[
На правах рукописи
БУЯНКИН ВИКТОР МИХАЙЛОВИЧ
НЕЙРОСЕТЕВЫЕ МЕТОДЫ ПОВЫШЕНИЯ ТОЧНОСТИ СИСТЕМ
УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ
С НЕЛИНЕЙНЫМИ И НЕЧЕТКИМИ ХАРАКТЕРИСТИКАМИ
Специальность: 05.13.01- Системный анализ, управление и обработка информации (в наук
е и промышленности)
АВТОРЕФЕРАТ
диссертации на соискание ученой степени доктора технических наук Москва 2013 2
Работа выполнена в
НАУЧНО-ИССЛЕДОВАТЕЛЬСКОМ ИНСТИТУТЕ
ВЫЧИСЛИТЕЛЬНЫХ КОМПЛЕКСОВ им. М. А. КАРЦЕВА
Рухадзе Анри АмвросьевичОфициальные оппоненты:
Заслуженный деятель науки и техники РФ, доктор физико-математических наук, профессор, главный научный сотрудник Института общей физики РАН им. А.М. Прохорова;
Пушкарев Юрий Александрович Заслуженный деятель науки и техники РФ, доктор технических наук, профессор, ведущий научный сотрудник Центрального научно-исследовательского института ОАО "Корпорация "Комета" - ФГУП "ЦНИИ "Комета" ;
Носов Виктор Николаевич доктор технических наук, заведующий отделом геохимии и аналитической химии (ГЕОХИРАН).
Ведущая организация: ОАО “Системы управления” г. Москва, ул. Профсоюзная, д.78, cтр.1.
Защита состоится “” сентября 2013г. в14. 30часов на заседании диссертационного совета Д520 033 01 Межрегионального общественного учреждения “Институт инженерной физики” (МОУ «ИИФ») по адресу: 142210, Россия, Московская обл., г. Серпухов, Большой Ударный переулок, дом 1а.
С диссертацией можно ознакомиться в библиотеке Межрегионального общественного учреждения «Институт инженерной физики».
Автореферат разослан “” июня 2013г.
Ученый секретарь диссертационного совета кандидат технических наук, доцент Коровин Олег Вениаминович
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы.Современное развитие науки и техники предъявляет все более высокие требования к точности систем управления техническими объектами с нелинейными и нечеткими характеристиками (ТОННХ). Такими техническими объектами являются рассмотренные в диссертацииионно-плазменные установки,высокоточныецифровые электроприводы металлорежущих станков, манипуляторыдля роботов с параллельной кинематикой.
С появлениемнанотехнологийповысились требования к точностиработе ионноплазменных установок МАП 2,3, предназначенных для напылениянанослоев (10-50 нм) лития, хрома, никеля на лопатки авиационных двигателей с целью повышения жаропрочности,коррозионной стойкости и увеличения срока службы.Ионизированная плазма представляет собой многомерный технический объект с нелинейными и нечеткими характеристиками. Физические процессы вионизированной плазме сложны.
На стабильность и точность ионно-плазменного напыления в той или иной степени влияет около 60 взаимосвязанных параметров(А.А. Рухадзе, А.Ф. Пузряков, С.А. Мубояджан, А.Ф. Исаков). В процессенапыления может меняться порядок системы дифференциальных уравнений, которые описывают динамические и статические характеристики ионизированной плазмы. Многие традиционные математические модели ионизированной плазмы во многих случаях неадекватны реальному процессу. Так как ионно-плазменное напыление является сравнительно новой технологией, то работ, посвященных управлению ионизированной плазмой,мало [33,34,35]. Основными факторами, сдерживающими широкое внедрение систем управления ионизированной плазмой, являются: недостаточная информация о статических и динамических характеристиках;
невысокая точность функциональных зависимостей, описывающих процесс напыления;
отсутствие методов, методик и алгоритмов управления ТОННХ.
В настоящее время сверхточные прецизионные системы управления создаются на базе стандартных классических регуляторов: интегрального (И), пропорционально интегрального (ПИ), пропорционально интегрально - дифференциального (ПИД), которые широко зарекомендовали себя благодаря своей простоте и высокой надежности для линеаризованных объектов управления. Однако, эти регуляторы не могут оперативно перестраивать свои структуры и варьировать коэффициенты при изменении параметров технических объектов. Стандартные классические регуляторы не могут вырабатывать упреждающее прогнозируемое управление, которое является необходимым для ТОННХ.
Одним из способов, позволяющим повысить точность работы ТОННХ при компенсации внешних возмущающих воздействий в системах автоматического управления, является применение теории инвариантности (Г.М. Уланов, Б.Н. Петров, А.Г. Ивахненко, В.В. Солодовников). Основным методом, используемым при построении инвариантных систем, является комбинированное управление с вводом в контур технических объектов производных от задающих и возмущающих воздействий. Однако, формирование этих производных в условиях нечеткой информации о внешних возмущающих воздействиях затрудняет применение комбинированного управления.
Другой способ повышения точности работыТОННХ базируется на применении теории чувствительности с методами исследования зависимости свойств систем управления от изменения параметров технических объектов (Р.М. Юсупов, М. Вукобратович). Основой теории чувствительности является определение функций и коэффициентов чувствительности. Функции и коэффициенты чувствительности позволяют оценить влияние отдельных параметров на динамические и статические характеристики системы управления. Однако, анализ работы ТОННХиз-за неточности исходных данных не формализуем. В результате вычисление функций чувствительности на базе частных производных состояний объекта по параметрам затруднено, чтотакже ограничивает применение теории чувствительности.
В целом методы управленияТОННХклассическими методами (оптимальным, экстремальным, стохастическими. т. д.) описываются большим количеством дифференциальных уравнений, что приводит к увеличению объемов расчетов и увеличению времени их обработки. Поэтому классические методы управления не могут существенно повысить быстродействие и точность работы ТОННХ.
В последние годы резко повысился интерес к новым научным направлениям, в частности к нейроуправлению с использованием нейронных сетей. Нейронные сети позволяют эффективно обрабатывать полученные результаты, проводить достаточно глубокий анализ статических и динамических характеристик, отслеживать появление ошибок и нежелательных режимов. Преимущество идеи использования нейронных сетей заключается в сравнительной простоте оптимизации сложных законов управления, минуя процесс разработки математических моделей ТОННХ (А.И. Галушкин, В.Г. Редько, В.А. Терехов). Поэтому нейронные сети, реализованные на базе нейропроцессоров, нашли широкое применение во многих отраслях науки и техники. Нейропроцессорные системы управления непосредственно обучаются статическим и динамическим характеристикам, обеспечивая необходимую точность систем нейроуправления, что выгодно отличает их от традиционных микропроцессорных систем.
Однако при включении нейронных сетей в замкнутые контуры управления ТОННХ появилась проблема анализа устойчивости. Проблема устойчивости ставила в тупик первых исследователей. Сложно было предсказать, какие нейронные сети, состоящие из набора нейронов, связанных между собой перекрестными обратными связями с нелинейными функциями активации, будут устойчивы. Нейроны могут объединяться в сети различными способами, число слоев может быть неограниченным, определение числа нейронов и слоев представляет собой серьезную математическую проблему, основанную на использовании свойств аппроксимируемой функции. Широко применяемые классические методы анализа устойчивости Рауса-Гурвица, НайквистаМихайлова, используемые для линеаризованных динамических систем, не годятся для систем управленияТОННХ, что было отмечено в трудах А.А.Красовского, Е.П.Попова, К.А.Пупкова.Для определения устойчивости систем управления ТОННХ уже долгое время широко применяется прямой метод Ляпунова. Однако поиск необходимой функции Ляпунова иногда является довольно затруднительным. Определенную трудность представляют и расчеты данными методами локально асимптотических областей устойчивости.
