Методика синтеза интеллектуального управления приводом постоянного тока системы наведения и стабилизации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шарапов, Максим Александрович

• Шарапов, Максим Александрович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Шарапов, Максим Александрович

Введение

ГЛАВА 1. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ СИНТЕЗА СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ ЦИФРОВЫХ ЭЛЕКТРИЧЕСКИХ СЛЕДЯЩИХ ПРИВОДОВ

1.1 Синтез классическими методами

1.1.1. Частотные методы

1.1.2. Синтез цифровых следящих систем с использованием методов пространства состояний

1.2. Интеллектуальные системы управления

1.2.1. Введение в интеллектуальные системы управления

1.2.2. Понятие интеллектуального управления

1.2.3. Экспертные системы

1.2.4. Нечеткие регуляторы

1.2.5. Искусственные нейронные сети

1.2.6. Генетические алгоритмы

1.3. Выводы

ГЛАВА 2. ОБЪЕКТ УПРАВЛЕНИЯ, МАТЕМАТИЧЕСКАЯ 35 МОДЕЛЬ И ИДЕНТИФИКАЦИЯ

2.1. Иерархическая последовательность математических моделей ^ силовых систем

2.2 Экспериментальные исследования привода постоянного тока 44 2.3. Учет ограничения мощности источника питания

2.4 Модель двигателя, используемая в работе для параметрической 47 идентификации

2.5 Моделирование объекта управления в среде МаЛаЬ

2.6. Анализ экспериментальных характеристик объекта управления 50 и необходимость процедуры идентификации

2.7 Параметрическая идентификация силовой системы привода

2.8. Идентификация объекта управления с использование нечеткой 56 нейросети

2.9. Выводы

ГЛАВА 3. МЕТОДИКА СИНТЕЗА НЕЧЕТКОГО РЕГУЛЯТОРА 69 ДЛЯ УПРАВЛЕНИЯ ЦЭСП ПОСТОЯННОГО ТОКА

3.1. Математическая теория нечетких множеств

3.2. Нечеткие правила и способы нечеткого логического вывода

3.3. Структура нечеткого регулятора для управления ЦЭСП ^ постоянного тока

3.4. Определение входных лингвистических переменных и 86 фаззификация

3.5 Блок правил

3.6. Дефаззификатор

3.7. Анализ характеристик ЦЭСП с синтезированным алгоритмом управления

ГЛАВА 4. ОПТИМИЗАЦИЯ ПАРАМЕТРОВ НЕЧЕТКОГО РЕГУЛЯТОРА С ПОМОЩЬЮ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Введение диссертации (часть автореферата) на тему «Методика синтеза интеллектуального управления приводом постоянного тока системы наведения и стабилизации»

4.2 Генетический алгоритм, математическая модель и работа 102

4.3. Применение генетических алгоритмов для параметрической 108 идентификации математической модели объекта управления

4.4. Применение генетических алгоритмов для оптимизации ^ ^ ^ нечеткого регулятора

4.5. Выводы 124 Заключение 128 Список литературы 130

Приложение 2. Акт внедрения результатов научно- 150 исследовательской работы в ГУП «КБП»

Приложение 3. Акт внедрения результатов кандидатской диссертации в учебный процесс Тульского государственного 152 университета

ВВЕДЕНИЕ

В настоящее время приводы систем наведения и стабилизации технических объектов малой и средней мощности (до 0,5 кВт), как правило, выполняются по схеме «Импульсный усилитель мощности - двигатель постоянного тока». Потребности развития теории и методов проектирования электрических следящих приводов постоянного тока определяются необходимостью выполнения жестких требований, предъявляемых к их характеристикам по быстродействию, точности, энергопотреблению в реальных условиях эксплуатации, для которых характерно изменение параметров объекта, напряжения питания, нагрузки в широких пределах. При этом особое значение в современных рыночных условиях приобретают требования снижения стоимостей изготовления технических комплексов и их эксплуатации.

Удовлетворение совокупности перечисленных требований в рамках классической теории автоматического управления весьма затруднительно. Это определяется высоким порядком и нелинейным характером математических моделей силовых систем приводов, учитывающих особенности их функционирования в предельных режимах работы. При этом математические модели должны учитывать такие факторы, как: люфт механической передачи, моменты сухого и вязкого трения и их изменения в процессе эксплуатации, ограничение мощности источника питания, ограничения развиваемого момента исполнительным двигателем на физическом уровне, являющегося следствием насыщения материала магнитопровода двигателя, вихревые токи, наводимые в материале магнитопровода двигателя, изменения величины активного сопротивления обмоток двигателя, падение напряжения на щеточных контактах в коллекторном узле двигателя и т.д. Задача осложняется тем, что внешние факторы и целый ряд параметров силовой системы привода могут существенно изменяться в процессе эксплуатации.

