CC BY
3
2022 Электротехника, информационные технологии, системы управления № 44 Научная статья
DOI: 10.15593/2224-9397/2022.4.03 УДК 004.94
А.А. Тютюных
Пермский национальный исследовательский политехнический университет,
Пермь, Россия
МОДЕЛИ И АЛГОРИТМЫ УПРАВЛЕНИЯ ПЕРЕМЕЩЕНИЕМ ГРУЗА В КОМПЬЮТЕРНОМ ТРЕНАЖЕРНОМ КОМПЛЕКСЕ В РЕЖИМЕ СОВЕТУЮЩЕЙ СИСТЕМЫ
Статья посвящена решению задачи управления перемещением груза в компьютерном тренажерном комплексе (КТК) для обучения операторов перегрузочных кранов. Актуальность исследования обусловлена высокой потребностью различных отраслей экономики РФ в высококвалифицированном персонале и потребностью решения проблемы импортозамещения в части разработки автоматизированных систем управления в профессиональном образовании. Цель исследования: повышение эффективности процесса обучения и переобучения операторов технологических установок (на примере перегрузочных машин) посредством разработки математических моделей, алгоритмов и программных модулей советующей системы КТК. Методы: для разработки советующей системы КТК использовались методы математического моделирования, теории управления, нечеткой логики. Для построения математической модели перегрузочного крана с целью имитации реального технологического процесса в КТК использовались уравнения Эйлера-Лагранжа второго рода. Программная реализация моделей и алгоритмов выполнена на языке Python. Результаты: разработаны и программно реализованы модели и алгоритмы формирования последовательности управляющих (советующих) воздействий на основе нечеткой логики для перемещения груза в виртуальной производственной среде КТК, отличающиеся использованием множества динамических параметров, определяющих показатели перегрузочного процесса, характеристики крана и конкретного оператора. Данные параметры влияют на вид функций принадлежности и базу нечетких правил и, как следствие, на результат расчета управляющих воздействий. Практическая значимость: применение КТК с советующей системой, основанной на разработанных моделях и алгоритмах, повысит эффективность обучения операторов технологических установок посредством целенаправленного формирования советующих воздействий с учетом множества значимых показателей перегрузочного процесса.
Ключевые слова: компьютерный тренажерный комплекс, советующая система, перегрузочный процесс, управляющие воздействия, нечеткая логика.
A.A. Tyutyunykh
Perm National Research Polytechnic University, Perm, Russian Federation
MODELS AND ALGORITHMS FOR CONTROL OF LOAD MOVEMENT IN A COMPUTER TRAINING COMPLEX IN ADVISORY SYSTEM MODE
The article is devoted to solving the problem of controlling the movement of load in a computer training complex (CTC) for training operators of reloading cranes. The relevance of the research is due to the high demand of various sectors of the Russian economy for highly qualified personnel and the need to solve the problem of import substitution in terms of developing automated control systems in professional education. Research goal: Improving the efficiency of the processes of training and retraining of operators (on the example of reloading machines) through the development of mathematical models, algorithms and software modules of the advisory system for CTC. Methods: Methods of mathematical modeling, control theory, and fuzzy logic were used to develop the CTC advisory system. The second order Euler-Lagrange equations were used to build a mathematical model of a reloading crane in order to simulate a real technological process at the CTC. Software implementation of models and algorithms is made in Python. Results: Models and algorithms for generating a sequence of control (advising) actions based on fuzzy logic for moving load in the CTC virtual production environment have been developed and implemented in software. They differ in the use of many dynamic parameters that determine the reloading process, the characteristics of the crane and the specific operator. Practical significance: The use of CTC with an advisory system based on the developed models and algorithms will increase the efficiency of training operators through the targeted formation of advising actions, taking into account many significant indicators of the reloading process.
Keywords: computer training complex, advisory system, reloading process, control actions, fuzzy logic.
Введение
Практически во всех областях промышленности широко используются перегрузочные машины. Во время перегрузочного процесса важна точность позиционирования грузов, так как она уменьшает время процессов разгрузки/погрузки, энергозатраты и риск возникновения аварий. Основной навык, которому обучаются будущие операторы, -это перемещение груза в целевую позицию. Для обучения операторов различных технологических установок широко применяются компьютерные тренажерные комплексы (КТК) [1-3]. В большинстве случаев процесс обучения операторов с применением КТК контролируется и оценивается инструктором на основе вычисляемых автоматически показателей качества выполнения оператором действий. Процесс обу-
чения требует поиска новых подходов, когда инструктор контролирует группу обучаемых или организует дистанционное обучение.
