автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Развитие нейросетевых технологий для управления мехатронными системами

На правах рукописи

Гарцеев Илья Борисович

РАЗВИТИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ УПРАВЛЕНИЯ МЕХАТРОННЫМИ СИСТЕМАМИ

Специальность: 05.13.01 «Системный анализ, управление и обработка информации»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Москва 2003

Работа выполнена на кафедре «Проблемы управления» Московского государственного института радиотехники, электроники и автоматики (технического университета).

Научный руководитель — лауреат Государственной премии РФ,

доктор технических наук, профессор,

Лохин Валерий Михайлович

Официальные оппоненты — Заслуженный деятель науки РФ,

доктор технических наук, профессор

Лебедев Георгий Николаевич

— кандидат технических наук, доцент

Анисимов Дмитрий Николаевич

Ведущее предприятие — Научно-исследовательский центр

«Мехатроника»

Защита состоится « »декабря 2003 г. в /3 на заседании диссертационного совета Д 212.131.03 Московского государственного института радиотехники, электроники и автоматики (технического университета) по адресу: 119454, г.Москва, пр. Вернадского, д. 78.

С диссертацией можно ознакомиться в библиотеке Московского государственного института радиотехники, электроники и автоматики (технического университета).

Автореферат разослан

Ученый секретарь диссертационного совета к.т.н., доцент

ноября 2003 г.

2&оЗ- А

TfiTT

-з-

ОБЩЛЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы.

В настоящее время совершенствование технологических процессов выдвигает все более высокие требования по точности, скорости, быстродействию и прочим критериям к различного рода многозвенным меха-тронным устройствам (ММУ), включая станки, роботы и другое оборудование. Классическими подходами решить проблему, связанную с усложнением требований, во многих случаях не удается. Системный подход к созданию мехатронных устройств, предполагающий использование последних достижений механики, информатики, управления, вычислительной техники дает очевидные результаты, о чем, в частности, свидетельствует японский опыт, где мехатроника является приоритетным направлением более десяти лет. Особое значение при создании мехатронных устройств имеет организация системы управления. В последние годы все сильнее на первый план выходят интеллектуальные технологии, способные, как показывают отечественные и зарубежные разработки, обеспечить высококачественное управление в широком диапазоне скоростей, внешних возмущений, а также других факторов неопределенности.

Наряду с мехатронными устройствами промышленного назначения в последние годы начались активные разработки различного рода микросистемной техники, в том числе микророботов широкого спектра применения, включая медицину, биотехнологии и др. Для такой техники влияние различных факторов неопределенности является весьма ощутимым, и поэтому организация управления устройствами микросистемной техники может быть осуществлена только на основе интеллектуальных технологий. Таким образом проблема построения интеллектуальных систем управления (ИСУ) мехатронными устройствами различного рода является важной и актуальной задачей.

Одной из динамично развивающихся интеллектуальных технологий является технология нейросетевых структур, которые обладают рядом важных положительных отличий, таких как быстродействие, обучаемость, апроксимационные свойства и т.д. Различным аспектам использования нейронных сетей (НС) в задачах управления посвящены работы Макарова И.М., Терехова В.А., Галушкина А.И., Горбаня А.И., Каляева И.А., Тимофеева A.B., WassermanP., Rosenblatt F., WidrowB., Hagan M. и других известных ученых. Активно ведутся работы по данной тематике в ТГТУ, МГТУ им. Н.Э.Баумана, ЛЭТИ, ЦНИИ РТК, МАИ, МЭИ, МИФИ и еще в ряде научных школ, что также подтверждает актуальность разработок, направленных на расширение областей применения НС.

"(>ОС. НАЦИОНАЛЬНАЯ Í БИБЛИОТЕКА ] С.Петербург tf у. *

В связи с этим развитие технологии нейросетевых структур, как интеллектуальной технологии управления мехатронными системами, представляется важной и своевременной задачей.

Цель работы.

Целью диссертационной работы является разработка на основе нейросетевых технологий моделей, алгоритмов и программного обеспечения интеллектуальных систем, позволяющих обеспечить высококачественное управление ММУ, функционирующими в средах с препятствиями и в условиях воздействия различных факторов неопределенности.

Задачи исследования.

В соответствии с указанной целью в диссертационной работе решаются следующие задачи и проводятся следующие исследования:

• разработка на базе нейросетевых технологий алгоритмов функционирования исполнительного уровня ИСУ мехатронными устройствами, обеспечивающих не только высокое качество управления приводами меха-тронных модулей (ММ), но и устранение взаимовлияния отдельных степеней подвижности ММУ;

• исследование возможностей искусственных нейронных сетей с различной топологией для решения задач управления движением ММУ; определение зависимостей между сложностью ММУ и характеристиками нейросетевой системы управления;

• разработка на базе нейросетевых технологий алгоритмов функционирования тактического уровня ИСУ ММУ, обеспечивающих: высокое качество управления движением ММУ в свободной среде, обход им статических и квазистатических препятствий;

• проведение экспериментальных исследований, подтверждающих работоспособность и эффективность предложенных нейросетевых алгоритмов функционирования как для нижнего (исполнительного) уровня, так и для верхнего (тактического) уровня ИСУ ММУ.

Методы исследования.

Поставленные задачи решаются на основе применения классических нейросетевых парадигм и разработки специализированных нейросетевых структур. В числе прочих, для решения поставленных в диссертационной работе задач были использованы методы теории автоматического управления, теории машинного моделирования, теории искусственных нейронных сетей, теории искусственного интеллекта.

Программное обеспечение разработано на основе объектно-ориентированного подхода с использованием идей и методов, применяемых при построении современных прикладных систем реального времени.

Научная новизна.

Основная научная новизна диссертационной работы состоит в следующем:

• разработаны нейросетевые алгоритмы управления приводного уровня, обеспечивающие компенсацию взаимовлияния отдельных степеней и влияния внешних факторов в ММУ.

• на базе многослойных нейронных сетей прямого распространения разработаны алгоритмы планирования траектории для ММУ с количеством звеньев, большим двух, при наличии препятствий в рабочей зоне, и в частности, для манипуляционных роботов с вертикально-ангулярной кинематикой;

• на базе слабосвязных гомогенных нейронных сетей разработан быстродействующий алгоритм управления движением ММУ общего вида в средах с неограниченным количеством препятствий;

Практическая ценность.

Практическая значимость диссертационной работы состоит в следующем:

• разработан в системе Ма^аЬ1"1 набор программных модулей для исследования нейросетевых систем управления ММУ;

• разработаны два экспериментальных стенда с нейросетевыми системами управления, реализованными в виде программных комплексов на ПЭВМ: у одной в качестве объекта используется 3-х звенный мехатрон-но-модульный робот УРТК, у другой — 5-степенной вертикально-ангулярный мини-робот ЯОВ-З;

• разработан экспериментальный комплекс для исследования мехатрон-ных систем с изменяющимися инерционными характеристиками;

• отдельные результаты использованы в НИР, связанных с разработкой концепции построения систем управления перспективных образцов ВВТ;

• разработан аппаратно-программный комплекс для выполнения лабораторных работ по курсам: «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами», «Методы искусственного интеллекта» для направления 65.20.00 «Мехатроника и робототехника».

Реализация результатов работы.

Результаты диссертации были использованы при выполнении ряда научно-исследовательских работ:

• НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления робототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М») по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана.

• НИР № К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (шифр «Латилус») по заказу Секции прикладных проблем при Президиуме РАН.

• НИР № 1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности сложных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише») по заказу Секции прикладных проблем при Президиуме РАН.

Также результаты работы были использованы в учебном процессе кафедры «Проблемы управления».

Апробация работы.

Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях:

• международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта, 2000, 2001,2002, 2003 гг.);

• научно-техническая конференция МИРЭА (Москва, 2000, 2001, 2002, 2003 гг.).

• научно-техническая конференция «Экстремальная робототехника» (Санкт-Петербург, 2001 г.);

• научно-техническая конференция «Современные информационные технологии в управлении и образовании - новые возможности и перспективы развития» (Москва, 2001 г.);

• международная студенческая школа-семинар «Новые информационные технологии» (Судак, 2003 г.).

Результаты работы автора по созданию программно-алгоритмического обеспечения учебных роботов отмечены медалью Российской Академии Наук в области разработки или создания приборов, методик, технологий и новой научно-технической продукции научного и

прикладного значения в 2002 г., а также медалью «За лучшую научную студенческую работу» Министерства Образования РФ в 2001 г.

Публикации.

Основные положения диссертационной работы отражены в 13 публикациях. В рамках тематики диссертационной работы получены 2 государственных регистрационных свидетельства Отраслевого фонда алгоритмов и программ.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложения. Общий объем диссертации составляет 208 страниц, включая 2 таблицы и 107 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность проблемы исследования, сформулированы цель и совокупность задач, решаемых в диссертационной работе, приводятся общие характеристики полученных результатов и краткое содержание глав работы.