Исследования по разработке и проектированию ЭСП постоянного тока активно проводятся в нашей стране и за рубежом.

Основой для построения математических моделей систем импульсный усилитель мощности-исполнительный двигатель (ИУМ-ИД) являются фундаментальные работы в области электромеханического преобразования энергии С.Сили, А.Р.Неймана, Д.Уайта и Г.Вудсона, а также В.А.Гапонова, Ю.И.Неймарка, Н.А.Фуфаева.

Теоретическим разработкам в области проектирования электрических приводов постоянного тока посвящены работы Б.И.Петрова, В.А.Полковникова, Л.В.Рабиновича, Б.К.Чемоданова, Б.В.Сухинина. Вопросам автоматизированного проектирования ЭСП посвящены работы В.Ф.Казмиренко, В.С.Медведева, В.А.Трапезникова. В работах В.Г. Стеблецова представлены методы анализа и синтеза систем управления следящими приводами летательных аппаратов.

В работах Е.Е.Шорникова получил дальнейшее развитие системный подход к проектированию следящих приводов, заключающийся в рассмотрении исполнительного элемента привода и усилителя мощности как единой динамической системы.

Методам анализа и синтеза систем автоматического управления посвящены труды отечественных авторов: М.А.Айзермана, В.А.Бесекерского, Е.П.Попова, В.В.Солодовникова, Я.З.Цыпкина, Ю.И.Топчеева, С.В.Емельянова. Основы теории синтеза оптимальных систем управления изложены в работах Л.С.Понтрягина, К.У.Мерриэм. Комплекс вопросов, связанных с синтезом оптимальных по быстродействию замкнутых систем автоматического управления управления рассмотрены в работах И.И.Иванова, Н.В.Фалдина. Основное внимание в этих работах уделяется изложению условий оптимальности и синтезу оптимального управления для объектов с ограничителями.

Способы управления импульсными усилителями мощности перспективных силовых систем посвящены ряд публикаций Б.Н.Попова.

В настоящее время широкое распространение получили системы управления с искусственным интеллектом, позволяющим решать задачи идентификации параметров объекта управления, расчета управляющего воздействия в условиях существенного изменения параметров объекта и внешней среды, оптимизации регулятора и т.д. Вопросам построения интеллектуальных систем посвящены работы ряда ученых С. Осовский, JL Ванг, Дж. Мендель, 3. Михалевич и др.

Исторически первыми в классе систем с искусственным интеллектом появились нечеткие экспертные системы. Исследованиям в этой области посвящены работы ученых А.Н. Аверкина, А.Н. Борисова, Д.А. Поспелова, JI.A. Заде, А. Кофмана, Дж. Клира, Е.А. Мамдани, А.П. Рыжова и др. Однако, нечеткие экспертные системы имеют недостатки, которые свойственны всем экспертным системам - необходимость привлечения экспертов к формированию базы знаний. Особенно трудным этапом является выбор параметров, характеризующих функции принадлежности. Поэтому появился новый класс адаптивных нечетких моделей. В них параметры нечеткой модели подбираются в процессе обучения на экспериментальных данных. Исследованиям в этой области посвящены работы Ф. Херреры, О. Кордона, Т. Фукуда, Б. Коско, Ч. Kappa, Р. Янга, В.В. Круглова, А.П. Ротштейна, С.Д. Штовбы и др.

Анализ литературы посвященной синтезу интеллектуальных систем управления показал, что в качестве интеллектуального управления приводом наведения и стабилизации целесообразно использование алгоритмов управления на основе нечеткой логики, обеспечивающей существенно меньшую чувствительность системы к изменению параметров объекта управления. Вместе с тем в настоящее время не существует какого-либо общепризнанного, классического метода обучения нечетких моделей и данная область остается не до конца проработанной, при этом одним из наиболее перспективных направлений исследований является разработка методик построения адаптивных нечетких моделей на основе применения генетических алгоритмов. Применительно к синтезу интеллектуальных систем управления с использованием нечетких регуляторов для приводов наведения и стабилизации анализ источников показал, что синтез проводится либо по известной заранее математической модели объекта, либо без использования математической модели объекта на основе анализа и обобщения экспертных данных о приводе. При этом рекомендуемые методики синтеза не включают в себя этапы идентификации объекта и оптимизацию полученного регулятора и, следовательно, не могут гарантировать приближения характеристик синтезированной системы к оптимальным.