Разработка и внедрение советующей системы позволят автоматизировать процесс обучения, избавляя инструктора от необходимости контролировать все действия оператора, увеличить количество одновременно обучающихся операторов, а также в целом повысят эффективность подготовки операторов, что, в свою очередь, уменьшит временные затраты, энергозатраты и вероятность возникновения аварий в реальной производственной обстановке [4, 5].
Рассмотрению и решению задач управления перемещением груза посвящено множество научных трудов. Метод использования шейпинг-фильтра для подавления колебаний груза для мостового и башенного кранов описан в работах [6, 7].
В работе [8] представлены особенности применения пропорционально-дифференциального регулятора и пропорционально-дифференциального нечеткого регулятора для контроля угла отклонения груза при его перемещении для козлового крана. В трудах [911] описано применение аппарата нечеткой логики в системах управления перемещением груза для различных подъемно -транспортных механизмов.
Однако в данных работах в полной мере не учитываются показатели перегрузочного процесса, такие как масса груза и длина троса, а также не учитываются характеристики крана и конкретного оператора при генерации управляющих воздействий для перемещения груза. Поэтому целесообразна разработка моделей и алгоритмов формирования последовательности управляющих воздействий, учитывающих множество различных показателей перегрузочного процесса.
1. Особенности математического моделирования перегрузочного процесса в КТК
Отличительной особенностью разрабатываемого КТК оператора перегрузочной машины является возможность адекватно моделировать перегрузочный процесс при выполнении упражнений на имитаторе, и на основе анализа данных о работе обучаемого на имитаторе оцени-
вать динамику формирования сенсомоторных навыков и генерировать необходимые советующие воздействия для повышения качества учебного процесса.
Наличие в структуре КТК советующей системы обеспечивает формирование управляющих воздействий оператору в ходе упражнений с целью обучения различным способам выполнения технологических операций.
Для адекватной имитации перегрузочного процесса в КТК разработаны модели перегрузочного крана башенного типа и его двигателей, которые представлены ниже.
Перегрузочный кран башенного типа схематично представлен на рис. 1. Кран данного типа состоит из стрелы, вращающейся вокруг центральной оси крана, точки подвеса груза, перемещающейся вдоль стрелы, и груза, подвешенного на тросе.
Я /
▼ 1П£
Рис. 1. Схема перегрузочного крана башенного типа
На рис. 1 обозначены: М - массы стрелы, кг; т - масса груза, кг; I - длина троса, м; 0, ф - углы отклонения груза, рад; Я - длина вылета стрелы, м; Гя - сила, отвечающая за изменение вылета стрелы, Н; у -угол поворота стрелы, рад; Гу - сила, отвечающая за поворот стрелы, Н; ¥\ - сила, отвечающая за изменение длины троса, Н; g - ускорение свободного падения, g = 9,81 м/с2.
Для построения математической модели перегрузочного крана используются уравнения Эйлера-Лагранжа второго рода [9, 12]. Полу-
ченная система пяти нелинейных уравнений второго порядка с учетом упрощений имеет следующий вид:
г (М + т)й + т1 ф = ^ - ОкЙ, т12 ф + ш/й + тд1ср = —/^^ф, < (М + т)Д2ф + тШв = ^ - Д^ф,
ш/2ё + тй/ф + тдЮ = -£>0ё, < т.! = ^ — £)г/.
Упрощения произведены, исходя из того, что максимальные отклонения груза от вертикали не превышают 10...12° [13]. Данная система уравнений полностью описывает рассматриваемый объект.
Из-за больших масс крановых механизмов и переносимых грузов двигатели кранов имеют особенность постепенно разгоняться до рабочей скорости после подачи управляющего сигнала на него. Поэтому в работе модель двигателей крана представлена в виде апериодического звена второго порядка [9]. Коэффициенты звена установлены таким образом, чтобы обеспечить плавный разгон и торможение. Изменение времени разгона и торможения двигателей позволит моделировать различные виды кранов, двигатели которых имеют разные характеристики.