В первой главе проведен анализ особенностей применения нейросетевых технологий в задачах управления. Рассмотрены основные проблемы, возникающие при управлении ММУ, в том числе манипуляционными роботами. На основе анализа различного рода систем управления, применяемых для управления робототехническими объектами, показана перспективность применения интеллектуальных систем управления для объектов типа ММУ.

На основе проведенной классификации существующих типов нейросетевых структур и анализа их общих свойств сделан вывод о целесообразности и эффективности применения технологии нейросетевых структур в качестве базы для построения интеллектуальных систем управления ММУ. Рассмотрены особенности использования данной технологии.

Показано, что для широкого класса технологического оборудования, построенного на базе ММУ, значительное повышение качества работы может быть достигнуто за счет применения НС-технологий на исполнительном и тактическом уровнях иерархии систем интеллектуального управления, что и стало теоретической основой работы, а также определило структуру диссертации и, в частности, комплекс задач, решаемых во второй главе.

Вторая глава диссертационной работы посвящена исследованию возможностей нейросетевых технологий для совершенствования характе-

ристик исполнительного уровня интеллектуальной системы управления ММУ.

В качестве ключевой выделяется проблема взаимовлияния степеней подвижности ММУ. Данная проблема приобретает все большую значимость в связи со значительным увеличением процентного числа безредук-торных и слаборедукторных двигателей в МС.

Суть предлагаемого подхода (в отличие от известных попыток, при которых алгоритм управления строится на основе математической модели, отражающей специфику взаимного влияния степеней подвижности) состоит в следующем: исследуется односвязная модель, соответствующая каждой степени подвижности ММУ, в которой переменные динамические параметры объекта управления (двигателя) и возмущения приведены к валу исполнительного двигателя. Таким образом, задача компенсации взаимного влияния степеней подвижности сводится к задаче построения быстродействующего регулятора, обеспечивающего инвариантность к суммарному внешнему возмущению. Обоснована возможность построения такого регулятора за счет применения интеллектуальных технологий.

В первой части главы показано, что системы с существующими регуляторами традиционного типа (\Vper - на рис. 1), не обеспечивают должного качества управления во всем диапазоне изменения инерционных параметров управляемого объекта. В диссертации предлагается два подхода к решению проблемы: первый характерен для устройств, в которых по тем или иным причинам полностью заменить систему управления невозможно. Для таких систем предлагается ввести в контур системы (см. рис. 1) интеллектуальную нейросетевую надстройку, включающую идентификатор приведенного момента инерции (НС1) и корректирующий регулятор (НС2).

Для идентификации приведенного момента инерции (I) предложено использовать многослойную нейронную сеть прямого распространения (МНСПР), характеризующуюся простотой структуры и, как следствие, простотой технической реализации, а также отсутствием внутренней динамики. Учитывая последние разработки по аппаратной реализации МНСПР, такт работы системы управления может быть доведен до десятков и даже единиц микросекунд. Поэтому скорость работы подобной системы с большим запасом удовлетворяет требованиям по быстродействию, предъявляемым к современным мехатронным устройствам, такт управления которых обычно составляет единицы миллисекунд.

Математическая модель алгоритма идентификации построена на базе аналитического выражения

О О) аг

„ г г Л (1)

от

где М„ - статический момент нагрузки, Ма - вращающий момент двигателя, и, Ля, кт, к„ - электрические параметры двигателя.

Рис. 1. Структурная схема ИСУ одпосвязным следящим электроприводом

Количество входов и выходов идентифицирующей трехслойной НС1 определяется сутью решаемой задачи, а именно: управляющее напряжение на двигателе, текущее и предшествующие значения скоростей и предыдущая величина момента инерции - определяют наличие 4-х входов, а единственный выходной параметр - идентифицируемый момент инерции - определяет единственный выход. Суммарное количество нейронов для типового случая определения момента инерции с относительной погрешностью не превышающей 5% составляет 25.

Синтез корректирующего регулятора, учитывающего изменяющийся момент инерции объекта управления, сводится к получению аддитивной корректирующей составляющей, вида:

•*+!). (2)

К" Л

где Д.! - изменение момента инерции относительно значения, на которое настроен регулятор. Для получения данного компонента предназначена нейросетевая структура НС2 (рис. 1), построенная следующим образом: входами данной трехслойной НС-структуры будут являться значения те-

кущего и предшествующего рассогласования по скорости, а также действующего и предыдущего идентифицированного момента инерции. Выходом НС будет являться корректирующее напряжение. Активационные функции нейронов двух внутренних слоев выбраны традиционного сжимающего сигмоидального вида. Обучение корректирующей нейросети, также как и идентифицирующей, осуществлялось с помощью метода Ле-венберга-Маркуатта.

Модельные эксперименты подтвердили работоспособность данного подхода и разработанных в его контексте алгоритмов.

Примером модернизации реальной системы управления (СУ) является корабельная артустановка «АК-306». Особенностью ее работы являлось наличие взаимных кинематических связей исполнительных осей пушки и стартовых консолей ракет. При этом настройкой существующих регуляторов обеспечить необходимые качества процессов управления не удалось. Введение нейросетевой надстройки в программное обеспечение СУ обеспечило требуемые технические характеристики.

Если первый подход предполагает использование нейросетевых технологий в качестве надстройки к существующему оборудованию СУ, то второй - предполагает полную модернизацию, при которой традиционный регулятор заменяется на нейросетевой регулятор (НСР). На основе нейро-сетевого подхода разработаны алгоритмы управления, реализующие апериодические переходные процессы в электроприводах отдельных интеллектуальных мехатронных модулей (ИММ) при произвольных алгоритмах управления и конфигурациях ММУ в целом. В качестве НС-базиса предлагается МНСПР, как наиболее адекватная задаче и изученная нейросетевая топология.

На основе структурных особенностей МНСПР в совокупности с рассмотренными свойствами требуемой СУ ИММ предложена следующая схема включения НСР в контур управления:

• МНСПР включается в прямую цепь управления в качестве регулятора;

• на вход МНСПР поступает сигнал ошибки, его производные (количество которых определяется порядком объекта и составляет 2 для случая ИММ, построенного на базе привода постоянного тока), а также вектор параметров модуля, идентифицируемый отдельной НС-структурой и состоящий для данной задачи из одного параметра - приведенного момента инерции.

• на выходе нейросеть регулятора формирует сигналы управления такого вида, чтобы переходной процесс в ЭП модуля являлся максимально близким к апериодическому.

Обучение НС-структуры регулятора осуществляется с помощью метода опорной модели, функционирование НС-идентификатора аналогично

такому же элементу в первой части главы. Реализованы МаЛаЬ-модели для обучения обеих НС-стуктур.

Приведенные результаты модельных экспериментов и экспериментов, проведенных на разработанном аппаратно-программном комплексе, подтвердили теоретические исследования и показали эффективность работы нейросетевой системы управления приводного уровня ММУ, а именно: подтвердили возможность реализации режима развязки и возможность улучшения динамических характеристик привода, в частности, для модели имитатора «АК-306» удалось сохранить высокую точность слежения и наведения при увеличении приведенного момента инерции почти на порядок.

Третья глава посвящена разработке алгоритмов и принципов построения на основе нейросетевых технологий тактического уровня интеллектуальной системы управления ММУ.

Среди задач тактического уровня в качестве основополагающей выделяется задача формирования траектории движения ММУ.

В качестве первого подхода предлагается использование многослойных нейронных сетей прямого распространения (МНСПР) для достижения поставленной цели. В рамках последовательного подхода к решению основной задачи рассматривается планирование траектории движения модели манипуляционного робота (МР), как частного случая ММУ, в свободном пространстве - в области действия, ограниченной лишь размером рабочей зоны, и не содержащей подобластей, нахождение в которых являлось бы для устройства недопустимым.

За основу берется метод покоординатного спуска с функцией рассогласования Н в виде модифицированного квадратичного отклонения:

#(?,,...,?„.~ХУ ~уУ (3)

дающей удобные для последующего использования частные производные по пространственным координатам:

ая эя ан

где хц, уш г„ - координаты целевой точки, х, у, г - координаты текущего положения МР.

Использованный метод минимизации основан на вычислении градиента функции рассогласования по обобщенным координатам (яь...,я„) манипулятора:

УН-.

Э#(<7„.

а я(<?„.

э<?„

(5)

Каждая компонента вектора градиента является частной производной функции ошибки по соответствующей обобщенной координате и дает информацию о том, насколько сильно нужно изменять эту координату для минимизации значения самой функции.

