CC BY
94
Полученные результаты подтверждают достоверность описанной методики.
Таким образом, разработанная система автоматической идентификации маркировки, основанная на двухэтапном (грубом и тонком) наведении видеодатчика, позволяет достоверно локализовать и распознавать область маркера на изображении. Корректность работы системы была показана проведенными экспериментами.
Литература
1. Провоторов А.В., Орлов А.А. Методика поэтапного обнаружения маркировки слябов // Современные проблемы науки и образования. 2012. № 6. С. 98.
2. Forsyth D., Ponce J. Computer Vision: a Modern Approach. Prentice Hall, Englewood Cliffs, 2003.
3. Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int'l Conf. on Computer Vision Systems, 2006.
4. Сырямкин В.И., Титов B.C., Якушенков Ю.Г. Системы технического зрения: справочник; [под общ. ред. В.И. Сырям-кина, B.C. Титова]. Томск: МГП «РАСКО». 1993. 367 с.
5. Стародубов Д.Н., Стулов Н.Н. Комплекс программ обработки и анализа изображения объектов в системах технического зрения // Программные продукты и системы. 2006. N° 3. С. 17-20.
6. Шапиро Л., Стокмап Дж. Компьютерное зрение; [пер. с англ.]. М.: БИНОМ. Лаборатория знаний, 2006. 752 с.
7. Клевалин В.А., Поливанов А.Ю. Цифровые методы распознавания в системах технического зрения промышленных роботов // Мехатроника. Автоматизация. Управление. 2008. № 5. С. 56.
8. Aluze D., Merienne F., Dumont C., Gorria P. Vision system for defect imaging, detection, and characterization on a specular surface of a 3D object. Image Vision Comput, 2008, vol. 20, pp. 569-580.
9. Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Eng, 2009, vol. 47, pp. 379-384.
10. Провоторов А.В., Орлов А.А. Разработка методики и системы автоматической идентификации промышленной продукции на основе анализа изображений с управляемых видеодатчиков // Ползуновский вестн. Барнаул: РИЦ АлтГТУ, 2012. С. 67-69.
References
1. Provotorov A.V., Orlov A.A. The technique of step-by-step slab label identifying. Sovremennye problemy nauki i obrazovaniya [Modern problems of science and education]. 2012, no. 6, p. 98 (in Russ.).
2. Forsyth D., Ponce J. Computer Vision: A Modern Approach. Prentice Hall Publ., Englewood Cliffs, 2003.
3. Chen I.-H., Wang S.J. Efficient vision-based calibration for visual surveillance systems with multiple PTZ cameras. IEEE Int. conf. on computer vision systems, 2006.
4. Syryamkin V.I., Titov V.S., Jakushenkov Yu.G. Sistemy tekhnicheskogo zreniya: spravochnik [Systems of technical vision: reference guide]. Tomsk, MGP "RASKO" Publ., 1993, 367 p.
5. Starodubov D.N., Stulov N.N. Program complex for processing and analyzing object images in technical vision systems. Programmnye produkty i sistemy [Software & Systems]. 2006, no. 3, pp. 17-20 (in Russ.).
6. Shapiro L.G., Stockman G.C. Computer Vision. Prentice Hall, 1st ed., 2001, 608 p.
7. Klevalin V.A., Polivanov A.Yu. Digital methods for identifying industrial robots in technical vision systems. Mekha-tronika, Avtomatizatsiya, Upravlenie [Mechatronics, Automation, Control]. 2008, no. 5, p. 56 (in Russ.).
8. Aluze D., Merienne F., Dumont C., Gorria P. Vision system for defect imaging, detection and characterization on a specular surface of a 3D object. Image Vision Computing. 2008, no. 20, pp. 569-580.
9. Rosati G., Boschetti G., Biondi A., Rossi A. Real-time defect detection on highly reflective curved surfaces. Optics Lasers Engineering. 2009, no. 47, pp. 379-384.
10. Provotorov A.V., Orlov A.A. Developing methods and system of industrial products automatic identification based on image analysis on operated video transmitters. Polzunovskiy vestnik [Polzunov bulletin]. Barnaul, RIC Altai St. Tech. Univ. Publ., 2012, pp. 67-69.