2. Назначение и функциональные возможности советующей системы КТК
В ходе выполнения обучаемым упражнений в КТК происходит формирование для него целенаправленных советующих воздействий. Советующая система формирует управляющие (советующие) воздействия для перемещения груза в виртуальной производственной среде КТК для перегрузочных кранов башенного типа на основании информации об объектах виртуальной области. Перемещение груза происходит посредством изменения вылета стрелы, поворота стрелы и изменения длины троса. Управляющие воздействия, которые будут выводиться на экран оператору, представлены в формате «управляющий элемент - положение», пересчитываются через определенные промежутки времени и обеспечивают перемещение груза в заданную позицию с минимизацией колебаний груза.
Модель регулятора нечеткой логики в советующей системе обеспечивает формирование управляющих воздействий как для дискретных элементов управления крана (рычаги), так и для аналоговых
(джойстик). Применение математического аппарата нечеткой логики повышает эффективность управления различными техническими системами [14-17].
Советующая система должна учитывать инерционность обучаемого при генерации управляющих воздействий. Инерционность обучаемого моделируется в виде задержки входного управляющего сигнала на величину времени реакции человека на визуальный сигнал. По умолчанию время сенсомоторной реакции для обучаемого будет равняться среднему и составлять ^ ср = 250 мс [18]. В ходе процесса обучения величина сенсомоторной реакции будет корректироваться, что позволит советующей системе адаптироваться под характеристики конкретного обучаемого.
Схема, определяющая взаимосвязь советующей системы с оператором и моделью перегрузочного крана, изображена на рис. 2.
Рис. 2. Схема взаимосвязи советующей системы с оператором и моделью перегрузочного крана
На данной схеме г - вектор целевого состояния; е - вход модели регулятора нечеткой логики, который представляет собой отклонение текущего состояния системы от целевого; г - информация о показателях перегрузочного процесса; и - управляющий сигнал (сигнал пульта управления крана); иь - управляющий сигнал, воспроизведенный оператором; ит - вектор управления (сигнал, поданный оператором и преобразованный моделью двигателя крана); х - вектор состояния; у -вектор выхода.
3. Модель и алгоритмы регулятора нечеткой логики
Целью регулятора нечеткой логики является генерация последовательности управляющих сигналов для перемещения груза. Управляющие воздействия формируются на основе информации об отклонении текуще-
го состояния системы, характеризующегося значениями длины вылета стрелы, угла поворота стрелы, углами отклонения груза, угловыми скоростями отклонения груза, длины троса [Я, ф, ф, ф, 9, 9, /], от целевого состояния, характеризующегося значениями [Яр, фр, фр, фр, 9р, 9р, /р].
Предложенный регулятор нечеткой логики представлен схематично на рис. 3 и содержит три подсистемы нечеткого вывода: для управления вылетом стрелы, поворотом стрелы и длиной троса.
Рис. 3. Схема регулятора нечеткой логики
На данной схеме: е - отклонение текущего состояния системы от целевого; / - информация об объектах перегрузочного процесса (I -длина троса, т - масса груза); щ - управляющий сигнал для дискретного элемента управления крана (рычаг); иа - управляющий сигнал для аналогового элемента управления крана (джойстик).
Рассмотрим подсистему нечеткого вывода для управления вылетом стрелы, структурная схема которой представлена на рис. 4. Входами подсистемы являются лингвистические переменные: рх - «отклонение длины вылета стрелы», р2 - «угол отклонения груза», р3 - «угловая скорость отклонения», р4 - «длина троса» и р5 - «масса груза», которые соответствуют входным сигналам ДЯ, Дф, Дф, I, т. Выход - лингвистическая переменная «положение рычага/джойстика управления вылетом стрелы» (Рб). Нечеткий вывод основан на алгоритме Мамдани [19].
В качестве терм-множеств лингвистических переменных Р!, р2 и р3 используется множество 7\ = {«отрицательное большое», «отрицательное среднее», «отрицательное малое», «нулевое», «положительное малое», «положительное среднее», «положительное большое»} или
в символьном виде 7\ = (КБ, КМ, N8, 2, Р8, РМ, РВ}. Для лингвистических переменных р4 и р5 используется множество Т2 = («большая», «средняя», «малая»} или Т2 = (В, М, 8}. В качестве функций принадлежности термов используются треугольные функции.
Рис. 4. Структурная схема подсистемы нечеткого вывода для управления вылетом стрелы
Изменяемые параметры лингвистических переменных доступны для настройки перед выполнением упражнений на КТК [9]. Например, для р2, в которой используются треугольные функции принадлежности для термов, изменяемыми параметрами являются значения малого (5ф), среднего (шф) и большого (Ьф) углов отклонения.