Величины, на которые необходимо переместить каждое из звеньев МР, определяются как:

дн{д^...,дп,х у г,)

--•, 1—1,...,11,

дд,

(6)

где вторым множителем является соответствующий элемент вектора градиента, а первым - константа, отражающая физическую связь между величинами компонент вектора градиента и величинами реальных приращений положений звеньев МР за один такт работы алгоритма.

Параллелизм функционирования нейросетевых структур и использование хорошо разработанного метода обратного распространения ошибки позволяют обеспечить значительное ускорение процедуры вычисления вектора градиента.

Решение прямой задачи кинематики (ПЗК) и вычисление вектора градиента обеспечивается специализированной нейросетевой структурой, обучение которой производится путем изменения весовых коэффициентов связей и параметров нейронов на основании метода обратного распространения ошибки и не представляет больших проблем даже для ММУ со сложной кинематической схемой. Полученные значения координат позволяют сформировать функцию ошибки (3). Отыскание вектора градиента (5), который определяет величины изменения обобщенных координат для движения мехатронного устройства в направлении к цели, осуществляется с помощью той же нейросетевой структуры, действующей в режиме обратного распространения.

Предложенный подход потребовал проведения специальных исследований по выбору оптимального способа структурной организации ней-росети, предназначенной для выполнения требуемых координатных преобразований. В качестве объекта для исследований был выбран экспериментальный МР с вертикально-ангулярной кинематикой «Электроника НЦТМ-30».

Решение ПЗК для данного МР может быть реализовано на МНСПР с двумя рабочими и одним выходным слоем нейронов. Кроме того, в соответствии с оценочной характеристикой для необходимого количества си-наптических весов Ь„ в многослойной сети с сигмоидальными передаточными функциями, количество связей внутри нейросети должно лежать в следующем диапазоне:

, Т1* <т(—+ 1Х» + гн + 1) + м, (7)

1 + N т

где п - размерность входного сигнала, ш - размерность выходного сигнала, N - число элементов обучающей выборки.

С учетом выбранной НС-топологии оценить количество нейронов во внутренних слоях можно следующим образом: общее количество настраиваемых синаптических связей между отдельными элементами сети определяется ее послойной организацией и составляет:

А, =5>. (8)

1-0

Как показывает анализ данных экспериментальных исследований, характер процесса обучения нейросети во многом зависит от ее структуры. Для решения задачи планирования траектории оказалось достаточным использование НС с 40 нейронами в первом внутреннем слое и 22 - во втором, как конфигурации, сочетающей в себе возможность достижения требуемого значения ошибки за допустимое время обучения.

Тщательная настройка такой сети на примере исходной обучающей выборки позволила свести значение суммарной конечной ошибки до уровня 0,0039, достаточного для обеспечения точности позиционирования манипулятора не хуже, чем 0,05.

Для реализации указанных алгоритмов предложена структурная схема тактического уровня ИСУ, которая может быть использована для ММУ произвольного типа (рис. 2).

Использованная нейросеть лишь условно разделена на сети, реализующие прямое и обратное распространение сигнала: физически это одна структура. В ходе прямого распространения сигнала, НС преобразует обобщенные координаты звеньев робота (ць ..., q„) в соответствующие им декартовые координаты эффектора (х, у, г), на основании которых и вычисляется текущее значение функции ошибки (3). Также при прямом распространении сигнала вычисляются и запоминаются частные производные выходных значений каждого нейрона по его входам Э^к/Эх,к для последующего использования в процедуре обратного распространения сигнала (при этом, в отличие от канонического варианта, не вычисляются частные производные по параметрам самой нейросети).

Рис. 2. Структурная схема тактического уровня ИСУ ММУ

Для реализации процедуры обратного распространения сигнала на выходы нейросети (входы для обратного распространения сигнала) подаются частные производные функции ошибки по текущим декартовым координатам схвата

_ ЪН дН _т

дх'У°*~ Эе ' (9)

которые в случае использования функции рассогласования в виде (3) принимают вид (4), являя собой разницу между текущими и целевыми координатами.

После обратного функционирования НС, на ее входах (выходах для процедуры обратного распространения) формируется вектор градиента (5), который и определяет, в соответствии с (6), величины изменения обобщенных координат для движения по направлению к цели.

В таблице 1 сведены расчетные данные для ММУ с различным количеством звеньев, содержащие, во-первых, оценку снизу для количества си-наптических связей НС, реализующей алгоритм управления; во-вторых, оценку для времени расчета НС на специализированном процессоре ЫМ6403; и в-третьих, возможную послойную конфигурацию управляющей НС.

Таблица 1.

Количество степеней Количество связей Время расчета Послойная конфигурация управляющей НС

2 83 3,ЗЕ-06 8 5

3 1146 4,6Е-05 37 25

4 17499 7,0Е-04 133 125

На основании вышеприведенных данных можно сделать вывод о целесообразности использования разработанного НС-алгоритма в системах

управления ММУ, работающими в режиме реального времени с тактом работы тактического уровня не более 10 мс.

Для ситуаций, когда рабочая зона ММУ содержит препятствия и вышеизложенный метод в исходном виде оказывается неприменимым, в работе разработана модификация данного метода с аддитивным штрафным вектором. Для избежания столкновения или излишнего сближения ММУ и препятствия к компонентам модифицированного вектора градиента предлагается добавлять соответствующие компоненты штрафного вектора

Кк.....>Яп<\„>У„р,2„р,

Г =

Л-.

(10)

определяемые как

где

гМк-'Ч,'

>

0, <?' > %, 0, Р, > Г,

«йпвО-^-а--®-)2

(И)

и позволяющие учитывать пространственное положение младших звеньев устройства при формировании управляющих сигналов для старших. Обозначения в (10), (11) имеют следующие значения: х„р, упр, 2пр - координаты препятствия, р, - вектор, соединяющий основание ¡-ого звена манипулятора и препятствие; ^ - вектор, соединяющий основание ¡-ого звена с точкой пересечения .¡-ого звена и окружности радиуса р, с центром в основании ь ого звена, <р,* - это угол между векторами г, и р„ В! - эмпирически определяемая константа, отвечающая за степень влияния функции штрафа на движение соответствующего звена.

Для построения штрафного вектора также предлагается использовать нейросетевую структуру, обученную на формирование функции, общий вид которой представленной на рис. 3.

Окончательно, сигнал управления 1-ым звеном ММУ примет вид:

А ^ц.Мии.О^ ^ (12)

Сформированный закон управления Д^ обеспечивает целенаправленное движение ММУ к целевой точке с учетом ограничений, накладываемых препятствием.

Предлагаемый вышеописанный алгоритм, инвариантный к кинематической схеме ММУ, обеспечивает высокую точность позиционирования. Недостатком этого алгоритма является работоспособность в среде с ограниченным количеством препятствий.

Для обеспечения работы ММУ в среде, где препятствия могут занимать большую часть рабочего пространства, в работе исследованы возможности построения тактического уровня ИСУ на базе слабосвязных гомогенных нейронных сетей (СГНС) - структур, состоящих из однотипных нейроподобных элементов, организованных в 4-х или более связные поля.

Для планирования траектории движения предложено использовать пространство обобщенных координат (ПОК) ММУ. Для перевода элементов рабочей зоны устройства в ПОК задействована бинарная нейросетевая структура, осуществляющая отображение пространств. За счет бинарности НС является высокоскоростной при аппаратной реализации, несмотря на избыточность и требовательность алгоритма к вычислительным ресурсам. Подобным образом осуществляется перевод в ПОК всех элементов рабочей зоны, таких как эффектор ММУ, области препятствий, целевые точки.

Отображение рабочего пространства ММУ осуществляется на НС-структуру, состоящую из нейросетевых элементов (НСЭ), построенных единым образом; при этом каждый из данных НСЭ взаимнооднозначно соответствует дискрете из ПОК, имеет входные синап-тические связи с генерирующими нейронами «цели» и «препятствия» и выходные - с четырьмя выходными нейронами с пороговой функцией активации. Веса синаптических связей формируются в процессе перевода рабочей зоны.

Для планирования траектории движения ММУ использована НС-реализация довольно известного метода бегущей волны (МБВ). Функционирование каждого из НСЭ заключается в реализации функции

ОШ =тахКы.™п(/ЛГ<г,!/ЛГ,) + 1| а3)

Для реализации подобного НСЭ предложено использование нейросе-тевого компаратора (рис. 4), реализующего функцию

/(х,у)=тат{х,у)=~{х + у-\х-у\) (14)

и схожего компаратора для реализации функции вычисления максимума.

1)—*—I-1--1-1—I—

-8-6-4202468

Рис. 3. Обший виз функции штрафа.