Таким образом, на сегодняшний день анализ устойчивости систем управленияТОННХ существующими классическими методами представляет сложную проблему, что требует новых подходов к обеспечению устойчивости систем управления ТОННХ.
При длительной работе систем управления ТОННХ происходит износ оборудования, приводящий к нештатным ситуациям. В таких случаях приходится прогнозировать и определять неисправности, предсказывая будущие отказы. Такие задачи (в отличие от обычных методов диагностики) можно решать, используя системы прогнозирования на базе нейронных сетей, что делает незаменимой нейродиагностику для повышения надежности работы систем управления ТОННХ.
В диссертации предлагается новый подход к разработкенейросетевых методов для повышения точностиработы ТОННХ ссистемами управления, состоящих из нейродиагностикойнеиспратвностейи отказов оборудования, что является на сегодняшний день важной и актуальной проблемой.
Диссертационная работа опирается на достиженияотечественной школы систем автоматического управления на базе современных вычислительных комплексов (М.А. Карцев, К.А. Пупков, А.И. Галушкин и др.), а также на достижения зарубежных школ США (У. Макклок, У.Питс, Л.Заде), Канады (Саймон Хайкин) и др.
Объектом исследованияявляются:системы управления ТОННХ(на примереионноплазменных установок, высокоточных цифровых электроприводов металлорежущих станков иманипуляторов для роботов с параллельной кинематикой.) Предмет исследования: методы синтеза систем управления ТОННХ с применением ансамблей нейронных сетей.
Цель диссертационной работы. Повышениеточности работы систем управления ТОННХна базе новых методов нейроидентификации,нейроуправления,нейродиагностики.
Методы исследованийбазируются на применениинейроинформатики, теории нечеткой логики, теории распознавания образов,теории автоматического управления, теории электропривода, методов имитационного моделирования в средах MatlabNeuralNetwork;
Matlab-Simulink; MatlabFuzzytech.
Научная и теоретическая новизна.
1.Разработан метод синтеза нейроидентификаторов с прогнозированием на базе комплексного применения ансамбля нейронных сетейдля систем управления ТОННХ.
В отличие от существующихметодов идентификации (метод частотных характеристик, метод временных характеристик, метод наименьших квадратов, метод статистических корреляционных функций), которые часто сводятся к линеаризации дифференциальных уравнений, что приводит к приближенному описанию работы и, как следствие, снижению точности идентификации, ансамбли нейронных сетей определяют и прогнозируют статические и динамические характеристики систем управленияТОННХ.
Предлагаются системы управления, уменьшающие время обучения нейронных сетей за счет отсекания лишних локальных минимумов с нелинейным изменением шага обучения.
При синтезе и дообученииансамбля нейронных сетей с нечеткой логикой с целью повышения точности идентификациипри увеличении влияния нелинейностей на статические и динамические характеристики систем управления ТОННХ проводится коррекция функций принадлежности ибазнечетких правил.
Разработанныенейроидентификаторыс прогнозом используются для создания систем нейродиагностики. Окончательное решение об исправностипринимаетнейронная сеть, обученная на возможный спектр отказов работы систем управления ТОННХ в условиях неполной информации.
2. Разработан метод синтеза адаптивных прогнозируемых нейрорегуляторов на базе нейронных сетей с нечеткой логикой.В отличиеот существующих подходов к синтезу классических регуляторов И, ПИ, ПИДпредлагается выбор структурнейрорегуляторовс использованием нечетких бинарных отношений с (max-min) – транзитивным замыканиемдля систем управления ТОННХ,у которых в процессе работымогут меняться параметры, влияющие на статические и динамические характеристики. Прогнозируемые параметрынейрорегуляторов рассчитываются с использованием нечеткой логики.
Для стабилизации давления ионизированной плазмы в установках МАП 2,3 разработана характеристикойнейропрогнозирующихнейроидентификаторов. Нейрорегуляторы обеспечивают необходимые динамические и статические характеристики системы стабилизации давления ионизированной плазмы, увеличивают запасы устойчивости.
Для многоконтурных структур электроприводов разработана методика синтеза нейрорегуляторов на базе эталонных моделей. Системынейроуправления позволяют дообучатьнейрорегуляторыс целью получения необходимых статических и динамических характеристик для достижения необходимой точности работы контуров электроприводов.
Разработанные методики были использованы для созданиянейросетевых систем управленияманипуляторами для роботов с параллельной кинематикой.За счет этих методик удалось повысить точность работы систем управления в условиях анизотропии с неоднородностью динамических, упругих и скоростных свойств манипулятора.
3. Разработан метод анализа устойчивости системнейроуправленя. В отличиеот существующих методов Рауса-Гурвица, Найквиста-Михайлова, Ляпунова,рассматривается поэтапный анализ первой и второй производных оценочной функции, представляющей сумму ошибок между сетевыми выходными сигналами и ожидаемыми значениями выходного сигнала нейросетевого узла с учетом внешних возмущающих воздействий. На первом этапе определяется оценочная функция нейронной сети, на втором этапе вычисляются производные оценочной функции, на третьем этапе происходит разложение в ряд Тейлора выхода нейросетевого узла, на четвертом этапе проводится анализ устойчивости. Стремление к нулю производных первого, второго порядка оценочной функции и ошибки обучения нейронной сети во временной бесконечности позволяет сделать заключение о локальной асимптотической устойчивости систем нейроуправления.Рассмотрены этапы поиска областей локальной асимптотической устойчивости, где производные первого порядка, разложенные в ряд Тэйлора, доминируют над производными второго порядка в приближении, на основании чего делается вывод, что влияние производных высших порядков в этой области ничтожно. При снижении запасов устойчивости в систему нейроуправления поступает сигнал о перенастройке нейрорегуляторов. Данный метод упрощает анализ устойчивости нелинейных динамических систем по сравнению с классическими методами.
Практическая значимость результатов диссертационного исследования заключается в том, что разработанные методы позволяют:
-повысить точность идентификации с прогнозированием динамических и статических характеристиксистем управления ТОННХ(ионно-плазменных установок МАП 2,3, высокоточных цифровых электроприводов металлорежущих станков, манипуляторов для роботов с параллельной кинематикой);
-разработать алгоритмы и программное обеспечение синтеза адаптивных нейрорегуляторов на базе нейронных сетей с нечеткой логикой, позволяющих повысить точность управления ТОННХ на 15% по сравнению с традиционными, классическими регуляторами;
-разработать алгоритмы и программное обеспечение методики синтеза с автоматизированным нечетким выбором структур нейрорегуляторов на базе нейропрогнозирующихнейроидентификаторов для систем нейроуправления с использованием эталонных моделей;
-разработать алгоритмы ипрограммное обеспечение методики синтеза с автоматизированным нечетким выбором структур адаптивных нейрорегуляторов на базе нейропрогнозируемой инверсной характеристики;
-разработать инструмент изучения и анализа устойчивости систем нейроуправления ТОННХ ;
-разработать алгоритмы и программное обеспечение с комплексным подходом создания систем диагностики на базе комбинированной системы нейроуправления, в которой используется ансамбль нейронных сетей с нечеткой логикой. Окончательное решение об исправности и прогнозировании технического состояния ТОННХ принимает нейронная сеть, обученная на возможный спектр неисправностей оборудования.
Практическая реализация работы.
Результаты диссертационной работы использованы в отчетах НИОКР по теме:
“Разработка промышленных технологий по созданию адаптивной системы управления оборудованием по обработке металлов”, выполненных для Министерства промышленности и энергетики РФ (Государственный контракт №7410.1003702 от сентября 2007 года). Шифр темы: “Станок” РВИЖ 2-Э44. Работа проводилась в ОАО “НИИВК им. М.А.Карцева”, акт о внедрении от 0 9. 11. 2010г.
