массогабаритными показателями захватываемого груза, а также сложной динамикой взаимодействия с рабочей средой, в которой проводится работы и др.

Общие проблемы построения роботов, в частности, структура манипуляционных и мобильных роботов, математические модели, применяемые для исследований, вопросы построения систем, управления роботами рассмотрены в значительном количестве работ, в том числе в [10, 12* 13, 18, 21, 31, 34, 36,44, 45, 49, 54, 51, 59] и др. Отмечается высокая сложность динамики роботов, а также значительные трудности, возникающие из-за высокой нелинейности, неопределенности, нестационарности объекта при синтезе систем управления исполнительными устройствами роботов.

Одним из основных принципов, на котором базируется управление сложными техническими системами является иерархичность структуры системы управления. В зависимости от типа робота и сложности задач, для решения которых он предназначен, иерархическая система управления может иметь различное количество уровней. Чаще всего выделяют четыре уровня управления: высший (на котором происходит распознавание препятствий в рабочем пространстве и принимается решение о порядке выполнения поставленной задачи); стратегический (поставленная задача расчленяется на элементарные операции); тактический (элементарные операции распределяются на движения отдельных степеней свободы) и исполнительный (осуществляются заданные движения отдельных степеней свободы) [12, 31, 36, 54]. Планирование траектории движения ПА и MP может осуществляться интеллектуальной вычислительной системой или человеком-оператором, использующим различные задающие устройства [36, 42, 96]. Осуществление назначенных программных движений обеспечивается» исполнительным контуром управления. Основная часть диссертационной» работы посвящена, именно решению задач синтеза управления нижнего уровня. - синтезу исполнительного уровня.

Таким образом, в настоящее время одной из наиболее актуальных проблем теории и практики управления является разработка подходов к синтезу систем управления исполнительного уровня для сложных динамических объектов, которые характеризуются нелинейностью, нестационарностью, многомерностью, структурно-параметрической неопределенностью. ПА и MP являются типичными представителями указанного класса объектов.

Такие сложные динамические системы, как манипуляционные роботы относятся к системам, математические модели которых (по крайней мере, ее аналитическую структуру) можно установить с достаточной точностью, так как их поведение описывается известными физическими законами. Подавляющее большинство известных методов синтеза управления, базируется на знании математического описания исходной системы. К их числу относятся метод вычисляемого момента [12, 31, 36, 48, 54, 59, 65, 67], близкий к нему метод обратных задач динамики [59], методы синтеза нелинейных законов управления, предложенные в [18, 38, 59], метод структурного синтеза [5] и др. При синтезе управлений часто рассматривают линеаризованные полные модели динамики манипуляторов [36, 48], позволяющие относительно легко проводить синтез управления с использованием хорошо разработанных методов теории управления линейными системами [4, 11, 22]. Основным недостатком указанных выше методов является то, что их применение базируется на знании математической модели и возможно при наличии информации о структуре и параметрах управляемого объекта, что на практике не всегда представляется возможным.

В действительности поведение ряда динамических объектов настолько сложны, что уже получение их моделей представляет собой самостоятельную проблему. Применение систем с переменной структурой [18, 59], а также развитие теории адаптивно-робастных систем [6, 13, 18, 57, 58, 59, 69] и некоторые другие подходы позволяют в» ряде случаев преодолеть такие трудности.

В современной > теории и практике управления. область применения адаптивных и робастных систем, которые позволяют либо подстроиться, либо обеспечить грубость, нечувствительность процессов по отношению к факторам неопределенности, стремительно расширяется. Значительный вклад в развитие и исследование таких систем внесли отечественные ученые: JI.T. Ащепков, Ю:А. Борцов, А.А. Воронов, Д.П. Деревицкий, А.А. Красовский, Н.Д. Поляхов, В.В. Путов, В.В. Солодовников, В.Н. Фомин, А.Л. Фрадков, Я.З. Цыпкин, В.А. Якубович и другие, а также зарубежные ученые A. Isidori; K.S. Narendra, R. Ortega и др. Об их вкладе свидетельствует большое количество работ [6, 12, 13, 18,38,46, 54,57, 58,59, 67, 68, 69,81, 109, 112, 122].

