CC BY
23
УДК 004.8, 004.94, 51-74, 621.37
СТРУКТУРА СИСТЕМЫ УПРАВЛЕНИЯ СЛОЖНЫМ РТК НА ОСНОВЕ АППАРАТНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
В.Ж. Бочаров1, В.Л. Бурковский2
ХЗАО МГК «Интехрос», г. Воронеж, Россия
2Воронежский государственный технический университет, г. Воронеж, Россия
Аннотация: рассмотрена универсальная система управления, представленная сложным робототехническим комплексом. Для системы управления такого объекта, как РТК важно решение проблемы управления в сложных условиях различных внешних возмущений, включая быстрые изменения управляющих воздействий. 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. В статье приведены классическая схема, иллюстрирующая гибридное параллельное нейроуправление, и уже переработанная схема, применимая для управления РТК. Проиллюстрированы нейронные сети пространственных слоев нейроконтроллера. Подход к разработке систем управления такими объектами, как РТК в рамках сложных систем, описанный в статье, позволяет значительно повысить общую эффективность объекта управления и уменьшить количество проблем, возникающих при эксплуатации подобных систем
Ключевые слова: нейроуправление, робототехнический комплекс, ПЛК, нейронные сети, оптимизация
Введение
В современных реалиях хозяйственной деятельности людей все большее значение приобретает автоматизация и роботизация не только опасных, монотонных операций, но и вообще любых действий. Обычные узкоспециализированные РТК зачастую неспособны справиться с широким спектром задач, в результате чего приходится либо использовать широкую номенклатуру различной техники, либо искать какое-то универсальное решение. Очевидно, что при следовании пути унификации и универсализации сложность самих РТК, равно как и их систем управления, значительно возрастает. Приходится решать не только вопросы, например позиционирования исполнительных механизмов, но и адекватной реакции на внешние возмущающие воздействия, изменения, вызванные другой областью применения РТК и т.д. В рамках данной статьи для упрощения решения задачи разработки сложной системы управления в качестве объекта управления можно рассмотреть РТС РОИН Р-300.
Данный РТК способен решать достаточно широкий спектр задач: транспортировка грузов массой до 3 тонн; операции по демонтажу железобетонных конструкций; землеройные операции; операции по разминированию;
© Бочаров В.Ж., Бурковский В.Л., 2018
операции по бурению скважин глубиной до 3 метров. Очевидно, что такие различные по технологической реализации и сложности задачи выдвигают большие требования к системе управления.
Основная часть
Рассмотрение системы управления РТС РОИН Р-300 стоит начать с рассмотрения самого РТК, как объекта управления. РТС Р-300 представляет из себя автономную многоцелевую дистанционно-управляемую машину модульного типа для выполнения широкого спектра инженерных задач. РТС оборудовано НПУ (наклонно-поворотным устройством), которое обеспечивает повышенную маневренность рабочего органа, позволяет вращать и наклонять навесное оборудование независимо от положения манипулятора. Также НПУ обеспечивает работу с широким спектром навесного оборудования и его быструю смену.
Основой энергетической установки РОИН РТС Р-300 является ДВС мощностью 40 л.с., а исполнительные органы РТК приводятся в движение посредством гидравлических цилиндров. Система управления представлена рядом электронных блоков управления, объединенных в единую проводную сеть на основе интерфейса RS-485. Блоки управления связаны с пультом дистанционного управления оператора посредством радиоканала. В базовой
конфигурации РОИН РТС Р-300 обладает лишь одной полностью автоматической функцией — автоматическим горизонтированием.
Как говорилось выше — наша задача реализовать полное автоматическое управление РТК в применении к нескольким задачам: транспортировка грузов массой до 3 тонн; операции по демонтажу железобетонных конструкций; землеройные операции; операции по разминированию; операции по бурению скважин глубиной до 3 метров.
Аппаратно-электронные блоки управления строятся вокруг микроконтроллеров
8ТМ32Р103. Эти процессоры обладают
высокой вычислительной мощностью и большими возможностями по работе с периферией. В условиях рассматриваемых в статье задач данный факт — несомненное преимущество.
