РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ СТРОИТЕЛЬНЫМ 3D-ПРИНТЕРОМ НА ОСНОВЕ НЕЙРОКОНТРОЛЛЕРА Текст научной статьи по специальности «Строительство и архитектура»

УДК 004.8, 004.94, 51-74, 621.37

РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ СТРОИТЕЛЬНЫМ 3D-ПРИНТЕРОМ

НА ОСНОВЕ НЕЙРОКОНТРОЛЛЕРА

© 2018 В.Ж. Бочаров1, В.Л. Бурковский2

ХЗАО МГК «Интехрос», г. Воронеж, Россия 2Воронежский государственный технический университет, г. Воронеж, Россия

Аннотация: рассмотрена универсальная система управления строительным 3В-принтером, конструктивно выполненным как на основе колонной архитектуры, так и на основе кран-балки. Для системы управления такого объекта как строительный 3D-принтер крайне важно решение проблемы управления в условиях как ветровых нагрузок, так и различных внешних возмущений, включая изменения в составе применяемой строительной смеси. В рамках решения этих проблем от системы управления потребуется не только гибкость и надежность, но и возможность самообучаться по мере эксплуатации. Решением в этом случае будет рассмотренное ранее применение системы гибридного параллельного нейроуправления, которое подразумевает использование сразу двух контроллеров: обычного и нейронного. Приведена классическая схема, иллюстрирующая гибридное параллельное нейроуправление и уже переработанная схема, применимая для управления строительным 3D-принтером. Проиллюстрированы нейронные сети пространственных слоев нейроконтроллера. Подход к разработке систем управления такими объектами, как строительные 3D-принтеры, описанный в статье, позволяет значительно повысить общую эффективность объекта управления и уменьшить количество проблем, возникающих при эксплуатации подобных систем

Ключевые слова: нейроуправление, строительный 3D-принтер, программируемый логический контроллер (ПЛК), нейронные сети, оптимизация

Введение

Актуальность применения 3В-технологий в различных областях человеческой деятельности неоспорима. Портативные 3В-принтеры стали доступны не только различным организациям, но и простым обывателям. В строительстве 3В-технологии впервые стали применяться в начале 2000-х годов. Рынок строительных 3В-технологий стремительно растет и развивается. В настоящее время на рынке Российской Федерации уже успешно работает ряд компаний занятых разработкой и производством строительных 3В-принтеров, и этот рынок продолжает стремительно расти.

Основные исследования в области применения 3В в строительстве велись вокруг разработки новых строительных смесей, а системы управления строительных принтеров во многом развивались по остаточному принципу. По сути все современные строительные 3В-принтеры с точки зрения конструкции можно разделить на два основных вида:

— 3В-принтеры на основе кран-балки;

— 3В-принтеры колонного типа.

Система управления

Системы управления для строительных 3В-принтеров обоих типов по сути ничем не

отличаются и строятся, как правило, на основе программируемых логических контроллеров. Данные контроллеры зачастую не обладают достаточной производительностью и гибкостью [1]. В случае же, если требуется значительно расширить функциональные возможности строительного 3В-принтера, например: установка опалубки, монтаж арматуры, проведение отделочных работ; система управления на основе ПЛК уже вряд ли сможет их реализовать.

Для решения этой проблемы оптимальным будет использовать более производительные и функциональные системы управления на основе «обычных» и нейроконтроллеров [2]. За основу архитектуры новой системы управления можно взять гибридное параллельное нейроуправление [3]. В соответствии с принципами этой архитектуры обычный и нейроконтроллер работают в паре, что значительно оптимизирует систему управления в условиях посторонних возмущений [4]. В реалиях применения подобной системы управления в строительном 3В-принтере это означает, что система управления сможет адаптироваться к таким негативным факторам как: изменения температуры окружающей среды при проведении строительных работ, ветровые нагрузки и т.д.

г С \ Обычный контроллер

НтюЕ]—>

—тоь-

ОБъект управления

Нейроконтроллер

Рис. 1. Структурная схема системы управления на основе параллельного нейроуправления

Как и в прошлой статье [1], посвященной разработке системы управления РТК, обратную связь возложим на нейроконтроллер.

■Ч

-тся>

[обычный контроллер 1 й]

1

Нейро-контроплер аг |

Объект управления

Рис. 2. Обновленная структура системы управления

«Обычный» контроллер, в данном случае STM32F103C8T, принимает команды от блока управления и передает их на объект

управления, сложив сигналы управления с данными обратной связи от объекта управления через нейроконтроллер [3].

Нейроконтроллер

Основа системы управления — нейроконтроллер — STM32F103C8T. Логика работы системы управления достаточно проста: вся система управления делится на несколько нейронных сетей, объединенных в общую пространственную нейронную сеть [5]. Каждый слой, выполняющий свою локальную задачу самостоятельно, будет действовать значительно эффективнее [6]. В условиях строительного 3D-принтера, а значит, пространственных нейронных слоев, можно выделить следующие:

— обработка данных гироскопов;

— нейронная сеть контроля над состоянием строительной смеси;

— контроль над положениями исполнительных органов;

— обработка сигналов обратной связи;

— реализация сложения сигналов управления.