Таким образом, проведенный анализ литературы позволяет сделать вывод о том, что задача разработки методики синтеза нечеткого регулятора электрического следящего привода постоянного тока системы наведения и стабилизации, включающую в себя этапы идентификации объекта управления, синтеза нечеткого регулятора, оптимизации его параметров, обеспечивающего удовлетворение требований к приводу в широком диапазоне изменения параметров силовой системы, является актуальной.

Целью диссертации является создание методики проектирования цифрового электрического следящего привода постоянного тока системы наведения и стабилизации с интеллектуальным управлением, в части разработки алгоритмов управления, с применением нечеткой логики и оптимизации параметров регулятора с использованием генетических алгоритмов, обеспечивающей выполнение жестких требований, предъявляемых к приводам систем наведения и стабилизации по точности, быстродействию, качеству переходного процесса, энергопотреблению, стабильности характеристик в случае изменения условий эксплуатации и параметров объекта управления, при минимальной загрузке вычислительного устройства и позволяющей целенаправленно и эффективно использовать вычислительную технику на всех этапах проектирования.

Для достижения указанной цели в диссертационной работе потребовалось поставить и решить следующие основные задачи:

- провести систематизацию математического описания силовых систем приводов постоянного тока, выполнить анализ класса объектов рассматриваемых в данной работе, построение обобщенной модели, используемой для идентификации параметров объекта управления;

- установить наиболее характерные явления, оказывающие влияние на характеристики систем заданного класса;

- провести анализ наиболее распространенных в настоящее время методов синтеза систем автоматического управления, рассмотреть основные положения методов интеллектуального управления, в частности, нечеткой логики, теории нечетких множеств и генетических алгоритмов, сопоставление их достоинств и недостатков по сравнению с классическими методами синтеза;

- разработать методику идентификации параметров объекта управления заданного класса на основе экспериментальных характеристик;

- разработать методику синтеза нечеткого регулятора для управления объектом заданного класса;

- разработать методику оптимизации нечеткого регулятора с использованием генетических алгоритмов;

- выполнить оптимизацию системы, анализ и сравнение полученных характеристик.

Научная новизна работы заключается в следующем:

1. Разработана методика идентификации параметров математической модели силовой системы электрического следящего привода системы наведения и стабилизации с малоинерционным исполнительным двигателем постоянного тока по снятым экспериментальным характеристикам с использованием генетических алгоритмов.

2. Разработана методика идентификации силовой системы электрического следящего привода системы наведения и стабилизации с малоинерционным исполнительным двигателем постоянного тока с использованием предложенной структуры эмулятора объекта на основе нечетких нейросетей.

3. Разработана методика синтеза нечеткого регулятора для ЦЭСП постоянного тока системы наведения и стабилизации, исходя из экспертных знаний об объекте управления.

4. Разработана методика оптимизации нечеткого регулятора для ЦЭСП постоянного тока системы наведения и стабилизации с использованием генетических алгоритмов.

В первой главе диссертационной работы проводится сравнительный анализ методов синтеза систем автоматического управления цифровых электрических следящих приводов, рассматриваются методы интеллектуального управления, их достоинства и недостатки по сравнению с классическими методами.

Во второй главе представлены математические модели элементов ЦЭСП для исследования его характеристик и синтеза алгоритмов управления. Проведено сравнение экспериментальных характеристик объекта управления при отклонении его параметров от номинальных с полученными на основе моделирования, в результате сделан вывод о необходимости процедуры идентификации. Разработана методика идентификации объекта управления.

В третьей главе проводится разработка методики синтеза нечеткого регулятора для объекта управления заданного класса. Исходя из анализа объекта управления и требований, предъявляемых к приводу наведения и стабилизации, выбирается тип нечеткого регулятора, число входных лингвистических переменных, вид и параметры функций принадлежности, формируется блок правил. На основе анализа характеристик полученного ЦЭСП делается вывод о необходимости оптимизации нечеткого регулятора.

В четвертой главе представлена разработанная методика параметрической оптимизации нечеткого регулятора и определения параметров математической модели объекта на этапе идентификации с использованием генетических алгоритмов. Применение генетических алгоритмов сводит эти задачи к задаче нахождения экстремума сложной нелинейной функции многих переменных.

