CC BY
59
УДК 004.8, 004.94, 51-74, 621.37
УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМ КОМПЛЕКСОМ В ЭКСТРЕМАЛЬНЫХ УСЛОВИЯХ ФУНКЦИОНИРОВАНИЯ НА ОСНОВЕ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ
В.Ж. Бочаров, В.Л. Бурковский
Современный робототехнический комплекс — сложная система подверженная влиянию большого количества факторов. Экстремальные условия внешней среды могут оказать серьезное негативное влияние на систему управления робототехнического комплекса или вывести ее из строя. Под экстремальными условиями подразумеваются два типа факторов: природные (температура, давление, разреженность воздуха т.д.) и антропогенные (ионизирующая радиация, магнитные и электрические поля, различные перегрузки). Для преодоления подобных негативных факторов система управления должна обладать высокой адаптивностью. Наиболее очевидный вывод - система управления на основе прогнозирующей модели недостаточно эффективна для поставленной задачи. Еще один подход — система управления РТК на основе нечетких нейронных сетей.
На примере системы управления РТК УПТО «РОИН-200» разработана математическая модель, по которой разработана нечеткая нейронная сеть, скрытый слой которой состоит из нескольких вложенных нейронных сетей, выполняющих функции управления различных блоков РТК (пульт управления, стрела РТК и блок управления аутригерами). Разработанная на основе этих идей нейронная сеть, внедренная в систему управления РТК РОИН-200, позволила достичь прироста производительности и серьезно оптимизировать систему управления.
На основе вышеизложенного можно заключить, что нечеткие нейронные сети позволяют существенно повысить эффективность функционирования систем управления РТК
Ключевые слова: управление, робототехника, экстремальные условия, нечеткая логика, нейронные сети, оптимизация
Робототехнический комплекс в современных условиях — это сложная система, на которую влияет огромное количество различных по своей природе факторов. Существует множество различных вариантов классификации РТК по различным признакам и
особенностям, но в рамках статьи мы рассмотрим их деление по типам системы управления. Также рассмотрим основные задачи, решаемые системами управления.
Рис. 1. Типы систем управления
Планирование движений
Планирование сил и моментов
Анализ динамической точности
Идентификация кинематических и
динамических характеристик РТК
Рис. 2. Задачи системы управления
Очевидно, что чем тяжелее условия, в которых функционирует система управления РТК, тем большие к ней предъявляются требования в плане отказоустойчивости системы. Если взглянуть на проблему внешних
Бочаров Владимир Жанович - ЗАО МГК «Интехрос», инженер-радиоэлектроник, e-mail: [email protected] Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, e-mail: [email protected]
экстремальных условий в целом, то все эти факторы можно разделить на две основные подгруппы: природные и антропогенные (экстремальные температуры, давления; разреженность воздуха; магнитные и электрические поля; ионизирующая радиация; ускорения; невесомость и различные перегрузки). Для нивелирования всех этих негативных факторов система управления РТК
должна обладать высоким уровнем адаптивности.
Один из вариантов решения проблемы влияния экстремальных условий внешней среды — использование прогнозирующих моделей — это один из самых актуальных методов ТАУ. В основном данный метод применяется в химической промышленности. Объект управления представляется как линейная модель. Главные особенности данного метода — рассмотрение ограничений, накладываемых на вектор состояний, а также качество процесса управления в реальном времени. Также необходимо оценивание или измерение объекта управления в реальном времени. Данные ограничения значительно снижают возможность использования подобного подхода при разработке универсальной системы управления для по-настоящему сложного объекта управления.
Альтернативой этого подхода выступает аппарат нечеткой логики и нейронных сетей.
Следующим шагом к созданию универсальной системы управления, способной адаптироваться к экстремальным внешним условиям, является использование нечетких нейронных сетей.
Нечеткие нейронные сети, используя аппарат нечеткой логики, позволяют получать достаточно точные результаты. Для подбора параметров и обучения нейронных сетей используется метод обратного распространения ошибки, созданный изначально для персептрона. По сути система управления представляется как нечеткая многослойная сеть, обычно имеющая четыре слоя: слой фаззификации входных данных, слоя активации, слоя нечетких правил и слоя вывода данных. Сейчас наиболее распространены нечеткие нейронные сети типа ANFIS и TSK — универсальные аппроксиматоры.