За последние несколько лет появилось множество новых подходов (способов), которые можно считать, в некотором смысле, альтернативными адаптивным или робастным подходам в решении задачи синтеза управления сложным динамическим объектом. К таким подходам относится применение нечеткой логики (НЛ) и нейронных сетей (НС), которым посвящено множество публикаций [19, 21, 23,40, 65, 66, 67, 71, 72, 73, 75, 76, 78, 79, 80, 82, 83, 84, 85, 87, 88, 89, 90, 91, 92, 93, 94, 95, 97, 98, 99, 100, 101, 102, 103, 105, 107, 108,109, 110, 111, 112, 113,116, 119,120, 121, 122].

Потенциальным преимуществом систем управления, основанных на применении НС, по мнению ряда исследователей, является возможность качественно решать задачи управления при отсутствии детального математического описания объекта управления. Такая перспектива связана в первую очередь со способностью нейросетей, в частности многослойных НС, к аппроксимации сложных нелинейных функциональных зависимостей [92]. Это свойство может быть использовано для определения характеристик объектов управления или восстановления уравнений объекта по входным и выходным данным, т.е. для его идентификации, которая является базой* для решения основной задачи - синтеза управления. Таким образом, существует возможность использования НС в качестве управляющих структур, в соответствии с выбранным законом управления, где восстановление нелинейных динамических особенностей объекта управления осуществлялось бы с помощью НС,

В2. Цель и задачи диссертационной работы. С учетом сказанного выше, целью диссертационной работы является синтез и исследование нейросетевых систем и алгоритмов управления исполнительными устройствами роботов, а также исследование эффективности синтезированных систем в.сравнении с традиционными адаптивными алгоритмами и системами управления.

Для достижения* цели исследования в работе ставятся» и решаются следующие основные задачи: краткий анализ существующих типов НС, применяемых при решении задач управления сложными динамическими объектами; синтез адаптивных алгоритмов и систем управления манипуляционных роботов (MP) и ПА; синтез систем управления с применением многослойной НС, на основе модификации разработанных адаптивных алгоритмов; исследование сравнительной эффективности разработанных нейросетевых и традиционных адаптивных систем (алгоритмов) управления.

ВЗ. Методы исследования. В процессе выполнения диссертационной работы использовались методы теории нейронных сетей, математического моделирования, обыкновенных дифференциальных уравнений, адаптивных систем управления и др. Кроме того, использовались методы численного моделирования разработанных алгоритмов и систем управления.

В4. Научная новизна. Научная новизна проведенных исследований заключается в следующем:

1. Предложен и исследован обобщенный алгоритм нелинейного нейросетевого1 управления классом MP, основанный на методе вычисляемого момента (ВМ). Разработан нейросетевой алгоритм адаптивного управления на основе метода ВМ' для класса динамических объектов (MP). Проведен» сравнительный анализ синтезированной нейросетевой управляющей структуры и традиционных адаптивных алгоритмов управления, основанных на методе скоростного градиента.

2. Предложен и исследован алгоритм адаптивного управления с эталонной моделью (ЭМ) классом t динамических объектов (MP). Разработан нейросетевой алгоритм адаптивного управления с ЭМ для класса динамических объектов (MP).

3. Предложен и исследован нейросетевой алгоритм, основанный на применении ЭМ для коррекции динамики движителя ПА.

4. Предложена процедура поэтапного синтеза нейросетевой системы управления ПА с предварительной нейросетевой коррекцией динамики движителей ПА.

В5. Практическая ценность и реализация результатов. Результаты, полученные при исследовании разработанных нейросетевых систем управления ПА и MP, показывают их высокую эффективность в условиях структурной и параметрической неопределенности, свойственной рассматриваемому классу управляемых объектов.

Развиваемый подход в применении многослойных НС при синтезе систем автоматического управления обеспечивает качественно новый уровень, как разработки, так и функционирования систем управления. Для практики ценным является то, что. при синтезе исследованных в работе систем управления с нейронными сетями, не требуется слишком детальная математическая модель объекта, получение которой может быть связано со значительными трудностями. Разработанные системы обеспечивают приемлемое качество управления при значительной неопределенности модели.