На защиту выносятся следующие основные положения:

1. Структурные схемы моделей управляющей и силовой систем для исследования характеристик ЦЭСП в среде Ма11аЬ.

2. Методика идентификации параметров объекта управления, по снятым характеристикам с использованием генетических алгоритмов.

3. Методика идентификации объекта управления с использованием нечетких нейросетей.

4. Методика синтеза нечеткого регулятора для ЦЭСП постоянного тока систем наведения и стабилизации.

5. Методика оптимизации нечеткого регулятора с использованием генетических алгоритмов, для достижения им требуемых показателей качества управления.

6. Синтезированный и оптимизированный нечеткий регулятор для управления ЦЭСП постоянного тока.

7. Результаты математического моделирования работы ЦЭСП постоянного тока и результаты экспериментальных испытаний макетного образца ЦЭСП с синтезированным алгоритмом управления.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шарапов, Максим Александрович

4.5. Выводы

Разработана методика применения генетических алгоритмов для определения параметров математической модели ЦЭСП постоянного тока в процедуре идентификации. Разработана методика применения генетических алгоритмов для оптимизации нечеткого регулятора. На основе анализа требований к характеристикам привода выбрана функция оптимальности регулятора, предложена схема кодирования параметров нечеткого регулятора для его последующей оптимизации и выбраны параметры и структура генетического алгоритма.

В связи с отсутствием доступных программных продуктов решение поставленных задач потребовало разработки уникального программного обеспечения, позволяющего моделировать работу обобщенного для данного класса систем объекта управления, нечеткого регулятора. Разработанный универсальный модуль, реализующий генетические, алгоритмы позволяет проводить идентификацию параметров объекта управления и оптимизацию нечеткого регулятора с использованием произвольного критерия качества.

С использованием созданного алгоритмического программного обеспечение реализующего разработанную методику проведена параметрическая оптимизация нечеткого регулятора, моделирование его работы и практическое исследование с использованием атоматизированного экспериментального стенда.

Анализ полученных характеристик показал, что нечеткий регулятор обеспечивает удовлетворение ЦЭСП требованиям технического задания, кроме того он обладает рядом преимуществ по сравнению с регуляторами, синтезированными традиционными методами:

- устойчивость регулятора при изменении характеристик силовой системы привода (например, характеристики источника питания, момента сухого трения и т.д.);

- низкая чувствительность регулятора к шуму АЦП;

- лучшие энергетические характеристики;

- значительно меньшие затраты времени вычислителя для формирования управляющего воздействия на каждом шаге квантования;

- низкая чувствительность регулятора к величине шага квантования, исследования показали работоспособность привода без существенных потерь в точности и качестве переходного процесса при увеличении шага квантования с 2 мс до 25 мс без какого-либо изменения регулятора.

Таким образом, в результате проделанной работы определена совокупность требований, предъявляемых к приводам перспективных комплексов наведения и стабилизации объектов по точности, быстродействию, энергопотреблению, стоимости проектирования и изготовления, стабильности характеристик, возможности адаптации к изменяющимся в процессе эксплуатации параметров объекта, установлены основные явления, оказывающие существенное влияние на характеристики приводов и систем наведения и стабилизации в целом: нежесткость механической передачи, ограничения развиваемого момента в результате насыщения материала магнитопровода двигателя, ограниченная мощность источника питания, шумы в информационных каналах, моменты сухого трения на выходных валах приводов, момент вязкого трения, моменты неуравновешенности и др. Проведен анализ традиционных методов синтеза систем управления приводов (частотных, методов пространства состояний, оптимального управления), на основе которого делаются выводы о невозможности удовлетворения совокупности перечисленных противоречивых требований, предъявляемых к системам управления, синтезируемым классическими методами синтеза, и необходимости синтеза систем с искусственным интеллектом. Рассмотрены основные положения современных методов интеллектуального управления, в частности, нечеткой логики, теории нечетких множеств и генетических алгоритмов. На основе анализа и сопоставления достоинств и недостатков методов синтеза систем с искусственным интеллектом с классическими методами синтеза обоснована актуальность применения таких методов интеллектуального моделирования и управления, как нечеткое управление, нейросетевые модели динамических систем и генетические алгоритмы для проектирования сложных систем приводов наведения и стабилизации.

Для систематизации математического описания объектов управления приводов постоянного тока использована иерархическая система математических моделей элементов ЦЭСП. С целью оценки адекватности моделей проведено экспериментальное исследование характеристик автоматизированного экспериментального стенда, имитирующего реальный объект управления. На основе полученных экспериментальных данных сделаны выводы о необходимости идентификации ее параметров.