УДК 004.415.2, 004.588
ТЕХНОЛОГИИ МЯГКИХ ВЫЧИСЛЕНИЙ В ИНТЕЛЛЕКТУАЛЬНОМ УПРАВЛЕНИИ
А.Г. Решетников, аспирант; Т.А. Керимов, аспирант; С.В. Ульянов, д.ф.-м.н., профессор; И.А. Бархатова, старший преподаватель (Международный университет природы, общества и человека «Дубна», ул. Университетская, 19, г. Дубна, Московская обл., 141980, Россия, [email protected], [email protected], [email protected], [email protected])
Рассматриваются методы и возможности проектирования баз знаний на основе моделей интеллектуальной системы управления в автономном и дистанционно управляемом режимах (по кабелю и Wi-Fi) на примере физического динамически неустойчивого объекта типа «каретка - перевернутый маятник» (типовой Benchmark). Особенностью работы является разработка методологии интеллектуального управления с математической моделью слабоструктурированного объекта управления и без нее. Обучающий сигнал проектируется как с помощью математической модели в режиме off line, так и в режиме on line непосредственно с физического объекта управления с применением программного инструментария «оптимизатор баз знаний». Приводится сравнение систем управления на основе ПИД-регулятора и нечетких регуляторов в трех режимах. Показана возможность эффективной дистанционной настройки нечеткого регулятора без математической модели объекта управления.
Ключевые слова: мягкие вычисления, генетический алгоритм, оптимизатор баз знаний, интеллектуальное управление, нечеткий регулятор.
SOFT COMPUTING TECHNOLOGIES IN INTELLIGENT CONTROL Reshetnikov A.G., postgraduate student; Kerimov T.A., postgraduate student;
Ulyanov S. V., Dr.Sc. (Physics and Mathematics), professor; Barkhatova I.A., senior lecturer (Dubna Internacional University for Nature, Socitty and Man, Universitetskaya St., 19, Dubna, 141980, Russian Federation, [email protected], [email protected], [email protected], [email protected]) Abstract. The article consideres the methods and capabilities of knowledge base design based on models of intelligent control systems in the autonomous mode and remote-controlled mode (USB cable and Wi-Fi). As an example authors take a physical dynamically unstable "cart - pole" type object (typical Benchmark). The paper focuses on developing intelligent control methodology with /without ill-structured mathematical model of control object. The teaching signal designed off-line using a mathematical model, and on-line directly from a physical object using "knowledge base optimizer" tool. The comparison of control systems based on PID controller and fuzzy controllers in three modes is introduced. The possibility of effective remote configuration of a fuzzy controller without a mathematical model of the control object is discussed.
Keywords: soft computing optimizer, genetic algorithm, optimizer of knowledge base, intelligent control, fuzzy controller.
В данной работе рассматривается способ повышения надежности и адаптивности систем автоматического управления (САУ) с помощью специального программного инструментария -оптимизатора баз знаний (ОБЗ) на мягких вычислениях [1]. Использование ОБЗ позволяет уменьшить время проектирования интеллектуальной системы управления (ИСУ), повысить ро-бастность и устранить субъективизм при формировании БЗ нечеткого регулятора (НР). Управление неустойчивым динамическим объектом типа «каретка - перевернутый маятник» является одной из типовых задач в теории управления, так как ее решение наглядно демонстрирует качество САУ. Задача управления состоит в том, чтобы, воздействуя с помощью силы управления на тележку, удерживать маятник в вертикальном положении (угол отклонения оси маятника от вертикали близок к 0) в условиях изменения условий среды функционирования.
Такая задача часто решается с использованием традиционной САУ на основе пропорционально-интегрально-дифференциального регулятора (ПИД-регулятора) в контуре управления [2, 3]. Если коэффициенты усиления регулятора являются постоянными величинами, то система управления не обеспечивает достаточной робастности. В этом случае система неспособна функционировать в нештатных и непредвиденных ситуациях и демонстрирует недостаточную эффективность управления [1].
Обычно настройка регуляторов сопровождается большим количеством экспериментов и множеством осложнений, связанных с неопределенностью некоторых параметров системы, наличием помех в каналах измерения и системе управления. Во многих работах отражена возможность использования различных интеллектуальных методов - нейронных сетей [4] и генетических алгоритмов [5, 6]. В данной работе отражены особенности применения нечетких регуляторов в контуре управления в реальном времени.
Оптимизатор БЗ
Применительно к проектированию ИСУ мягкие вычисления представляют собой комбинацию из следующих подходов: теория нечетких систем, генетические алгоритмы (ГА) и нечеткие нейронные сети (ННС).
