автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Синтез адаптивных систем управления нелинейными динамическими объектами на базе нечетких регуляторов и нейросетевой технологии

Введение.

Глава 1. Предпосылки постановки задач диссертационной работы.

1.1. Основные принципы построения традиционных адаптивных систем управления.

1.2. Применение нечетких алгоритмов и нейронных сетей в системах управления.

1.3. Анализ методов аналитического конструирования оптимальных регуляторов.

1.4. Реализация оптимального управления с помощью нечеткого регулятора.

1.5. Постановка задач диссертационной работы.

Выводы к главе 1.

Глава 2. Методология аналитического синтеза адаптивных систем управления на базе нечетких регуляторов.

2.1. Разработка метода аналитического синтеза адаптивных систем управления на базе нечетких регуляторов.

2.2. Определение закона адаптации параметров нечеткого регулятора для нелинейных объектов с математическим описанием в виде дифференциального уравнения п-го порядка.

2.3. Определение закона адаптации параметров нечеткого регулятора для нелинейных объектов «-го порядка с описанием в пространстве состояний.

2.4. Синтез адаптивных систем управления для многомерных нелинейных динамических объектов.

2.5. Синтез адаптивных систем управления при ограничениях на координаты и управления.

Выводы к главе II.

Глава 3. Синтез адаптивных систем управления для типовых нелинейных объектов.

3.1. Синтез адаптивных систем управления нелинейными объектами с типовыми структурными схемами.

3.2. Определение параметров закона адаптации по заданным показателям качества адаптивной системы.

3.3. Автоматическое проектирование АСАУ на базе нечеткого регулятора с помощью искусственных нейронных сетей.

3.4. Сравнительный анализ качества работы традиционных адаптивных систем и адаптивных систем на базе нечеткого регулятора.

Выводы к главе III.

Глава 4. Применение нейросетевой технологии и генетического алгоритма для синтеза нечетких регуляторов.

4.1. Разработка методологии синтеза нечетких регуляторов с помощью нейросетевой технологии.

4.2. Синтез нечетких регуляторов с помощью генетического алгоритма.

4.3. Разработка пакета прикладных программ для реализации алгоритма настройки нечетких регуляторов.

4.4. Сравнительный анализ функциональных возможностей АСАУ на базе нечеткого регулятора и АСАУ на базе нейронных сетей.

Выводы по главе IV.

Глава 5. Синтез адаптивных систем управления промышленными объектами.

5.1. Синтез адаптивной системы управления двигателем постоянного тока.

5.2. Синтез адаптивной системы управления роботом-манипулятором.

5.3. Синтез адаптивной системы АРВ синхронного генератора.

Выводы к главе V.

Проблема построения адаптивных систем автоматического управления (АСАУ), которые могут функционировать в условиях неопределенности, является одной из важнейших разделов кибернетики и информатики. Задача синтеза алгоритмов адаптивного управления при идеальных условиях (отсутствие внешних возмущений) находилась в центре интенсивных исследований в 70-х, начале 80-х годов. Основные результаты этого периода состоят в определении структуры и аналитическом доказательстве свойств устойчивости ряда основных схем адаптивного управления: адаптивного управления с эталонной моделью по состоянию, адаптивного управления с эталонной моделью по выходу с использованием сигнала расширенной ошибки, адаптивных систем с неявной эталонной моделью и адаптивных наблюдателей. При этом, согласно литературным источникам, основные результаты по анализу и синтезу были получены при решении задач управления линейными объектами. В начале 80-х годов внимание исследователей начинает привлекать проблема обеспечения работоспособности адаптивных систем при нарушении идеальных условий. Основным результатом этого периода являются робастные модификации алгоритмов адаптивного управления. Современные публикации посвящены как проблеме адаптивного управления при идеальных условиях, так и различным случаям их нарушений.

Анализ принципов построения традиционных адаптивных САУ выявляет ряд трудностей, которые значительно усложняют задачу синтеза такой системы. Во-первых, это нарушение условий согласования (вариации неизвестных параметров объекта не могут быть компенсированы непосредственно соответствующим управлением) и, во-вторых, - при относительно высоком порядке дифференциального уравнения, описывающего объект управления, возникают существенные трудности в связи с недоступностью прямых измерений всех координат вектора состояния. Наличие блока идентификации динамики объектов управления и оценка переменных состояния усложняют структуру АСАУ. Погрешность идентификации ухудшает качество управления, а в некоторых случаях приводит к неустойчивому режиму работы АСАУ. Законы настройки параметров управляющих устройств могут быть получены существующими методами только в частных случаях, т.е. не существует универсального метода синтеза законов адаптации. Во многих адаптивных системах эта задача решается путем использования поисковых алгоритмов. В этом случае время адаптации системы и качество полученного решения существенно зависят от поверхности отклика искомых параметров. Численная реализация поисковых алгоритмов наряду с процедурой идентификации также является не простой задачей.

Наличие теоретических работ по нечеткой логике и нейросетевой технологии, развиваемой в работах JI. Заде, Д.А. Поспелова, С. Аримото, Ю.А. Борцова, Ф. Вассермана, Дж. Саридиса, X. Тонако, Н. Хассоуна и других ученных, а так же результаты практического использования этих направлений науки в области управления позволяют на основе применения методов и технологий обработки знаний в сочетанием с теорией автоматического управления ставить задачу разработки методов проектирования адаптивных автоматических систем управления на базе нечетких регуляторов и нейросетевой технологии, обладающих более простой структурой и не сложных в реализации.

Применение аппарата нечеткой логики для построения адаптивных систем связано с формализацией неточных, размытых в смысловом отношении суждений и обобщенных категорий, задающих классификацию исходных понятий на уровне нечетких множеств, что весьма важно при управлении объектами, описание которых известно не точно. Более того, нечеткие системы при определенных условиях обладают замечательным свойством аппроксимировать любую нелинейную функцию с любой точностью. Это дает возможность создавать адаптивные системы с оптимальным управлением, которое может быть аппроксимировано выходной переменной нечеткого регулятора. На основании функционального сходства нечетких систем и нейронных сетей при конкретных условиях можно создавать системы управления, обладающие свойствами обучения и адаптации.