Рис. 4. Реализация НС-вычисления функции минимума двух переменных

На основании рассмотренного алгоритма предложена структурная схема тактического уровня ИСУ мехатронным устройством, представленная на рис. 5, рассчитаны (таблица 2) ресурсные характеристики алгоритма для нейропроцессора NN16403 и экспериментально сняты некоторые временные характеристики для программной реализации (рис. 6).

__Таблица 2.

Количество степеней ММУ Количество НСЭ Время расчета одним НП, [с] Время расчета всеми НП системы, [с]

1 4,0Е+01 3,0Е-08 3,0Е-08

2 1,6Е+03 1,2Е-06 5,9Е-07

3 6,4Е+04 4,8Е-05 1,6Е-05

4 2,6Е+06 1,9Е-03 4,8Е-04

5 1,0Е+08 7,6Е-02 1,5Е-02

Из вышеприведенной таблицы следует, что для ММУ с количеством звеньев до 4-х, включительно, построение подобным образом тактического уровня ИСУ является целесообразным, поскольку дает возможность эффективного управления ММУ в рабочей зоне с неохраниченным количеством препятствий при соблюдении ограничения на максимальный такт работы тактического уровня ИСУ в 10 мс.

Четвертая глава посвящена разработке аппаратно-программных комплексов для исследования моделей и алгоритмов, предложенных в предыдущих главах работы, а именно:

• аппаратно-программного комплекса для управления 3-х звенным меха-тронно-модульным роботом с прямоугольной системой координат;

• аппаратно-программного комплекса для управления 5-ти степенным мини-роботом с вертикально-ангулярной кинематикой;

• аппаратно-программного комплекса для исследования мехатронной системы с изменяющимися инерционными характеристиками.

Рис. 5. Структура нейросетевого тактического уровня ИСУ ММУ

Рис. ба. Зависимость времени расчета элемента траектории от расстояния между текущей и целевой точкой

Рис. 66. Зависимость времени перевода рабочей сцены в ПОК от величины дискретизации зоны

Первый комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня ИСУ ММУ на базе слабосвязных гомогенных нейронных сетей и включает в себя:

• 3-х звенный мехатронно-модульный робот УРТК;

• систему управления;

• ПО системы управления, реализующее низкоуровневые функции управления устройством;

• ПЭВМ на базе микропроцессора Intel® PIII-800 под управлением ОС Windows"" 2000;

• программный комплекс для исследования задачи планирования траектории на базе слабосвязных гомогенных нейронных сетей.

Второй комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня интеллектуальной системы управления

мехатронным устройством на базе многослойных нейронных сетей прямого распространения и включает в себя:

• мини-робот ROB3 с вертикально-ангулярной кинематикой;

• систему управления;

• ПО системы управления, реализующее низкоуровневые функции управления устройством;

• ПЭВМ на базе микропроцессора Intel® PIII-800 под управлением ОС Windows'™ 2000;

• программный комплекс для исследования задачи планирования траектории на базе многослойных нейронных сетей прямого распространения.

Третий комплекс разработан для исследования моделей, алгоритмов и структур приводного уровня интеллектуальной системы управления мехатронным устройством и включает в себя:

• ММУ с изменяющимися инерционными характеристиками, имитирующее, в частности, кинематическую схему артустановки АК-306;

• систему управления;

• ПО системы управления, реализующее низкоуровневые функции управления устройством;

• ПЭВМ на базе микропроцессора Intel® PIII-800 под управлением ОС Windows'™ 2000;

• ПО, реализующее нейросетевые алгоритмы управления ММУ и съем данных для последующей обработки на ПЭВМ;

• набор программных модулей для интегрированной среды MatLab1"1, обеспечивающих обработку и представление экспериментальных данных.

Результаты практических экспериментов подтвердили работоспособность предложенных нейросетевых моделей и алгоритмов построения тактического и приводного уровня ИСУ ММУ и, в частности, возможность динамической развязки отдельных степеней ММУ, высокую точность позиционирования ММУ с помощью алгоритмов планирования траектории на базе МНСПР и эффективность функционирования на базе СГНС тактического уровня ММУ, работающего в среде с большим количеством препятствий.

ЗАКЛЮЧЕНИЕ

В диссертационной работе получены следующие основные научные и практические результаты:

1. Обоснована целесообразность применения интеллектуальных технологий для управления различными ММУ, работающими в условиях неопределенности: для систем военного, экстремального использования,

для микроустройств; показана перспективность построения ИСУ ММУ на базе нейросетевых технологий.

2. На основе анализа уровней иерархии управления ММУ выделены основные задачи приводного и тактического уровней, характерные для ММУ общего вида.

3. На основе НС-технологий разработаны алгоритмы управления приводного уровня, обеспечивающие динамическую развязку ММУ.

4. Разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств на базе многослойных нейронных сетей прямого распространения в свободном пространстве и пространстве с препятствиями, на примере манипуляционных роботов с трех- и более степенной кинематикой.

5. Разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств на базе слабосвязных гомогенных нейронных сетей в пространстве, содержащем произвольное количество препятствий.

6. Предложены структуры исполнительного и тактического уровней ИСУ мехатронными устройствами на базе разработанных алгоритмов; обоснованы преимущества и недостатки различных видов НС для управления многозвенными мехатронными объектами.

7. Создан ряд аппаратно-программных комплексов, на которых проведены экспериментальные исследования разработанных нейросетевых алгоритмов: 1) программный комплекс на базе слабосвязных гомогенных нейронных сетей для управления 3-х звенным ММУ типа «УРТК», 2) программный комплекс на базе МНСПР для управления 5-ти степенным мини-роботом «1ЮВ-3», 3) программный комплекс, реализующий НС-алгоритмы управления ММУ с изменяющимися инерционными характеристиками.

8. Разработан в системе Ма11аЬт набор программных модулей для исследования нейросетевых систем управления ММУ;

9. Получены государственные регистрационные свидетельства отраслевого фонда алгоритмов и программ на ПО разработанных в рамках диссертационной работы экспериментальных комплексов по исследованию нейросетевых алгоритмов управления ММУ.

10. Результаты диссертации использованы при выполнении НИР, проводимых по заказу Секции прикладных проблем при Президиуме РАН — НИР №К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (Шифр «Латилус»), НИР№1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности слож-

ных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише»), при выполнении НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления ро-бототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М») по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана, а также в учебном процессе кафедры «Проблемы управления» МИРЭА в курсах «Системы управления роботами и манипуляторами», «Методы искусственного интеллекта» и «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами» для студентов специальностей 210300 «Роботы и робототехнические системы» и 071800 «Мехатроника».

В приложении приведены акты об использовании результатов диссертации в НИР.

ОСНОВНЫЕ ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Основные положения диссертации полностью отражены в следующих публикациях соискателя, сделанных лично и в соавторстве:

1. Гарцеев И.Б. Планирование траектории движения манипуляцион-ного робота на базе слабосвязных гомогенных нейронных сетей // Современные технологии в задачах управления, автоматики и обработки информации: Сборник научных трудов XI международного научно-технического семинара. - М.: Издательство МГАПИ, 2002. - С. 9-10.

2. Гарцеев И.Б. Планирование траектории движения манипуляцион-ных роботов на базе МНСПР // Новые информационные технологии: Тезисы докладов XI международной студенческой школы-семинара в 2-х томах - М.:МГИЭМ, 2003. - С. 149-150.

3. Еремин Д.М., Гарцеев И.Б. Искусственные нейронные сети в интеллектуальных системах управления: Учебное пособие / Московский государственный институт радиотехники, электроники и автоматики (технический университет) - М., 2003. - 80 с.

4. Гарцеев И.Б. Унифицированная система управления учебными ме-хатронно-модульными роботами // Современные технологии в задачах управления, автоматики и обработки информации: Труды XII международного научно-технического семинара. - М.: Издательство МЭИ, 2003. -С. 13-14.

5. Гарцеев И.Б., Трипольский П.Э. Управляющий контроллер для учебного робота с шестью степенями подвижности // «Управление и про-

ектирование на базе интеллектуальных технологий»: Межвузовский сборник научных трудов. - М.: МИРЭА, 1999. - С. 50-55.

6. Гарцеев И.Б. Разработка алгоритмического, программного и аппаратного обеспечения для управления гибкой производственной системой // Сборник трудов XLIX научно-технической конференции, -М.: МИРЭА, 2000. - С. 82-87.

7. Гарцеев И.Б., Мадыгулов Р.У. Применение специализированного микропроцессора для эмуляции нейронных сетей // Современные технологии в задачах управления, автоматики и обработки информации: Сборник научных трудов IX международного научно-технического семинара. -М.: МАИ, 2000.-С. 213-214.

8. Гарцеев И.Б. Робототехнический комплекс с дистанционным управлением // Современные информационные технологии в управлении и образовании - новые возможности и перспективы развития: Сборник научных трудов. ФГУП НИИ "Восход", МИРЭА. - М.: 2001. - С. 122-123.