НР является центральным элементом ИСУ и вырабатывает управляющие сигналы изменения во времени (законы управления) коэффициентами усиления kp, ^ ПИД-регулятора. Ядро НР основано на процессе проектирования БЗ, интегрированной в интеллектуальный контроллер. Структурно БЗ состоит из продукционных логических правил, которые включают нечеткие входные и выходные значения функции принадлежности лингвистических переменных. Функциональная структура ИСУ с блоками НР и ОБЗ на мягких вычислениях представлена на рисунке 1.
Такая структура обладает следующими качествами управления: управляемость, точность и устойчивость (нижний уровень управления - САУ); обучение и адаптация (верхний интеллектуальный уровень управления - НР с БЗ).
Рис. 1. Структура ИСУ с нечетким регулятором и оптимизатором БЗ
Наиболее актуальной проблемой при создании ИСУ является получение оптимальной робастной БЗ, которая гарантирует достижение требуемого уровня качества управления. При проектировании БЗ возникают трудности, связанные со сложностью динамической системы и наличием шумов в системе измерения и управления.
В данной работе рассматривается возможность подключения физического удаленного ОУ для настройки БЗ в НР в режиме реального времени на основе ОБЗ.
Входом ОБЗ является обучающий сигнал, который может быть получен либо на этапе стохастического моделирования поведения ОУ (с использованием его математической модели), либо экспериментально, то есть непосредственно из результатов измерений динамических параметров физической модели ОУ.
Обучающий сигнал является источником знаний и представляет собой массив данных, разделенный на входные и выходные составляющие, каждая из которых, в свою очередь, состоит из одного и более сигналов. В общем виде каждый из составляющих сигналов является выборочной (репрезентативной) траекторией некоторого случайного процесса. При этом подразумевается, что в каждый момент времени существует некоторая корреляция между входными и выходными сигналами. Например, в случае аппроксимации некоторого управляющего сигнала входными компонентами могут являться ошибка управления, интеграл ошибки и ее производная, а выходным компонентом - требуемое значение управляющего воздействия либо некоторые настраиваемые параметры системы управления, например коэффициенты усиления ПИД.
В таком случае входными данными для НР является вектор ошибки, который состоит из ошибки управления e(t), интеграла ошибки управления
¡в = | вЛ и скорости изменения ошибки управления ¿(г). Выходными данными НР является вектор, состоящий из значений коэффициентов усиления ^ ПИД-регулятора, формирующих управляющее воздействие в виде
г
и У) = + Л'. (/)| е (т) ¿/т + (/)ё(Г) . (1)
о
Структурно ОБЗ состоит из взаимосвязанных генетических алгоритмов (ГА!, ГА2, ГА3), оптимизирующих отдельные компоненты БЗ. Базовые шаги оптимизации и структура ОБЗ подробно описаны в [1].
Результатом аппроксимации обучающего сигнала является построенная БЗ для НР, включающая оптимальное конечное множество правил и оптимально сформированные параметры функции принадлежности входных и выходных переменных НР.
Таким образом, результатом проектирования является требуемый тип универсального аппрок-симатора в виде НР с оптимальной структурой БЗ.
Объект управления
Управление объектом типа «каретка - перевернутый маятник» является одной из типовых задач в теории управления, решение которой наглядно демонстрирует качество САУ. Рассмотрим динамику модели в виде одноосевой каретки (рис. 2) с перевернутым маятником, закрепленным на оси.
Динамика этого ОУ описывается системой дифференциальных уравнений второго порядка, выводимых с учетом сил трения и упругости каретки из баланса моментов и проекций сил на горизонтальную ось Z:
и + ^(tj-a^ - a^z + ml( 6: sin 6cos6)
2 =-1---,
mc + m
. „ u + £(t) + a,¿ + fl^z-;n/6:sin6 ) • gsin6 + cos6|-——!-=- -A-e .(2)
e = -
m + m
^ 4 m cos2 6 3 m + m
Уравнения для скорости производства энтропии следующие:
А'62 +1 / 2от/63 вт 26
\ -
l (mc + m)
m cos2 6 m„ + m
S.=-
"i
ni + m
-■z : S„ =k,é .
(3)
В уравнениях (2) и (3) г и 6 - обобщенные координаты; g - ускорение свободного падения (9,8 м/с2); тс - масса тележки; т - масса перевернутого маятника (называемого «шест»); I - половина длины маятника; k и а - коэффициенты трения в г и 6 соответственно; а2 - сила упругости те-
лежки; |(t) - внешний стохастический шум; u -сила управления.