На основании вышесказанного можно утверждать, что разработка методологии проектирования адаптивных систем управления нелинейными динамическими объектами на основе нечетких регуляторов и нейросетевой технологии является весьма актуальной задачей.

Цель и задачи исследования. Целью диссертационной работы является решение актуальной научно-технической проблемы, связанной с разработкой методологии синтеза адаптивных систем управления нелинейными динамическими объектами, которые функционируют в условиях неопределенности (изменение параметров объекта в процессе работы и наличие неконтролируемых внешних возмущений), на базе нечетких регуляторов и нейросетевой технологии.

Для достижения указанной цели в диссертационной работе определены следующие задачи исследований:

1. На основе анализа принципиальных теоретических трудностей, возникающих при построении адаптивных систем управления сложными нелинейными динамическими объектами, определить подход преодоления этих трудностей на основе применения аппарата нечеткой логики и нейросетевой технологии.

2. Разработать метод определения законов адаптации параметров нечеткого регулятора и определить структуру адаптивной системы с использованием этого регулятора.

3. Определить законы адаптации параметров нечеткого регулятора в адаптивных системах управления классом типовых нелинейных динамических объектов со скалярным и многомерным управлениями.

4. Обосновать работоспособность синтезируемых адаптивных систем при наличии возмущающих воздействий и вариации параметров объекта.

5. Разработать методику автоматизированного синтеза АСАУ с заданным качеством управления с помощью нейронных сетей.

6. Разработать подход определения оптимальных параметров нечетких регуляторов с помощью нейросетевой технологии и генетического алгоритма.

7. На основе предложенных теоретических положений и методов разработать адаптивные системы управления, обеспечивающие значительное улучшение технических характеристик электромеханических объектов различного назначения.

Методы исследования. Разработка теоретических положений и создание на их основе методологии синтеза адаптивных систем на базе нечетких регуляторов стало возможным благодаря комплексному применению теоретических и экспериментальных методов исследования. Поставленные в диссертационной работе задачи решены на основе использования разделов и положений теории автоматического управления, разделов математического анализа и вариационного исчисления, теории нечеткой логики и нейронных сетей. Проверка теоретических положений и адекватности адаптивных систем управления, разработанных в диссертационной работе, осуществлялась с помощью компьютерного моделирования на ПЭВМ и экспериментальных исследований на лабораторных стендах.

Научная новизна и значимость работы:

1. Разработан метод синтеза адаптивных систем с оптимальным управлением (согласно выбранному критерию качества управления) нелинейными динамическими объектами и использованием нечеткого регулятора для аппроксимации этого управления.

2. Предложена аналитическая структура функции Ляпунова и критерия оптимизации, позволяющие определить закон адаптации в простой форме, и доказано теоремами, что при этом обеспечивается асимптотическая устойчивость адаптивной системы.

3. Для упрощения реализации АСАУ предложено осуществить процесс адаптации на основе ошибки основного контура и ее производной. Доказана теорема о возможности такого подхода для систем произвольного порядка.

4. Проведен синтез адаптивных систем для ряда одномерных и многомерных нелинейных объектов управления.

5. Разработана методика определения оптимальных параметров нечеткого регулятора на базе нейросетевой технологии и генетического алгоритма.

6. Теоретически и путем имитационного моделирования обоснована работоспособность разработанных адаптивных систем при наличии ограниченных возмущающих воздействий (регулярных и случайных) и вариации параметров объекта управления.

7. Решена задача синтеза адаптивной системы управления рассматриваемым классом объектов при наличии ограничений на координаты вектора состояний и управляющих воздействий.

Практическая значимость результатов работы. Основные теоретические результаты доведены до уровня, позволяющие использовать их при решении прикладных задач.

1. Выведены законы адаптации для ряда типовых нелинейных динамических объектов.

2. Построены диаграммы настройки параметров устройства адаптации по показателям качества управления для ряда типовых структур нелинейных САУ.

3. Разработана методика определения оптимальных параметров нечеткого регулятора с помощью нейросетевой технологии и генетического алгоритма.

4. Разработан пакет прикладных программ для определения оптимальных параметров нечеткого регулятора на основе нейросетевой технологии и генетического алгоритма.

5. На основе разработанного метода решены задачи синтеза АСАУ электроприводом с двигателем постоянного тока, роботом-манипулятором и возбуждением синхронного генератора.

Апробация работы. Основные положения и результаты диссертационной работы докладывались более чем на 10-ти Международных, республиканских и отраслевых конференциях, совещаниях и семинарах по современным технологиям в задачах управления и обработки информации, интеллектуальным системам управления роботом-манипулятором, математическим методам в технике и технологиях.

По материалам диссертации опубликовано 24 печатные работы.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка использованных источников литературы и приложения. Объем диссертации 233 страниц текста, включает 92 рисунка, 2 таблицы, 18 страниц библиографии, содержащей 198 наименований.

ВЫВОДЫ К ГЛАВЕ 5

1. Разработаны адаптивные системы управления скоростью двигателя постоянного тока, роботом-манипулятором и напряжением синхронного генератора на основании разработанного метода синтеза АСАУ (гл. II).

2. Задачи синтеза вышеназванных адаптивных систем решены с учетом специфических нелинейных характеристик: трение в двигателе, насыщение в обмотке возбудителя, которые изменяются в процессе функционирования.

3. Выполнено моделирование полученных адаптивных систем управления в среде MatLab. Результаты исследования показали работоспособность разработанных систем при изменении параметров объекта и наличии возмущающих воздействий.

ЗАКЛЮЧЕНИЕ

В диссертационной работе комплексно решена проблема синтеза адаптивных систем управления нелинейными динамическими объектами на базе нечеткого регулятора и нейросетевой технологии. Основные результаты могут быть сформулированы в виде следующих положений.

