CC BY
51
УДК 004.8, 004.94, 51-74, 621.37
СИСТЕМА НЕИРОУПРАВЛЕНИЯ НА ОСНОВЕ 3D-СЕТИ В УСЛОВИЯХ РОБОТОТЕХНИЧЕСКОГО КОМПЛЕКСА СПЕЦИАЛЬНОГО НАЗНАЧЕНИЯ
В.Ж. Бочаров, В.Л. Бурковский
Статья посвящена разработке системы управления робототехническим комплексом для экстремальных условий внешней среды. В качестве объекта управления рассмотрен РТК для проведения ремонтных работ на АЭС. Экстремальные условия внешней среды могут оказать серьезное негативное влияние на робототехнический комплекс. 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 системы РТК должны обладать гибкостью и быть интеллектуальными. Описано техническое устройство основных подсистем РТК. Из-за суровых специфических условий работы РТК должен обладать большой надежностью, поэтому за основу архитектуры системы управления в рамках статьи взят принцип гибридного параллельного нейроуправления. Рассмотрена типичная схема на основе этой архитектуры и переработана в соответствии с реалиями объекта управления. Разработана и описана по пространственным слоям 3D нейронная сеть нейроконтроллера. Описанный в рамках статьи подход к разработке систем управления позволяет добиться значительной оптимизации и устойчивости всей работы системы, а использование «обычного» контроллера в паре с нейроконтроллером повышает надежность и отказоустойчивость системы управления и РТК в целом
Ключевые слова: нейроуправление, робототехника, экстремальные условия, нейронные сети, оптимизация
Введение
Разработка адекватной и устойчивой системы управления практически любым промышленным объектом — трудоемкая и нетривиальная задача, требующая учета огромного количества различных внешних факторов и особенностей объекта управления. Совершенно очевидно, что осуществить прогноз динамики всех возможных внешних воздействий и их влияние на объект управления невозможно. Для решения данной задачи предлагается при разработке системы управления использовать искусственные нейронные сети.
РТК как объект управления
Рассмотрим в качестве объекта управления РТК, предназначенный для проведения радиационной разведки и ремонтных работ на АЭС. Основными негативными факторами в этом случае будут ионизирующие излучение (до 1 зиверта/час) и возможные крайне суровые климатические условия эксплуатации РТК (влажность до 75%, диапазон рабочих температур от -30 до 45 градусов). Технически РТК представляет собой систему, состоящую из двух блоков. Блок управления стрелой РТК: управление стрелой осуществляется посредством 13 дискретных и 2 пропорциональных гидравлических
Бочаров Владимир Жанович - ЗАО МГК «Интехрос», инженер-радиоэлектроник, бакалавр, e-mail: dr.bocharoff@yandex.ru
Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, e-mail: bvl@vorstu.ru
распределителей — регуляторов расхода осуществлять движение стрелы
робототехнического комплекса с заданной скоростью. С точки зрения электромеханики дискретные гидравлические распределители — это электромагниты, отпирающие и запирающие гидравлические клапаны между двумя гидравлическими линиями. Управление дискретными гидравлическими
распределителями осуществляется с помощью подачи питания на один из разъемов. Подача питания на оба разъема может привести к «залипанию» гидравлического клапана. Для управления регуляторами расхода применяется специализированный электронный блок управления, генерирующий по заданным программным условиям ШИМ Электронный блок ЕБМ-М 3112 — цифровой усилитель без обратной связи. Блок управления подает на регуляторы расхода ток, прямо пропорциональный опорному сигналу. Блок управления, как и регуляторы расхода, получают энергоснабжение от отдельной энергосети с более высоким рабочим напряжением. Каждый дискретный
гидравлический распределитель отвечает за свое движение стрелы и одновременно требует включение одного из двух регуляторов расхода. Для удобства все распределители разделены на два блока: 4 секционный и 6 секционный блок соответственно. Для удобства использования и соблюдения ТБ при эксплуатации РТК главный цилиндр стрелы, отвечающий за ее подъем дополнительно оснащается преобразователем давления ПР-Д — выполняющим функции измерителя давления в диапазоне от 0 до 40
Мпа. Этот датчик позволяет выяснить, не превышена ли максимальная грузоподъемность стрелы. Блок управления ходовой частью, совмещенный с главными насосами и двигателем, обеспечивает рабочее давление в гидросети всей установки, а также позволяет выполнять горизонтирование всего
робототехнического комплекса, как в ручном, так и автоматическом режимах, а также осуществлять движение на гусеничном ходу. Весь блок установлен на неподвижной части робототехнического комплекса. Модуль оснащен 16 дискретными и 2 пропорциональными гидравлическими
распределителями. В отличие от системы управления стрелой — подача управляющего сигнала ШИМ осуществляется без использования электронного блока управления EDM-M. Автоматизированная система горизонтирования (АСГ) - электронная система, предназначенная для автоматического выравнивания инженерной платформы относительно горизонта. Благодаря внедрению АСГ в РТК управления аутригерами платформы как в ручном режиме, определяя ход каждой из опор по отдельности, так и в автоматическом, когда система самостоятельно определяет необходимую высоту выдвижения опор. Система горизонтирования обеспечивает функционирование гусеничного хода всей машины, для чего выделены 2 гидравлических распределителя.