Динамическая система обладает глобальной динамической неустойчивостью, при отсутствии управляющей силы происходит неограниченный рост угла отклонения, то есть маятник падает. Задача управления системой состоит в том, чтобы, воздействуя с помощью силы управления на тележку, удерживать (стабилизировать) маятник в вертикальном положении (угол отклонения оси маятника от вертикали к 0) в условиях изменения среды функционирования.
На рисунке 3 представлены макет, используемый для тестирования технологий проектирования ИСАУ с использованием ОБЗ (а), и стенд для проведения экспериментов (б). Отметим, что данный тип робота является типовым Benchmark для тестирования программного инструментария ро-бастного интеллектуального управления, примеры аналогов которого приведены в [7-10].
а) б)
Рис. 3: а) макет системы «перевернутый маятник», б) стенд для проведения экспериментов: TS output - представление обучающего сигнала с модели; Robot - макет ОУ; USB connection -кабельное соединение компьютера и макета;
PC - персональный компьютер
Стенд оборудован различными покрытиями для проведения экспериментов с макетом, в том числе в непредвиденных ситуациях управления. На стенде также имеется возможность устанавливать определенный начальный угол для запуска макета.
Интерфейсы ОБЗ
Взаимодействие ОБЗ с ОУ реализуется через модули Matlab/Simulink для математических моделей и СОМ-интерфейс для реальных объектов управления.
Возможность дистанционного проектирования робастных ИСУ (на основе удаленного соединения с ОУ) для настройки БЗ НР на основе ОБЗ с применением технологии мягких вычислений подробно рассмотрена в [11]. Это позволяет проектировать ИСУ без использования системы стохастического моделирования, что дает преимущество при проектировании нечетких систем управления для сложных и слабо формализованных ОУ
в непредвиденных ситуациях управления. Реализация физической среды соединения предполагает использование дополнительного оборудования для приема-передачи данных, например, радиоканала Bluetooth, Wi-Fi, или подключение по кабелю, к примеру USB. Профиль соединения использует последовательный порт. Скорость передачи в нашем случае составляет 115 200 бит/сек. В процессе функционирования по COM-порту передаются числа с плавающей точкой в символьном виде. Предполагается обмен информацией между системой управления и ОБЗ для формирования БЗ (рис. 4).
Рис. 4. Схема соединения настраиваемого устройства и ОБЗ
Рассмотрим подробнее процесс настройки функционирования подобной системы (рис. 5). Система управления считывает показания датчиков и отправляет их на компьютер для последующей обработки. Приняв входные значения, ОБЗ оценивает предыдущее решение (БЗ НР) и осуществляет нечеткий вывод для проверки следующего решения (БЗ НР). Результат нечеткого вывода отправляется на удаленное устройство. После этого система управления, обработав входные значения, вырабатывает управляющее воздействие.
Прежде чем приступить к установке соединения между оптимизатором и системой управления, необходимо установить физические ограничения взаимодействующих устройств, то есть определить максимальные и минимальные временные границы одного такта системы управления с учетом приема, передачи и обработки сообщений.
Моделирование и эксперимент
Исследование качества управления ПИД-регу-лятора и нечетких регуляторов на основе программного инструментария ОБЗ проводилось с использованием математической модели и/или реального ОУ. Регуляторы разрабатывались для функционирования в типовой ситуации управления. В таблице 1 приведено сравнение БЗ по коли-
Рис. 5. Алгоритм работы удаленной настройки
честву правил, количеству функций принадлежности лингвистической переменной и способу оптимизации в программном инструментарии ОБЗ.
Таблица 1
Сравнение БЗ
Количество правил Количество Способ
База функций при- оптимиза-
надлежности ции
База 1 Модель 245 8x6x6 Моделирование
База 2 Модель 276 8x9x6 Моделирование
База 3 Макет 288 9x9x6 Аппроксимация ОС (ГА2)
База 4 Макет 270 5x8x8 Дистанционная настройка
Параметры математической модели, используемой для моделирования, представлены в таблице 2.
Для сравнения робастности разработанных систем управления используем непредвиденную ситуацию управления. Ситуация моделируется наличием шума в коэффициентах трения, в управляющем воздействии, в системе измерения. В качестве такого шума в эксперименте используется специальное покрытие, а для моделей были установлены соответствующие значения параметров.