1. На основании проведенного анализа принципов построения традиционных адаптивных систем управления выявлены трудности при проектировании этих систем и их реализации, связанные с необходимостью разработки блоков идентификации, эталонных моделей, поисковых алгоритмов, а также ограниченными возможностями их синтеза для нелинейных объектов.

2. Доказана возможность применения нечеткого регулятора для реализации оптимального управления нелинейным динамическим объектом, обеспечивающего устойчивость и заданное качество управления.

3. Разработан метод синтеза адаптивных систем управления нелинейными динамическими объектами на базе нечеткого регулятора и нейросетевой технологии, не содержащих блоки идентификации и эталонные модели.

4. Для управления классом нелинейных объектов сформированы функция Ляпунова и критерий оптимизации, которые позволили разработать алгоритм определения законов адаптации в простой форме.

5. Получены в аналитической форме законы адаптации параметров нечеткого регулятора для управления классом нелинейных одномерных и многомерных объектов при наличии возмущений, ограничений на фазовые координаты и управление. Доказана устойчивость этих систем.

6. Проведен синтез адаптивных систем для типовых нелинейных объектов и разработана методика автоматизации определения параметра адаптации у для заданных показателей качества управления.

7. Решена задача нахождения оптимальных параметров регулятора на основе нейросетевой технологии и генетического алгоритма.

8. С помощью имитационного моделирования исследована работоспособность (устойчивость, заданное качество управления) адаптивных систем, построенных на основе разработанного метода синтеза, при наличии возмущающих воздействий и вариации параметров объекта.

9. Путем моделирования проведено сравнение функциональных возможностей адаптивных систем, разработанных по предложенной методике и построенных по классическим принципам, которое показало, что адаптивные системы на базе нечеткого регулятора обладают лучшим качеством управления.

10. На основе предложенного метода проведена разработка ряда адаптивных систем для объектов электромеханического типа, которые прошли лабораторные испытания и показали соответствие заданному качеству управления.

1. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта. -М.: Наука, 1986. -312 стр. 2: Александров А.Г. Оптимальные и адаптивные системы. -М.: Высшая школа, 1989.

2. Александровский Н.М., Егоров С.В., Кузин Р.Е. Адаптивные системы автоматического управления сложными технологическими процессами. -М.: Энергия, 1973.-272 стр.

3. Алиев Р.А., Захарова Э.Г., Ульянов С.В. Нечеткие модели управления динамическими системами. //Итоги науки и техники. Сер. Техн. Кибернетика. Т.29. -М.: ВИНИТИ АН СССР, 1990. -стр. 127-201.

4. Алиев Р.А., Захарова Э.Г., Ульянов С.В. Нечеткие регуляторы и интеллектуальные промышленные системы управления. //Итоги науки и техники. Сер. Техн. кибернетика. -М.: ВИНИТИ АН СССР, 1991. Т. 32.-стр. 233-313.

5. Алиев Р.А., Церковный А.Э., Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат 1991, -240 стр.

6. Аналитические самонастраивающиеся системы управления. //Под ред. В.В. Солодовникова. -М.: Машиностроение, 1965.

7. Андерсон П., Фуад А. Управление энергосистемами и устойчивость. -М.: Энергия, 1980. -568 стр.

8. Артюшок В.П., И.Г. Соловьев. Прямое адаптивное управление с настраиваемым эталоном. //Автоматика и Телемеханика, 1992, №10, стр. 105-112.

9. Асай К., Ватада Д., Иван С. Прикладные нечеткие системы. -М.: Мир, 1993. -368 стр.

10. Борцов Ю.А., Поляхов Н.Д., Путов В.В. Электромеханические системы с адаптивным и модальным управлением. -Л.: Энергоатомиздат, 1984.

11. Бураков М.Б. Механизм адаптации нечетких регуляторов. //Изв. РАН. ТиСУ. 1998. №1.

12. Бурдаков С.Ф., Смирновна Н.А. Обучаемое управление движением гибкого робота. //VI НТК "Робототехника для экстремальных условий"-СПб.: 1996, с.154-162.

13. Веников В.А. Переходные электромеханические процессы в электрических системах. -М.: Высшая школа, 1978. —415 стр.

14. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. -X.: Основа 1997, -112 стр.

15. Вукобратович М., Стокич Д. Управление манипуляционными роботами. -М.: Наука, 1985.

16. Громыко В.Д., Санковский Е.А. Самонастраивающиеся системы с моделью. -М.: Энергия, 1974.

17. Ергин А.А., Хо Д.Л. Оптимальное управление роботом-манипулятором //Радиоэлектроника, электротехника и энергетика: Тез. докл. междун. научн.-техн. конф. студентов и аспирантов. -М., 2002.-Т.1.-С.254-255.

18. Еремин Д.М. Система управления с применением технологии нейронных сетей. //Приборы и системы: управление, контроль, диагностика, №9, 2001, -стр.8-11.

19. Заде Л.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. -В книге: Математика сегодня. -М.: Знание, 1974. -стр. 5-49.

20. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления 1. //Научноорганизационные, технико-экономические и прикладные аспекты. -Известия АН РАН. Сер. Техн. кибернетика, №5, 1992. -стр. 171-196.

21. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления 2. //Научно-организационные, технико-экономические и прикладные аспекты. -Известия АН РАН. Сер. Техн. кибернетика, №4, 1993. -стр. 189-205.

22. Зубов В.И. Теория оптимального управления судном и другими подвижными объектами. -JL: «Судостроение», 1966. -352 стр.

23. Катков М.С. Непрерывные системы адаптивного управления с идентификаторами. -М.: Изд-во «Мир книги», 1992.

24. Кожевников В.А., Романов С.В., Органов А.А. Автоматическое регулирование возбуждения синхронных генераторов с адаптацией //В сб.: Проектирование и исследование систем возбуждения мощных СГ,1989.