Разработано программное обеспечение для исследования классов систем управления, с многослойными нейронными сетями. Созданный программный комплекс внедрен и используется в научных исследованиях, проводимых^ в. рамках госбюджетной тематики и гранта РФФИ №01-01-96906, в лаборатории №61 Института Автоматики и Процессов Управления* (ИАПУ) ДВО РАН. Кроме того, разработанные алгоритмы и программное обеспечение внедрено в учебный процесс Дальневосточного Государственного Технического Университета (ДВГТУ) в курсах «Моделирование систем», «Методы оптимизации систем», в курсовом и дипломном проектировании.

В6. Апробация работы и публикации. Результаты работы докладывались на VI Всероссийской акустической конференции "Исследование и освоение Мирового океана" (с международным участием) (Владивосток, 1998г.), 3-м международном конгрессе молодых ученых стран АТР (Владивосток, 1999г.), 8-м Всероссийском съезде по теоретической и прикладной механике (Пермь, 2002), Дальневосточной математической школе-семинаре им. акад. Е.В. Золотова (Владивосток, 2002, 2003гг.), IFAC conference on Control Application in Marine Systems "CAMS-2004" (Italy, Ancona, 2004), семинарах кафедр «Информационные системы управления», «Автоматизация технологических процессов» Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева), лаборатории №61 ИАПУ ДВО РАН.

В7. Структура и краткое содержание работы. Диссертационная работа состоит из введения, 4 глав, заключения, изложенных на 160 страницах текста, включает 89 рисунков, два приложения и содержит список литературы, состоящий из 122 наименований.

4.5. ВЫВОДЫ

В главе рассмотрено несколько вариантов синтеза систем управления подводным аппаратом. Первоначально рассмотрены адаптивная и НС-системы управления, синтезированные для ПА целиком.

Далее рассматривается децентрализованный подход к управлению, при этом предполагается, что динамика движителей аппарата идеальна (рассматривается апериодическая динамика движителей).

Как показали результаты исследований, решение задачи НС-коррекции динамики движителя ПА позволяет обеспечить практически эталонную желаемую динамику движителей и исключить влияние на работу системы нежелательных факторов, таких как нелинейность движителя.

Результаты моделирования системы управления ПА при предварительно НС-корректированной динамике приводящих движителей показали удовлетворительное качество работы системы.

5. ЗАКЛЮЧЕНИЕ

В диссертационной работе синтезированы и исследованы нейросетевые алгоритмы и системы управления, которые являются принципиально новыми классами адаптивных систем. Применение полученных нейросетевых алгоритмов управления на практике позволит добиться улучшения быстродействия, качества переходных процессов для исполнительных устройств манипуляционных роботов и подводных аппаратов в условиях нестационарности, нелинейности, многомерности и структурно-параметрической неопределенности.

В работе получены следующие основные научные результаты:

1. Показано, что применение НС для решения задач управления сложными динамическими объектами является перспективным. Целенаправленное сочетание свойств НС, заключающихся в способности обучения их желаемому поведению при априорно неизвестных условиях, и традиционных алгоритмов нелинейного и адаптивного управления позволяет синтезировать высококачественные управляемые системы для сложных динамических объектов.

2. Предложены и исследованы обобщенный алгоритм нелинейного нейросетевого управления и нейросетевой алгоритм адаптивного управления классом динамических объектов (MP). Выполнен сравнительный анализ синтезированной нейросетевой управляющей структуры с традиционным адаптивным алгоритмом управления. Показаны эффективность и даны рекомендации по применению нейросетевых алгоритмов управления.

3. Разработан нейросетевой алгоритм адаптивного управления с ЭМ классом динамических объектов (MP), выполнен сравнительный анализ синтезированной нейросетевой управляющей структуры и адаптивного управления.