Рассмотрим поведение ПИД-регуляторов и нечетких регуляторов в типичной и непредвиденной ситуациях управления (рис. 6, 7).
Типовая ситуация управления. Моделирование
Типовая ситуация управления. Эксперимент
Вда скмч! 1|Чгдщ ¡ич «гс
Непредвиденная ситуация управления. Моделирование
Рис. 6. Результаты моделирования и экспериментов: ошибка управления (слева), интеграл квадратичной ошибки (справа)
Разработанный с использованием математической модели для типовой ситуации управления НР2 ^С2) справился с задачей управления лучше всех, что подтверждено результатами моделирования и эксперимента.
Таблица 2
Ситуации управления, параметры математических моделей
Параметр Типовая ситуация (С1) Непредвиденная (С2)
Начальный угол 0 гр 0 гр
Начальная скорость 1 гр/с 1 гр/с
Масса тележки 0,56 кг 0,56 кг
Масса маятника 0,63 кг 0,63 кг
Длина маятника 0,07 м 0,07 м
Трение в креплении 3,55 + нормированный шум с интенсивностью 0,01 и амплитудой 0,35 2,75 + нормированный шум с интенсивностью 0,01 и амплитудой 0,35
Трение колес 3,63 + гауссов-ский шум 15 % 2,53 + гауссовский шум 15 %
Сила упругости 5,54 Н/м 7,54 Н/м
Шум в системе управления Равномерный [-2,15 2,15], интенсивность 0,48 Равномерный [-2,55 2,55], интенсивность 0,48
Шум в системе измерения Амплитуда 0,22, гауссовский шум, интенсивность 0,01 Амплитуда 0,42, гауссовский шум, интенсивность 0,01
Задержка управляющего воздействия 0,01 с 0,01 с
-
Mi|r j rV'VVi^VVVv'wW -
- PID
--FC1
-------FC2
---FC3 -
♦ FC4
System clock
Рис. 7. Ошибка управления. Непредвиденная ситуация.
Эксперимент
Таким образом, результаты эксперимента показывают, что нечеткие регуляторы, БЗ которых спроектированы по разработанной методологии, обладают повышенной робастностью и способны справляться с задачей управления в широком классе непредвиденных ситуаций [11, 12].
В заключение отметим, что классические системы управления не всегда успешно справляются с задачей управления в случае, если ОУ является глобально неустойчивым или существенно нелинейным, при наличии шумов или времени задержки в каналах измерения, а также при наличии стохастических шумов, особенно типа рэлеевских (с несимметричной функцией плотности распределения вероятностей).
Нечеткие контроллеры, основанные на традиционных инструментариях мягких вычислений, в которых структура ННС строится вручную экспертом или ННС типа ANFIS, уступают по качеству управления и робастности нечетким контроллерам, построенным на основе ОБЗ.
Результаты моделирования широкого класса объектов управления показали, что разработанная технология проектирования ИСУ на основе инструментария ОБЗ демонстрирует хорошие качества управления и робастность, несмотря на изменения (непредсказуемость) широкого класса факторов, таких как изменение внешних шумов, изменение параметров модели ОУ, изменение времени задержки в каналах измерения или изменение цели управления.
Литература
1. Ульянов С.В., Литвинцева Л.В., Добрынин В.Н., Мишин А.А. Интеллектуальное робастное управление: технологии мягких вычислений. М.: ВНИИгеосистем, 2011. 406 с.
2. Grasser F., D'Arrigo A., Colombi S., and Rufer A. Joe: a mobile inverted pendulum. IEEE Transaction Electronics, 2002, vol. 49, no 1, pp. 107-114.
3. Gpmez M., Arribas T., Sanchez S. Optimal control based on CACM-RL in a Two-Wheeled Inverted Pendulum. Intern. Journ. of Advanced Robot System, 2012.
4. Jung S., Taek H. Cho. Decoupled Neural Network Reference Compensation Technique for a PD Controlled Two Degrees-of-Freedom Inverted Pendulum. Intern. Journ. of Control, Automation, and Systems, 2004, vol. 2, no. 1, pp. 92-99.
5. Moghaddas M., RezaDastranj M., Changizi N., and Khoo-ri N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Intern. Journ. of Innovation, Management and Technology, 2012, vol. 3, no. 4.