25. Кожевников В.А., Юрганов А.А. Регулирование возбуждения синхронных генераторов //С.-Пб.: Наука 1996.

26. Козлов Ю.М. Адаптация и обучение в робототехнике. -М.: Наука,1990.-248 стр.

27. Колесников А.А. Синергетическая теория управления. -М.: Энергоатомиздат 1994, -стр.344.

28. Коломейцева М. Б., Хо Д.Л. Синтез адаптивных нечетких регуляторов с помощью нейросетевой технологии. //Докл. междун. конф. «Информационные средства и технологии».-М., 2001г.-Т.1.-С. 82-86.

29. Коломейцева М.Б., Дорохов И.Н., Хо Д.Л. Синтез оптимального нечеткого регулятора для нелинейной динамической системы //Вестник международной академии системных иссделований.-2000.-Т.5.-Ч.1.-С.73-79.

30. Коломейцева М.Б., Митрофанов В.Е., Хо Д.Л. Вариант построения системы управления частотой мини ГЭУ на базе нечетких алгоритмов.

31. Докл. междун. конф. «Информационные средства и технологии».-М., 1999г.

32. Коломейцева М.Б., Хо Д.Л. Адаптивные системы управления динамическими объектами на базе нечетких регуляторов. -М.: Спутник+, 2002.

33. Коломейцева М.Б., Хо Д.Л. Исследование адаптивной нечеткой системы управления нелинейным динамическим объектом. //Докл. междун. конф. «Информационные средства и технологии».-М.,2000г.-Т.З.-С.56-60.

34. Коломейцева М.Б., Хо Д.Л. Применение нейронных сетей в системе управления динамическими объектами. //Сборник трудов 13 Международной научной конференции «Математические методы в технике и технологиях».-Санкт-Петербург, 2000.-С. 155-158.

35. Коломейцева М.Б., Хо Д.Л. Разработка методов синтеза адаптивных нечетких регуляторов для нелинейных динамических объектов. //Деп. в ВИНИТИ №2544-В00.-М., 2000.-19 С.

36. Коломейцева М.Б., Хо Д.Л. Синтез адаптивного нечеткого регулятора для нелинейной динамической системы. //Вестник МЭИ №94, 2000 г.-С. 85-88.

37. Коломейцева М.Б., Хо Д.Л. Синтез адаптивной системы на базе нечеткого регулятора для многомерных систем //Журнал «Приборы и системы управления».-2002.-№ 3.-С.34-37.

38. Коломейцева М.Б., Хо Д.Л. Синтез адаптивной системы управления двигателем постоянного тока на базе нечеткого регулятора //Механикаи процессы управления: Тр. XXXI Уральского семинара. -Миасс, 2001.-С.343-348.

39. Коломейцева М.Б., Хо Д.Л. Синтез адаптивной системы управления на базе нечеткого регулятора на примере АРВ синхронного генератора // Интеллектуальные системы и информационные технологии: Тр. республиканской научн.-техн. конф.-Казань, 2001.-С. 62-68.

40. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров). Изд. четвертое. -М.: Наука, 1978. -832 стр.

41. Косиков B.C., Кордюков А.П. Синтез беспоисковой самонастраивающейся системы с нелинейным объектом. //АиТ, 1987, №4. -стр. 58-65.

42. Костюк В.И. Беспоисковые градиентные самонастраивающиеся системы. Киев: Техника, 1969.

43. Костюк В.И., Широков Л.А. Автоматическая параметрическая оптимизация систем регулирования. -М.: Наука, 1981.

44. Кофман А. Введение в теорию нечетких множеств. -М.: Радио и связь, 1982. -432 стр.

45. Красовский А.А. Аналитическое конструирование контуров управления летательными аппаратами. -М.: «Машиностроение», 1969. -240 стр.

46. Красовский А.А. Динамика непрерывных самонастраивающихся систем. -М.: Наука, 1963.

47. Кудинов Ю.И. Нечеткие системы управления. //Изв. АН СССР, Техническая кибернетика 1990, №.5, -стр. 196-206.

48. Куропаткин П.В. Оптимальные и адаптивные системы. -М.: Высш. школа, 1980.-287 стр.

49. Кухтенко В.И. Динамика самонастраивающихся систем со стабилизацией частотных характеристик. -М.: Машиностроение, 1970.

50. Лебедев Г.Н., Путов В.В., Кривочкин Р.В. Адаптивно-нейронный подход в задачах управления колебаниями транспортируемых подвешенных грузов. //Приборы и системы: управление, контроль, диагностика, №9, 2001, -стр. 1-7.

51. Летов A.M. Оптимальные системы управления /Сборник статьей/. Москва, 1967.

52. Лохин В.М., Макаров И.М., Манько С.В., Романов МП. Методические основы аналитического конструирования регуляторов нечектого управления. //Изв. РАН. ТиСУ 2000, №1.

53. Лохин В.М., Макаров И.М., Манько С.В., Романов М.П. Синтез нечетких регуляторов на основе вероятностных моделей. //Изв. РАН. ТиСУ 2000, №2.

54. Лохин В.М., Романов М.П., Филейкин В.Б. Идентификация объектов управления с распределенными параметрами. -Автоматическое управление и робототехнические системы. Межвузовский сборник научных трудов 1982.

55. Лукаш Н.П., Хо Д.Л. К синтезу нечетких регуляторов для нелинейных динамических объектов (Электронный журнал «Энерго+Эко», 2000 г., http//:www.mipo.kiev.ua).

56. Ляпунов A.M. Общая задача об устойчивости движения. -М.: Гостехиздат, 1950.

57. Макаров И.М., Лохин В.М., Романов М.П., Харитонов Е.Б. Системы управления с ассоциативной памятью //VI НТК «Робототехника для экстремальных условий». -СПб.: 1996. -стр. 115-123.