4. Синтезирован алгоритм адаптивного управления ПА с ЭМ, и его нейросетевая реализация. Показано, что нелинейность динамики исполнительных движителей ПА и высокая размерность системы в значительной мере затрудняет нейросетевую (как и адаптивную) реализацию алгоритма управления и ухудшает переходные процессы. Для повышения качества системы предлагается использовать принцип декомпозиции.

5. Показана эффективность применения принципа декомпозиции объекта управления (ПА) на подсистемы и поэтапного синтеза НС-управления, при котором (в соответствии с количеством уровней декомпозиции) вначале выполняется НС-коррекция исполнительных движителей ПА, а затем выполняется синтез полной НС-системы управления.

1. Автономные подводные аппараты. Агеев М.Д., Касаткин В.А., Киселев Л.В. и др. Л. Судостроение, 1981. - 224с.

2. Атосов Н.М. и др. Нейрокомпьютеры и интеллектуальные роботы. НК., Киев., 1991 г.

3. Башарин А.В, Новиков В.А., Соколовский Г.Г. Управление электроприводами. Л.: Энергия, 1982. - 392с.

4. Бессекерский В.А., Попов Е.П. Теория систем автоматического регулирования. М.: Наука, 1976. - 768с.

5. Бойчук Л.М. Метод структурного синтеза нелинейных систем автоматического управления. М.: Энергия, 1971. 112с.

6. Борцов Ю.А., Поляхов Н.Д., Путов В.В. Электромеханические системы с адаптивным и модальным управлением. Л.: Энергоатомиздат. Ленингр. отд-ние, 1984. - 216с.: ил.

7. Борцов Ю.А., Соколовский Г.Г. Автоматизированный электропривод с упругими связями. 2-е изд., перераб. и доп. - СПб.: Энергоатомиздат. Санкт-Петербург. отд-ние, 1992. - 288 е.: ил.

8. Браун Р., Мэзон Р., Фламгольц Э. Исследование операций: Модели и их применения. Пер. с англ./ Под ред. Дж. Моудера, С. Элмаграби. - М.: Мир, 1981. Т. 2. 677 е.: ил.

9. Бураков М.В. Синтез нейронного регулятора. // Известия АН. "Теория и системы управления.", №5,1997г.

10. Бурдаков С.В., Дьяченко В.А., Тимофеев А.Н., Проектирование манипуляторов промышленных роботов и робототехнических комплексов. М. Высш. Шк., 1986. - 264с.

11. И.Воронов А.А., Ким Д.П., Лохин В.М. и др. Тория автоматического управления: Учеб. для ВУЗов по спец. "Автоматика и телемеханика". 4.2.

12. Теория нелинейных и специальных систем управления. М.: Высш. шк., 1986. -504с.: ил.

13. Вукобратович М., Стокич Д. Управление манипуляционными роботами: теория и приложение. М.: Наука, Главная редакция физико-математической литературы, 1985. - 384с.

14. Вукобратович М., Стокич Д., Кирчански Н: Неадаптивное и адаптивное управление манипуляционными роботами. М.: Мир, 1989. - 376с.

15. Вышковский Г.Л., Ганопольский Л.З., Долгов A.M. и др. Нелинейные нестационарные системы. Под ред. Топчеева Ю.И. М.: Машиностроение, 1986.-336с.

16. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. - 384 е.: ил.

17. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая редакция А.И. Галушкина. М.: ИПРЖР, 2000. 416 е.: ил.

18. Горбань А. Нейроинформатика и ее приложения. "Открытые системы" №4 -5, 1998. Научно-технический журнал.

19. Дыда А. А. Синтез адаптивного и робастного управления исполнительными устройствами подводных роботов. Диссертация на соискание ученой степени доктора технических наук. Владивосток, 1998.

20. Дыда А.А., Маркин В.Е., Оськин Д.А. Синтез робастно- адаптивных и нейросетевых алгоритмов управления манипуляционными роботами // Докл. VIII-го Всероссийского съезда по теоретической и прикладной механике, Пермь, 2002.

21. Дыда А.А., Лебедев А.В. Нелинейная адаптивная коррекция движителя подводного робота. // Изв.ВУЗов, Электромеханика, № 1-2, 1996, с. 83-87.