Так, например, функция принадлежности терма РМ задается следующим выражением:
х
О,
Яф
/рм(х; 5ф> шФ> Ьср) = <
ГПф — Яф
Ьф — х
Ьф
Шф
О,
х < Яф, Яф < х < Шф,
шф < х < Ьф, Ьф < х.
Настройка изменяемых параметров для лингвистических переменных влияет на вид их функций принадлежности и позволит добиться необходимого эффекта от генерируемых управляющих (советующих) воздействий. Лингвистическая переменная р6, соответствующая выходу подсистемы, имеет два варианта реализации: первый для дискретных элементов управления крана (рычаги), второй для аналоговых (джойстики).
В первом случае используется множество Т3 = {«вторая скорость назад», «первая скорость назад», «нулевая скорость», «первая скорость вперед», «вторая скорость вперед»} или в символьном виде Т3 = {N2, N1, Ъ, Р1, Р2}. Дефаззификация выходной переменной производится методом высоты [20].
Во втором случае переменная задается множеством Т4 = {«скорость назад», «нулевая скорость», «скорость вперед»} или Т4 = {Ы, Ъ, Р}. Дефаззификация выходной переменной производится методом центра тяжести. Функции принадлежности для обоих случаев представлены на рис. 5.
Рис. 5. Функции принадлежности для термов лингвистической переменной «положения рычага/джойстика управления вылетом стрелы»
Оба набора правил для нечеткого вывода подсистемы управления вылетом стрелы составлены на основе анализа экспериментальных данных и содержат множество правил следующего вида (для случая управления рычагом): если Рх есть РВ И Р есть ЫМ И Р3 есть Ъ И Р есть М И Р5 есть М, ТО Р 6 есть Р2.
Входами подсистемы нечеткого вывода для управления поворотом стрелы являются лингвистические переменные «отклонение поворота стрелы», «угол отклонения груза», «угловая скорость отклонения», «длина троса» и «масса груза», которые соответствуют входным сигналам Д ||, Д 6 , Д 6 ,1 , т. Выход - лингвистическая переменная «положение рычага/джойстика управления поворотом стрелы».
Для подсистемы нечеткого вывода управления длиной троса входами являются лингвистические переменные «отклонение длины троса», «угол отклонения груза 1», «угол отклонения груза 2» и «масса груза», которые соответствуют входным сигналам Д Z, Д ср, Д 6 , т. Выход - лингвистическая переменная «положение рычага/джойстика управления длиной троса».
Структурные схемы подсистем нечеткого вывода для управления поворотом стрелы и длиной троса аналогичны схеме, представленной выше, за исключением входных данных. Термы, функции принадлежности и изменяемые параметры лингвистических переменных для данных подсистем описываются также аналогично, за исключением выходных лингвистических переменных для дискретных элементов управления крана (рычаги), в которых количество терм обусловлено количеством передач рычагов управления: для поворота стрелы - 1 скорость (всего 3 состояния, включая состояние покоя), для изменения длины троса -3 скорости (всего 7 состояний, включая состояние покоя).
При определении последовательности использования рычагов для перемещения груза из одной точки в другую используется следующий приоритетный порядок: подъем груза, уменьшение вылета стрелы, поворот стрелы, увеличение вылета стрелы, опускание груза. Изменение вылета стрелы и поворот стрелы могут выполнятся как поочередно, так и одновременно в зависимости от настроек сложности выполняемого упражнения.
4. Практическая реализация моделей и алгоритмов советующей системы
Разработанные модели и алгоритмы реализованы на языке программирования Python. Было проведено около 10 тысяч экспериментов для составления набора правил и настроек изменяемых параметров функций принадлежности, а также для проверки степени гашения колебаний груза при его перемещении и адекватности генерируемых управляющих воздействий.
На рис. 6 представлены результаты расчета управляющих воздействий для задачи перемещения груза из позиции Янач = 3 0 м (длина вылета стрелы) в позицию Якон = 1 0 м со следующими параметрами: т = 2000 кг (масса груза); I = 20 м (длина троса).