58. Марголис М., Леондес С.Г. О теории самонастраивающейся системы управления: метод обучающейся модели //Теория дискретных, оптимальных и самонастраивающихся систем: Тр. I Международного конгресса ИФАК. Е. 2. -М.: Изд-во АН СССР, 1961. -стр. 683-701.

59. Мирошник И.В., Никифоров В.О., Фрадков А.Л. Нелинейное и адаптивное управление сложными динамическими системами.- СПб.: Наука, 2000.- 549 стр.

60. Насс Р. Внедрение средств нечеткой логики в США. Электроника 7/8, 1993.-стр. 10-14.

61. Никифоров В.О., Фрадков А.Л. Схемы адаптивного управления с расширенной ошибкой. Обзор //Автоматика и Телемеханика, 1994, №9, стр.3-22.

62. Павлов Б.В., Соловьев И.Г. Системы прямого адаптивного управления. -М.: Наука, 1989.

63. Петров Б.Н., Рутковский В.Ю., Земляков С.Д. Адаптивное координатно-параметрическое управление нестационарными объектами. -М.: Наука, 1980.

64. Петров Б.Н., Рутковский В.Ю., Крутова И.Н., Земляков С.Д. Принципы построения и проектирования самонастраивающихся систем управления. -М.: Машиностроение, 1972.

65. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981. -231 стр.

66. Самонастраивающиеся системы: Справочник //Под ред. Чинаева П.И. Киев: Наукова думка, 1969.

67. Саридис Дж. Самонастраивающиеся стохастические системы управления. -М.: Наука, 1980.

68. Солодовников В.В., Шрамко JI.C. Расчет и проектирование аналитических самонастраивающихся систем с эталонными моделями. -М.: Машиностроение, 1972.

69. Табак Д., Куо Б. Оптимальное управление и математическое программирование. -М.: Наука, 1975.

70. Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антонов В.Н. Нейросетевые системы управления. СПб.: Изд-во С-Пертербургского университета, 1999.

71. Терехов В.М., Барышников А.С. Стабилизация движения тихоходных электроприводов на основе fuzzy-логики //Электричество, 1998, №8.

72. Терехов В.М., Владимировна Е.С. Некоторые аспекты применения фаззи-управления в электроприводах //Электричество, 1999, №9.

73. Тимофеев А.В., Юсупов P.M. Интеллектуализация систем автоматического управления //Изв. РАН Сер. Техн. кибернетика №5, -стр. 211-224, 1994.

74. Ульянов С.В. Нечеткие модели интеллектуальных промышленных систем управления: теоретические и прикладные аспекты //Известия АН СССР. Сер. Техн. кибернетика 1991, №3. -стр. 3-29.

75. Фельдбаум А.А. Основы теории оптимальных автоматических систем. -М.: «Физматгиз» 1963. -552 стр.

76. Фомин В.Н., Фрадков A.JL, Якубович В Л. Адаптивное управление динамическими объектами. -М.: Наука, 1981.

77. Фрадков A.JI. Квадратичные функции Ляпунова в задаче адаптивной стабилизации линейного динамического объекта //Сиб. мат. журн. 1976, № 2, -стр. 436-446.

78. Хо Д.Л. К применению нечетких регуляторов в системе АРВ синхронных генераторов //Радиоэлектроника, электротехника и энергетика: Тез. докл. междун. научн.-техн. конф. студентов и аспирантов.-М.: 2000.-Т.1.-С.243.

79. Хо Д.Л. К синтезу адаптивного нечеткого регулятора для нелинейной динамической системы // Информационные средства и технологии: Докл. междун. научн.-техн. конф.-М.: 2000.-Т.З.-С.60-64.

80. Хо Д.Л. Нечеткий нейрорегулятор для следящей системы // Радиоэлектроника, электротехника и энергетика: Тез. докл. междун. научн.-техн. конф. студентов и аспирантов. -М.: 2001.-T.3.-C.337.

81. Хо Д.Л. Синтез адаптивного нечеткого регулятора для следящей системы //Современные технологии в задачах управления, автоматики и обработки информации: Тр. IX-Международного научно-технического семинара.-Алушта, 2000.-С.241-243.

82. Хо Д.Л. Синтез адаптивных нечетких регуляторов для нелинейных динамических объектов с помощью нейросетевой технологии //Деп. в ВИНИТИ №349-В01.-М., 2001.-9 С.

83. Хо Д.Л., Дорохов И.Н. Синтез нечетких регуляторов в следящих режимах для нелинейных динамических объектов //Математические методы в технике и технологиях: Тр. 14 Международной научной конференции.-Смоленск, 2001 .-С.201 -204.

84. Хо Д.Л., Ергин А.А. Применение генетического алгоритма для настройки нейронных сетей //Радиоэлектроника, электротехника и энергетика: Тез. докл. междун. науч.-техн. конф. студентов и аспирантов.-М., 2001 .-Т. 1 .-С.253.

85. Хо Дак Лок. Нечеткая система как универсальный аппроксиматор // Радиоэлектроника, электротехника и энергетика: Тез. докл. междун. науч.-техн. конф. студентов и аспирантов.-М., 2002.-Т.1.-С.295-296.

86. Цыпкин Я.З. Адаптация и обучение в автоматических системах. -М.: Наука, 1968.

87. Чураков Е.П. Оптимальные и адаптивные системы. -М.: Энергоатомиздат, 1987. -256 стр.

88. Ширяев В.И. Синтез управления линейными системами при неполной информации //Изв. РАН Техн. кибернетика, 1994. №3. -стр. 229-237.

89. Юсупов P.M., Козлов Ю.М. Беспоисковые самонастраивающиеся системы. -М.: Наука, 1969.

90. Anna J. An optimal tracking neuro-controller for nonlinear dynamic systems //Preprints of the IF AC Conference control systems design, Slovak Repulic, 2000. pp. 493-499.