Результаты диссертационной работы отражены в отчетах при выполнении совместно с кафедрой ”Системы автоматизированного проектирования” МГТУ им. Н.Э. Баумана проекта №2. 12/1509, проекта №2. 12/1509, мероприятие 2., раздел 2.1, подраздел 21. “Разработка научных основ построения мехатронных технологических машин на базе многосекционных манипуляторов типа “Хобот”, согласно аналитической ведомственной целевой программе “Развитие научного потенциала высшей школы (2009-2010 годы)”, акт овнедрении от07. 0 3. 2011г.
Разработанные алгоритмы и программы на базе методов нейроидентификации статических и динамических характеристик: электродвигателей постоянного тока, асинхронных электродвигателей переменного тока, алгоритмы и программы нейроуправления внедрены при создании многоконтурных систем управления промышленными электроприводами в НИИ “Электропривод”, акт о внедрении от 12. 09.
2007г.
В Научно-производственном объединении НПО “ОЛТА”внедрены методы синтеза нейропрогнозирующих многопараметрических нейроидентификаторов с определением их структурных схем на базе ансамбля нейронных сетей и с применением нечетких технологий для определения нелинейных статических и динамических характеристик технических объектов.Разработаны нейроидентификаторы с нейропрогнозированием на базе многослойных нейронных сетей и нечетких гибридных нейронных сетей, при помощи которых удается определять отказы и аварийные ситуации, что повышает надежность, работоспособность технических объектов cнелинейными и нечеткимихарактеристиками технологического оборудования, находящегося в эксплуатации в НПО “ ОЛТА”,акт о внедрении от 0 4. 0 7. 2007г.
В ООО Научно-производственной фирме “Системы автоматического управления неопознанными объектами” (ООО НПФ “САУНО”) внедрен метод синтеза нейропрогнозирующегонейроидентификаторас использованием нейронных сетей с нечеткой логикой при неполных и неточных нелинейных статических и динамических характеристик технических объектов.Этот метод позволил повысить точность работы электроприводов для фрезерных станков с ЧПУ на 10%. Разработанная методика синтеза нейроадаптивныхнейрорегуляторов с использованием бинарных нечетких множеств на базе нейропрогнозирующихнейроидентификаторов для систем управления СТО с желаемыми характеристиками повысила точность работы электроприводов на 15%, акт о внедрении от 0 1. 0 3. 2013г.
Во Всероссийском институте авиационных материалов (ВИАМ) разработаны алгоритмы и программы нейроуправленияионизированной плазмойдля установок МАП 2,3, акт о внедрении от 29. 10. 2010г.
Разработанные в диссертации методы проектирования нейроидентификаторов, нейрорегуляторов снейропрогнозированием использованы в учебном и научном процессе в МГТУ имени Н.Э. Баумана на кафедре “Системы автоматизированногопроектирования”.
Основные научные результаты, выносимые на защиту.
1.Методсинтеза нейроидентификаторовс прогнозом состояниясистем управленияТОННХ идиагностикойнеисправных узлов на базе ансамбля нейронных сетей с нечеткой логикой.
2.Методсинтеза прогнозируемыхнейрорегуляторовна базе нечетких бинарных отношений для систем нейроуправленияТОННХ.
3. Метод анализа устойчивости систем нейроуправленияТОННХна основе исследования затухания производных ошибки обучения нейронной сети.
Апробация работы Основные положения диссертационной работы докладывались и получили положительную оценку на следующих рабочих совещаниях, семинарах и научнотехнических конференциях:
1. 1st Workshop on Russian Section of IEEE Computational Intelligence Society.Москва, 2005г.
2.Всероссийская научно-техническая конференция МГТУ им. Н.Э. Баумана “Машиностроительные технологии”, 2008 г.
3.51-ая научная конференция Московского физико-технического института (МФТИ) “Современные проблемы фундаментальных иприкладных наук”, 2008 г.
4.Научно-техническая конференция “Нейроинформатика - 2008” Москва, Московский инженерно-физический институт (МИФИ), 2008 г.
5.7-ая Международная научная конференция “Нейросетевые технологии и их применение НСТиП-2008”, Донбасская государственная машиностроительная академия, 2008 г.
6.Международная научно-техническая конференция “Новые информационные технологии и системы” (НИТиС-2008), Пензенский государственный университет, 2008 г.
7.Научно-техническая конференция “Нейроинформатика- 2009”, Московский инженернофизический институт (МИФИ), 2009 г.
8.15-ая Международная конференция по нейрокибернетике (CNC-09), НИИ нейрокибернетики им. А.Б.Когана РГУ г. Ростов-на-Дону 2009г.
9.Научно-техническая конференция ”Нейроинформатика- 2010”, Московский инженернофизический институт (МИФИ), 2010 г.
10.Научно-техническая конференция ”Нейроинформатика-2011”, Московский инженернофизический институт (МИФИ), 2011г.
11.Междисциплинарный научный семинар “Экобионика” Москва, (МГТУ им. Н.Э.
Баумана), 2010г.
12.Междисциплинарный научный семинар “Современные проблемы общей физики” Москва, (Институт общей физики академии наук им. А.М. Прохорова (ИОФАН РФ)), 2012г.
13.9-ая Всероссийская конференция “Нейрокомпьютеры и их применение” Московский психологический университет (МПУ), 2011г.
14.10-ая Всероссийская конференция “Нейрокомпьютеры и их применение” Московский психологический университет (МПУ), 2012г.
15. 2-ая Международная научно-практическая конференция “Перспективные разработки науки и техники 2011”, – Польша, 2011 г.
16.7-ая Международная научно-практическая конференция “День науки 2012”, – Прага, Чехия, 2012 г.
17.Международная научно-практическая конференция ”Современные научные достижения 2013”, – Прага, Чехия, 2013 г.
Достоверностьнаучных положений, теоретических выводов и практических результатов, полученных в диссертации, подтверждена результатами экспериментальной проверки методов, алгоритмов и программного обеспечения с использованием стандартных и специально разработанных тестов, а также корректным обоснованием и анализом моделей с применением теории нейроуправления.
Публикации.
По теме диссертационной работы опубликованы 54 печатныеработы.Из них в перечень ВАК входят 20 печатных работ.
Структура и объем диссертации.
Диссертация состоит из введения, шести глав, выводов по каждой главе, списка использованных источников из 140 наименований.Работа изложена на 372 стр., содержит 247 рисунков и 17 таблиц.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность исследуемой в диссертации темы, сформулированы цель, научная новизна, практическая ценность и достоверность полученных результатов,изложены защищаемые положения.
Впервой главепроведен аналитический анализ и обзор отечественных и зарубежных методов и моделей современных систем нейроуправления с нейроидентификаторами и нейрорегуляторамиТОННХ.
Проанализированы отечественные работы по системам управления с нейроидентификаторами и нейрорегуляторами, выполненных:
1. В МГТУ им. Н.Э.Баумана: Васин, А.В.Повышение точности слежения приводов систем космического радиовидения методами оптимального и адаптивного управления на основе нейронных сетей: авторефер. дис. …канд. тех. наук : 05.02.05./Васин Алексей Владимирович.- М., 2010.- 16 с., 2. В МФТИ:Пантелеев,С.В. Разработка, исследование и применение нейросетевых алгоритмов идентификации и управления динамическими объектами : авторефер.
дис….канд. тех. наук : 05.13.01./Пантелеев Сергей Владимирович.- М., 2005.- 20 с., 3. В ДВПИ им. Куйбышева:Куликов, Г.Б. Диагностика механических систем приводов полиграфических машин с использованием искусственных нейронных сетей: авторефер.
дис ….канд. тех. наук: 05.02.13./ Куликов Григорий Борисович - Ставрополь, 2008.- с.?4. В Северо-Кавказском ГТУ: Широков, Р.В. Нейросетевые модели систем автоматического регулирования промышленных объектов: авторефер. дис….канд. тех.