9. Макаров И.М., Лохин В.М., Манько C.B., Романов М.П., Гарцеев И.Б., Киор С.В, Белькович A.A. Дистанционное управление сложными динамическими объектами на основе современных сетевых технологий. Часть 1 // Микросистемная техника, №5. - М.: Машиностроение, 2002. -С. 16-21.

10. Макаров И.М., Лохин В.М., Манько C.B., Романов М.П., Гарцеев И.Б., Киор С.В, Белькович A.A. Дистанционное управление сложными динамическими объектами на основе современных сетевых технологий. Часть 2 // Микросистемная техника, №6. - М.: Машиностроение, 2002. -С. 16-18.

11. Макаров И.М., Лохин В.М., Манько C.B., Романов М.П., Белькович А., Гарцеев И.Б., Евстигнеев Д.В., Киор С.В. Система дистанционного обучения по робототехнике и мехатронике: особенности построения и примеры реализации // Журнал «Мехатроника», № 1,2002 г.

12. Гарцеев И.Б. Программное обеспечение системы управления учебными роботами с вертикально-ангулярной кинематикой. - М,: ВНТИЦ, 2003. - №50200300769.

13. Гарцеев И.Б. Программное обеспечение системы управления учебными мехатронно-модульными роботами. - М.: ВНТИЦ, 2003. -№50200300770.

Подписано в печать 19.11.2003. Формат 60x84 1/16.

Бумага офсетная. Печать офсетная. Усл. печ. л.1,16. Усл. кр.-отт. 4,64. Уч.-изд. л. 1,25. Тираж 100 экз. Заказ 862

Московский государственный институт радиотехники, электроники и автоматики (технический университет) 119454, Москва, пр. Вернадского, 78

I

г 1

919134

2oog-i4

шт

Введение.

Глава 1. Анализ особенностей применения нейросетевых технологий в задачах управления мехатронными системами.

1.1. Управление мехатронными устройствами.

1.2. Свойства нейросетей, их классификация и основные аспекты использования.

1.3. Применение нейросетевых технологий в задачах управления.

1.4. Постановка задачи.

Выводы по 1-ой главе.

Глава 2. Разработка и исследование на базе нейросетевых структур алгоритмов динамической развязки многозвенных мехатронных устройств.

2.1. Реализация динамической развязки на основе применения нейросетевого идентификатора и корректирующего регулятора.

2.2. Быстродействующий нейросетевой регулятор на базе многослойной сети прямого распространения.

2.3. Исследование эффективности нейросетевых алгоритмов динамической развязки многозвенных мехатронных устройств.

Выводы по 2-ой главе.

Глава 3. Разработка алгоритмов и принципов построения на основе нейросетевых технологий тактического уровня интеллектуальной системы управления мехатронными устройствами.

3.1. Планирование траектории движения многозвенных мехатронных устройств на базе многослойных нейронных сетей прямого распространения.

3.2. Планирование траектории движения многозвенных мехатронных устройств на базе слабосвязных гомогенных нейронных сетей.

Выводы по 3-ей главе.

Глава 4. Экспериментальные исследования нейросетевых алгоритмов управления многозвенными мехатронными + устройствами.

4.1. Аппаратно-программный комплекс для управления 3-х звенным мехатронно-модульным роботом с прямоугольной системой координат.

4.2. Аппаратно-программный комплекс для управления шестистепенным мини-роботом с вертикально-ангулярной системой координат.

4.3. Мехатронный стенд, имитирующий стрелковую артустановку с изменяющимися инерционными свойствами.

Выводы по 4-ой главе.

Мехатроника, как новое научно-техническое направление, развиваемое с конца 70-х гг. XX века, во всем мире начинает активно внедряться в повседневную практику. Потенциальные применения мехатронных устройств охватывают необычайно широкий диапазон прикладных областей, начиная от микросистемной техники и заканчивая гибкими производственными системами. Регулярно проводятся представительные международные конференции и симпозиумы, выставки и презентации новой техники, разработанной с использованием последних достижений мехатроники. В ряде стран мехатроника стала приоритетной технологией создания машин следующего поколения.

Интерес к мехатронике, которая изначально понималась как некий симбиоз механики и электроники, в значительной степени связан с пересмотром ее фундаментальных основ с учетом принципов интеллектуального управления. Эта современная трактовка предполагает, что основой мехатронных систем, машин и т. д. является интеллектуальный мехатронный модуль, который должен включать в свой состав высокопроизводительный цифровой контроллер, ориентированный на решение задач обработки информации и управления в реальном времени на основе применения современных интеллектуальных технологий. Таким образом, принципиальным отличием отдельных составных компонент интеллектуальных мехатронных устройств от комплектных электроприводов служит наличие интеллектуальной системы управления, которая в сочетании с традиционной (или новой) механикой позволит создавать мехатронные машины и комплексы, обладающие значительно более высокими техническими характеристиками по сравнению с существующими образцами.

Развитие концепции мехатронно-модульного построения сложных электромеханических систем различной конструкции и назначения предполагает комплексное решение целого ряда важнейших проблем. К их числу в первую очередь следует отнести разработку принципов динамической развязки быстродействующих приводов с учетом компенсации взаимного влияния отдельных степеней подвижности, а также алгоритмов управления движением, инвариантных к типу кинематической схемы многозвенного мехатронно-модульного механизма.

Подобные задачи возможно не так часто возникают в достаточно хорошо изученной области промышленной робототехники, но являются неотъемлемой частью таких, развивающихся стремительными темпами областей, как экстремальная робототехника, микроробототехника. Так же серьезными и требующими разрешения данные проблемы оказываются в задачах управления объектами, функционирующими в экстремальных условиях, автономными объектами и т. д.

Традиционные методы оказываются недостаточно эффективными для решения подобных круга задач, следовательно, логичным выходом представляется применение интеллектуальных подходов и технологий.

К числу наиболее интенсивно развиваемых технологий искусственного интеллекта относятся нейронные сети, экспертные системы, системы нечеткого логического вывода. В последнее время данные технологии получили весьма широкое распространение при решении задач, связанных с распознаванием и идентификацией ситуаций и объектов, с принятием решений, анализом и диагностикой. Однако практическое использование искусственного интеллекта в задачах управления мехатронными системами остается еще достаточно ограниченным, носит частный, локальный характер. Между тем активному развитию интеллектуальных систем в последнее время существенно способствует бурный прогресс в программных и аппаратных средствах вычислительной техники, который позволяет реализовывать в реальном времени на аппаратном и/или программном уровне сложные алгоритмы интеллектуального управления.

Одной из наиболее динамично развивающихся интеллектуальных технологий является технология нейросетевых структур, которые обладают рядом важных положительных свойств, таких как быстродействие, обучаемость, апроксимационные свойства и т.д. Различным аспектам использования нейронных сетей (НС) в задачах управления посвящены работы Терехова В.А., Галушкина А.И., Горбаня А.И., Каляева И.А., Тимофеева А.В., ЛохинаВ.М., Макарова И.М., Еремина Д.М., WassermanP., Rosenblatt F., Widrow В., Hagan M. и других известных ученых. Активно ведутся работы по данной тематике в ТГТУ, МГТУ им. Н.Э.Баумана, ЛЭТИ, ЦНИИ РТК, МАИ, МЭИ, МИФИ и еще в ряде научных школ, что также подтверждает актуальность разработок, направленных на расширение областей применения НС.

В связи с этим развитие технологии нейросетевых структур, как интеллектуальной технологии управления мехатронными системами, представляется важной и своевременной задачей.

Данная диссертационная работа посвящена разработке на основе нейросетевых технологий моделей, алгоритмов и программного обеспечения интеллектуальных систем, позволяющих обеспечить высококачественное управление многозвенными мехатронными устройствами (ММУ), функционирующими в средах с препятствиями и в условиях воздействия различных факторов неопределенности.

В соответствии с указанной целью в диссертационной работе решаются следующие задачи и проводятся следующие исследования:

• разработка на базе нейросетевых технологий алгоритмов функционирования исполнительного уровня интеллектуальных систем управления (ИСУ) мехатронными устройствами, обеспечивающих не только высокое качество управления приводами мехатронных модулей, но и устранение взаимовлияния отдельных степеней подвижности ММУ;

• исследование возможностей искусственных нейронных сетей с различной топологией для решения задач управления движением ММУ; определение зависимостей между сложностью ММУ и характеристиками нейросетевой системы управления;

• разработка на базе нейросетевых технологий алгоритмов функционирования тактического уровня ИСУ ММУ, обеспечивающих: высокое качество управления движением ММУ в свободной среде, обход им статических и квазистатических препятствий; • проведение экспериментальных исследований, подтверждающих работоспособность и эффективность предложенных нейросетевых алгоритмов функционирования как для нижнего (исполнительного) уровня, так и для верхнего (тактического) уровня ИСУ ММУ.