22. Иващенко Н.Н. Автоматическое регулирование. Теория и элементы систем. М., Машиностроение, 1973. 606с.

23. Каляев И.А., Гайдук А.Р. Принципы построения систем планирования поведения интеллектуальных роботов на базе однородных нейроподобных структур. // "Мехатроника" №3, 2000г. Научно-технический и производственный журнал. Изд. "Машиностроение".

24. Кардаш Д.И., Фрид А.И. Обучение нейронных сетей в реальном масштабе времени с реконструкцией топологии. // "Информационные технологии.", М:. Машиностроение, №4, 1999г.

25. Клименко С.В., Слободюк Е.А., Самойленко В.Д., Ухова T.JI. Искусственные нейронные сети в физике высоких энергий. // "Информационные технологии.", №12, 1998г.-№1, 1999г.

26. Ключев В.И. Теория электропривода: Учебник для ВУЗов. М.: Энергоатомиздат, 1985. - 560с.: ил.

27. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука. Главная редакция физико-математической литературы, 1984.

28. Короткий С.Г. Нейронные сети: алгоритм обратного распространения. // "Byte/Россия". Жур. Изд. дом "Питер", №5, 2000г. С.26-29.

29. Короткий С.Г. Нейронные сети: основные положения. // "Byte/Россия". Жур. Изд. дом "Питер", №5, 2000г. С. 18-21.

30. Кузнецов О.П. Неклассические парадигмы в искусственном интеллекте. // Известия АН. "Теория и системы управления", №5, 1995г.

31. Кулешев B.C., Лакота Н.А. Динамика систем управления манипуляторами. М.: Энергия, 1971. - 304с.

32. Майзер X., Эйджин Н., Тролл Р. Исследование операций: Методологические основы и математические методы. Пер. с англ. / Под ред. Дж. Моудера, С. Элмаграби. М.: Мир, 1981. Т. 1. 712 е.: ил.

33. Макаров В.Н. Современная информационная технология в системах управления. // Известия АН. "Теория и системы управления", №1, 2000г.

34. Матвейкин В.Г., Фролов С.В. Использование байесовского подхода в обучении нейронных сетей. // "Информационные технологии.", Изд. "Машиностроение." 1998г., №10, С.27-35.

35. Медведев B.C., Лесков А.Г., Ющенко А.С. Системы управления манипуляционных роботов. М.: Наука, 1978. - 416с.

36. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. -261с.

37. Мирошник И.В., Никифоров В.О., Фрадков А.В. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000. 549с.: ил.

38. Мисюрев А.В. Использование искусственных нейронных сетей для распознавания рукопечатных символов. // Журнал "Byte/Россия" Изд. дом "Питер", №5, 2000г. С.22-25.

39. Оськин Д. А., Дыда А.А. Анализ применения нейронных сетей для управления и идентификации. Сборник тезисов докладов XXXVIII НТК ДВГТУ. Владивосток, ДВГТУ, 1997. С.46-47.

40. Оськин Д.А. Нейросетевая коррекция динамики движителя подводного аппарата. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002. С. 105-106.

41. Оськин Д.А. Разработка системы полуавтоматического управления роботом по шести степеням подвижности. Сборник тезисов докладов XXXVIII НТК ДВГТУ. Владивосток, ДВГТУ, 1997. С.47-48.

42. Оськин Д.А. Управление движением подводного аппарата на основе нейросетевых алгоритмов. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002. С. 103-104.

43. Подводные роботы. Под общей редакцией B.C. Ястребова. Л., "Судостроение". 1977. 368с.: ил.

44. Понырко С. А., Попов О. С., Ястребов В. С. Адаптивные системы для исследования океана. СПб.: Судостроение, 1993. - 224с.: ил.

45. Попов Е.П. Теория нелинейных систем автоматического управления: Учеб. пособие. 2-е изд., стер. - М.: Наука. Гл. ред. физ.-мат. лит., 1998. - 256с.