наук: 05. 13. 06./Широков Роман Викторович.- Ставрополь, 2003.- 26 с., 5. В МГУП: Куликов, Г.Б. Диагностика механических систем приводов полиграфических машин с использованием искусственных нейронных сетей : авторефер.
дис ….канд. тех. наук: 05.02.13./ Куликов Григорий Борисович - Ставрополь, 2008.- 39 с.
Проанализированы зарубежные работы по системам управления с нейроидентификаторами и нейрорегуляторами.
1.При совместных научно-исследовательских разработках США (Университет в Неваде, отделение электротехники), Польши (Варшавский Технологический Университет, отделение систем управления и промышленной электроники), Дании (Аалборгский Университет, энерготехнологическое отделение) опубликована работа: “Цифровая обработка сигналов в приводах с асинхронными электродвигателями нечеткими нейронными сетями” 2002г. AndrzejM.,Trzynadlowski, MarianP.,Kazmierkowski, PawelZ.,Grabowski, MichaelM.,Bech;
2.Учеными Кореи (отдел электротехники технического колледжа Jeonju, Сhonju) опубликована работа: “Модель адаптивного нейроконтроллера с оценочной функцией сопротивления ротора индукционного двигателя” 2003г.Woo-yongHan, Sang-minKim, Chang-gooLee;
3.Учеными Китая и Финляндии (Харбинский Институт Технологии, Хельсинский Университет Технологии), опубликована работа: “Нейродиагностика электродвигателей” 2005г. XianyiZhuang,ShengQiang.
В этих работах отмечаются характерные особенности задач с неточными исходными данными, высокая вычислительная сложность получения результата, необходимость коррекции и введения дополнительной информации при управлении ТОННХ. Из-за длительности обучения многослойных нейронных сетей с нелинейными функциями активации ухудшаются динамические параметры систем нейроуправления.Отмечаются проблемы устойчивости систем нейроуправления с многослойными нейронными сетями.
На основании проведенного аналитического анализа и обзора можно сделать вывод, что при идентификации, как правило, используют один тип нейронных сетей, которые не способны одновременно решить комплекс задач по анализу и прогнозированию, что приводит к снижению точности систем управления ТОННХ. Учитывая возрастающие требования к точности работы, возникает необходимость в создании методического и алгоритмического обеспечения, позволяющего выполнять системный анализ идентификации с прогнозированием на базе ансамбля нейронных сетей.
В диссертации проведены исследования существующих традиционных методов управления ТОННХ (оптимальное, адаптивное, экстремальное, стохастическое), которые требуют решения большого количества линейных и нелинейных дифференциальных уравнений, что усложняет и затрудняет процессы управления. Предложенные в диссертации методы нейроуправления с нечеткой логикой позволяют упростить процесс анализа и идентификации ТОННХ, повысить точность процессов управления.
Для достижения в диссертации поставленной цели -повышения точности работы предложена структурная схема системы нейроуправленияТОННХ, представленная на рисунке 1. Она состоит из блока нейропрогнозирующегоадаптивногонейрорегулятора, нейропрогнозирующейнейродиагностики.
Во второй главе рассмотрен метод синтезанейроидентификаторовс прогнозомсостояния систем управленияТОННХ. Проводится анализ традиционных методов: метода частотных характеристик, метода временных характеристик, метода наименьших квадратов, метод статистических корреляционных функций.
Рисунок 1. Структура системы нейроуправленияТОННХ Эти методы часто сводятся к линеаризации дифференциальных уравнений, что приводит к приближенному описанию работы ТОННХ. При классической идентификации с использованием ЭВМ, имеющих архитектуру фон-Неймана, аппроксимируемую функцию представляют в виде последовательной суммы с дальнейшими последовательными вычислениями. При идентификации с использованием нейронных сетей используются параллельные вычисления с возможностью управления числом элементов суммирования, что позволяет достичь требуемой точности прогнозируемых нелинейных статических и динамических характеристик.
Предлагаемый метод представлен в виде схемы (рисунок 2), в которомдля определения статических и динамических характеристикТОННХиспользуются ансамблирекуррентных и гибридных нейронных сетей с нечеткой логикой.
Рисунок 2. Схема метода синтеза нейроидентификаторов с прогнозом ТОННХ на базе Первый ансамбль нейронных сетей идентифицирует переходную характеристику; второй ансамбль гибридных нейронных сетей с нечеткой логикой осуществляет прогнозирование переходной характеристики на несколько шагов вперед. При обучении этих нейронных сетей анализируется ошибка обучения. Если она превышает заданную точность, то нейронные сети дообучаются. После этого проводится анализ точности нейроидентификации с прогнозом, и вычисляются статические и динамические характеристики ТОННХ.
Основные этапы метода состоят из:
-выбора начальной конфигурации и типов рекуррентной и гибридной нейронных сетей с нечеткой логикой;
-выбора критерия обучения для идентифицирующей нейронной сети;
-выбора критерия обучения для прогнозирующей нейронной сети;
-выбора алгоритмов обучения для идентифицирующей нейронной сети;
- выбора числа задержек для идентифицирующей нейронной сети;
-выбора функций активации;
-выбора числа слоев, числа нейронов;
-выбора прогнозируемых параметров для расчета статических и динамических характеристик технического объекта;
- определения входных и выходных переменных для нечеткой нейронной сети;
- задания системы нечеткого вывода;
- выбора лингвистических термов;
- формирования базы правил, выбор функций принадлежности для входных и выходных переменных;
- фазификации входных переменных;
- агрегирования дополнительных условий в нечетких правилах продукций;
- активации дополнительных заключений в нечетких правилах продукций;
- аккумуляции заключений нечетких правил продукций;
- дефазификации выходных данных;
- анализа построения системы нечеткого вывода с графическим отображением.
При увеличении влияния нелинейностей на статические и динамические характеристики технического объекта с целью повышения точности расчета предложено проводить коррекцию параметров нейронной сети с нечеткой логикой (рисунок 3).Коррекция включает в себя формирование новых баз правил с изменением ширины оснований треугольных функций принадлежностей.
Рисунок 3. Схема коррекции нечетких параметров модели гибридной нейронной сети с При идентификации характеристик технических объектов необходимо решать задачу определения порядка системы дифференциальных уравнений, поэтому был разработан алгоритм расчета числа задержек для нейронной сети в зависимости от ошибки обучения.
Предложенный метод был проверен при идентификации установки МАП 3, для ионноплазменного напыления лопаток авиационного двигателя (рисунок 4). Точность работы нейроидентификатора при вычислении статических и динамических характеристик, по сравнению с традиционными методами, увеличилась на 20%. На рисунке 5 представлена фотография ионно-плазменной установки МАП 3.
Рисунок 4. Структурная схема системы управления нейроидентификации давления Рисунок 5.Фотография ионно-плазменной установки МАП 3 (а) вакуумная камера,(б) ионизированной плазмы в установке МАП 3, имеет вид где Y0 - выходной сигнал нейронной сети; Y1,..,Y5 - входные сигналы нейронной сети, задержанные на один, два, три, четыре, пять тактов;
E1,..., E15 - выходные сигналы первого слоя нейронов; W11,...,W157 - веса первого слоя нейронов; B1,...,B15 - смещения первого слоя нейронов; R1,...,R15 - сигналы на выходе блоков активации первого слоя нейронов; Y0' - сигнал на выходе второго слоя нейронов;
W1'...W15 - веса второго слоя нейронов; B 1' - смещение второго слоя нейронов;
Система уравнений нейронной сети с нечеткой логикой для прогнозирования давленияионизированной плазмы в установке МАП 3 имеет вид x1 - первый сетевой вход;
yц - второй сетевой выход; и соответственно, среднее и стандартное отклонение функции; - третий сетевой вход;
сетевой вход; yi4 - четвертый сетевой выход; n - общее количество лингвистических переменных относительно входных узлов; P -функция дефазификации.