Вход Первый слой
Г—Л г-> г
а\ К
Второй слой
Третий слой Г-N
а1 = Г(П¥"р +ь')
а' = Г'(ИУ"а1+1>')
Рис. 3. Обобщенная структура нейронной сети
Благодаря сравнительно быстрым и эффективным алгоритмам обучения; и интерпретируемость накопленных знаний можно с большой уверенностью утверждать, что нейронные сети — очень перспективный инструмент мягких вычислений.
Обычно нечеткие системы трудно применять в реальных системах управления из-за необходимости использования экспертных компетенций при их разработке и внедрении, что не всегда возможно. Эту проблему можно решить, используя адаптивные нечеткие системы. Параметры в таких системах подбираются во время обучения на основе экспериментальных данных. Адаптивные нейронные сети в большинстве случаев требуют более сложных алгоритмов обучения, чем обычные нейронные сети. В рамках обучения адаптивной нейронной сети
рассматривают две основные стадии: генерация лингвистических правил и корректировка функций принадлежности. Первая стадия — задача переборного, а вторую можно отнести к более сложным задачам оптимизации в непрерывных пространствах. Интересно, что возникает парадокс, так как для нечетких правил необходимы функции принадлежности, а для функций — правила. Более того, при автоматизации создания нечетких правил требуется обеспечивать полноту и непротиворечивость этих правил.
Рассмотрим реальную систему
управления, модель которой представлена на рис.4, на основе нечетких нейронных сетей. УПТО «РОИН-200» — это
многофункциональный комплекс
предназначенный для решения задач по инженерному обеспечению спецопераций,
обслуживания объектов инфраструктуры и ликвидации последствий техногенных и природных ЧС. Управление роботом происходит по радиоканалу с использованием средств телеметрии. Технология "тиййюок", базирующаяся на использование специального наклонно-поворотного устройства позволяет работать с широким спектром навесного оборудования (планировочный ковш, общеземельный ковш, гидромолот, гидробур, бетонолом, грейферный захват и т. д.), смена которого происходит за считанные минуты без специального инструмента. Задачи
реализуемые системой управления данным РТК можно разбить на несколько основных подзадач:
• обеспечение движения звеньев РТК по максимально эффективным траекториям;
• обеспечивать передачи данных между модулями РТК;
• осуществление самодиагностики и наладки РТК без участия оператора;
• быстрая адаптация к изменяющимся условиях окружающей среды.
• эффективная и адекватная реагировать на негативные внешние воздействия.
Для удобства модель системы управления можно разделить на несколько основных блоков в соответствии с их функциональным назначением: блок пульта управления; блок управления стрелой РТК; блок управления системой аутригеров. При этом все структурные компоненты системы жестко взаимосвязаны.
ЕЬ
_
: в е-
1
Е
Рис. 4. Математическая модель системы управления РОИН-200
Рассмотрим реальную систему
управления, модель которой представлена на рис.4, на основе нечетких нейронных сетей. УПТО «РОИН-200» — это
многофункциональный комплекс
предназначенный для решения задач по инженерному обеспечению спецопераций, обслуживания объектов инфраструктуры и ликвидации последствий техногенных и природных ЧС. Управление роботом происходит по радиоканалу с использованием средств телеметрии. Технология "тиййюок", базирующаяся на использование специального
наклонно-поворотного устройства позволяет работать с широким спектром навесного оборудования (планировочный ковш, общеземельный ковш, гидромолот, гидробур, бетонолом, грейферный захват и т. д.), смена которого происходит за считанные минуты без специального инструмента. Задачи
реализуемые системой управления данным РТК можно разбить на несколько основных подзадач:
• обеспечение движения звеньев РТК по максимально эффективным траекториям;
• обеспечивать передачи данных между модулями РТК;
• осуществление самодиагностики и наладки РТК без участия оператора;
• быстрая адаптация к изменяющимся условиях окружающей среды.
• эффективная и адекватная реагировать на негативные внешние воздействия.
Для удобства модель системы управления можно разделить на несколько основных блоков в соответствии с их функциональным назначением: блок пульта управления; блок
В данной нейронной сети входными нейронами обрабатывается информация от пульта управления и данные от различных датчиков остальных блоков системы (датчики температуры, давления, акселерометры и т.д.). Скрытый слой сети отрабатывает уже различные функции всей системы, и формируют вектор для исполнительного слоя сети. Для оптимизации всей системы управления на основе существующих математических моделей всех блоков можно разбить на ряд искусственных нейронных сетей, которые в свою очередь можно объединить в глобальную нейронную сеть всего РТК. По сути, имеет место многомерная нейронная сеть, каждый из нейронов скрытого слоя представляет собой самостоятельную нейронную сеть.