46. Попов Е.П., Верещагин А.Ф., Зенкевич С.Л. Манипуляционные роботы: динамика и алгоритмы. М.: Наука, 1978.- 400с.

47. Промышленные роботы. / Под ред. Я.Д. Шифрина. М.: Машиностроение, 1982.-415с.

48. Пыткеев Е.Г., Ченцов А.Г., Яфраков М.Ф. Некоторые представления аттракторов в теории анализа и синтеза искусственных нейронных сетей. // Известия ВУЗов. Приборостроение. 1997. Т. 40. №6, С.5-21.

49. Рахманкулов В.З., Лещинский В.П., Манько С.В. и др. Робототехника и гибкие автоматизированные системы. В 9-ти кн. Кн. 3. Лабораторный практикум по робототехнике: Учеб. пособие для втузов / Под. ред. И. М. Макарова. М.: Высш. шк., 1986. - 176с.: ил.

50. Соколов Е. Н., Вейткявичус Г.Г. Нейроинтеллект. От нейрона к нейрокомпьютеру. М.: Наука, 1989.

51. Техническая кибернетика в СССР. М.: Наука, 1968.

52. Тимофеев А.В. Управление роботами. Учеб. пособие. Л.: Изд-во Ленинградского университета, 1986. 240с.

53. Тимофеев А.В. Эволюция теории и средств управления в робототехнике и мехатронике. // "Мехатроника" №1, 2000г. Научно-технический и производственный журнал. Изд. "Машиностроение".

54. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия "Информатизация России на пороге XXI века". -М.: СИНТЕГ, 1998.-376с.

55. Фомин В.Н., Фрадков А.Л., Якубович В.А. Адаптивное управление динамическими объектами. М.: Наука. Главная редакция физико-математической литературы, 1981.- 448с.

56. Фрадков А.Л. Адаптивное управление в сложных системах: беспоисковые методы. М. Наука. Гл. ред. физ.-мат. лит., 1990. - 296с.

57. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. М.: Мир, 1989.-624с.: ил.

58. Цыпкин Я.З. Адаптация и обучение в автоматических системах. -Главная редакция физико-математической литературы изд-ва "Наука", М., 1968, 400с.

59. Шишилина Л.Б. О коррекции ошибок в матричных нейронных сетях. // Известия АН. "Теория и системы управления", №3, 1999г.

60. Штейнбух К. Автомат и человек. Пер. с нем. Бигдаша С.А., Диденло Ю. А., Исаенко P.O. под редакцией Мудрова В.И., Изд-во "Советское радио", Москва, 1967.

61. Яковлев В.Л., Яковлева Г.Л., Лисицкий Л.А. Модели детерминированого хаоса в задаче прогнозирования тенденций финансовых рынков и их нейросетевая реализация.// "Информационные технологии.", №2,2000г.

62. Ястребов B.C., Филатов A.M. Системы управления подводных аппаратов-роботов. М., Наука, 1983. 88с.

63. A force control approach of robotic manipulators with neural network compensation. // Proceedings of the 14th World Congress of IFAC. Edited by Baptista L. F., Sa da Costa J. M. G., Copyright © 1999 IFAC

64. Akhmetov D. F., Dote Y. General Parameter Time Series Analysis Method for Fault Diagnosis. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3,pp. 87-90.

65. Behera L. and Gopal M. Adaptive manipulator trajectory control using neural networks. Int. J. Systems SCI., 1994, Vol. 25, №. 8. pp. 1249-1265.

66. Berghuis H., Nijmeijer H. Robust control of robots using only positionthmeasurement. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 501-506.

67. Brook N., Dayan J. Shavit A. Classification and examination of adaptive control methods for robots. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 149-152.

68. Chen Y., Dezhao C. Generalized Error Back Propagation Training and Neural Network for Pattern Classification. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 819-822.

69. Choi J.-L., Hwang C.-S. On the fuzzy-neural controller for a multivariable nonlinear system. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 631-634.

70. Dote Y., Akhmetov D. F., Shalique S. M. Control and Diagnosis for Power Electronic System Using Soft Computing. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 491-494.