В диссертации предложено применение нечетких нейросетей для построения эмулятора объекта управления, которой является силовая система привода с нежесткостью, и разработана методика их обучения по шаблонам, получаемым на основе экспериментальных характеристик. Это позволило разработать методику, позволяющую синтезировать алгоритм управления объектом на основе полученных экспериментальных характеристик без использования традиционных математических моделей, записанных в форме дифференциальных или конечно-разностных уравнений.

Для решения проблемы синтеза нечеткого управления близкого к оптимальному разработана методика оптимизации параметров нечеткого регулятора с использованием генетических алгоритмов. С целью кодирования параметров нечеткого регулятора в хромосому генетического алгоритма разработана специальная схема, что позволило свести условную задачу оптимизации к безусловной с минимальным числом кодируемых параметров.

Эффективность предложенных и разработанных методик проверена на практике. С использованием разработанного программного обеспечения проведена оптимизация нечеткого регулятора для управления приводом постоянного тока автоматизированного экспериментального стенда. Экспериментальные характеристики привода наведения и стабилизации с синтезированными алгоритмами, полученные с использованием автоматизированного стенда, показали, что разработанный нечеткий регулятор обеспечивает выполнение совокупности жестких требований, предъявляемых к приводам данного класса. Кроме того, предложенная методика позволяет существенно сократить время синтеза регуляторов для сложных объектов за счет универсальности и автоматизации разработанной методики, уменьшить такт квантования цифровой системы за счет меньшей ресурсоемкости вычислителя нечеткого алгоритма и значительно снизить энергию, потребляемую в процессе управления приводом постоянного тока.

ЗАКЛЮЧЕНИЕ

В работе получены следующие научные и практические результаты:

1. Методика идентификации параметров математической модели силовой системы ЦЭСП системы наведения и стабилизации с малоинерционным исполнительным двигателем постоянного тока по экспериментальным характеристикам с использованием генетических алгоритмов, включающая определение параметров генетического алгоритма, кодирование параметров математической модели привода для последующей оптимизации и определение функции адекватности модели.

2. Методика идентификации силовой системы ЦЭСП системы наведения и стабилизации с малоинерционным исполнительным двигателем постоянного тока с использованием нечетких нейросетей, в которой предложены архитектура нейроэмулятора объекта управления включающего в себя две нечетких нейросети и разработана методика обучения нейросетей по снятым экспериментальным характеристикам.

3. Методика синтеза нечеткого регулятора для ЦЭСП постоянного тока с малоинерционным исполнительным двигателем на основе анализа и систематизации экспертных знаний об объекте управления (имитация действий человека при управлении объектом).

4. Методика оптимизации нечеткого регулятора с использованием генетических алгоритмов для достижения им требуемых показателей качества управления, включающая в себя схему кодирования параметров нечеткого регулятора в битовую строку «хромосому», определение параметров генетического алгоритма, и выбор функции оптимальности нечеткого регулятора на основе анализа требований, предъявляемых к приводу.

5. Нечеткий регулятор для управления ЦЭСП постоянного тока с малоинерционным исполнительным двигателем, синтезированный и оптимизированный предложенными методами. Реализация алгоритма управления на ЭВМ и его испытание на автоматизированном экспериментальном стенде.

6. Структурные схемы моделей управляющей и силовой систем для исследования характеристик ЦЭСП постоянного тока, модель нейроэмулятора и модель нечеткого регулятора в среде Ма1:1аЬ.

7. Программное обеспечение", автоматизирующее разработанную методику и позволяющее моделировать объект управления, проводить его идентификацию по экспериментальным характеристикам с использованием генетических алгоритмов, моделировать нечеткий регулятор и проводить его оптимизацию с использованием генетических алгоритмов, осуществлять интерфейс с автоматизированным стендом, снимать и записывать экспериментальные характеристики по отработке произвольных сигналов, осуществлять нечеткое управление приводом постоянного тока экспериментального стенда.

Список литературы диссертационного исследования кандидат технических наук Шарапов, Максим Александрович, 2005 год

1. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Изд-во ТГУ, 2000. — 352 с.

2. Барковский В.В. и др. Методы синтеза систем управления: Матрично-структурные преобразования и алгоритмы управляющих ЦВМ/ В.В. Барковский, В.Н. Захаров, A.C. Шаталов; Под ред. A.C. Шаталова. 2-е изд. перераб. и доп. М.: Машиностроение, 1981. - 277 с. ил.