Преимущество данного подхода к решению задач управления очевидна: система управления постоянно обучается и с каждой последующей итерацией становится все эффективнее, что в приложении к реальной элементной базе РТК снижается нагрузки на всю систему в целом. Это особенно актуально, т.к. система управления в рассматриваемом случае строится на основе микроконтроллеров семейства STM32,
управления стрелой РТК; блок управления системой аутригеров. При этом все структурные компоненты системы жестко взаимосвязаны.
Используя нечеткую логику и нейронные сети можно оптимизировать и упростить существующую математическую модель системы управления и привести к соответствию с приведенными выше критериями. Построим нейронную сеть на основе обобщенной модели системы управления (рис.5).
ООО
обладающих недостаточно большой
производительностью.
Приведем простой пример эффективности нейронных сетей для решения задач управления РТК: при включении режима автоматического горизонтирования системе управления необходимо оценивать данные сразу от нескольких типов датчиков производить их обработку и формировать управляющие сигналы для его отработки. У алгоритма без использования нечеткой логики данная операция занимает до 3 минут и лишь в 83% случаев заканчивается успешно, т.к. производится по одному заранее заданному сценарию. Но при использовании нейронных сетей каждая последующая операция горизонтирования занимает меньше рабочего времени, т.к. система управления РТК с каждым последующим повторением накапливает больше данных и находит скрытые зависимости между показаниями датчиков и процессом горизонтирования, позволяя оптимизировать соответствующие процессы.
На основе вышеизложенного можно заключить, что нечеткие нейронные сети позволяют существенно повысить эффективность функционирования систем управления РТК.
Рис. 5. Нейронная сеть на основе обобщенной математической модели
Рис. 6. Обобщенная модель нейронной сети системы управления
Литература
1. Осовский, С. Нейронные сети для обработки информации [Текст] / С. Осовский; пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.
2. Круглов, В.В. Искусственные нейронные сети. Теория и практика [Текст] / В.В. Круглов, В.В. Борисов. -М.: Горячая линия - Телеком, 2002. - 382 с.
3. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика [Текст] / Ф. Уоссермен. - М.: Мир, 1992. - 240 с.
4. Головко, В.А. Нейронные сети: обучение, организация и применение [Текст] : учеб. пособие для вузов / В.А. Головко; под общ. ред. А.И. Галушкина. - М.: ИПРЖР, 2001. - 256 с.
5. Калан, Р. Основные концепции нейронных сетей [Текст] / Р. Калан. - М.: Издательский дом "Вильямс", 2001. - 287 с.
6. Комашинский В.И. Нейронные сети и их применение в системах управления и связи [Текст] / В.И. Комашинский, Д.А. Смирнов. - М.: Горячая линия -Телеком, 2002. - 94 с.
7. Модулярные параллельные вычислительные структуры нейропроцессорных систем [Текст] / Н.И.
Червяков, П.А. Сахнюк, А.В. Шапошников, С.А. Ряднов. -М.: Физматлит, 2003. - 288 с.
8. Hertz, J.. Wstep do teorii obliczen neuronowych. Wyd. II. / J. Hertz, A. Krogh, R. Palmer. - Warszawa: WNT, 1995/
9. Barren A.R. Approximation and estimation bounds for artificial neural networks / A.R. Barren // Machine learning. - Vol. 14, 1994. - Pp. 115-133.
10. Osowski S. Sieci neuronowe w ujeciu algorytmicznym / S. Osowski. - Warszawa: WNT, 1996.
11. Rosenblatt F. Principle of neurodynamics / F. Rosenblatt. - N.Y.: Spartan, 1992.
12. Weymaere N. On the initialization and optimization of multilayer perception / N. Weymaere, J.P. Martens // IEEE Trans. Neural Networks, 1994. - Vol. 5. - Pp. 738-751.288
13. Haykin S. Neural networks, a comprehensive foundation / S. Haykin. - N.Y.: Macmillan Colkst Publishing Company, 1994.
14. Widrow В. Hoff M. Adaptive switching circuits / В. Widrow // Proc. IRE WESCON Convention Record, 1960. -Pp. 107-115.
15. Cichocki A., Unbehauen R. Neural networks for solving systems of linear equations and related problems / A. Cichocki, R. Unbehauen // IEEE Trans. CAS, 1992. - Vol. 39. - Pp. 124-138.