71. Driving process modelling based on improved backpropagation algorithm. // Proceedings of the 14th World Congress of IFAC. Edited by Wu Т., Xu X., Copyright <D 1999 IFAC

72. Dyda A.A., Filaretov V.F. Algorithm of time-sub-optimal control for robot manipulator drivers. H Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, vol.4, pp. 97-99.

73. Erbatur К. and oth. Design Automation of a Fuzzy PID Robot Control Algorithm via Genetic Computing. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 275-278.

74. Fameliaris A. K., Vournas C. D. Generator resynchronization prediction using an artificial neuron network. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. 8, pp. 319-322.

75. Feng G. Robust adaptive control for robot manipulators in task space. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 131134.

76. Fuli W., Mingzhoung L., Yinghna Y. Multilayered feedforward-feedbackjrecurrent neuron networks and learning algorithms. // Proceeding of 2 control conference, Seoul, Korea, July 1997. Vol. 3, pp. 787-790.

77. Gupta M.M., Rao D.H., Nikiforuk P.N. Dynamic neural network based inversefhkinematics transformation of two- and three- linked robots. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 289-296.

78. Harris C. J., Wu Z. Q., Feng M. Aspects of the theory and application of intelligent modeling, control and estimation. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 1-10.

79. Hsu L., Lizarralde F. Variable structure adaptive tracking control of robotthmanipulators without joint velocity measurement. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 145-148.

80. Huaqiang L., Guanzhong D., Naiping X. Non-linear system identification using neural networks oriented speech. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. 1, pp. 353-356.

81. Hwang G.-H. and oth. Optimal Design of Fuzzy Controller for DC Series Motor System Using Genetic Algorithm. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 459-462.

82. Jin L., Nikiforuk P.N., Gupta M.M. Model matching control of unknown nonlinear system using recurrent neural networks. // 12th World Congress1.ternational Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. l,pp. 337-344.

83. Kim C.-S., Park J. and oth. A study on the learning speed acceleration of the fuzzy neural networks of backpropagation. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 499-502.

84. Kinjo H., Nakazono K., Yamamoto T. Pattern recognition for time series signals using reccurent neural network by genetic algorithms. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 643-646.

85. Koivisto H., Ruoppila V.T. and Koivo H.V. Real-time neural network controliLan IMC approach. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 47-50.

86. Ku C.C., Lee K.Y., Edwards R.M. Nuclear reactor control using diagonalthrecurrent neural networks. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.6, pp. 267-270.

87. Lee J. H., Kim S. J., Lee S. B. The study on the intelligent control of robot system using neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 67-70.

88. Mori Y., Kobayashi H., Uchida K. Robot vision system by neural network-active vision and self-learning. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 65-68.

89. Narendra K. S., Parthasaraty K. Identification and control of dynamical systems using neural networks.// IEEE transformations on neural networks. Vol.1. №1, march 1990.

90. Nebot E. M., Sentoni G., Masson F. Identification of a flexible manipulatortbusing neural networks. //12 World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993, Vol. 8, pp. 199-202.

91. Neural adaptive controller design of robotic manipulators with an observer. // Proceedings of the 14th World Congress of IFAC. Edited by Sun S., Sun Z., Woo PY., Zhang Z., Copyright © 1999 IFAC.

92. Neural network predictive adaptive controller based upon damped least square. // Taken from: Proceedings of the 14th World Congress of IFAC. Edited by Chen H. F., Cheng D. Z., Zhang J. F., Copyright © 1999 IFAC.

93. Os'kin D. Elaboration of the semi-automatic control system of manipulatejrobot with six degrees of freedom. // Abstracts of the 2 International Student's Congress of the Asia-Pacific Region Countries. Vladivostok, Russia. FESTU. 1997. pp. 108-109.

94. Os'kin D.A., Dyda A.A. Neural Network and Adaptive Control System Synthesis: Comparative Study for Underwater Robots. // Pacific Science Review, Vol.2,2000, pp. 34-37.

95. Ouyang K. Y., Lee P.L., Cameron I.T. Polynomial system identification using neural networks. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 53-56.