91. Behera L., Gopal M., Chaudbury S. On adaptive trajectory tracking of a robot manipulator using inversion of its neural emulator /ЛЕЕЕ Trans, on Neural networks, vol.7, No.6, pp. 1401-1414.

92. Braae M., Rutherford D.A. Theoretical and linguistic aspects of the fuzzy logic controller //Automation, Pergamon Press, 1979, Vol.12, pp.553-557.

93. Byrnes C.I., Isidory A., Willems J.C. Output regulation of uncertain nonlinear systems. -Boston: Birkhauser, 1997.

94. Chai T.Y., Zhang Tao. A new model reference robust adaptive controller in the presence of unmodeled dynamics and bounded disturbances //IEEE Trans, on Automatics Control, 1981. Vol.26, pp. 1139-1144.

95. Chan P.T., Xie W.F., Rad A. B. Tuning of fuzzy controller for an open-loop unstable systems: a genetic approach //Fuzzy sets and systems 111 (2000) 137-152.

96. Chang H.-C., Wang M.-H. Neural network based self organizing fuzzy controller for transient stability of multimachine power system // IEEE Trans, on Energy conversion 1995, Vol. 10, No 2.

97. Chang S.S., Zadeh L.A. On fuzzy mapping and control /ЛЕЕЕ Trans. Syst. Man and Cyber. SMC-2, 1972, pp.30-34.

98. Chen C.L., Chen W.C. Fuzzy controller design by using neural network techniques /ЛЕЕЕ Trans, on fuzzy systems 1994, vol.2, No.3, pp. 235-244.

99. Chen F.C., Liu C.C. Adaptively controlling nonlinear continuous-time systems using multilayer neural networks /АЕЕЕ Trans. Automat, control, vol.7, pp. 107-130, 1996.

100. Cheng S.J., Chow I.S., Malik O.P., Hope G.S. An adaptive synchronous machine stabilizer //IEEE Trans., 1986, PWRS-1, pp. 80-86.

101. Ching-Teng L., George Lee C.S. A neuro-fuzzy synergism to intelligent systems. -Prentice-Hall International, Inc., 1996.

102. Davis L. Handbook of genetic algorithms. Van Nostrand Reinhold, New York, 1991.

103. De Glas M. A mathematical theory of fuzzy system /Яnt. J. Control 1976, No.23, pp.622-640.

104. Driankov D., Palm R. Advances in fuzzy control. -Heidelberg, 1998.

105. Ge S.S., Lee Т.Н., Harris C.J. Adaptive neural network control of robotic manipulators. -World Scientific Publishing Co. Singapore, 1998.

106. Hasan A.R., Martis T.S., Sandrul Ula A.M.H. Design and implementation of a fuzzy controller based automatic voltage regulator for synchronous generator /ЯЕЕЕ Trans, on Energy conversion, 1994, vol.9, No. 3.

107. Hiyama T. Robustness of fuzzy logic power system stabilizer applied to multimachine power system //IEEE Trans, on Energy conversion 1994, Vol. 9, No 3.

108. Hiyama Т., Kugimiya M., Satoh H. Advanced PID type fuzzy logic power system stabilizer //IEEE Trans, on Energy conversion 1994, Vol. 9, No 3.

109. Ho D.L. Adaptive fuzzy control of nonlinear dynamic systems //EURASIP Conference on Digital Signal Processing for Multimedia Communication and services. Budapest, Hungary, 2001, pp.244-247.

110. Ho D.L., Kolomeiseva M.B. Adaptive fuzzy logic control of DC motors with nonlinear friction //Proceeding of the 10th International Conference on Advanced Robotics ICAR 2001, Budapest, pp.307-311.

111. Ho D.L., Kolomeiseva М.В. Adaptive fuzzy logic control of robot-manipulator //IF AC Workshop on Manufacturing, Modeling, Management and Control. Prague 2001, pp.157-160.

112. Howard K., Itzhak В., Kennith S. Direct adaptive control algorithms: Theory and applications. Springer-Verlag 1998.

113. Hsu Y.-Y, Cheng C.-H. Design of fuzzy power system stabilizers for multimachine power system //IEEE Proceedings, 1990, Vol. 137, No 3.

114. Hsu Y.-Y., Cheng C.-H. Design of fuzzy power system stabilizers for multimachine power systems /ЛЕЕ Proceedings 1990, vol. 137, Pt. C, No.3, pp. 233-238.

115. Hsu Y.-Y., Liou K.L. Design of self-tuning PID power system stabilizers for synchronous generators //IEEE Trans., 1987, EC-2, pp. 343-348.

116. Hwang G.C., Lin S.I. A stability approach to fuzzy control design for nonlinear systems IIFuzzy sets and systems 48 (1992) 279-287.

117. Ikhouane F.I., Krstic V. Adaptive backstepping with parameter projection projection: robustness and asymptotic performance //Automatica, 1998. Vol.34, no.4, P.429-435.

118. Ishigame A., Imoto Т., Kawamoto S. Fuzzy and optimal combined control for stabilizing power system //Electrical engineering in Japan, 1991, vol. 12, No. 2.

119. Isidori A. Nonlinear control systems. Berlin: Springer-Verlag, 1999.

120. Iwai Z., Mizumoto I. Robust and simple adaptive control systems. //Int. J. of Control, 1992, Vol.55, No.6, pp. 1453-1470.

121. Jagannathan S., Vandegrift M.W., Lewis F.L. Adaptive fuzzy logic control of discrete-time dynamical systems //Automatica 36 (2000) 229-241.

122. Jang Roger J.-S. ANFIS: adaptive-network-based fuzzy inference system //IEEE Trans, on Systems, Man and Cybernetics, vol 23, No.3 (1993), pp. 665-685.

123. Jang Roger J.-S., Sun C.-T. Functional equivalence between radial basic function networks and fuzzy inference systems //IEEE Trans. Neural Networks, 1993, vol.4, pp. 156-159.

124. Jeon G.J., Lee L.S. Neural network indirect adaptive control with fast learning algorithm//Neurocomputing 13 (1996) 185-199.

