А.В. Шилоносов1, Н.В.Суханов2

1 ВА РВСН (г. Балашиха, Россия), 2 ГосНИИАС (Москва, Россия)
 

Постановка проблемы. Для управления сложным динамическим объектом необходимо получить модель данного объекта. С учетом множества используемых нестационарных параметров описания объектов получение такой модели является сложной задачей. Разработка алгоритмов управления динамическими объектами, основанная на традиционных математических методах управления, с учетом обеспечения устойчивости, не всегда дают желаемый результат из-за усложнения алгоритмов и трудностей их реализации на вычислительной технике.

Цель. Повысить качество управления сложного динамического объекта в условиях неопределенности посредством реализации алгоритма управления с использованием нейронных сетей.

Результаты. Предложено применение в системе управления сложного динамического объекта инверсно-адаптивной схемы, состоящей из дух динамически обучаемых моделей, прямой нейросетевой модели (нейросеть-идентификатор) и инверсной нейросетевой модели (нейросеть-регулятор). Отличительная особенность предлагаемой схемы заключается в использовании выхода прямой модели объекта и текущих изменений задающей функции, которые применяются для обучения инверсной модели. Получены результаты при имитационном моделировании работы системы управления с искусственными нейронными сетями, которые демонстрируют адаптивные свойства нейросетевого регулятора при реакции на ступенчатый сигнал и при изменении характеристик объекта управления.

Практическая значимость. Предлагаемая инверсно-адаптивная схема открывает новые возможности в построении перспективных систем управления сложными динамическими объектами с адаптивными функциями, выполняющими целевые задачи в условиях неопределенности. Результаты могут быть использованы разработчиками систем управления ракетно-космической техники, как в пилотируемых, так и в роботизированных беспилотных вариантах исполнения при решении задач идентификации характеристик объекта управления, а также при формировании алгоритмов интеллектуального и адаптивного управления.

Шилоносов А.В., Суханов Н.В. Применение нейросетевого подхода в системе управления сложного динамического объекта // Динамика сложных систем. 2022. Т. 16. № 1. С. 46−56. DOI: 10.18127/j19997493-202201-05

1. Макаров И.М., Лохин В.М., Манько С.В., Романов М. П. Ситников М. С. Устойчивость интеллектуальных систем автоматического управления // Информационные технологии. Приложение. 2013. № 2. С. 1–32.
2. Балюков А.А., Зайцев А.В., Канушкин С.В. Модель движения беспилотного летательного аппарата с использованием интеллектуальных технологий // Труды военно-научной конференции «Роботизация Вооруженных Сил Российской Федерации». М.: 2016. С. 470. С. 198–204.
3. Лэ Хи Фонг. Нейросетевая система десантирования грузов транспортного вертолета в сложных погодных условиях: Дис. ... канд. техн. наук: 05.13.01.: М. 2004. 128 с.
4. Эйкхофф П. Основы идентификации систем управления. М.: Мир. 1975. 680 с.
5. Цыпкин Я.З. Основы информационной теории идентификации. М.: Наука. 1984. 320 с.
6. Paluzo-Hidalgo E., Gonzalez-Diaz R., Gutiérrez-Naranjo MA. Two-hidden-layer feed-forward networks are universal approxi­mators: A constructive approach. Neural Networks. 2020. V. 7. P. 29–36.
7. Хайкин С. Нейронные сети: полный курс: Пер. с англ. Изд. 2-е, испр. М.: Издательский дом «Вильямс». 2016. 1104 с.
8. Буянкин В.М. Применение искусственной нейронной сети в режиме идентификации динамических параметров электродвигателя // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2006. № 3. С. 25–30.
9. Буянкин В. М. Нейроидентификация статических и динамических характеристик электропривода // Изв. вузов. Сер. Машиностроение. 2008. № 9. С. 43–45.
10. Буянкин В.М., Пантюхин Д.В. Нейроидентификация статических и динамических характеристик асинхронного электродвигателя переменного тока // Нейрокомпьютеры разработка и применение. 2009. № 7. С. 69–73.
11. Kileel J., Trager M., Bruna J. 2019. On the expressive power of deep polynomial neural networks. In: Wallach H.M., Larochelle H., Beygelzimer A., d’Alché-Buc F., Fox E.B., Garnett R. (Eds.), Advances in Neural Information Processing Systems 32: Annual Conference on Neural Information Processing Systems 2019. NeurIPS 2019. 8–14 December 2019. Vancouver BC. Canada, pp. 10310-10319. URL: http://papers.nips.cc/paper/9219-on-the-expressive-power-of-deep-polynomial-neural-networks. (Дата обращения 21.09.2021)
12. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 Simulink 5/6 Инструменты искусственного интеллекта и биоинформатики. М.: Солон-пресс. 2006.
13. Осовский С. Нейронные сети для обработки информации: Пер. с польск. И.Д. Рудинского. Изд. 2-е, изд. перераб. и доп. М.: Горячая линия – Телеком. 2017. 448 с.