6. Kumar P., Mehrotra O.N., Mahto J. Tuning of PID controller of inverted pendulum using genetic algorithm. International Journal of Research in Engineering and Technology, 2012, vol. 01, iss. 03.
7. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-orderdisturbance observer. IEEE Intern. Conf. on Robotics and Automation Pasadena, CA, USA, May 19-23, 2008, pp. 2521-2526.
8. Nawawi S.W., Ahmad M.N., and Osman J.H.S. Real-time control system for a two-wheeled inverted pendulum mobile -robot. Advanced Knowledge Application in Practice, InTech, 2010, pp. 299-312.
9. Gocmen A. Design of two wheeled electric vehicle. Master Sci. Thesis. Atilim Univ., Temmuz, 2011.
10. Castro A. Modeling and dynamic analysis of a two-wheeled inverted pendulum. Master Sci. Thesis, Georgia Institute of Technology, Atlanta, USA, 2012.
11. Ульянов С.В., Решетников А.Г. Метод извлечения знаний из физически измеряемого сигнала обучения: проектирование баз знаний нечеткого регулятора // Системный анализ в науке и образовании. 2013. № 1. URL: http://www.sanse.ru/archi-ve/154 (дата обращения: 16.09.2013).
12. Ульянов С.В., Решетников А.Г., Керимов Т.А., Дистанционная настройка базы знаний для интеллектуального управления автономным роботом на основе оптимизатора баз знаний. Ч. 1: технологии мягких вычислений. 2013. N° 1. URL: http://www.sanse.ru/archive/156 (дата обращения: 16.09.2013).
13. Buonocunto P., Corucci F. Real-time PID control of an inverted pendulum. MSc in Computer Engineering, Univ. of Pisa, Italy.
References
1. Ulyanov S.V., Litvintseva L.V., Dobrynin V.N., Mi-shin A.A. Intellektualnoe robastnoe upravlenie: tekhnologii myagkikh vychisleniy [Intellegent robust control: soft computing technologies]. Moscow, VNIIgeosystem Publ., 2011, 406 p.
2. Grasser F., D'Arrigo A., Colombi S., Rufer A. Joe: A mobile inverted pendulum, IEEE Transaction Electronics. 2002, vol. 49, no. 1, pp. 107-114.
3. Gpmez M., Arribas T., Sanchez S. Optimal control based on CACM-RL in a Two-Wheeled Inverted Pendulum. Int. journ. of advanced robot system. 2012 (accessed 30 October 2012).
4. Jung S., Cho T.H. Decoupled Neural Network Reference Compensation Technique for a PD Controlled Two Degrees-of-Freedom Inverted Pendulum. Int. journ. of control, automation, and systems. 2004, vol. 2, no. 1, pp. 92-99.
5. Moghaddas M., RezaDastranj M., Changizi N., Khoori N. Design of Optimal PID Controller for Inverted Pendulum Using Genetic Algorithm. Int. journ. of innovation, management and technology. 2012, vol. 3, no. 4.
6. Kumar P., Mehrotra O.N., Mahto J., Tuning of PID controller of inverted pendulum using genetic algorithm. Int. journ. of research in engineering and technology. 2012, vol. 01, iss. 03. Available at: http://ijret.org/volumes/2012_11_Vol_01_Iss_03/ P2012_01_03_029.pdf (accessed 10 August).
7. Choi D., Oh J.-H. Human-friendly motion control of a wheeled inverted pendulum by reduced-orderdisturbance observer. IEEE int. conf. on robotics and automation pasadena. CA, USA, 2008, pp. 2521-2526.
8. Nawawi S.W., Ahmad M.N., Osman J.H.S. Real-time control system for a two-wheeled inverted pendulum mobile -robot. Advanced knowledge application in practice. 2010, pp. 299-312.
9. Gocmen A. Design of two wheeled electric vehicle. Master Sc. thesis, Atilim Univ. Publ., Temmuz, 2011.
10. Castro A. Modeling and dynamic analysis of a two-wheeled inverted pendulum. Master Sc. thesis, Georgia Institute of Technology Publ., Atlanta, USA, 2012.
11. Ulyanov S.V., Reshetnikov A.G. Knoledge extract method from physically measured teaching signal: knowledge base design for fuzzy controller. Sistemny analiz v nauke i obrazovanii [System analyze in science and education]. Available at: http://www.san-se.ru/archive/154 (accessed 16 September 2013).