125. Johansen T.A. Fuzzy model based control: stability, robustness and performance issues /ЛЕЕЕ Trans on Fuzzy systems 2 (3) (1994) 221-234.

126. Jordan M.I., Jacobs R.A. Learning to control an unstable system with forward modeling //Advances in neural inform. Processing Systems., vol.2, pp. 324-331, 1990.

127. Jose R. Noriega, Hong W. A direct adaptive neural-network control for unknown nonlinear systems and its application /ДЕЕЕ Trans on neural networks, vol. 9,No.l, 1998, pp. 27-34.

128. Jun O.J., Gi J.J. A parallel neuro-controller for DC motors containing nonlinear friction //Neurocomputing 30 (2000) 233-248.

129. Kachanak A., Holis M., Belansky J. Control system design for building heating process using neuro-fuzzy approach //Preprints of the IF AC Conference control systems design, Slovak Republic, 18-20 June 2000.

130. Kanellakopoulos I., Kokotovic P.V., Maritio R. An extended direct scheme for robust adaptive nonlinear control //Automatica 27 (1991) 247-255.

131. Kanellakopoulos I., Kokotovic P.V., Morse A.S. Systematic design of adaptive controllers for feedback linearizable systems //IEEE Trans, on Automatic control, 1991, Vol.36, pp.1251-1253.

132. Kaufman H., Barkana I., Sobel K. Direct adaptive control algorithms: Theory and applications. N.-Y.: Springer-Verlag, 1994.

133. Kickert W.J. The application of fuzzy set theory to control a warm plant //Automatica 1976, Vol.12, pp. 37-48.

134. Kickert W.J., Mamdani E.H. Analysis of fuzzy logic controllers //Fuzzy sets sand systems, 1978, No.l, pp.29-44.

135. Kitauchu Y., Taniquehy H. Experimental verification of fuzzy excitation control system for multimachine power system //IEEE Trans, on Energy conversion 1997, Vol. 12, No 13.

136. Kosko B. Fuzzy systems as universal approximators //IEEE Trans, on computers, 43 (11) (1994) 1329-1333.

137. Krstic M., Kanellakopoulos I., Kokotovic P.V. Nonlinear and adaptive control design. N.Y.: John Willey and Sons, 1995.

138. Kwong W.A., Passino K.M. Dynamically focused fuzzy learning control //IEEE Trans. SMC 26 (1996) 53-74.

139. Landau I.D. Adaptive control. N.-Y.: Marcel Dekker, 1979.

140. Lee C.C. Fuzzy logic in control systems: fuzzy logic controller, Part I and II //IEEE Trans. Syst. Man. Cybern. 1990, vol.20, pp. 404-435.

141. Leften H., Robert E. Fuzzy and neural approaches in engineering. John Wiley&Sons Inc., 1997.

142. Lewis F.L., Zhu S.Q., Lui K. Function approximation by fuzzy systems //Proceedings of American control conference (1995) 3760-3764.

143. Li X. Design of SISO sliding mode control systems using genetic algorithms. Technique report, Center for systems and control. University of Glasgow, 1994.

144. Lin C.T. Neural-fuzzy control systems with structure and parameter learning. World Scientific Publishing, Singapore 1994.

145. Lindorff D.P., Karrol R.L. Survey of adaptive control using Lyapunov design //Int. J. of Control, 1973. Vol.18, No.5, pp. 897-914.

146. Lorenzo Sciaviceo, Bruno Siriliano. Modeling and control of robot-manipulators. Springer-Verlag, 2000.

147. Mamdani E.H., Assiliani S. An experiments in linguistic synthesis with a fuzzy logic controller //Int. J. Man-Mach. studies, 1975, No.7, pp. 3-13.

148. Marino R., Tomci P. Global adaptive output feedback control of nonlinear systems, part 1: nonlinear parameterization //IEEE Trans. Automat. Control 38(1993) 17-32.

149. Marino R., Tomci P. Global adaptive output feedback control of nonlinear systems, part 2: nonlinear parameterization //IEEE Trans. Automat. Control 38(1993) 33-48.

150. Marino R., Tomei P. Robust stabilization of feedback linearizable time-varying uncertain nonlinear systems //Automatica, 1993. Vol.29, pp. 181189.

151. Masan L, Jucha I., Zalman M. Fuzzy controller with variable structure tuning //Preprints of the IF AC Conf. Control system design, 2000, Bratislava.

152. Min L.C., Quing L. An enhance adaptive neural network control scheme for power system //IEEE Trans, on Energy conversion 1997, Vol. 12, No2.

153. Momoh J.A., Ma X.W., Tomsovic K.O. Overview and literature survey of fuzzy set theory in power system //IEEE Trans, on Energy conversion August 1995, vol. 10, No. 3.

154. Monopoli R.V. Liapunov's method for adaptive control systems design. //IEEE Trans, on Automat. Control, 1967. AC-12, № 3.

155. Monopoli R.V. Model reference adaptive control with an augmented signal. //IEEE Trans, on Automatic Control, 1974, Vol.19, No5, pp.474484.

156. Morse A.S. Global stability of parameter-adaptive control systems //IEEE Trans, on Automatic control, 1980, Vol.25, No3, pp.433-439.

157. Narenda K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks //IEEE Trans. Neural networks, vol.1, pp. 427, 1990.

158. Narendra K.S, Annaswamy A.M. Stable adaptive systems. Englewood Cliffs, N.J.: Prentice-Hall, 1989.

159. Narendra K.S., Valavani L.S. Stable adaptive controller design direct control /ЛЕЕЕ Trans, on Automatic Control, 1978. Vol.23, No.4, pp. 570583.

160. Nguyen D.H., Widrow B. Neural networks for self-learning control systems /ЛЕЕЕ Control Systems Mag. 10 (1990) 18-23.