Рис. 3. Нейронная сеть управления гироскопами

Рис. 4. Нейронная сеть контроля строительной смеси

Рис. 5. Нейронная сеть контроля над датчиками положения

Рис. 6. Нейронная сеть обратной связи

Рис. 7. Сумматор пространственных слоев нейроконтроллера

Рис. 8. Схема нейронной сети нейроконтроллера

Выводы

Пространственно всю систему

нейроуправления можно представить в виде, приведенном ниже.

Рис. 9. Пространственная модель нейроконтроллера

Очевидно, что параллельное

нейроуправление на основе многомерной пространственной нейронной сети в условиях системы управления строительным 3D-принтером решает сразу ряд проблем:

1. Решение задачи управления строительным 3D-принтером в условиях, когда обычный контроллер не способен обеспечивать полноценное функционирование.

2. Игнорирование и нечувствительность к возмущающим сигналам по входу системы управления.

3. Адаптация к изменениям в структуре системы управления и объекта управления [7].

4. Значительное увеличение общего быстродействия системы управления и самого 3D-принтера.

5. Повышение общей надежности всей системы.

Представленный вариант системы управления, очевидно, более эффективен и удобен в эксплуатации, чем система управления, построенная на основе ПЛК.

Литература

1. Aurelien Geron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2017. 572 p.

2. Tariq Rashid, Make Your Own Neural Network, 2016. 222 p.

3. Бочаров В.Ж., Бурковский В.Л. Система нейроуправления на основе 3Б-сети в условиях робототехнического комплекса специального назначения // Вестник государственного технического университета. 2017. Т. 13. № 3. С. 39-45.

4. Simon S. Haykin, Neural Networks and Learning Machines (3rd Edition), 2010. 936 p.

5. Segaran, Programming Collective Intelligence, 2007.

376 p.

6. Raul Rojas, J. Feldman, Neural Networks: A Systematic Introduction, 1996. 502 p.

7. Christopher M. Bishop, Pattern Recognition and Machine Learning, 2011. 738 p.

Поступила 19.03.2018; принята к публикации 14.05.2018

Информация об авторах

Бочаров Владимир Жанович — бакалавр, Воронежский государственный технический университет (394026, Россия, г. Воронеж, Московский проспект, 14); инженер-радиоэлектроник, ЗАО МГК «Интехрос» (394019, Россия, г. Воронеж, ул. Торпедо, 43 «А»), e-mail: bocharov@intehros.ru

Бурковский Виктор Леонидович — д-р техн. наук, профессор, Воронежский государственный технический университет (394026, Россия, г. Воронеж, Московский проспект, 14), e-mail: bvl@vorstu.ru

DEVELOPMENT OF CONTROL SYSTEM OF BUILDING 3D PRINTER ON THE BASIS

OF NEUROKONTROLLER

V.Zh. Bocharov1, V.L. Burkovskiy2

XCC Interregional Group of Companies "Intehros", Voronezh, Russia 2Voronezh State Technical University, Voronezh, Russia

Abstract: the universal control system of the construction 3D printer, designed in a constructive manner on the basis of both the column architecture and the crane beam, is considered in the article. For the management system of such a device as a building 3D printer, it is extremely important to solve the control problem in conditions of both wind loads and various external disturbances, including changes in the composition of the applied building mixture. As part of solving these problems, the management system will require not only flexibility and reliability, but also the ability to self-learn as it operates. The solution in this case will be the previously discussed application of a hybrid parallel neural control system, which implies the use of two controllers at once: conventional and neural. The article presents a classical diagram illustrating a hybrid parallel neural control and an already revised scheme that is primitive for controlling a 3D construction printer. Neural networks of spatial layers of the neurocontroller are illustrated. The approach to the development of management systems for objects such as construction 3D printers described in the article makes it possible to significantly increase the overall efficiency of the control object and reduce the number of problems arising from the operation of such systems

Key words: neural control, building 3D printer, PLC, neural networks, optimization

References

1. Aurelien Geron "Hands-on machine learning with scikit-learn and tensorflow: concepts, tools, and techniques to build intelligent systems", 2017, 572 p.

2. Tariq Rashid "Make Your Own Neural Network", 2016, 222 p.

3. Bocharov V.Zh., Burkovsky V.L. "Neuro-control system based on 3D-network in the conditions of a special-purpose robotic complex", The Bulletin of Voronezh State Technical University (Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta), 2017, vol. 13, no. 3, pp. 39-45.

4. Haykin Simon S. "Neural Networks and Learning Machines (3rd Edition)", 2010, 936 p.

5. Segaran "Programming Collective Intelligence", 2007, 376 p.

6. Raul Rojas, Feldman J. "Neural Networks: A Systematic Introduction", 1996, 502 p.

7. Bishop Christopher M. "Pattern Recognition and Machine Learning", 2011, 738 p.

Submitted 19.03.2018; revised 14.05.2018 Information about the authors

Vladimir Zh. Bocharov, BA, Voronezh State Technical University (14 Moskovskiy prospekt, Voronezh 394026, Russia); electronics engineer, CC Interregional Group of Companies "Intehros" (43 "A" Torpedo st., Voronezh 394019, Russia), e-mail: bocharov@intehros.ru

Viktor L. Burkovsky, Dr. Sc. (Technical), Professor, Voronezh State Technical University (14 Moskovskiy prospekt, Voronezh 394026, Russia), e-mail: bvl@vorstu.ru