Время (с)
а
-а—к
10 20 30 40 50 60
Время (с)
Время (с) в
б
Рис. 6. Рассчитанная последовательность управляющих воздействий для рычага управления вылетом стрелы (а), воспроизведенная обучаемым последовательность управляющих воздействий (б), графики изменения местоположения точки подвеса груза (в)
На рис. 6, а показана рассчитанная последовательность управляющих воздействий для рычага управления вылетом стрелы с усредненной величиной сенсомоторной реакции, равной 0,25 с. На рис. 6, б показана воспроизведенная обучаемым последовательность управляющих воздействий при выполнении задачи. На рис. 6, в приведено сравнение графиков изменения местоположения точки подвеса груза.
При выполнении задачи обучаемым груз достиг целевой позиции за 39,2 с, что на 4,2 с медленнее, чем при рассчитанном алгоритме. После выполнения задачи системой была вычислена величина сенсомо-торной реакции обучаемого, которая в данном примере составляет 0,45 с. После корректировки величины сенсомоторной реакции обучаемого данная задача была решена повторно, на рис. 7, а показана скорректированная системой последовательность управляющих воздействий под конкретного обучаемого, на рис. 7, б показана воспроизведенная обучаемым последовательность управляющих воздействий при повторном выполнении данной задачи, на рис. 7, в риведено сравнение графиков изменения местоположения точки подвеса груза.
Время (с)
а
Время (с) б
Время (с) в
Рис. 7. Скорректированная последовательность управляющих воздействий для рычага управления вылетом стрелы (а), воспроизведенная обучаемым последовательность управляющих воздействий (б), графики изменения местоположения точки подвеса груза (в)
При повторном выполнении задачи обучаемым груз достиг целевой позиции за 38,5 с, что на 2,1 с медленнее, чем при рассчитанном алгоритме. Однако время выполнения упражнения обучаемым уменьшилось с 39,2 до 38,5 с после корректировки системой последовательности управляющих воздействий.
Результаты экспериментов доказывают воспроизводимость генерируемой последовательности управляющих воздействий обучаемым и уменьшение времени выполнения упражнений при учете величины сенсомоторной реакции конкретного обучаемого на 2-4 %.
Заключение
В результате исследований были разработаны модели и алгоритмы формирования последовательности управляющих (советующих) воздействий на основе нечеткой логики для перемещения груза в виртуальной производственной среде КТК, отличающиеся использованием множества динамических параметров, определяющих показатели перегрузочного процесса, характеристики крана и конкретного оператора.
Выполнена программная реализация данных моделей и алгоритмов на языке Python. Экспериментально доказана адекватность генерируемых последовательностей управляющих воздействий для перемещения груза.
Применение КТК с советующей системой, основанной на разработанных моделях и алгоритмах, повысит эффективность обучения операторов перегрузочных кранов посредством целенаправленного формирования советующих воздействий с учетом множества значимых показателей перегрузочного процесса.
Библиографический список
1. Имитационный динамический тренажер для отработки процессов в топочных устройствах паровых котлов / Е.А. Бойко, С.В. Пачков-ский, В.Н. Вольнев, Д.В. Сургутский // Теплоэнергетика. - 2022. -№ 4. - С. 81-92.
2. Долотин Ю.Г., Коростелев Д.А. Концепция проектирования интерактивных компьютерных тренажеров и их применение в учебном процессе // Ученые записки Орлов. гос. ун-та. - 2021. - № 3 (92). -С.176-184.
3. Обухов А.Д. Разработка адаптивных тренажерных комплексов на основе нейросетевой архитектуры информационных систем // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2021. - № 37. - С. 5-26.
4. Файзрахманов Р.А., Полевщиков И.С., Тютюных А.А. Развитие математического и программного обеспечения компьютерных тренажерных комплексов операторов технологических установок // Актуальные проблемы повышения эффективности и безопасности эксплуатации горно-шахтного и нефтепромыслового оборудования: материалы VII Междунар. науч.-практ. конф. «Горная и нефтяная электромеханика - 2021»; Пермь, 19-21 октября 2021 г. / под общ. ред. д-ра техн. наук Г.Д. Трифанова. - Пермь: Изд-во Перм. нац. исслед. политехн. ун-та, 2021. - С. 124-129.
5. Файзрахманов Р.А., Полевщиков И.С. Автоматизированное управление формированием профессиональных навыков оператора роботизированной системы с использованием нечеткой логики // Инженерный вестник Дона. - 2015. - № 4. - URL: ivdon.ru/ru/magazine/ archive/n4y2015/3283
6. Command shaping for nonlinear crane dynamics / D. Blackburn, W. Singhose, J. Kitchen, V. Patrangenaru, J. Lawrence, K. Tatsuaki, T. Ayako // Journal of Vibration and Control. - 2010. - Vol. 16, № 4. -P. 477-501.