161. Ortega R. On Morse's new adaptive controller: parameter convergence and transient performance /ЛЕЕЕ Trans, on Autom. Control, 1993, Vol.38, No.8, pp.1191-1202.

162. Palm R. Sliding mode fuzzy control //Proceedings of IEEE Conference on Fuzzy systems, Sandiego, 1992. pp. 519-526.

163. Parks P.C. Liapunov redesign of model reference adaptive control systems /ЛЕЕЕ Trans. Automat. Control, 11, pp. 362-367, 1966.

164. Pedrycz W. Fuzzy control and fuzzy systems. -New York: Wiley, 1989.

165. Petros A. Ioannou, Jing S. Robust adaptive control. Prentice-Hall, 1996.

166. Petrov M., Ganchev I., Stribrsky A., Hyniova K. Fuzzy PID controller with supervision //Preprints of the IF AC Conference control systems design, Slovak Republic, 18-20 June 2000.

167. Plamena A., Nikolay Т., Rogger M. Cluster analysis for fuzzy control systems //Preprints of the IFAC Conference control systems design, Slovak Republic, 18-20 June 2000.

168. Procyk T.J., Mamdani E.H. A linguistic self-organizing process controller //Automata, 1979, Vol.15, pp.15-30.

169. Rajani K.M., Nikhil R.P. A self-tuning fuzzy PI controller //Fuzzy sets and systems 115 (2000) 327-338.

170. Ray K.S., Majumber D. Fuzzy logic controller of nonlinear multivariable steam generating unit using decoupling theory /ЛЕЕЕ Trans, on Syst. Man and Cyber. 1985, No.4, pp. 539-558.

171. Riedmiller M., Janusz В. Using neural reinforcement controllers in robotics //Proceedings of the 8th Australian Conference on artificial intelligence, Australia 1995.

172. Sanner R.M., Slotine J.E. Gaussian networks for direct adaptive control //IEEE Trans. Neural Networks 3 (6), 837-863,1992.

173. Sastry S.S., Bodson M. Adaptive control: Stability, Convergence and Robustness. Englewood Cliffs, N.J.: Prentice-Hall, 1989.

174. Schiffmann W.H., Geffers H.W. Adaptive control of dynamic systems by backpropagation networks //Neural networks, vol.6, pp. 517-524, 1993.

175. Spoomer J.J., Passino K.M. Stable adaptive control using fuzzy systems and neural networks //IEEE Trans, on Fuzzy systems 4 (3) (1996) 339-359.

176. Sue C.Y., Stepanenko Y. Adaptive control for a class of nonlinear systems with fuzzy logic //IEEE Trans. Fuzzy Systems 29 (1994) 285-294.

177. Taylor D.G., Kokotovik P.V., Marino R., Kanellakopoulos I. Adaptive regulation of nonlinear systems with unmodeled dynamics //IEEE Trans. Automat. Control 34 (1989) 405-412.

178. Tong R.M. Analysis and control of fuzzy systems using finite discrete relations. Int. J. Control 1978.

179. Tong S., tang J., Wang T. Fuzzy adaptive control of multivariable nonlinear systems //Fuzzy sets and systems 111 (2000) 153-167.

180. Tsinias J. Sufficient Lyapunov-like conditions for stabilization //Mathematics of control, signal and systems, 1989, Vol.2, pp.343-357.

181. Wang J., Rad A.B., Chan P.T. Indirect adaptive fuzzy sliding mode control: Part 1: fuzzy switching//Fuzzy sets and systems 122 (2001) 21-30.

182. Wang L.X. Adaptive fuzzy systems and control. Prentice-Hall, Englewood cliffs, No.l, 1994.

183. Wang L.X. Adaptive fuzzy systems and control: design and stability analysis. Prentice Hall, 1993,256 pp.

184. Wang L.X. Automatic design of fuzzy controllers //Automatica 35 (1999) 1471-1475.

185. Wang L.X. Fuzzy systems are universal approximators //Proceedings of IEEE Conference on Fuzzy systems, San Diego, 1982, pp. 1163-1170.

186. Wang L.X. Stable adaptive fuzzy control of nonlinear systems /ЛЕЕЕ Trans on Fuzzy Systems, vol.1, No.2, pp. 146-155, 1993.

187. Wang L.X. Stable adaptive fuzzy controllers with application to inverted pendulum tracking /ЛЕЕЕ Trans. SMC-Part В 26 (5), 1996, pp. 677-691.

188. Wang L.X., Mendel J.M. Fuzzy basic functions, universal approximators, and orthogonal least-squares learning /ЛЕЕЕ Trans, on neural networks, 3 (5), 807-814, 1992.

189. Wong C.C., Fan C.S. Rule mapping fuzzy controller design //Fuzzy sets and systems 108 (1999) 253-261.

190. Woo Z-W, Chung H-Y, Lin J-J. A PID type fuzzy controller with self-tuning scaling factors //Fuzzy sets and systems 115 (2000) 321-326.

191. Yang Y., Xu X., Zhang W. Design neural networks based fuzzy logic //Fuzzy sets and systems 114 (2000) 325-328.

192. Yao В., Tomizuka M. Adaptive robust control of SISO nonlinear systems in a semi-strict feedback form //Automatica, 1997. Vol.33, No.5, pp. 893900.

193. Yoo В., Ham W. Adaptive fuzzy sliding mode control of nonlinear system /ЛЕЕЕ Trans. Fuzzy Systems 6 (2) (1998) 315-321.

194. Yu S.H., Annaswamy A.M. Stable neural controllers for nonlinear dynamic systems //Automatica 34 (5) (1998) 641-650.

195. Zeng X.J., Singh M.G. Approximation theory of fuzzy systems MIMO case /ЛЕЕЕ Trans, on fuzzy systems, 3 (2), 219-235, 1995.

196. Zhang Y., Malic O.P., Chen G.P. Artificial neural network power system stabilizer for multimachine power system environment /ЛЕЕЕ Trans, on Energy conversion 1995, Vol. 10, No 1.