Для нейроидентификаторов систем управления ТОННХ, работающих в реальном масштабе времени, необходимо решать задачу выбора нейронной сети с оптимальной структурой, минимальным временем обученияи минимальным числом нейронов. В диссертации предлагается система управления, позволяющаяувеличивать быстродействие работы нейроидентификаторовс отсеканием лишних локальных минимумов ошибки обучения. Работа системы управления описывается уравнением где xi - входы нейронной сети; YT -выходной сигнал технического объекта; N- число входов нейронной сети; wh 2h1 -вес к h2 - му нейрону второго слоя от h1 - го нейрона первого слоя сети; m - смещение; wi - вес обратной связи.
В системе управления (рисунок 6) ошибка обучения нейронной сети интегрируется, умножается на коэффициент интегральной составляющей ki и коэффициент пропорциональной составляющей k p, то есть реализуется цифровой ПИ-регулятор с выходным сигналом U для следящей системы управления обучением нейронной сети.
Сумма интегральной и пропорциональной составляющих поступает в блок обучения нейронной сети. Следящая система работает до тех пор, пока не будет достигнута заданная точность обучения нейронной сети. Цифровой регулятор обеспечивают астатизм, точность и устойчивость следящей системы обучения нейронной сети. Когда E (z ) становится равной Eзад (z ), следящая система управления останавливает процесс обучения, отсекая поиск лишних локальных минимумов, сокращаяпри этом число эпох обучения.
Рисунок 6. Структурная схема системы управления для увеличения скорости обучения Другой, предлагаемый в диссертации способ увеличения быстродействия обучения нейронной сети, основан на нелинейном динамическом изменении величины шага обучения, который по мере приближения к локальному минимуму уменьшится, что приводит к снижению числа эпох обучения. При анализе крутизны характеристики ошибки обучения вычисляется первая и вторая производные, которые осуществляют динамическое управление шагом обучения нейронной сети. Шаг l определяется по формуле где -коэффициент масштабирования;l - переменный шаг расчета; l0 - постоянный шаг расчета;
- первая производная ошибки обучения;-вторая производная ошибки обучения.
Разработанный метод синтеза нейроидентификаторов для определения статических и динамических характеристик нелинейных технических объектов позволяет увеличить на 10-15% точность идентификации. Благодаря следящим системам управления, разработаннымдля обучения нейронных сетей, быстродействие увеличивается в 1,5- раза (рисунок 7).
Рисунок 7. Графики ошибки обучения (а) график зависимости ошибки обучения от переменного шага обучения, (б) график иллюстрации работы системы управления В третьей главерассмотрен метод синтеза прогнозируемых нейрорегуляторовс выбором структур нейрорегуляторов на базе нечетких бинарных отношений.На нейроадаптивныхнейрорегуляторов, параметрыкоторых рассчитываются нейронной сетью с нечеткой логикой.Метод состоит из этапов:
- нейроидентификации с прогнозом статических и динамических характеристик ТОННХ;
- формирования нейронной сети с нечеткой логикой;
- обучения нейронной сети с нечеткой логикой;
- вывода поверхности параметров для нечетких входных и выходных переменных;
- формирования обучающей выборки для нейрорегулятора;
- обучения нейрорегулятора;
-вычислений статических и динамических характеристик с обученнымнейрорегулятором;
- сравнения статических и динамических характеристик СТО с желаемыми параметрами.
Перед синтезом нейронной сети с нечеткой логикой проводится выбор структуры нейрорегулятора с расчетом его параметров. При этом возможны две методики расчета нейрорегулятора с использованием как желаемых характеристик, так и инверсных характеристик технических объектов.
Рисунок 8. Схема метода синтеза прогнозируемых нейрорегуляторов с автоматизированным выбором структур нейрорегуляторов на базе нечетких бинарных На рисунке9 изображена структурная схема синтеза нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления техническими объектами с желаемыми характеристиками.
Первая методика синтезанейрорегулятора состоит из:
-выбора структуры нейрорегулятора с использованием нечетких параметров технического объекта;
- нейроидентификации с прогнозом статических и динамических характеристик технических объектов;
- сравнения результатов прогнозирующейнейроидентификации с желаемыми переходными характеристиками;
- формирования обучающей выборки для нейрорегулятора;
- обучениянейрорегулятора;
- вычисления статических и динамических характеристик технических объектовс обученнымнейрорегулятором;
- сравнения с желаемыми характеристиками эталонной модели.
Если не достигается необходимая точность управления техническим объектом, то проводится дообучениенейрорегулятора.
Рисунок 9. Структурная схема синтеза адаптивных нейрорегуляторов на базе нейропрогнозирующей идентификации для систем управления техническим объектом Далее представлены уравнения (5,6,7,8,9), используемые при реализации адаптивного нейрорегуляторадлятехнического объекта, имеющего желаемую характеристику.
Уравнение эталонной модели:
Уравнение нейропрогноза:
Вычисление ошибки ek (z ) :
Уравнения нейрорегулятора:
нейронной сети, задержанные на один такт; E1,..., En - выходные сигналы первого слоя нейронов; W11,...,Wn3 - веса первого слоя нейронов; R1,..., Rn - сигналы на выходе блоков активации первого слоя нейронов; Y0' - сигнал на выходе второго слоя нейронов;
W1',....,Wn' - веса второго слоя нейронов; pureline - линейная функция активации.
Настройка нейрорегуляторапри условии:
На рисунке10 представлена схема синтезанейрорегуляторов на базе нейропрогнозируемой инверсной характеристики технического объекта.
Вторая методикасинтеза нейрорегулятора состоит из:
- выбора структуры нейрорегулятора с использованием нечетких параметров технического объекта;
- нейроидентификации с прогнозом статических и динамических характеристик технических объектов;
- формирования переходной инверсной характеристики технического объекта;
- обучения нейрорегулятора;
- вычисления статических и динамических характеристик технического объекта;
-сравнения статических и динамических характеристик с желаемыми характеристиками.
Если не достигается необходимая точность управления, проводится дообучениенейрорегулятора.
Рисунок 10.Cхема синтеза адаптивных нейрорегуляторов на базе нейропрогнозируемой инверсной характеристики технических объектов Далее приведены уравнения (10,11,12), используемые при реализации адаптивного нейрорегулятора на базе нейропрогнозируемой инверсной модели технического объекта.
Формирование инверсной характеристики СТО:
Обучающая характеристика для нейрорегулятора:
Уравнения нейрорегулятора F рег (z ) :
Предложенный R n pureline ( E n ), метод повысил точность работы систем 15%. Прогнозируемые параметры нейрорегуляторов повысили быстродействие работы систем нейроуправленияв 1,5-2 раза.
четвертой главерассмотрен нейроуправленияТОННХ. На рисунке11 представлена структурная схема методаанализа локальной асимптотической устойчивости системы нейроуправления техническим объектом с проверкой затухания высших производных ошибки обучения нейронной сети.
Рисунок 11. Схема с метода анализа локальной асимптотической устойчивости системы нейроуправлениятехническим объектом На первом этапе метода в процессе обучения нейронной сети анализируется первая и вторая производные оценочной функции L, которая состоитиз двух частей: базовой части Ecи расширенной Ex.
где коэффициент устойчивости, связывающий обе части уравнения Элемент Ecпредставляетсумму ошибок между сетевыми выходными сигналами и их ожидаемыми значениями. Расширенная часть Exможет являться функцией производных выходного сигнала сетевого узла hrс учетом, например, момента нагрузки. Exсодержит производные hr,градиент L состоит из первых и вторых производных hr.
Анализируя затухание этих производных, можно сделать выводы о локальной асимптотической устойчивости ТОННХ.
На втором этапе вычисляются производные оценочной функции. На третьем этапе происходит разложение в ряд Тейлора выходанейросетевого узла; на четвертом этапе проводится анализ устойчивости.