7. Advanced command shaping algorithm for nonlinear tower crane dynamics / D. Blackburn, W. Singhose, J. Kitchen, V. Patrangenaru, J. Lawrence // The 8th International Conference on Motion and Vibration Control (MOVIC 2006). - 2006.
8. Anti-sway techniques in feedback control loop of a gantry crane system A comparative assessment of PD and PD-type fuzzy logic controller / M.A. Ahmad, A.N.K. Nasir, M.S. Najib, H. Ishak // 2009 4th IEEE Conference on Industrial Electronics and Applications. Xi'an. - 2009. -P. 2483-2487.
9. Файзрахманов Р.А., Тютюных А.А., Полевщиков И.С. Математическое, алгоритмическое и программное обеспечение задачи расчета управляющих воздействий на основе нечеткой логики при моделировании перемещения груза в тренажере портального крана // Инженерный вестник Дона. - 2022. - № 1. - URL: ivdon.ru/ru/magazine/archive/n1y2022/7384
10. Алгоритмы подавления колебаний грузов подъемно-транспортных механизмов с использованием нечеткой логики функционирования / О.А. Шведова, А.С. Шмарловский, А.В. Марков, Т.В. Тара-севич // Доклады Белорус. гос. ун-та информатики и радиоэлектроники. - 2014. - № 1 (79). - С. 65-71.
11. Денисов И.В., Мещеряков В.А., Итяксова В.С. Моделирование системы нечеткого управления рабочим процессом стрелового крана // Омск. науч. вестник. - 2009. - № 3 (83). - С. 123-126.
12. Описание движения механизмов мостового крана уравнениями Лагранжа II рода / С.С. Енин, Е.Я. Омельченко, А.В. Белый, Н.В. Фомин // Вестник Магнитогор. гос. техн. ун-та им. Г.И. Носова. -2017. - Т. 15, № 3. - С. 68-73.
13. Лобов Н.А. Динамика грузоподъемных кранов. - М.: Машиностроение. - 1987. - 160 с.
14. Шмидт И.А., Калинин И.А., Пономарева Н.А. ПИД-подобный нечеткий регулятор в САР расхода жидкости // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. -2021. - № 38. - С. 67-89.
15. Хижняков Ю.Н., Никулин В.С., Сторожев С.А. Адаптивный нечеткий подход к управлению уровнем нефти-сырца в сепараторе дожим-ной насосной станции // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2020. - № 35. - С. 57-70.
16. Симонова Л.А., Гавариева К.Н. Разработка базы знаний для системы нечеткого логического вывода процесса прецизионной штамповки // Научно-технический вестник Поволжья. - 2020. - № 1. - С. 62-64.
17. Семенов А.М., Тагирова Л.Ф., Тагиров В.К. Использование нечетких экспертных систем при разработке адаптивных человекома-шинных интерфейсов // Научно-технический вестник Поволжья. -2019. - № 7. - С. 71-74.
18. Карасев А.В., Николаева Ю.В., Сугоняев К.В. Экспериментальные исследования быстроты сенсомоторных реакций человека // Здоровье спорт, реабилитация. - 2016. - Т. 2, № 2. - С. 8-12.
19. Леоненков А.В. Нечеткое моделирование в среде MatLab и fuzzyTECH. - СПб.: БХВ-Петербург, 2005. - 736 с.
20. Леденева Т.М., Черменев Д.А. Влияние методов дефаззифи-кации на нечеткую классификацию // Вестник Воронеж. гос. техн. ун-та. - 2012. - Т. 8, № 8. - С. 24-27.
References
1. Boiko E.A., Pachkovskii S.V., Vol'nev V.N., Surgutskii D.V. Imitatsionnyi dinamicheskii trenazher dlia otrabotki protsessov v topochnykh ustroistvakh parovykh kotlov [Dynamic simulator for working processes of steam boilers' furnace devices]. Teploenergetika, 2022, no. 4, pp. 81-92.
2. Dolotin Iu.G., Korostelev D.A. Kontseptsiia proektirovaniia interaktivnykh komp'iuternykh trenazherov i ikh primenenie v uchebnom protsesse [The concept of designing interactive computer simulators and their application in the educational process]. Uchenye zapiski Orlovskogo gosudarstvennogo universiteta, 2021, no. 3 (92), pp. 176-184.