ЗАО МГК «Интехрос», г. Воронеж
Воронежский государственный технический университет
MANAGEMENT ROBOTIC SYSTEMS FUNCTIONING IN EXTREME CONDITIONS BASED ON FUZZY NEURAL NETWORKS V.Zh. Bocharov, engineer-electronics, ZAO MGK "Intehros", Voronezh, Russian Federation, e-mail: [email protected]
V.L. Burkovsky, Doctor of Technical Sciences, Professor, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: [email protected]
Modern robotic system - a complex system exposed to a number of factors. Extreme environmental conditions can have a major negative impact on the robotic system control or disable it. Under extreme conditions refers to two types of factors: natural (temperature, pressure, air sparseness etc.) and anthropogenic (ionizing radiation, magnetic and electric fields, various overload). To overcome such negative factors of the control system must be highly adaptable. The most obvious output control system based on predictive model is not effective enough for the task. Another approach - RTC control system based on fuzzy neural networks.
For example, RTK UPTO "Roin-200" control system mathematical model, which is designed for fuzzy neural network, hidden layer which consists of several nested neural networks perform various management functions RTC (remote control,
RTC boom and outriggers control unit) units. Developed on the basis of these ideas neural network implemented in Roin RTC-200 control system has achieved productivity gains, and seriously optimize the control system.
Based on the above it can be concluded that the fuzzy neural networks can significantly improve the efficiency of the control RTK systems
Key words: management, robotics, extreme conditions, fuzzy logic, neural networks, optimization
References
1. 1. Osovskij S. Nejronnye seti dlja obrabotki informacii [Neural networks for information processing] / Per. s pol'skogo I.D. Rudinskogo. - M.: Finansy i statistika, 2002. - 344 s.
2. Kruglov V.V., Borisov V.V. Iskusstvennye nejronnye seti. Teorija i praktika [Artificial neural network. Theory and practice]. - M.: Gorjachaja linija - Telekom, 2002. - 382 s.
3. Uossermen F. Nejrokomp'juternaja tehnika: Teorija i praktika [Neurocomputer technique: Theory and practice]. - M.: Mir, 1992. - 240 s.
4. Golovko V.A. Nejronnye seti: obuchenie, organizacija i primenenie [Neural networks: training, organization and application] / ed. A.I. Galushkina. - M.: IPRZhR, 2001. - 256 s.
5. Kalan R. Osnovnye koncepcii nejronnyh setej [Basic concepts of neural networks]. - M.: Izdatel'skij dom "Vil'jams", 2001. - 287 s.
6. Komashinskij V.I., Smirnov D.A. Nejronnye seti i ih primenenie v sistemah upravlenija i svjazi [Neural networks and their applications in systems and control]. - M.: Gorjachaja linija - Telekom, 2002. - 94 s.
7. Chervjakov N.I., Sahnjuk P.A., Shaposhnikov A.V., Rjadnov S.A. Moduljarnye parallel'nye vychislitel'nye struktury nejroprocessornyh system [Modular parallel computing structures of connected systems] - M.: Fizmatlit, 2003. - 288 s.
8. Hertz J., Krogh A., Palmer R. Wstep do teorii obliczen neuronowych. Wyd. II. [Introduction to the theory of neural computation. Ed. II.] - Warszawa: WNT, 1995/
9. Barren A.R. Approximation and estimation bounds for artificial neural networks. Machine learning. - Vol. 14, 1994. - Pp. 115-133.
10. Osowski S. Sieci neuronowe w ujeciu algorytmicznym [Neural networks in ujeciu algorytmicznym]. -Warszawa: WNT, 1996.
11. Rosenblatt F. Principle of neurodynamics. - N.Y.: Spartan, 1992.
12. Weymaere N., Martens J.P. On the initialization and optimization of multilayer perception // IEEE Trans. Neural Networks, 1994. - Vol. 5. - Pp. 738-751.288
13. Haykin S. Neural networks, a comprehensive foundation. - N.Y.: Macmillan Colkst Publishing Company,
1994.
14. Widrow V., Hoff M. Adaptive switching circuits // Proc. IRE WESCON Convention Record, 1960. - Pp. 107115.
15. Cichocki A., Unbehauen R. Neural networks for solving systems of linear equations and related problems // IEEE Trans. CAS, 1992. - Vol. 39. - Pp. 124-138.