При снижении запасов устойчивости в систему нейроуправленияТОННХ поступает сигнал о перенастройке нейрорегуляторов для обеспечения необходимой устойчивости.
Данный метод упрощает анализ устойчивости нелинейных динамических систем с нейроуправлением по сравнению с традиционными методами Рауса-Гурвица, Найквиста-Михайлова, Ляпунова.
В пятой главе предложен новый подход к разработке систем диагностики на базе системы нейроуправления. Использованиенейроидентификаторов с прогнозом позволяет создать систему прогнозируемой нейродиагностикидля ТОННХ. На рисунке изображены этапы разработки системы нейродиагностики, в которой предлагается идентифицировать с прогнозом параметры технических объектов. Прогнозируемые параметры сравниваются с максимальными отклонениями. Результаты сравнения поступают в предварительно обученную на неисправности нейронную сеть, которая предсказывает состояние элементов ТОННХ, формируя сигналы отказа оборудования.
Этапы разработки системы нейродиагностики аварийных ситуаций на базе комбинированной системы состоят из:
- нейропрогнозирования статических и динамических характеристик элементов ТОННХ;
- лингвистического описания неисправностей;
- формирования нейронной сети;
- обучения нейронной сети;
- проверки и тестирования системынейродиагностики.
Рисунок 12. Этапы разработки системы нейродиагностикиТОННХ На рисунке13 представлена функциональная схема системы диагностики на базе нейроидентификаторов с прогнозом для электропривода металлорежущего станка, в которой окончательное решение об исправности элементов электропривода принимает нейронная сеть, на вход, которой поступают сигналы X 1, X 2, X 3, X 4.
Рисунок 13. Структурная схема системы нейродиагностики на базе нейроидентификаторов с прогнозом для электропривода металлорежущего станка Для нейронной сети составляются вопросы и ответы, которые имеют бинарный вид, т.е “Да” или “Нет”. При составлении “ вектора опроса “, если при диагностике следует ответ “Да”, то компоненту вектора присваивается 1 (неисправность), если “Нет”-то нейроидентификаторовпоказала достаточную высокую степень адекватности реальных и прогнозируемых данных о неисправностях, что позволяет сделать вывод о возможности практического использования нейронных сетей для диагностики ТОННХ.
В шестой главе рассмотрены примеры реализациинейросетевых систем управления ТОННХ.Работа проводилась по теме: “Разработка промышленных технологий по созданию адаптивной системы управления оборудованием по обработке металлов” для Министерства промышленности и энергетики РФ (Государственный контракт №7410.1003702 от 28 сентября 2007 года. Шифр темы: “Станок” РВИЖ 2-Э44).
Методы нейроидентификации,нейроуправления, нейродиагностики были проверены на такихТОННХ, как высокоточный цифровой следящий электропривод металлорежущего станка с токовым, скоростным и путевым контурами; система нейроуправления давлением ионизированной плазмы (рисунки 14,-16). Использование разработанных методов позволило повысить точность поддержания частоты вращения вала электродвигателя металлорежущего станка на 15%.
Рисунок 14. Структурная схема системынейроуправлениявысокоточным цифровым следящим электроприводом для металлорежущего станка с переходными процессами (а) переходной процесс общепромышленного сервопривода MR-J2-xxxA/B фирмы Митсубиси, (б) переходной процесс электропривода с нейроуправлением На рисунке 15 представлена фотография стенда высокоточного цифрового следящего электропривода для металлорежущего станка с системой нейроуправления.На рисунке 17 представлены фотографии установкиМАП 3 с элементами системы управления.
Рисунок 15. Фотография стенда высокоточного цифрового следящего электропривода для металлорежущего станка с системой нейроуправления Рисунок 16. Структурная схема системынейроуправлениядавлением ионизированной Рисунок 17. Фотографии установкиМАП 3 с элементами системы управления (а) микропроцессорная система управления, (б) электроприводы для вакуумной Внедрение разработанных методов для ионно-плазменной установки МАП 3 при напылении лопаток авиационных двигателей позволило увеличить точность стабилизации давления ионизированной плазмы на 15%.
В седьмой главе рассмотрено применение разработанных методовнейроидентификациии и нейроуправления манипуляторов дляроботов с параллельной кинематикой. Работа велась по гранту: проект №2. 12/1509, проект №2. 12/1509, мероприятие 2., раздел 2.1, подраздел 21.2 “Разработка научных основ построения мехатронных технологических машин на базе многосекционных манипуляторов типа “Хобот”, согласно аналитической ведомственной целевой программе “Развитие научного потенциала высшей школы (2009годы)”, акт о внедрении от 07. 03. 2011г.
Механизмы с параллельной кинематикой требуют использования непрямоугольного (нелинейного) базиса, что порождает следующие особенности манипуляторов такого класса:
-анизотропия и неоднородность динамических, упругих и скоростных свойств манипулятора;
-возможность потери управляемости в некоторых конфигурациях манипулятора;
-возможность интерференции (соприкосновения) отдельных кинематических цепей манипулятора;
-сложность задания движений манипулятора в обобщенных координатах, связанных со степенями подвижности манипулятора.
Поэтому как следствие, управление манипуляторами для роботов с параллельной кинематикой существенно сложнее управления традиционными роботами. В диссертации были решены проблемы разработки новых неклассических методов управления такими механизмами, в частности, нейросетевых методов управления. Проведены исследования эффективности нейросетевых систем управления механизмами параллельной кинематики: манипуляторов для роботов с определением оптимальной геометрии и оптимальной траектории его движения.
На рисунке 18 представлена функциональная схема системы управления электроприводами с обучаемыми адаптивными нейрорегуляторамиманипулятора для робота с параллельной кинематикой.Секции манипулятора состоят из платформ и штанг, которые перемещаются при помощи электроприводов.При перемещении секций манипулятора изменяются длины штанг, что приводит к изменению жесткости и моментов инерции элементов конструкции манипулятора, вследствие чего снижается точность работы свозникновением неустойчивых автоколебательных режимов. Для обеспечения необходимых желаемых статических и динамических характеристик манипулятора робота с параллельной кинематикой была разработана система управления электроприводами спереобучаемыми адаптивными нейрорегуляторами.
В результате примененияадаптивныхнейрорегуляторовманипулятора для робота с параллельной кинематикой удалось повысить точность работы на 15-20% и получить качественные устойчивые переходные процессы, отвечающие желаемым статическим и динамическим характеристикам.
Рисунок18. Функциональная схема системы управления электроприводами с обучаемыми адаптивными нейрорегуляторамиманипулятора для робота с параллельной кинематикой Основные выводы и результаты диссертационной работы В диссертационной работе изложены научно обоснованные технические решения, внедрение которых вносит значительный вклад в развитие страны.
Основные результаты работы заключаются в следующем:
1.Проведен анализ отечественных и зарубежных исследований в области нейроуправления и нейродиагностики.На основе выполненного анализа обоснована возможность создания систем нейроуправленияповышенной точности дляТОННХ.
2.Разработан метод синтеза прогнозируемых нейрорегуляторов с автоматизированным выбором структур нейрорегуляторов на базе нечетких бинарных отношений для ТОННХ.
Разработанный метод позволяет выполнять идентификацию технических объектов (ионно-плазменные установки, высокоточные цифровые электропривода металлорежущих станков, манипуляторов для роботов с параллельной кинематикой), обеспечивая прогнозирование статических и динамических характеристик. Предложен автоматизированный выбор структуры нейроидентификаторов с уменьшением времени обучения и коррекцией функций принадлежности, базы правил для нейронных сетей с нечеткой логикой. Предложены алгоритмы выбора числа нейронов и числа задержек для достижения необходимой точности идентификации. Разработаны меры повышения быстродействия обучения нейроидентификаторов. Использование ансамбля нейронных сетей с нечеткой логикой позволяет проводить идентификацию с прогнозированием динамики ТОННХ (ионно-плазменные установки, высокоточные цифровые электропривода металлорежущих станков, манипуляторов для роботов с параллельной кинематикой), что приводит к повышению динамической точностина 10%.