Архитектура системы управления
Возьмем за основу архитектуры бедующей системы управления РТК гибридное параллельное нейроуправление. Методы этой архитектуры подразумевают параллельное управление, как от обычного, так и от нейроконтроллера, что позволяет добиться значительной оптимизации всей системы и ее устойчивости при возникновении
«неизвестных» внешних возмущений.
МТРЬ]—»
Обычный контроллер
Г
Нейро-контроллер
_и
Объект управления
Рис. 1. Структурная схема параллельного нейроуправления На схеме приведена типичная гибридная система нейроуправления. Учитывая
специфику объекта управления, для которого мы разрабатываем систему управления, необходимо внести ряд изменений: РТК оснащен рядом датчиков (акселерометры, преобразователи давления, датчики
температуры, уровня и т.д.), правильная интерпретация показателей которых в значительной мере будет влиять на выходные сигналы от системы управления. При этом обратная связь для «обычного» контроллера не потребуется — ее обработкой будет заниматься нейроконтроллер.
Рис. 2. Структурная схема системы управления
«Обычный» контроллер — в данном случае STM32F103C8T, получает команды и направляет их к сумматору, на котором входные данные и данные обратной связи от объекта управления, обработанные
нейроконтроллером, складываются и передаются для исполнения на объект управления. Таким образом, удается значительно уменьшить нагрузку на основной контроллер и повысить качество работы системы управления в целом.
Нейроконтроллер
Главная составляющая, разрабатываемой системы управления, — нейроконтроллер. Аппаратно — это аналогичный «обычному» контроллеру, STM32F103C8T. В данном случае логика управления представляет собой трехмерную искусственную нейронную сеть. Каждый из пространственных слоев отвечает за свой логический процесс или датчик. При этом все пространственные слои объединены одним выходным нейроном, формирующий общий вектор управления, и группой входных нейронов. Рассмотрим пространственные слои нейроконтроллера (любой пространственный слой можно расценивать как самостоятельную нейронную сеть).
1. Слой обработки показаний
акселерометров: гусеничная платформа РТК оснащена акселерометром, отвечающим за пространственное положение рамы. Данные от
акселерометра обрабатываются,
конвертируются в углы отклонения от нормали
и в дальнейшем используются корректировки управляющего вектора.
для
Рис. 3. Нейронная сеть пространственного слоя управления акселерометрами
2. Слой работы с датчиками давления: нейронная сеть этого слоя интерпретирует измерения с датчиков давления и передает
данные о корректировке управляющего вектора.
Рис. 4. Нейронная сеть пространственного слоя обработки датчиков давления
3. Слой обработки показаний с дискретных датчиков: нейронная сеть этого слоя, используя показания с дискретных
датчиков (датчик уровня масла и два датчика температуры) вносит поправки в вектор управления.
Рис. 5. Нейронная сеть пространственного слоя работы с дискретными датчиками
4. Слой обратной связи: данный слой обрабатывает входные команды оператора и
накладывает на них данные обратной связи от объекта управления.
Рис. 6. Нейронная сеть обработки команд пользователя и обратной связи
5. Выходной пространственный слой: интерпретирует их и создает управляющий нейронная сеть этого слоя собирает данные от вектор, который передается на сумматор. всех остальных пространственных слоев,
[ООО]
Рис. 7. Нейронная сеть выходного слоя
Рис. 8. Обобщенная нейронная сеть нейроконтроллера
Выводы
Обобщенную нейронную сеть
нейроконтроллера предлагается представить в трехмерном виде с наложением пространственных слоев друг на друга. Подобный подход к реализации системы нейроуправления РТК позволит добиться оптимизации и устойчивость работы всей системы, а использование «обычного» контроллера в паре с нейроконтроллером повысит надежность и отказоустойчивость системы управления. При этом основные преимущества нейроконтроллера заключаются в следующем:
Рис. 9. Пространственная модель нейроконтроллера
1. Решение задач управления в условиях не заданных априори закономерностях: благодаря обучению нейроконтроллера позволяет обеспечить управление РТК в условиях, когда «обычный» контроллер не способен эффективно работать.
2. Помехоустойчивость по входным сигналам: нейроконтроллер способен обеспечить из сильно зашумленных входных данных необходимую информацию и осуществлять управление без сбоев.
3. Высокая адаптивность к резким внешним изменениям системы управления на основе нейроконтроллера.
4. Высокое быстродействия системы управления за счет параллельной обработки информации.