3. Obukhov A.D. Razrabotka adaptivnykh trenazhernykh kompleksov na osnove neirosetevoi arkhitektury informatsionnykh sistem [Development of adaptive training complexes based on neural network architecture of information systems]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta. Elektrotekhnika, informatsionnye tekhnologii, sistemy upravleniia, 2021, no. 37, pp. 5-26.
4. Faizrakhmanov R.A., Polevshchikov I.S., Tiutiunykh A.A. Razvitie matematicheskogo i programmnogo obespecheniia komp'iuternykh trenazhernykh kompleksov operatorov tekhnologicheskikh ustanovok [Development of mathematical and software support for computer training complexes for operators of technological installations]. Aktual'nyeproblemy povysheniia effektivnosti i bezopasnosti ekspluatatsii gorno-shakhtnogo i neftepromyslovogo oborudovaniia: materialy VII Mezhdunarodnaia nauchno-prakticheskaia konferentsiia "Gornaia i neftianaia elektrotechnika -2021", Perm', 19-21 Oktober 2021. Ed. doktor tekhnicheskikh nauk G.D. Trifanov. Perm': Permskii natsional'nyi issledovatel'skii politekhnicheskii universitet, 2021, pp. 124-129.
5. Faizrakhmanov R.A., Polevshchikov I.S. Avtomatizirovannoe upravlenie formirovaniem professional'nykh navykov operatora robotizirovannoi sistemy s ispol'zovaniem nechetkoi logiki [Automated control of the formation of the professional skills of the operator robotic system using fuzzy logic]. Inzhenernyi vestnik Dona, 2015, no. 4, available at: ivdon.ru/ru/magazine/archive/n4y2015/3283
6. Blackburn D., Singhose W., Kitchen J., Patrangenaru V., Lawrence J., Tatsuaki K., Ayako T. Command shaping for nonlinear crane dynamics. Journal of Vibration and Control, 2010, vol. 16, no. 4, pp. 477-501.
7. Blackburn D., Singhose W., Kitchen J., Patrangenaru V., Lawrence J. Advanced command shaping algorithm for nonlinear tower crane dynamics. The 8th International Conference on Motion and Vibration Control (MOVIC 2006), 2006.
8. Ahmad M.A., Nasir A.N.K., Najib M.S., Ishak H. Anti-sway techniques in feedback control loop of a gantry crane system A comparative assessment of PD and PD-type fuzzy logic controller. 2009 4th IEEE Conference on Industrial Electronics and Applications. Xi'an, 2009, pp. 2483-2487.
9. Faizrakhmanov R.A., Tiutiunykh A.A., Polevshchikov I.S. Matematicheskoe, algoritmicheskoe i programmnoe obespechenie zadachi rascheta upravliaiushchikh vozdeistvii na osnove nechetkoi logiki pri modelirovanii peremeshcheniia gruza v trenazhere portal'nogo krana [Mathematical, algorithmic and software support for the problem of calculating control actions based on fuzzy logic when simulating the movement of a load in a portal crane simulator]. Inzhenernyi vestnik Dona, 2022, no. 1, available at: ivdon.ru/ru/magazine/archive/n1y2022/7384
10. Shvedova O.A., Shmarlovskii A.S., Markov A.V., Tarasevich T.V. Algoritmy podavleniia kolebanii gruzov pod"emno-transportnykh mekhanizmov s ispol'zovaniem nechetkoi logiki funktsionirovaniia [Anti-sway control of hoisting-and-transport mechanism using fuzzy algorithm]. Doklady Belorusskogo gosudarstvennogo universiteta informatiki i radioelektroniki, 2014, no. 1 (79), pp. 65-71.
11. Denisov I.V., Meshcheriakov V.A., Itiaksova V.S. Modelirovanie sistemy nechetkogo upravleniia rabochim protsessom strelovogo krana [Modeling of the fuzzy control system for jib crane]. Omskii nauchnyi vestnik, 2009, no. 3 (83), pp. 123-126.
12. Enin S.S., Omel'chenko E.Ia., Belyi A.V., Fomin N.V. Opisanie dvizheniia mekhanizmov mostovogo krana uravneniiami Lagranzha II roda [The motion of bridge crane mechanisms described with the help of La-grange's equations of second kind]. Vestnik Magnitogorskogo gosudar-stvennogo universiteta imeni G.I. Nosova, 2017, vol. 15, no. 3, pp. 68-73.