Архитектура
В рамках решения поставленных задач предполагается использовать уже проверенную и хорошо описанную в статьях ранее и доработанную архитектуру параллельного гибридного нейроуправления.
Рис. 1. Архитектура системы управления
Применение подобной архитектуры дает значительное преимущество в сравнении с классическим нейроуправлением или системами управления вообще без нейронных сетей. В рамках аппаратной реализации данной архитектуры необходимо дооснастить каждый
существующий блок управления
дополнительным контроллером STM32F103, который как раз и возьмет на себя функции нейроконтроллера. Фактически параллельно обычной системе управления строится ее нейросетевая версия.
Рис. 2. Обобщенная нейронная сеть системы управления
Как и в ранее описанных подходах [1], нейронная сеть системы управления предполагается 3D нейронной сетью. Этот метод позволит решить большой спектр локальных проблем, которые возникнут перед системой управления РОИН РТС Р-300: расширение функциональных возможностей системы управления; понижение
чувствительности к возмущающим внешним воздействиям (радиационное излучение, электромагнитные помехи, неблагоприятные погодные условия, негативные температурные воздействия и т.д.); адаптация к количественным и качественным изменения в системе управления; значительное увеличение быстродействия. Как следствие — увеличивается общая надежность и отказоустойчивость РТК. Несмотря на значительное улучшение системы управления, предпринятых шагов недостаточно. Данные действия хоть и позволят значительно автоматизировать базовые функции РОИН РТС Р-300, но совсем не позволят добиться автономности от оператора с пультом управления. То есть, если рассматривать внесенные изменения и их эффект по существу, оператору теперь необходимо формировать ряд последовательных базовых команд, контроль и осуществление которых берет на себя гибридная система управления. Чтобы прийти к заявленным в статье целям и реализовать действительно систему управления на основе аппаратного искусственного интеллекта, необходим еще один значительный шаг вперед — техническое зрение.
Техническое зрение
Очевидно, что если систему управления научить «видеть» различные объекты вокруг РТК, то можно значительно расширить степень автоматизации всей системы управления и значительно уменьшить нагрузку на оператора, сведя по сути к обязанностям оператора лишь выбор обобщенной программы действий для РТК [2]. Машинное зрение, с точки зрения затрат вычислительных мощностей — сложная операция. Элементной базы, на которой строятся блоки управления, недостаточно для сколько-нибудь быстродействующей системы распознания хотя бы для одной аналоговой или цифровой камеры видеонаблюдения. Наш же объект управления — РОИН РТС Р-300 — оснащается 4 камерами и двумя поворотными устройствами к ним. Решением в данном случае будет перенос вопросов применения технического зрения полностью на нейронные сети, а еще точнее - на фасетные нейронные сети. Для этого можно дооснастить систему управления РТК дополнительным блоком, укомплектованным несколькими нейро-контроллерами. Этот блок также включить в бортовую сеть RS-485 и сделать частью общей нейронной сети системы управления.
Фасетные нейронные сети строятся на принципах, аналогичных устройству зрения у некоторых видов насекомых. Данный метод подразумевает, что в нашей реализации изображение с камер проходит большое количество фильтров, делится на небольшие участки, которые распознаются и формируют общую картинку. С получившейся картиной и сможет работать система управления [3].
прогноз
л
ГГ"
¡.1—
потстыест
Рис. 3. Принцип работы фасетной нейронной сети распознания образов
15
БХОД110И СЛОИ
слои скрытых нейронов
ВЫХОДНОЙ СЛОН
Рис. 4. Структурная схема нейронной сети машинного зрения
После завершения работы нейронной сети машинного зрения данные ее выходных слоев передаются уже существующей системе управления и используются для корректирования действий всей системы управления. Большим преимуществом подобного подхода является возможность значительно сократить номенклатуру применяемых датчиков. Фактически
пространственное положение и его определение теперь можно проводить без угловых датчиков положения и датчиков линейного перемещения. Таким образом мы достигаем еще и экономического эффекта: меньшими по затратам средствами достигается более высокое быстродействие.
1. Функционирование системы управления в условиях автономной работы и максимальной автоматизации операций, осуществляемых РОИН РТС Р-300.