12. Ulyanov S.V., Reshetnikov A.G., Kerimov T.A. Remote configuration of knowledge base for autonomous robot intelligent control based on knowledge base optimizer: soft conputing. Sistem-ny analiz v nauke i obrazovanii [System analyze in science and
education]. Available at: http://www.sanse.ru/archive/156 (accessed 16 September 2013).
13. Buonocunto P., Corucci F. Real-time PID control of an inverted pendulum. MSc in Comp. Engineering, Univ. of Pisa, Italy.
УДК 004.415.2, 004.588
РОБАСТНОЕ ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ НА ОСНОВЕ ТЕХНОЛОГИИ КВАНТОВЫХ ВЫЧИСЛЕНИЙ
А.Г. Решетников, аспирант; Т.А. Керимов, аспирант; С.В. Ульянов, д.ф.-м.н.., профессор (Международный университет природы, общества и человека «Дубна», ул. Университетская, 19, г. Дубна, Московская обл., 141980, Россия, [email protected], [email protected], [email protected])
Рассматривается технология проектирования робастных интеллектуальных систем управления на основе квантового нечеткого вывода в двух вариантах: с использованием дистанционного подключения к объекту управления без математической модели объекта управления и с использованием верифицированной математической модели. Применение разработанной методологии проектирования основано на самоорганизации знаний и приводит к повышению уровня робастности интеллектуальных систем управления в непредвиденных ситуациях управления. В качестве информационных источников для проектирования нечетких регуляторов используются два варианта: в первом случае применяется математическая неточная (с недоопределенными параметрами) модель объекта управления, второй вариант основан на процессе измерения сигнала обучения с реального объекта управления, из которого формируется база знаний. Проводится сравнение результатов моделирования и физического эксперимента ПИД-регулятора, нечетких регуляторов и квантовых нечетких регуляторов с различными типами корреляции. Показана эффективность применения квантового нечеткого вывода в системной инженерии проектирования систем управления для повышения робастности интеллектуального управления в непредвиденных (нештатных) ситуациях управления.
Ключевые слова: интеллектуальное управление, квантовый алгоритм, самоорганизация, база знаний, квантовая информация, квантовый нечеткий вывод.
ROBUST INTELLIGENT CONTROL BASED ON QUANTUM COMPUTING TECHNOLOGY Reshetnikov A.G., postgraduate student; Kerimov T.A., postgraduate student;
Ulyanov S. V., Dr.Sc. (Physics and Mathematics), professor (Dubna Internacional University for Nature, Socitty and Man, Universitetskaya St., 19, Dubna, 141980, Russian Federation, [email protected], [email protected], [email protected], [email protected])
Аbstract. The article describes the technology of robust intelligent control system design based on quantum fuzzy inference in two versions: using remote object connection and using verified mathematical model. Developed design methodology is used based on knowledge self-organization. It improves the robustness of intelligent control systems in unforeseen situations. The information sources for fuzzy controllers design are devided into two types: the first includes inaccurate mathematical model (with sub-definite parameters) of control object, and the second is based on the process of measuring the teaching signal from the real control object. A comparison of simulation and experimental results for physical test of PID controller, fuzzy controllers and quantum fuzzy controllers with different types of correlations is considered. The efficiency of using the quantum fuzzy inference to improve the robustness of intelligent control in emergencies management situations is confirmed.
Keywords: intelligent control, a quantum algorithm, self-organization, knowledge base, quantum information, quantum fuzzy inference.
Практика и результаты моделирования реальных объектов показали, что в условиях неопределенности или неточности исходной информации, непредвиденных ситуаций или информационного риска традиционный (использующий принцип глобальной отрицательной обратной связи) и широко применяемый в промышленности ПИД-регу-лятор часто не справляется с поставленной задачей управления. В то же время задача глобальной робастности ПИД-регулятора до настоящего времени не решена, несмотря на актуальность данной проблемы.
Использование нечетких регуляторов (НР) совместно с ПИД-регулятором привело к созданию гибридных нечетких интеллектуальных систем управления (ИСУ) с различными уровнями интеллектуальности в зависимости от полноты и корректности спроектированной БЗ. Применение технологии мягких вычислений (основанной на генетических алгоритмах и нечетких нейронных сетях) расширило область эффективного применения НР за счет добавления новых функций в виде обучения и адаптации. Однако в общем случае нештатных ситуаций управления очень трудно