3. Разработан метод синтеза адаптивных нейрорегуляторов на базе нейронных сетей с нечеткой логикой. В отличие от существующих подходов синтеза классических регуляторов на базе нечетких бинарных отношений предлагается выбор структур нейрорегуляторов дляТОННХ(ионно-плазменные установки, высокоточные цифровые электропривода металлорежущих станков, манипуляторы для роботов с параллельной кинематикой). Прогнозируемые параметры нейрорегуляторов рассчитываются с использованием нечеткой логики. Адаптивные структуры систем нейроуправления позволяют дообучатьнейрорегуляторы для получения необходимых статических и динамических характеристик с целью повышения точности работы ТОННХ. Точность работы систем управления с нейрорегуляторами увеличилась на 15%.
4. Разработан метод анализа устойчивости систем управленияТОННХ.В отличие от существующих традиционных методов Рауса-Гурвица, Найквиста-Михайлова, Ляпунова, анализируется стремление к нулю производных первого, второго порядка ошибки обучения нейронной сети во временной бесконечности, с заключением о локальной асимптотической устойчивости систем нейроуправления технических объектов с нелинейными характеристиками. Показано, что обучаемые нейронные сети являются эффективным инструментом изучения устойчивости нелинейных динамических систем.
Предложены этапы поиска областей локальной асимптотической устойчивости, где производные первого порядка ошибки обучения, разложенные в ряд Тэйлора, доминируют над производными второго порядка в приближении, на основании чего делается вывод, что влияние производных высших порядков в этой области ничтожно мало по сравнению с влиянием производных первого порядка, что обеспечивает устойчивую работу систем нейроуправленияТОННХ.При снижении запасов устойчивости в адаптивную систему нейроуправления поступает сигнал о перенастройке нейрорегуляторов для обеспечения необходимой устойчивости. Данный метод упрощает анализ устойчивости систем управления ТОННХ по сравнению с традиционными методами.
5. Предложен новый подход создания систем диагностики на базе системы нейроуправления, в которой используется ансамбль нейронных сетей с прямой передачей сигнала и обратным распространением ошибки, ансамбль нейронных сетей с нечеткой логикой. Предложенная система нейродиагностики по сравнению с существующими системами диагностикипрогнозирует неисправности и оценивает качество функционирования ТОННХ с выявлением возможных отказов. Окончательное решение об исправности и прогнозировании технического состояния ТОННХ принимает нейросистема, обученная на возможный спектр неисправностей в условиях неполной информации о статических и динамических характеристиках. Предложенный новый подход позволяет предсказывать и определять неисправные узлы и неисправные элементы в узлах с прогнозированием работоспособности в условиях неполной и нечеткой информации о ТОННХ.
Статьи в научных журналах, рекомендованных ВАК для публикации результатов 1. Буянкин, В. М. Интегральный, пропорциональный, дифференциальный нейрорегулятор // Вестник МГТУ им. Н.Э. Баумана. Сер. «Естественные науки». 2006. №3 С.
5661.
2. Буянкин, В. М. Применение искусственной нейронной сети в режиме идентификации динамических параметров электродвигателя // Вестник МГТУ им. Н.Э. Баумана. Сер.
«Приборостроение». 2006. №3. С. 2530.
3. Буянкин, В. М. Двухконтурная система нейроуправления электроприводом с нейросамонастройкой // Нейрокомпьютеры разработка и применение. 2006. №8.
С. 9094.
4. Буянкин, В. М., Захаров В. Г Физические процессы нечеткого управления при обучении нейрорегуляторов токового контура электропривода с мягкими вычислениями // Вестник МАДИ (ГТУ). 2007. №2. С. 7275.
5.Буянкин В. М., Захаров В. Г Физические процессы нечеткого управления при обучении нейрорегуляторов токового и скоростного контуров электропривода с мягкими вычислениями. Вестник МАДИ (ГТУ). 2007. №3. С. 102106.
6. Буянкин, В. М., Захаров, В. Г. Прогнозирование неисправностей электропривода с использованием нечеткой нейронной сети // Вестник МАДИ (ГТУ). 2009. №4.
С. 2123.
7. Буянкин, В. М. Нейропродиагностика и прогнозирование работоспособности оборудования электропривода с использованием нейронной сети // Контроль.
Диагностика. 2008. №3. С. 6063.
8. Буянкин, В. М. Нейропродиагностика и прогнозирование работоспособности оборудования электропривода с использованием нечеткой нейронной сети ANFIS // Контроль. Диагностика. 2007. №12. C. 5961.
9. Буянкин, В. М. Синтез нейрорегуляторов с нечеткой логикой для токового и скоростного контура электропривода с мягкими вычислениями // Автоматизация и современные технологии. 2007. №11. С. 1924.
10. Буянкин, В. М., Пантюхин, Д. В. Нечеткое управление нейрорегуляторами для токового и скоростного контуров электропривода // Нейрокомпьютеры разработка и применение. 2009. №10. С. 4651.
11. Буянкин, В. М., Пантюхин, Д. В. Нейроидентификация статических и динамических характеристик асинхронного электродвигателя переменного тока // Нейрокомпьютеры разработка и применение. 2009. №7. С. 6973.
12. Буянкин, В. М., Семенов, В. С. Система нейроуправления с нейродиагностикой токового контура электропривода // Известия вузов. Машиностроение. 2007. №12.
С. 3236.
13. Буянкин, В. М. Нейроидентификация статических и динамических характеристик электропривода // Известия вузов. Машиностроение. 2008. №9. С. 4345.
14. Буянкин, В. М. Нейроидентификация, нейроуправление, нейропрогнозирование статических и динамических характеристик электропривода // Вестник компьютерных и информационных технологий. 2010. №5. С. 2429.
15. Буянкин, В. М. Анализ влияния числа слоев нейронной сети на устойчивость замкнутых систем нейроуправления электроприводом // Вестник МГТУ им. Н.Э. Баумана.
Сер. «Машиностроение». 2010. №3. С. 108115.
16. Буянкин, В. М., Пантюхин, Д. В. Синтез интегрального пропорционального нейрорегулятора для управления электроприводом // Известия Южного федерального университета. Технические науки. 2006. №3. С. 115121.
17. Буянкин, В. М. Разработка метода синтеза многопараметрической нейропрогнозирующей идентификации с использованием ансамбля нейронных сетей с нечеткой логикой для сложных технологических установок // Промышленные АСУ и контроллеры. 2012. №6. С. 3135.
18. Буянкин, В. М. Метод нейропрогнозирующейнейродиагностики аварийных ситуаций в сложных электротехнических системах с применением интеллектуальных нечетких технологий // Приборы и системы. Управление, контроль, диагностика. 2012. №5.
C. 512.
19. Буянкин, В. М. Синтез нейроадаптивныхнейрорегуляторов с использованием нечетких технологий на базе нейропрогнозирующихнейроидентификаторов для систем управления сложными техническими установками // Приборы и системы. Управление, контроль, диагностика. 2012. №8. C. 3344.
20. Буянкин, В. М. Управление электроприводами для механизмов параллельной кинематики робота манипулятора типа “Хобот” // Исследования Наукограда. 2012.
№1. C. 2936.
21. Буянкин, В. М. Нейронные сети в управлении. Нейросетевые методы повышения эффективности систем управления сложными элементами электротехнических установок.
Germany. : LAMBERN AcademicPublishing, 2011. 300 с.
22. Буянкин, В. М., Каганов, Ю. Т. Нейроуправление роботами с параллельной кинематикой. Germany. : LAMBERN AcademicPublishingGermany, 2011. 165 с.