Поставленные задачи решаются на основе применения классических нейросетевых парадигм и разработки специализированных нейросетевых структур. В числе прочих, для решения поставленных в диссертационной работе задач, используются методы теории автоматического управления, теории машинного моделирования, теории искусственных нейронных сетей, теории искусственного интеллекта.

Программное обеспечение разработано на основе объектно-ориентированного подхода с использованием идей и методов, применяемых при построении современных прикладных систем реального времени.

В первой главе проведен анализ особенностей применения нейросетевых технологий в задачах управления. Рассмотрены основные проблемы, возникающие при управлении ММУ, в том числе манипуляционными роботами. На основе анализа различного рода систем управления, применяемых для управления робототехническими объектами, показана перспективность применения интеллектуальных систем управления для объектов типа ММУ.

На основе проведенной классификации существующих типов нейросетевых структур и анализа их общих свойств сделан вывод о целесообразности и эффективности применения технологии нейросетевых структур в качестве базы для построения интеллектуальных систем управления ММУ. Рассмотрены особенности использования данной технологии.

Показано, что для широкого класса технологического оборудования, построенного на базе ММУ, значительное повышение качества работы может быть достигнуто за счет применения НС-технологий на исполнительном и тактическом уровнях иерархии систем интеллектуального управления, что и стало теоретической основой работы, а также определило структуру диссертации и, в частности, комплекс задач, решаемых во второй главе.

Вторая глава диссертационной работы посвящена исследованию возможностей нейросетевых технологий для совершенствования характеристик исполнительного уровня интеллектуальной системы управления ММУ.

В качестве ключевой выделяется проблема взаимовлияния степеней подвижности ММУ, приобретающая все большую значимость в связи со значительным увеличением процентного числа безредукторных и слаборедукторных двигателей в мехатронных устройствах.

Исследуется односвязная модель, соответствующая каждой степени подвижности ММУ, в которой переменные динамические параметры объекта управления (двигателя) и возмущения приведены к валу исполнительного двигателя. Таким образом, задача компенсации взаимного влияния степеней подвижности сводится к задаче построения быстродействующего регулятора, обеспечивающего инвариантность к суммарному внешнему возмущению. Обосновывается возможность построения такого регулятора за счет применения интеллектуальных технологий.

Показывается, что системы с существующими регуляторами традиционного типа зачастую не обеспечивают должного качества управления во всем диапазоне изменения инерционных параметров управляемого объекта и предлагается два подхода к решению проблемы: первый характерен для устройств, в которых по тем или иным причинам полностью заменить систему управления невозможно. Для таких систем предлагается ввести в контур системы интеллектуальную нейросетевую надстройку, включающую идентификатор приведенного момента инерции и корректирующий регулятор.

Для идентификации приведенного момента инерции предложено использовать многослойную нейронную сеть прямого распространения, характеризующуюся простотой структуры и, как следствие, простотой технической реализации, а также отсутствием внутренней динамики.

Приводятся результаты модельных экспериментов, подтвердающих работоспособность подхода и разработанных в его контексте алгоритмов.

В качестве альтернативы к первому подходу, предполагающему использование нейросетевых технологий в качестве надстройки к существующему оборудованию систем управления, предложена полная перестройка существующей системы управления путем замены традиционного регулятора на нейросетевой. На основе нейросетевого подхода разработаны алгоритмы управления, реализующие апериодические переходные процессы в электроприводах отдельных интеллектуальных мехатронных модулей при произвольных алгоритмах управления и конфигурациях ММУ в целом. В качестве НС-базиса предлагается МНСПР, как наиболее адекватная задаче и изученная нейросетевая топология.

Приведены результаты модельных экспериментов и экспериментов, проведенных на разработанном аппаратно-программном комплексе, подтвердающие теоретические исследования и показывающие эффективность работы нейросетевой системы управления приводного уровня ММУ.

Третья глава посвящена разработке алгоритмов и принципов построения на основе нейросетевых технологий тактического уровня интеллектуальной системы управления ММУ.

В качестве первого подхода предлагается использование многослойных нейронных сетей прямого распространения (МНСПР) для скоростного вычисления градиента функции рассогласования, позволяющего итеративно выводить ММУ к требуемому положению. В рамках последовательного подхода к решению основной задачи рассматривается планирование траектории движения модели манипуляционного робота, как частного случая ММУ, в свободном пространстве.

Разрабатывается структурная схема нейросетевого тактического уровня ИСУ, которая может быть использована для ММУ произвольного типа. Приведены результаты исследований по зависимости параметров используемых нейросетевых структур от кинематической схемы ММУ.

Для ситуаций, когда рабочая зона ММУ содержит препятствия разработана модификация метода с помощью использования аддитивного штрафного вектора.

Для обеспечения работы ММУ в среде, где препятствия могут занимать большую часть рабочего пространства, в работе исследованы возможности построения тактического уровня ИСУ на базе слабосвязных гомогенных нейронных сетей (СГНС).

Для планирования траектории движения предложено использовать пространство обобщенных координат (ПОК) ММУ. Для перевода элементов рабочей зоны устройства в ПОК предлагается бинарная нейросетевая структура, осуществляющая отображение пространств. Отображение рабочего пространства ММУ осуществляется на НС-структуру, состоящую из нейросетевых элементов, построенных единым образом; при этом каждый из данных нейросетевых элементов взаимнооднозначно соответствует дискрете из ПОК. Веса синаптических связей формируются в процессе перевода рабочей зоны.

Для планирования траектории движения ММУ предлагается использование НС-реализации известного метода бегущей волны.

На основании рассмотренного алгоритма предложена структурная схема тактического уровня ИСУ мехатронным устройством, рассчитаны ресурсные характеристики алгоритма и экспериментально сняты некоторые временные характеристики для программной реализации.

Четвертая глава посвящена разработке аппаратно-программных комплексов для исследования моделей и алгоритмов, предложенных в предыдущих главах работы, а именно:

• аппаратно-программного комплекса для управления 3-х звенным мехатронно-модульным роботом с прямоугольной системой координат;

• аппаратно-программного комплекса для управления 5-ти степенным мини-роботом с вертикально-ангулярной кинематикой;

• аппаратно-программного комплекса для исследования мехатронной системы с изменяющимися инерционными характеристиками.

Первый комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня ИСУ ММУ на базе слабосвязных гомогенных нейронных сетей.

Второй комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня интеллектуальной системы управления мехатронным устройством на базе многослойных нейронных сетей прямого распространения.

Третий комплекс разработан для исследования моделей, алгоритмов и структур приводного уровня интеллектуальной системы управления мехатронным устройством.

Приведены результаты практических экспериментов, подтвержающие работоспособность предложенных нейросетевых моделей и алгоритмов построения тактического и приводного уровня ИСУ ММУ.

В заключении приведена общая характеристика и основные выводы по результатам диссертационной работы.

Работа проводилась на кафедре «Проблемы управления» МИРЭА. Теоретические и практические результаты диссертации были использованы в учебном процессе кафедры «Проблемы управления» МИРЭА в курсах «Информатика», «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами», «Методы искусственного интеллекта» для студентов специальностей 21.03.00 «Роботы и робототехнические системы» и 07.18.00 «Мехатроника».

Отдельные материалы диссертации вошли в состав НИР№ 1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности сложных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише»), №К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (Шифр «Латилус»), выполнявшихся по заданию Секции прикладных проблем при Президиуме РАН; а также НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления робототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М»), выполнявшейся по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана.

Результаты работы по созданию программно-алгоритмического обеспечения учебных роботов отмечены медалью Российской Академии Наук в области разработки или создания приборов, методик, технологий и новой научно-технической продукции научного и прикладного значения в 2002 г., а также медалью «За лучшую научную студенческую работу» Министерства Образования РФ в 2001 г.

Результаты работы по созданию программно-алгоритмического обеспечения учебных роботов отмечены медалью Российской Академии Наук в области разработки или создания приборов, методик, технологий и новой научно-технической продукции научного и прикладного значения в 2002 г., а также медалью «За лучшую научную студенческую работу» Министерства Образования РФ в 2001 г.

Основные положения диссертационной работы отражены в 13 публикациях. В рамках тематики диссертационной работы получены 2 государственных регистрационных свидетельства Отраслевого фонда алгоритмов и программ.

Заключение

В диссертационной работе решалась актуальная проблема создания на базе нейросетевых технологий нового поколения систем управления для широкого класса многозвенных мехатронных устройств (ММУ), включая манипуляционные роботы.