5. Повышенная отказоустойчивость системы управления благодаря распределенному принципу устройства нейроконтроллер.
Литература
1. Осовский С. Нейронные сети для обработки информации / 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 / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2002. - 382 с.
3. Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен. - М.: Мир, 1992. - 240 с.
4. Головко В.А. Нейронные сети: обучение, организация и применение: учеб. пособие для вузов / / А.В. Головко, А.И. Галушкин; общ. ред. А.И. Галушкина. М.: ИПРЖР, 2001. - 256 с.
5. Калан Р. Основные концепции нейронных сетей / Р. Калан. М.: Издательский дом "Вильямс", 2001. - 287 с.
6. Комашинский В.И. Нейронные сети и их применение в системах управления и связи / В.И. Комашинский, Д.А. Смирнов. - М.: Горячая линия -Телеком, 2002. - 94 с.
7. Модулярные параллельные вычислительные структуры нейропроцессорных систем / 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. - 38 p.
9. Barren A.R. Approximation and estimation bounds for artificial neural networks / A.R. Barren// Machine learning. 1994. Vol. 14. - Pp. 115-133.
10. Osowski S. Sieci neuronowe w ujeciu algorytmicznym. / S. Osowski. Warszawa: WNT, 1996. - 15p.
11. Rosenblatt F. Principle of neurodynamics / F. Rosenblatt. N.Y.: Spartan, 1992 - 30p.
12. Weymaere N. On the initialization and optimization of multilayer perception / 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 / B. Widrow, M. Hoff// Proc. IRE WESCON Convention Record, 1960. - 107 p.
15. Cichocki A. Neural networks for solving systems of linear equations and related problems / A. Cichocki, R. Unbehauen// IEEE Trans. CAS, 1992. - Vol. 39. - Pp. 124138.
Закрытое акционерное общество межрегиональная группа компаний "Интехрос", г. Воронеж Воронежский государственный технический университет
NEURO-CONTROL SYSTEM BASED ON THE 3D NETWORK OF THE SPECIALIZED
ROBOTIC TECHNICAL COMPLEX
V.Zh. Bocharov1, V.L. Burkovsky2
1 Electronics engineer, BA, ZAO MGK "Intehros", Voronezh, Russian Federation, e-mail: dr.bocharoff@yandex.ru 2Full Doctor, Professor, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: bvl@vorstu.ru
The article is devoted to the development of a control system for a robotic complex for complex environmental conditions. As the object of management, the RTK was considered for repair work at the nuclear power plant. The technical design of the main subsystems of the RTK is described. Due to the harsh specific working conditions, RTK must have great reliability, therefore, the principle of hybrid parallel neural control is taken as the basis of the control system architecture within the framework of the article. A typical scheme based on this architecture is considered and processed in accordance with the realities of the control object. 3D neural network of the neurocontroller was developed and described by spatial layers. The approach to the development of control systems described in the framework of the article makes it possible to achieve significant optimization and stability of the entire operation of the system, and the use of an "ordinary" controller paired with a neural controller increases the reliability and fault tolerance of the control system and the RTK as a whole
Key words: neural control, robotics, extreme conditions, neural networks, optimization
References
1. Osovskiy S. «Neural networks for information processing» / trans. From the Polish ID. Rudinsky. - Moscow: Finance and Statistics, 2002. - 344 p.
2. Kruglov V.V., Borisov V.V. «Artificial neural networks. Theory and practice», Moscow: Hot line - Telecom, 2002. - 382
p.
3. Wasserman F. «Neurocomputer Technology», Moscow: The World, 1992. - 240 p.
4. Golovko V.A., Galushkin A.I. «Neural networks: training, organization and application. Book. Textbook. Manual for universities». General Ed. A.I. Galushkina, Moscow: IPRZHR, 2001. - 256 p.
5. Kalan R. «Basic concepts of neural networks», Moscow .: Publishing house "Williams", 2001. - 287 p.
6. Komashinsky V.I., Smirnov D.A. «Neural networks and their application in control and communication systems», Moscow: Hotline - Telecom, 2002. - 94 p.
7. Chervyakov N.I., Sakhnyuk P.A., Shaposhnikov A.V., Ryadnov S.A. «Modular parallel computing structures of neuroprocessor systems», Moscow .: Fizmatlit, 2003. - 288 p.
8. Hertz J., Krogh A., Palmer R. «Wstep do teorii obliczen neuronowych». Wyd. II., Warszawa: WNT, 1995. - 38 p.
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», Warszawa: WNT, 1996. - 15p.
11. Rosenblatt F. «Principle of neurodynamics», Spartan, 1992 - 30p.
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. - 107 p.
15. Cichocki A., Unbehauen R. «Neural networks for solving systems of linear equations and problems», IEEE Trans. CAS, 1992. - Vol. 39. - pp. 124-138.