23. Буянкин, В. М. Нейросетевая идентификация и управление некоторыми механизмами параллельной кинематики / В. М. Буянкин, С. М. Гоменюк, А. П. Карпенко, Т. О. Литун.
Приложение к журналу «Информационные технологии». 2011. №11. 32 с.
LAMBERNAcademicPublishingGermany, 2012. 180 с.
25. Буянкин, В. М. Нечеткое управление в токовом и скоростном контурах электропривода // Неироинформатика-2008 : труды 10-й Всероссийской научнотехнической конференции. Москва, 2008. С. 3545.
26. Буянкин, В. М. Нейропрогнозирование работоспособности оборудования электропривода нейронной сетью // Неироинформатика-2008 : труды 10-й Всероссийской научно-технической конференции. Москва, 2008. С. 4956.
27. Буянкин, В. М. Нейроидентификация физических процессов при ионно-плазменном напылении // Нейроинформатика-2009 : труды 11-й Всероссийской научно-технической конференции. Москва, 2009. С. 5865.
28. Буянкин, В. М. Анализ влияния на устойчивость замкнутых систем нейроуправления электроприводом числа слоев нейронной сети // Неироинформатика-2010 : труды 12-й Всероссийской научно-технической конференции. Москва, 2010. С. 1224.
29. Буянкин, В. М., Ковалева, С. К. Анализ локальной устойчивости, базирующийся на затухании высших производных ошибки обучения нейронных сетей // Математика, современные информационные технологии-2012 : труды 8-й Международной научнопрактической конференции. София, 2012. С. 5365.
30. Буянкин, В. М., Гоменюк, С. М. Разработка методики синтеза нейропрогнозирующей идентификации статических и динамических характеристик сложных технологических установок с использованием ансамбля нейронных сетей // Неироинформатика-2011:
труды 13-й Всероссийской научно-технической конференции. Москва, 2011. С.
2123.
31. Буянкин, В. М., Пантюхин, Д. В. Синтез последовательного интегрального пропорционального нейрорегулятора для управления электроприводом // Перспективные системы и задачи управления : труды Всероссийской научно-технической конференции.
Домбай, 2006. С. 115121.
32. Буянкин, В. М. Нейропрогнозирование работоспособности оборудования электропривода нейронной сетью //Неироинформатика-2008 : труды 10-й Всероссийской научно-технической конференции. Москва, 2008. С. 3545.
33. Буянкин, В. М. Нейроидентификация характеристик установки с ионно-плазменном напылением для нанесения жаростойких покрытий // Машиностроительные технологиитруды Всероссийской научно-технической конференции. Москва, 2008. С.
85-95.
34. Буянкин, В. М. Нейроидентификация характеристик установки с ионно-плазменном с напылением для нанесения жаростойких покрытий // Современные проблемы фундаментальных и прикладных наук : труды 51-й научно-практической конференции.
Москва, 2008. С. 7587.
35. Буянкин, В. М. Нейроидентификация физических процессов при ионно-плазменном напылении // Неироинформатика-2009 : труды 11-й Всероссийской научно-технической конференции. Москва, 2009. С. 3545.
36. Буянкин, В. М. Нечеткое нейроуправление электродвигателем// Нейросетевые технологии и их применение НСТиП-2008 : труды 7-й Международной научной конференции. Донбасс, 2008. С. 95111.
37. Буянкин, В. М. Нейродиагностика статических и динамических характеристик нейронной сетью // Новые информационные технологии НИТиС-2008 : труды 8-й Международной научной конференции. Пенза, 2008. С. 6071.
38. Буянкин, В. М. Нейродиагностика с комбинированным подходом к нейропрогнозированию аварийных ситуаций в электроприводах : труды 15-й Международной конференции по нейрокибернетике CNC-09. Ростов-на-Дону, 2009.
С. 120129.
39. Буянкин, В. М. Разработка методики синтеза нейропрогнозирующей идентификации с использованием нечетких нейронных сетей при неполных неточных статических и динамических характеристик сложных электротехнических установок ансамблем нейронных сетей // Нейрокомпьютеры и их применение : труды 9-й Всероссийской конференция. Москва, 2011. С. 161173.
нейропогнозирующейнейродиагностики сложных электротехнических установок // Нейрокомпьютеры и их применение : труды 9-й Всероссийской конференция. Москва, 2011. С. 180193.
41. Буянкин, В. М., Васильев, В. В. Цифровой следящий электропривод с раздельным управлением реверсивным тиристорным преобразователем // Электро- и гидропривод станков с ЧПУ и промышленных роботов : сб. науч. тр. М. : ЭНИМС, 1982.
С.7886.
42. Буянкин, В. М. Управление приводом в микропроцессорных системах // Микропроцессорная техника в металлорежущих станках с ЧПУ : сб. науч. тр. М. :
ЭНИМС, 1983. С.4351.
43. Буянкин, В.М. Диагностика цифрового следящего электропривода / В. М. Буянкин, В.
В. Васильев, Э. Л. Тихомиров, Н. С. Точилина // Проблемы создания автоматизированных металлорежущих станков. М. :НИИмаш, 1981. С. 135140.
44. А. с. 734607 СССР. Цифровой следящий привод / В. М. Буянкин и др. (СССР). № 2630351/18-24 ;заявл. 10.07.78 ; опубл. 15.05.80, Бюл. № 18.
45. А. с. 746653 СССР. Устройство для преобразования перемещение - код-фаза.
Цифровой следящий привод / В. М. Буянкин и др.(СССР). № 2606552/18-24; заявл.
24.04.78 ; опубл. 07.07.80, Бюл. № 18.
46. А. с. 809056 СССР. Устройство для управления электроприводом / В. М. Буянкин и др.(СССР). № 2657476/18-24; заявл. 15.09.78 ; опубл. 28.92.81, Бюл. № 8.
47. А. с. 926703 СССР. Преобразователь угловых перемещений в код / В. М. Буянкин и др.
(СССР). № 2693501/18-24 ;заявл. 19.12.78 ; опубл. 07.05.82, Бюл. № 17.
48. Буянкин, В. М., Кравец, В. А., Семенов, В. С. Изучение электропривода постоянного тока с прямым микропроцессорным управлением : метод.указания к лабораторной работе по курсу «Основы электропривода» / под. ред. Ю. И. Даниленко. М. : МВТУ им. Н.Э.
Баумана, 1982. 12 с.
49. Буянкин, В. М. Применение оборудования по микропроцессорному приводу в лаборатории электропривода / В. М. Буянкин, В. А. Кравец, В. С. Семенов, Р. О.
Шамгулов. М.,1991. Деп. в ВНИИВО, №1148-91.
50. Буянкин, В. М., Русаков В. М. Исследование статической и динамической точности микропроцессорного электропривода // Вестник МГТУ им. Н.Э. Баумана. Сер.
«Приборостроение». 2004. № 1.
51. Буянкин, В. М., Русаков, В. М. Влияние внешних возмущающих воздействий на точность микропроцессорного электропривода // Вестник МГТУ им. Н.Э. Баумана. Сер.
“Приборостроение”. 2004. № 2(54).
52. Буянкин, В. М., Русаков, В. М. Анализ влияния дискретности по времени на устойчивость работы микропроцессорного электропривода // Современные естественнонаучные и гуманитарные проблемы : сб. тр. М. : Лагос, 2005.
53. Буянкин, В. М. Нейродиагностика электропривода : труды 7-й Международной научно-практической конференции “Новейшие достижения Европейской науки”.
София, 2011. Т.40. Современные информационные технологии. С. 1825.
54. Буянкин, В. М. Нейроуправление группой электроприводов секции роботаманипулятора “Хобот” : труды 2-й Международной научно-практической конференции “Перспективные разработки науки и техники 2011”. Т.40. Польша, 2011. С. 4855.
«