A.A. TmmmHbix
13. Lobov N.A. Dinamika gruzopod"emnykh kranov [Dynamics of cranes]. Moscow: Mashinostroenie, 1987, 160 p.
14. Shmidt I.A., Kalinin I.A., Ponomareva N.A. PID-podobnyi nechetkii reguliator v SAR raskhoda zhidkosti [PID-like fuzzy regulator in the automatic liquid flow regulation system]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta. Elektro-tekhnika, informatsionnye tekhnologii, sistemy upravleniia, 2021, no. 38, pp. 67-89.
15. Khizhniakov Iu.N., Nikulin V.S., Storozhev S.A. Adaptivnyi nechetkii podkhod k upravleniiu urovnem nefti-syrtsa v separatore dozhimnoi nasosnoi stantsii [Adaptive fuzzy approach to controlling the level of crude oil in the separator of a booster pumping station]. Vestnik Permskogo natsional'nogo issledovatel'skogo politekhnicheskogo universiteta. Elektro-tekhnika, informatsionnye tekhnologii, sistemy upravleniia, 2020, no. 35, pp. 57-70.
16. Simonova L.A., Gavarieva K.N. Razrabotka bazy znanii dlia sistemy nechetkogo logicheskogo vyvoda protsessa pretsizionnoi shtampovki [Development of knowledge base for fuzzy inference system of precision stamping process]. Nauchno-tekhnicheskii vestnik Povolzh'ia, 2020, no. 1, pp. 62-64.
17. Semenov A.M., Tagirova L.F., Tagirov V.K. Ispol'zovanie nechetkikh ekspertnykh sistem pri razrabotke adaptivnykh cheloveko-mashinnykh interfeisov [Use of indistinct expert systems when developing adaptive human machine interfaces]. Nauchno-tekhnicheskii vestnik Povolzh'ia, 2019, no. 7, pp. 71-74.
18. Karasev A.V., Nikolaeva Iu.V., Sugoniaev K.V. Eksperimental'nye issledovaniia bystroty sensomotornykh reaktsii cheloveka [Experimental researches of the speed of human sensorimotor reactions]. Zdorov'e sport, reabilitatsiia, 2016, vol. 2, no. 2, pp. 8-12.
19. Leonenkov A.V. Nechetkoe modelirovanie v srede MatLab i fuzzyTECH [Fuzzy modeling in MatLab and fuzzyTECH]. Saint Peterburg: BKhV-Peterburg, 2005, 736 p.
20. Ledeneva T.M., Chermenev D.A. Vliianie metodov defazzifikatsii na nechetkuiu klassifikatsiiu [Influence of methods of defuzzification for fuzzy classification]. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta, 2012, vol. 8, no. 8, pp. 24-27.
Сведения об авторе
Тютюных Артем Александрович (Пермь, Россия) - аспирант кафедры «Информационные технологии и автоматизированные системы» Пермского национального исследовательского политехнического университета (614990, Пермь, Комсомольский пр., 29, e-mail: artbox1g@gmail.com).
About the author
Artem A. Tyutyunykh (Perm, Russian Federation) - Graduate Student of the Department of Information technologies and computer-based systems Perm National Research Polytechnic University (614990, Perm, 29, Komsomolsky pr., e-mail: artbox1g@gmail.com).
Поступила: 14.10.2022. Одобрена: 31.10.2022. Принята к публикации: 01.12.2022.
Финансирование. Исследование не имело спонсорской поддержки.
Конфликт интересов. Автор заявляет об отсутствии конфликта интересов по отношению к статье.
Вклад авторов. Работа была выполнена в индивидуальном авторстве.
Просьба ссылаться на эту статью в русскоязычных источниках следующим образом:
Тютюных, А.А. Модели и алгоритмы управления перемещением груза в компьютерном тренажерном комплексе в режиме советующей системы / А.А. Тютюных // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2022. -№ 44. - С. 45-63. DOI: 10.15593/2224-9397/2022.4.03
Please cite this article in English as:
Tyutyunykh A.A. Models and algorithms for control of load movement in a computer training complex in advisory system mode. Perm National Research Polytechnic University Bulletin. Electrotechnics, information technologies, control systems, 2022, no. 44, pp. 45-63. DOI: 10.15593/2224-9397/2022.4.03