В диссертационной работе получены следующие основные научные и практические результаты:

1. Обоснована целесообразность применения интеллектуальных технологий для управления различными ММУ, работающими в условиях неопределенности: для систем военного, экстремального использования, для микроустройств; показана перспективность построения интеллектуальных систем управления (ИСУ) ММУ на базе нейросетевых технологий.

2. На основе анализа уровней иерархии управления ММУ выделены основные задачи приводного и тактического уровней, характерные для ММУ общего вида.

3. На основе НС-технологий разработаны алгоритмы управления приводного уровня, обеспечивающие динамическую развязку ММУ.

4. На базе многослойных нейронных сетей прямого распространения разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств в свободном пространстве и пространстве с препятствиями, на примере манипуляционных роботов с трех- и более степенной кинематикой.

5. На базе слабосвязных гомогенных нейронных сетей разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств в пространстве, содержащем произвольное количество препятствий.

6. Предложены структуры исполнительного и тактического уровней ИСУ мехатронными устройствами на базе разработанных алгоритмов; обоснованы преимущества и недостатки различных видов НС для управления многозвенными мехатронными объектами.

7. Создан ряд аппаратно-программных комплексов, на которых проведены экспериментальные исследования разработанных нейросетевых алгоритмов: 1) программный комплекс на базе слабосвязных гомогенных нейронных сетей для управления 3-х звенным ММУ типа «УРТК», 2) программный комплекс на базе МНСПР для управления 5-ти степенным мини-роботом «110В-3», 3) программный комплекс, реализующий НС-алгоритмы управления ММУ с изменяющимися инерционными характеристиками.

8. Разработан в системе МаЙаЪ*"1 набор программных модулей для исследования нейросетевых систем управления ММУ;

9. Получены государственные регистрационные свидетельства отраслевого фонда алгоритмов и программ на ПО разработанных в рамках диссертационной работы экспериментальных комплексов по исследованию нейросетевых алгоритмов управления ММУ.

10. Результаты диссертации использованы при выполнении НИР, проводимых по заказу Секции прикладных проблем при Президиуме РАН - НИР №К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (Шифр «Латилус»), НИР №1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности сложных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише»), при выполнении НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления робототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М») по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана.

11. Результаты диссертации внедрены в учебном процессе кафедры «Проблемы управления» МИРЭА в курсах «Системы управления роботами и манипуляторами», «Методы искусственного интеллекта» и «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами» для студентов специальностей 210300 «Роботы и робототехнические системы» и 071800 «Мехатроника».

Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях:

• международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта, 2000, 2001,2002, 2003 гг.);

• научно-техническая конференция МИРЭА (Москва, 2000, 2001, 2002, 2003 гг.).

• научно-техническая конференция «Экстремальная робототехника» (Санкт-Петербург, 2001 г.);

• научно-техническая конференция «Современные информационные технологии в управлении и образовании - новые возможности и перспективы развития» (Москва, 2001 г.);

• международная студенческая школа-семинар «Новые информационные технологии» (Судак, 2003 г.).

1. Робототехника и ГАП. Учебное пособие для ВТУЗов под ред. И.М. Макарова. М.: Высш. школа, 1986.

2. Интеллектуальные системы автоматического управления. Под ред. Макарова И.М., Лохина В.М. М.: ФИЗМАТЛИТ, 2001.

3. Percy Dahm, Carsten Bruckhoff. Autonomous decision making in local navigation // From animals to animats 5, MIT Press, 1998.

4. Percy Dahm, Frank Joublin. Closed form solution for the inverse kinematics of a redundant robot arm // Technical report 8, Institut fur Neuroinformatik, Bochum, Germany, 1997.

5. Игнатьев М.Б. Комплексная робототехническая система для ликвидации последствий аварий типа Чернобыльской // Материалы IV конференции «Робототехника для экстремальных условий». СПб.: МЦЭНТ, 1993.

6. Системы очувствления промышленных роботов и гибких производственных систем / под. ред. И.М.Макарова и Е.П.Попова. М.: Наука, 1989.

7. Makarov I., Lokhin V., Manko S., Romanov M. Concept organization principles of intelligent control by complex dynamic objects // Proc. International Workshop on Micro Mashines, Micro Robots, and Micro Systems, 1999. Moscow, Russia.

8. Беркинблит М.Б. Нейронные сети. М.: МИРОС, 1993.

9. Анил К. Джейн, Жианчанг Мао, Моиуддин К.М. Введение в искусственные нейронные сети // Открытые системы, 1997, №4.

10. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 416 с.

11. Hortz, J., Krogh, A., Palmer, R., Introduction to the theory of neural computation. Addison Wesley Publishing Company, 1991.

12. Уоссерман Ф. Нейрокомпьютерная техника. M.: Мир, 1992.

13. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1991.

14. Kroese, В., An introduction to Neural Networks. Amsterdam Univercity of Amsterdam, 1996.

15. Hagan М.Т., Demuth Н.В. Neural Networks for Control //Proceedings of the 1999 American Control Conference. SanDiego: CA, 1999. P. 1642-1656.

16. Hunt K.J., Sbarbaro D., Zbikowski R., Gawthrop P.J. Neural Networks for Control System A Survey // Automatica. 1992. Vol 28. P. 1083-1112.

17. Ratanapan, K., Daglu, C.H., Implementation of ART1 Architecture on CNAPS Neurocomputer. Application and Science of Artificial Neural Networks. 1995, SPIE, vol. 2492, pp. 103-110.

18. Шевченко П.А., Фомин Д.В., Черников B.M., Виксне П.Е. Архитектура нейропроцессора NeuroMatrix NM6403: Сб. докл. V Всероссийской конференции «Нейрокомпьютеры и их применение», М.: Радио и связь, 1999, с. 94.

19. Kohonen, Т., Self-organizing and Associative Memory. Berlin: Springer Verlag, 1984.

20. Kohonen, Т., Self-organizing Maps. Heidelberg: Springer Verlag, 1995.

21. Battiti R. First and second order methods for learning: Between steepest descent and Newton's method. //Neural Computation. 1992. Vol. 4, №2, P. 141-166.

22. Charalambous C. Conjugate gradient algorithm for efficient training of artificial neural networks // IEEE Proceedings. 1992. Vol. 139, №3, P. 301-310.

23. Hagan M.T., Menhaj M. Training feedforward networks with the Marquardt algorithm // IEEE Transactions on Neural Networks. 1994. Vol. 5, №6, P. 989993.

24. Круглов B.B., Борисов B.B. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

25. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. М.: Мир, 1965.

26. Hornik, К., Strinchcombe, М., and White, Н., Multilayer feedforward networks are universal approximators // Neural Networks, 1989, №2, pp. 359-366.

27. Логовский A.C. Многопроцессорные и нейрокомпьютерные технологии фирмы Sundence Multiprocessor Technology, Ltd. Нейрокомпьютер, №1, 1999.

28. Cybenko, G., Approximation by superpositions of a sigmoidal function // Mathematics Control, Signal & System, Vol. 2, pp. 303-314, 1989.

29. Funahashi, K.I., On the approximate realization of continuous mappings by neural networks // Neural Networks, Vol. 2, pp. 183-192, 1989.

30. Емельянов C.B.,Коровин C.K. Новые типы обратных связей.М.:Наука,1997.

31. Iiguni, Y., Н. Sakai, and Н. Tokumaru, A non-linear regulator design in the presence of system uncertainties using multilayered neural networks // IEEE Trans, on Neural Networks, Vol. 2, pp. 410-417, 1991.

32. Narendna, K.S. and К. Parthasarathy, Identification and control of dynamical systems using neural networks 11 IEEE Trans, or. Neural Networks, Vol. 1, pp. 4-27, 1990.

33. Колмогоров A.H. ДАН, 108, 1956, №2.

34. Арнольд В.И. ДАН, 114, 1957, №4.

35. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы, 1998. № 4.

36. Hopfield J., TankD. Neural computation of decisions in optimization problems //Biological Cybernetics, 1985, vol. 52, pp. 141-152.

37. Aiyer, V., Niranjan M., Fallside F., A Theoretical investigation into the performance of the Hopfield model // IEEE Transactions on Neural Networks, 1990, vol 2, №2, pp. 204-215.

38. Nguyen D., Widrow В., "Neural Network for Self-Learning Control System", IEEE Cont. Syst. Mag., 1990.

39. Терехов B.A., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Высш. шк., 2002.

40. Albus J., "A new aproach to manipulator control: The Cerebellar model articulation Controller (CMAC)", ASME Journal of Dynamic System, Meas. and Control, pp. 220-227, 1975.

41. Albus J., "Data Storage in the cerebellar model articulation controler (CMAC)", ASME Journal of Dynamic System, Meas. and Control, pp. 228-233, 1975.

42. Betz R.E., Sathiakumar S,, Evans R.J., "An AI based controller for robotic system", Proc. of Int. Symposium and Exp. On Robots, Sydney, Australia, 6-10 Nov., 1988, p. 507-527.