3. Батищев Д.И. Генетические алгоритмы решения экстремальных задач / Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995.

4. Батищев Д.И., Исаев С.А., Ремер Е.К. Эволюционно-генетический поход к решению задач невыпуклой оптимизации // Межвузовский сборник научных трудов «Оптимизация и моделирование в автоматизированных системах». Воронеж: ВГТУ, 1998.-С. 20-28.

5. Башарин A.B., Новиков В.А., Соколовский Г.Г. Управление электроприводами.-Л. Энергоиздат. Ленинградское отделение, 1982.-392 с.

6. Р.Беллман, Л.Заде. Вопросы принятия решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений. /М.: Мир, 1976.

7. Беляев Б. М. Современные методы проектирования следящих систем. 1985г. Л.: СЗПИ, 1985. 80 с.

8. Бессекерский В.А. Цифровые автоматические системы. М., Наука, 1976. 576 с.

9. Бессекерский В.А., Попов Е.П. "Теория систем автоматического регулирования" М.: Высшая школа, 1982.

10. Борисов А.Н., Алексеев A.B., Крумберг O.A. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.-256 с.

11. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. — Рига: Зинатне, 1990.- 184 с.

12. Бохвалов Н.С. Численные методы. М.: Наука, 1973. - 639 с.

13. Васильев Ф.П. Численные методы решения экстремальных задач. -М.: Наука, 1980-552 с.

14. Волкова В.Н., Денисов A.A. Основы теории систем и системного анализа. Изд-е 3-е, перераб. и дополн. - СПб.: Изд-во СПбГПУ, 2003.-520 с.

15. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Харьков: Основа, 1997. - 112 с.

16. Горбань А. Н. Обучение нейронных сетей. М.: СП Пара-Граф, 1990 160 с.

17. Горячев О.В., Шарапов М.А. Оптимизация нечеткого регулятора для ЦЭСП //Известия Тульского государственного университета. Сер. Вычислительная техника. Автоматика. Управление/ ТулГУ. — Тула, 2002 -Т.4., вып. 3.-С.61-66.

18. Жиглявский A.A., Жилинкас А.Г. Методы поиска глобального экстремума. -М.: Наука, 1991 -248 с.

19. Заде Jl. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. 165 с.

20. Зайцев Г. Ф. Синтез следящих систем высокой точности. 1971г. Киев, 1971.-202 с.

21. Захаров В. Н., Интеллектуальные системы управления: основные понятия и определения. // Изв. РАН. Теория и системы управления, 1997. № 3. С. 138-145.

22. Захаров В. Н., Ульянов С. В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. I-IV // Изв. РАН. Техническая кибернетика, 1992, №5; 1993. № 4, 5; 1994. № 4.

23. Ключев В.И. Теория электропривода. М.: Энергоатомиздат, 1985.560 с.

24. Ковалевский C.B. Нейросетевые технологии и их применение в машиностроении // Сб. докладов I межд. науч. конф. «Нейросетевые технологии и их применение». — Украина, Краматорск, 2002.

25. Комарцова Л.Г. Исследование нейросетевых и гибридных методов и технологий в интеллектуальных системах поддержки принятия решений: Автореферат на соискание ученой степени доктора технических наук. М., 2003. - 34 с.

26. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры. М.: Изд-во МГТУ им. Баумана, 2002. - 320 с.

27. Копылов И.П. Математическое моделирование электрических машин: Учеб. для вузов по спец. «Электрич. машины».-М.: Высш.шк., 1987.-248 с,: ил.

28. Корнеев В.В., Гареев А.Ф., Васютин C.B., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2001. -352 с.

29. Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1982. -432 с.

30. Кравченко Ю.А. Перспективы развития гибридных интеллектуальных систем // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 3. - С. 3438.

31. Круглов В.В. Адаптивные системы нечеткого вывода // Нейрокомпьютеры: разработка и применение. 2003. - № 5. - С. 15-19.

32. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

33. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. - 256 с.

34. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. — 224 с.

35. Куо Б. Теория и проектирование цифровых систем управления / Пер. с англ.; Под ред. П.И.Попова. М.: Машиностроение, 1984. -448 с. ,

36. Курейчик В. М. Генетические алгоритмы. Состояние. Проблемы. Перспективы // Изв. Академии наук. Теория и системы управления, 1999. № 1. С. 144 160.

37. Курейчик В.В. Перспективные архитектуры генетического поиска // Перспективные информационные технологии и интеллектуальные системы. — 2000. № 1. - С. 58-60.