2. Повышенная защита от внешних негативных воздействий различного рода: радиация, помехи, осадки, ветровая нагрузка и т.д.
3. Высокая степень адаптации. Благодаря техническому зрению система управления, а значит, РТК в целом, значительно проще приспосабливается к изменениям рабочих условий.
4. Повышенное быстродействие.
5. Повышение отказоустойчивости и общей надежности.
Заключение
Таким образом, полученная система управления значительно в лучшую сторону отличается и от «классической» системы управления, и от системы управления с дополнительными нейроконтроллерами.
Эффект достигается использованием технического зрения и параллельного гибридного нейроуправления. Перечислим основные преимущества полученной системы управления:
Литература
1. Бочаров В.Ж., Бурковский В.Л. Система нейроуправления на основе 3D-œra в условиях робототехнического комплекса специального назначения // Вестник государственного технического университета. 2017. Т. 13. № 3. С. 39-45.
2. Колтыгин Д.С. Аппаратно-программное обеспечение дистанционного управления, идентификации и диагностики робототехнических комплексов: автореф. дис. ... канд. техн. наук: 05.13.06. Иркутск, 2004. 25 с.
3. Корепанов С.Е. Алгоритм обработки изображений в системе технического зрения для относительной навигации летательных аппаратов при дозаправке в воздухе // Техническое зрение [Электронный ресурс]. 2016. № 1. С. 18-23.
Поступила 31.05.2018; принята к публикации 10.09.2018
Информация об авторах
Бочаров Владимир Жанович — инженер-конструктор, ЗАО МГК «Интехрос» (394019, Россия, г. Воронеж, ул. Торпедо, 43 «А»), бакалавр, Воронежский государственный технический университет (394026, Россия, г. Воронеж, Московский проспект, 14), 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
STRUCTURE OF THE CONTROL SYSTEM OF COMPLEX RTC BASING ON HARDWARE-CONTROLLED ARTIFICIAL INTELLIGENCE
V.Zh. Bocharov1, V.L. Burkovskiy2
XCC MGC "Intehros", Voronezh, Russia 2Voronezh State Technical University, Voronezh, Russia
Abstract: the article considers a multipurpose control system, represented by a complicated robotic complex. For the control system of an object such as the RTC, it is important to solve the control problem in the difficult conditions of various external disturbances, including rapid changes in control actions. As part of solving these problems, a control 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 considered application of the hybrid parallel neurocontrol system, which involves the use of two controllers at once: normal and neural. The article presents a classic diagram illustrating hybrid parallel neurocontrol, and an already revised scheme applicable for controlling the RTC. Neural networks of the spatial layers of the neurocontroller are illustrated. The approach to the development of control systems for such objects as the RTC within the framework of complex systems described in the article can significantly increase the overall efficiency of the control object and reduce the number of problems arising during operation of such systems
Key words: neural control, robotic complex, PLC, neural networks, optimization
References
1. Bocharov V.Zh., Burkovskiy V.L. "System of neural control on the basis of a 3D network in the conditions of a specialpurpose robotic complex", The Bulletin of Voronezh State Technical University (Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta), 2017, vol. 13, no. 3, pp. 39-45.
2. Koltygin D.S. "Hardware and software for remote control, identification and diagnostics of robotic complexes. Cand. tech. sci. diss." ("Apparatno-programmnoe obespechenie distantsionnogo upravleniya, identifikatsii i diagnostiki robototekhnicheskikh kompleksov: avtoref. dis. kand. tekhn. nauk"), Irkutsk State University of Communications, 2004, 152 p.
3. Korepanov S.E. "Algorithm for processing images in the system of technical vision for the relative navigation of aircraft during refueling in the air", Electronic Scientific and Technical Journal "Technical Vision" (Tekhnicheskoe zrenie. Elektronnyy zhurnal]), 2016, no. 1, pp. 18-23.
Submitted 31.05.2018; revised 10.09.2018 Information about the authors
Vladimir Zh. Bocharov, Design engineer, CC MGC "Intehros" (43 "A" Torpedo st., Voronezh 394019, Russia), MA, Voronezh State Technical University (14 Moskovskiy prospekt, Voronezh 394026, 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