43. Miller W.T., Glanz F.H., Kraft L.G., "CMAC: An associative neural network alternative to backpropagation". Proc. IEEE, 1990, vol. 78, pp. 1561-1567.

44. Homel M., "A self-organize associative memory system for control applications". Advances in Neural Information Processing Systems 2, D.S. Touretzky Ed. Los Altos, CA; Morgan Kaufmann, 1990, pp. 340-359.

45. Sira-Ramirez H.J., Zak S.H. The Adaptation of Perceptron with Aplication to Inverse Dynamics Identification of Unknown Dynamic System. IEEE Trans, on Systems, Man, and Cybernetics. Vol. 21,13, 1991, page 634-642.

46. Hunt, K.J., D. Sbarbaro, R. Zbikowski, and P.J. Gaw-throp, «Neural networks for control systems a survey», Aulo-matica, Vol. 28, pp. 1083-1112. 1992

47. Wang G., Miu D., "Unsupervising adaption neural network control", INNC'90. 1990. pp. 421-428.

48. Wang S., Yeh H., "Self-adaptive neural architectures for control application", * INNC'90. 1990. pp. 309-314.

49. Wong Y., Sideris A. "Lening convergence in the cerebellar model articulation controller" IEEE Trans, on Neural Networs, 1993, vol.3, pp. 115-121.

50. Chen F., "Back Propagation Neural Netwoks for Nonlinear Self-Turning Adaptive Control", IEEE Cont. Syst. Mag., 1990.

51. Fukuda T., Shibata T.Tokita M., Mitsuoka T., "Neural Network application for robotic motion control", Adaptation and learning. INNC'90. 1990. pp. 447 451.

52. Johnson M.A., Leahy M.B., "Adaptive model-based neural network control." IEEE Int. Conf. on Automation and Robotic. 1990. pp. 1704-1709.

53. Narenda K., Parthasathy K., "Identification and control of dynamical systems ^ using neural networks", IEEE Trans, on Neural Networks, vol. 1, No. 1, march,1990. pp. 4-27.

54. Chu S., Shoureshi R., Tenorio M., "Neural Networks for System Identification", IEEE Cont. Syst. Mag., 1990.

55. Kosmatopoulos E.B., Polucarpou M.M., Christodoulou M.A., Ioannou P.A., "High-Order Neural Networks Structures for Identification of Dynamical Systems", IEEE Trans, on Neural Networks, vol.6, N2 1995, page 422-430.

56. Karakasoglu A., Sudharasanan S. I., Sundareshan M. K., "Identification and Decentralized Adaptive Control Using Dynamical Neural Networks with Application to Robotic Manipulators", IEEE Trans, on Neural Networks, vol.4, N6 1993, page 919-929.

57. Nader Sadegh, "A Perceptron Network for Functional Identification and Control of Nonlinear Systems", IEEE Trans, on Neural Networks, vol.4, N6 1993, page 982-988.

58. Guez A., Eilbert J., Kam M., "Neural Network Architecture for Control", IEEE Cont. Syst. Mag., 1988. pp. 22-25.

59. Kohonnen T., Grosberg S., "Absolute Stability of global pattern formation and parallel memory storage by competive neural network", IEEE Trans. Syst., Man, Cybern., 1983.

60. Swinarski R., "Neural network based self-tuning PID controller with fourier transformation of temporal patterns". IE-CON'90. 1990. pp. 1227-1232.

61. Swinarski R., "Neuromorphic fuzzy variable stucture controller". IECON'90. 1990. pp. 1221-1226.

62. ZeiglerJ.C., Nichols B. Optimal settings for automatic controllers // Trans. ASME. 64. 1942. pp.759-768.

63. Glasius R., Komoda A., Gielen S. Neural Network Dynamics For Path Planning and Obstacle Avoidance // Neural Networks 8(1), 1995.

64. Hong S., Kim S., Lee J. Local Motion Planner For Nonholonomic Mobile Robots In The Presence Of The Unknown Obstacles // Proc. IEEE Intl.Conf. on Robotics and Automation, 1996

65. Каляев И.А., Гайдук A.P. Принципы построения систем планирования поведения интеллектуальных роботов на базе однородных нейроподобных структур // Материалы VIII конференции "Экстремальная робототехника". — СПб.: СПбГТУ, 1997. — С. 14-23.

66. Каляев А.В., Чернухин Ю.В., Носков В.Н., Каляев И.А. Однородные управляющие структуры адаптивных роботов. — М.: Наука, 1990.

67. Романов М.П. Управление движением высокоточного сборочного робота на основе ассоциативной памяти // «Интеллектуальные системы автоматического управления» под ред. И.М. Макарова, В.М. Лохина. -М.: ФИЗМАТЛИТ, 2001.

68. S.Amari. A theory of adaptive pattern classifiers. IEEE Trans. Electronics Computers, EC-16, 1967, pp. 297-307.

69. Теория электропривода: Учебник для ВУЗов. СПб.: Энергоатомиздат. Санкт-Петербургское отделение, 1994. - 496 с.

70. Лохин В.М., Макаров В.В., Романов М.П. Адаптивное управление на базе технологии ассоциативной памяти // «Интеллектуальные системы автоматического управления» под ред. И.М. Макарова, В.М. Лохина. -М.: ФИЗМАТЛИТ, 2001.

71. Путов В.В., Полунин И.Г. Адаптивное управление манипулятором в условиях структурно-параметрической неопределенности // VI НТК «Робототехника для экстремальных условий» Спб.: 1996. - с.163-170.

72. Путов В.В., Тимчук H.A., Руссов Д.А., Гайдым Д.А. Новые методы адаптивного управления в нелинейных электромеханических системах // Материалы VIII Научно-технической конференции "Экстремальная робототехника". СПб.: Изд-во СПбГТУ, 1997 - с.274-282.

73. Крутько П.Д. Обратные задачи динамики управляемых систем: Линейные модели. М.: Наука, 1987. - 304 с.

74. KyuraN., Oho Н. Mechatronics An Industrial Perspective. // IEEE ASME Transactions on Mechatronics, vol. 1,1, 1996.

75. ПодураевЮ.В. Основы мехатроники: Учебное пособие. М.: МГТУ «Станкин», 2000.

76. Богачев Ю.П. Мехатроника достижения и проблемы. // Приводная техника, №4, 1998.

77. Еремин Д.М. Нейросетевые алгоритмы управления манипулятором робота // Сборник научных трудов МИРЭА, 1995.

78. Макаров И.М. Искусственный интеллект близкая реальность // Вестник РАН.- 1996.- Т.66, №2 - С. 139-142.

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

80. Веселовский В.В., Трипольский П.Э. Управление мехатронными устройствами: лабораторный практикум // МИРЭА.- М., 2001.

81. Makarov I.M., Lokhin V.M. Artificial Intelligence and Complex Objects Control // The Edwin Mellen Press. Lewiston, NY, 2000.

82. Nof S.Y., FisherE.L. Analysis of robot work characteristics// The Industrial robot, September 1982, pp. 166-171.

83. Lee С. An algorithm for path connection and its applications // IEEE Trans. EC. 1961.

84. Однородные управляющие структуры адаптивных роботов / под ред. Каляева А.В., Чернухина Ю.В. М.: Наука, ФизМатЛит, 1990.

85. Коршунов Ю.М. Математические основы кибернетики. М.: Энергия, 1972.

86. Майника Э. Алгоритмы оптимизации на сетях и графах. М.: Мир, 1981.

87. Харцбергер С. и др. Мехатронные линейные приводные узлы станков с параллельной кинематикой. // Приводная техника, №5, 1998.

88. Mechatronics: the basis for new industrial development. / Editors: M.Acar, J.Macra, E.Penney, Computational Mechanics Publ., 1994.

89. EversheimW., Schernikau J. ProductDevelopment and Manufacturing for Mechatronic Production System. / Proceedings of 2-nd Int. Workshop on Intelligent Manufacturing Systems, Leuven, 1999.

90. Moore P.R. Integrated Design, Simulation and Distributed Control of Agile Modular Manufacturing Machinery. / Proceedings of 2-nd Int. Workshop on Intelligent Manufacturing Systems, Leuven, 1999.

91. Iserman R. Modelling and Design Methodology for Mechatronics Systems. // IEEE ASME Transactions on Mechatronics, vol. 1,1, 1996.

92. Мехатронные модули движения приводы машин нового поколения // Бюллетень «Новые технологии», №1-2, 1998.

93. Бушуев В.В. Мехатронные системы в станках. // СТИН, №9-10, 1998.

94. Богачев Ю.П., Петриченко В.Н. Мехатронные модули движения приводы машин нового поколения. // Приводная техника, №1, 1997.