38. Кэнту М. Delphi 5 для профессионалов. СПб.: Питер, 2001. — 944 с.

39. Леоненков А. Нечеткое моделирование в среде MATLAB и FuzzyTECH. БХВ: Санкт-Петербург, 2003. - 716 с.

40. Лохин В. М., Мадыгулов Р. У., Макаров И. М., Тюрин К. В. Применение экспертных регуляторов для систем управления динамическими объектами // Изв. РАН. Теория и системы управления, 1995. № 1. С. 5-21.

41. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991.

42. Методы исследования нелинейных систем автоматического управления / А.Т.Барабанов, В.Я.Катковник, Р.А.Нелепин, Е.И.Хлыпало, В.А.Якубович. Под ред. Р.А.Нелепина. М.: Наука, 1975.-448 с.

43. Микропроцессорное управление электроприводами станков с ЧПУ/ Э.Л.Тихомиров, В.В.Васильев. М.: Машиностроение, 1990. - 320с.

44. Ненахов А.Н., Бертштейн Л.С., Коровин С.Я. Ситуационные системы с нечеткой логикой. — М.: Наука, 1990. 272 с.

45. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986. - 311 с.

46. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р.Ягера, М.: Радио и связь, 1986.

47. Норенков И. П. Генетические методы структурного синтеза проектных решений // Информационные технологии, 1998. № 1. С. 9- 13.

48. Орлянская И.В. Современные подходы к построению методов глобальной оптимизации // Электронный журнал «Исследовано в России». 2002. № 4. С. 2097-2108. http://zhurnal.ape.relarn.ru/articles/2002/189.pdf.

49. Основы проектирования следящих систем / Под ред. Н.А.Лакоты. М.: Машиностроение, 1978. - 391 с.

50. Осовский С. Нейронный сети для обработки для обработки информации / Пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2002. - 344 е.: ил.

51. Паклин Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах: Дис. к-та техн. наук. Ижевск, 2004. - 162 с.

52. Полипас С. Синтез пропорционально-дифференциального нечеткого регулятора электропривода // М., CHIP NEWS, 1999 -№ 1.

53. Прикладные нечеткие системы / Под ред. Т. Тэрано. — М.: Мир, 1993.-512

54. Родзин С.И. Формы реализации и границы применения эволюционных алгоритмов // Перспективные информационные технологии и интеллектуальные системы. — 2002. № 1. - С. 3641.

55. Ротштейн А.П., Штовба С.Д. Влияние методов дефазификации на скорость настройки нечеткой модели // Кибернетика и системный анализ. 2002. - № 5. - С. 169-176.2 с.

56. Рыжов А.П. Элементы теории нечетких множеств и измерения нечеткости. М.: Диалог-МГУ, 2000. - 116 с.

57. Системный анализ в управлении: Учеб. пособие / B.C. Анфилатов, А.А.Емельянов, A.A. Кукушкин; под ред. A.A. Емельянова. М.: Финансы и статистика, 2002. 368 с.

58. Следящие приводы / Под ред. Б.К.Чемоданова М.: Энергия, 1976. - кн. 1 - 480 е.; кн. 2 - 384 с.

59. Стеблецов В.Г., Сердюк В.А. Цифровое моделирование автоматических систем установок летательных аппаратов. Учеб. пособие. Москва.: МАИ, 1983. 52с.

60. Стеблецов В.Г. Нелинейные системы с разрывными координатными связями: Теория и практика. М.: Машиностроение, 1992.-256с.

61. Стрейц В. Метод пространства состояний в теории дискретных линейных систем управления./Пер.с англ. Под ред. Я.З.Цыпкина.-М.: Наука. Главная редакция физико-математической литературы, 1985.-296 с.

62. Структуры систем управления автоматизированными электроприводами /Под ред. А.Г.Галкина. Минск: Наука и техника, 1978. - 368 с.

63. Тимофеев А. В., Юсупов Р. М. Интеллектуализация систем автоматического управления. // Изв. РАН. Техническая кибернетика, 1994. № 5. С. 211-224.

64. Управление динамическими системами . в условиях неопределенности / С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др. М.: Наука, 1998. 452 с.

65. Финаев В.И., Бесшапошников В.В. Механизмы нечеткого выбора в задачах принятия социально-экономических решений // Перспективные информационные технологии и интеллектуальные системы. 2000. - № 2. - С. 17-22.

66. Фролов Ю.В. Интеллектуальные системы и управленческие решения М.: МГПУ, 2000 - 294 с.