96. Park J. H. and Kang J. Y. Fuzzy-Logic Controller for a two-link Flexiblej

97. Manipulator. // Proceeding of 2 control conference, Seoul, Korea, July 1997. Vol.3, pp. 435-438.

98. Rao M., Wang Q., Feng E., Jun Y., Chen B. Computer integrated process systems in continuous manufacturing industries. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 249-252.

99. Rivera S. L., Karim M. N. Use of neuro-genetic algorithms in bioprocess optimization. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993, Vol.8, pp. 217-220.

100. Robinson C., Mort N. Predicting Foreign Exchange Rates Using Neural and Genetic Models. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 115-118.

101. Sorsa Т., Suontausta J., Koivo H.N. Fault diagnosis of dynamic systemsfkusing neural networks. //12 World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol.7, pp. 453-456.

102. Spangelo I., Egaland O. Thruster modelling and energy- optimization for an automous underwater vechicle. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.5, pp. 401- 404.

103. Su H.-T., McAvoy T.J. Integration of multilayer perceptron networks and linear dynamic models. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 57-60.

104. Won K.-J., Kim S.-H., Jeon H.-T. Direct adaptive learning control of a robot manipulator with uncertain dynamics using fuzzy-neural controller. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 639-642.

105. Wong A.K.C., Ching J.Y. Neural networks in manufacturing. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.3., pp. 41-44.

106. Wong C., Yungsoon Y. An intelligent time-optimal control. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 203-206.

107. Wu Y., Dai Q. H., Xue D. Robust adaptive tracking for nonlinear systems using dynamic neural network. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 803-806.

108. Xiaoming J. and oth. A Multivariable Predictive Control Strategy Based on Fuzzy Model. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 163-166.

109. Xie S.-M., Zhao C.-J. The improvement of learning algorithms for back propagation neural networks. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 783-786.

110. Yorger D.R., Cooke J.G., Slotine J.-J.E. The influence of thruster dynamics on underwater vechicle behavior and their incorporation into control system design. // IEEE Jour, of Ocean. Eng., Vol.15, No. 3. July 1990. pp. 167-177.

111. Yuh Y. A neural net controller for underwater robotic vehicle. // IEEE journal of oceanic engineering. Vol.15, № 3, July 1990.

112. Yupu Y. and oth. Design Neural Network Based Fuzzy Logic. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 747-750.

113. Yushu F., Qunguo L. Identification of Nonlinear Systems Using Linear/Gaussian Neural Networks. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 791-794.

114. Zaremba M.B. Associative, self-programmable neural networks for manufacturing processes. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 45-48.

115. Zhang J. X., Shu S. G. Nonlinear Optimal control system with neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 811-814.

116. Zhang J.-X. Fuzzy control system with self-learning parameters. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 719722.

117. Zhow Y., Dai Q., Chai T. Y. Robust identification of unknown plants using dynamical neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 815-818.

118. УТВЕРЖДАЮ» Ректор МГУ им. Г.И. Невельского профессор, доктор технических наукедых В.И.1. АКТоб использовании результатов диссертационной работы1. Оськина Д. А.

119. Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов»,представленной на соискание ученой степени кандидата технических наук,в учебном процессе Морского Государственного Университета им. Г.И. Невельского

120. Профессор кафедры АИС, кандидат технических наук1. Богданов В.И.1. АКТоб использовании результатов диссертационной работы1. Осыеина Д.А.

121. Доцент каф. АУТС, кандидат технических наук

122. Утверждаю Директор КБ «Дальй НА.ИсаKqiv<^ «У» о/ 200J1. АКТоб использовании результатов диссертационной работы Оськина Д.А.

123. Разработка в исследование нейросетевых алгоритмов я систем управления исполнительными ^гройствами роботов»^выполненной на соискание ученой степени кандидата технических наук; в разработках КБ «Дальнее»

124. Переданное программное обеспечение, а также управляющие алгоритмы и структуры, полученные в диссертационной работе Оськина Д.А., планируется использовать в дальнейших разработках КБ «Дальнее».

125. Зав. отделом 1, кандидат технических наук1. В.В. Косгенко