67. Хемминг Р.В. Численные методы. М.: Наука, 1968. - 400 с.

68. Шарапов М.А. Сравнительный анализ методов синтеза САУ, «XXVII Гагаринские чтения». Тезисы докладов, Том 6, Москва 2002г. с. 39-40.

69. Шарапов М.А. Цифровой электрический следящий привод постоянного тока с нечетким регулятором, «IV Королевские чтения». Тезисы докладов, Том II, Самара 2001г. с 52-56.

70. Шарапов М.А. Цифровой электрический следящий привод с нейроконтроллером. Экстремальная робототехника-2003 // Материалы научной молодежной школы. Таганрог: Изд-во ТРТУ,2003.-с. 88-93.

71. Шарапов М.А., Горячев О.В., Автоматизация синтеза нечеткого регулятора для систем автоматического управления //Известия ТулГУ. Сер. Проблемы спец. Машиностроения. Тула, 2003. — Вып. 6,ч.1.-с. 288-290.

72. Шорников Е.Е., Горячев О.В. Синтез алгоритмов управления цифрового приборного электрического следящего привода постоянного тока. /ТулПИ. Тула, 1987. - 146 с.

73. Штовба С.Д. Идентификация нелинейных зависимостей с помощью нечеткого логического вывода в пакете MATLAB // Exponenta Pro: Математика в приложениях. 2003. - № 2. - С. 915.

74. Casillas J., Cordon О., Jésus M.J. del, Herrera F. Genetic tuning of fuzzy ruledeep structures for linguistic modeling // Technical Report DECSAI-010102, Dept. of Computer Science and A.I., University of Granada, January 2001. 8 p.

75. Cordon O, Herrera F, Lozano M. On the bidirectional integration of fuzzy logicand genetic algorithms // 2nd Online Workshop on Evolutionary Computation (WEC2), Nagoya (Japan), 1996. P. 13-17.

76. Cordon O., Jesus M.J. del, Herrera F. Evolutionary approaches to the learning of fuzzy rule-based classification systems // Evolution of Engineering and Information Systems and Their Applications. L.C. Jain (Ed.), CRC Press, 1999. P. 107-160.

77. De Jong K.A. Analysis of the behavior of a class of genetic adaptive systems, Ph. D.thesis University of Michigan, Ann Arbor, 1975.

78. Fukuda N., Ueyama N. Cellular Robotics and Mucro Robotic Systems. World Scientific Pub., 1994. 263 p.

79. Goldberg. D. E. Genetic Algorithms in Search, Optimization and Machine Learning Addison-Wesley, Reading, M. A. 1989. 412 p.

80. Holland J. H. Adaptation in Natural and Artificial Systems The University of Michigan, Ann Arbor, 1975.

81. Hollstien R. B. Artificial genetic adaptation in computer control systems, Ph. D.thesis University of Michigan, Ann Arbor, 1971.

82. Karr C. L., Freeman L. M. Genetic algorithm - based Fuzzy Control of Spacecraft Autonomous Rendezvous // Engineering Application of Artificial Intelligence. Vol. 10, N 3, June, 1997. P. 293 - 300.

83. Neubauer A. On-Line System Identification Using The Modified Genetic Algorithm // Proc. Of EUFIT'97, Aarchen, Germany, 1997, Sept. 8-11. P. 764-768.

84. Ono O., Kobayashi B., Kato H. Optimal Dynamic Motion Planning of Autonomous Vehicles be a Structured Genetic Algorithm // Proc. Of the 13 th World Congress of IF AC, Vol. Q., San Francisco, USA, 1996. P. 435-440.

85. Takagi T., Sugeno M. Fuzzy Identification of Systems and its Applications to Modelling and Control // IEEE Trans on Systems, Man, Cybern., 15(1), 1985. P. 116-132.

86. Thithi I. Control Systems Parameter Identification Using the Population Based Incremental Learning (PBIL) // Proc. Of Intern. Conf. on Control'96, 2-5 Sept., 1996, Vol. 2 P. 1309-1314.

87. Verbruggen H. B., Babuska R. Constructing fuzzy models by product space clustering // Fuzzy model identification / Eds. H. Hellendorn., D. Driankov. Berlin: Sprinher, 1998. - P. 53 - 90.

88. Zalrala A. M. S., Fleming P. J. Genetic Algorithms: Principles and Application in Engineering Systems // Neural Networks, Vol. 6. N 5., 1996. P. 803 -820.