Развитие нейросетевых технологий для управления мехатронными системами тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Гарцеев, Илья Борисович

• Гарцеев, Илья Борисович
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Гарцеев, Илья Борисович

Введение.

Глава 1. Анализ особенностей применения нейросетевых технологий в задачах управления мехатронными системами.

1.1. Управление мехатронными устройствами.

1.2. Свойства нейросетей, их классификация и основные аспекты использования.

1.3. Применение нейросетевых технологий в задачах управления.

1.4. Постановка задачи.

Выводы по 1-ой главе.

Глава 2. Разработка и исследование на базе нейросетевых структур алгоритмов динамической развязки многозвенных мехатронных устройств.

2.1. Реализация динамической развязки на основе применения нейросетевого идентификатора и корректирующего регулятора.

2.2. Быстродействующий нейросетевой регулятор на базе многослойной сети прямого распространения.

2.3. Исследование эффективности нейросетевых алгоритмов динамической развязки многозвенных мехатронных устройств.

Выводы по 2-ой главе.

Глава 3. Разработка алгоритмов и принципов построения на основе нейросетевых технологий тактического уровня интеллектуальной системы управления мехатронными устройствами.

3.1. Планирование траектории движения многозвенных мехатронных устройств на базе многослойных нейронных сетей прямого распространения.

3.2. Планирование траектории движения многозвенных мехатронных устройств на базе слабосвязных гомогенных нейронных сетей.

Выводы по 3-ей главе.

Глава 4. Экспериментальные исследования нейросетевых алгоритмов управления многозвенными мехатронными + устройствами.

4.1. Аппаратно-программный комплекс для управления 3-х звенным мехатронно-модульным роботом с прямоугольной системой координат.

4.2. Аппаратно-программный комплекс для управления шестистепенным мини-роботом с вертикально-ангулярной системой координат.

4.3. Мехатронный стенд, имитирующий стрелковую артустановку с изменяющимися инерционными свойствами.

Выводы по 4-ой главе.

Введение диссертации (часть автореферата) на тему «Развитие нейросетевых технологий для управления мехатронными системами»

Мехатроника, как новое научно-техническое направление, развиваемое с конца 70-х гг. XX века, во всем мире начинает активно внедряться в повседневную практику. Потенциальные применения мехатронных устройств охватывают необычайно широкий диапазон прикладных областей, начиная от микросистемной техники и заканчивая гибкими производственными системами. Регулярно проводятся представительные международные конференции и симпозиумы, выставки и презентации новой техники, разработанной с использованием последних достижений мехатроники. В ряде стран мехатроника стала приоритетной технологией создания машин следующего поколения.

Интерес к мехатронике, которая изначально понималась как некий симбиоз механики и электроники, в значительной степени связан с пересмотром ее фундаментальных основ с учетом принципов интеллектуального управления. Эта современная трактовка предполагает, что основой мехатронных систем, машин и т. д. является интеллектуальный мехатронный модуль, который должен включать в свой состав высокопроизводительный цифровой контроллер, ориентированный на решение задач обработки информации и управления в реальном времени на основе применения современных интеллектуальных технологий. Таким образом, принципиальным отличием отдельных составных компонент интеллектуальных мехатронных устройств от комплектных электроприводов служит наличие интеллектуальной системы управления, которая в сочетании с традиционной (или новой) механикой позволит создавать мехатронные машины и комплексы, обладающие значительно более высокими техническими характеристиками по сравнению с существующими образцами.

Развитие концепции мехатронно-модульного построения сложных электромеханических систем различной конструкции и назначения предполагает комплексное решение целого ряда важнейших проблем. К их числу в первую очередь следует отнести разработку принципов динамической развязки быстродействующих приводов с учетом компенсации взаимного влияния отдельных степеней подвижности, а также алгоритмов управления движением, инвариантных к типу кинематической схемы многозвенного мехатронно-модульного механизма.

Подобные задачи возможно не так часто возникают в достаточно хорошо изученной области промышленной робототехники, но являются неотъемлемой частью таких, развивающихся стремительными темпами областей, как экстремальная робототехника, микроробототехника. Так же серьезными и требующими разрешения данные проблемы оказываются в задачах управления объектами, функционирующими в экстремальных условиях, автономными объектами и т. д.

Традиционные методы оказываются недостаточно эффективными для решения подобных круга задач, следовательно, логичным выходом представляется применение интеллектуальных подходов и технологий.

К числу наиболее интенсивно развиваемых технологий искусственного интеллекта относятся нейронные сети, экспертные системы, системы нечеткого логического вывода. В последнее время данные технологии получили весьма широкое распространение при решении задач, связанных с распознаванием и идентификацией ситуаций и объектов, с принятием решений, анализом и диагностикой. Однако практическое использование искусственного интеллекта в задачах управления мехатронными системами остается еще достаточно ограниченным, носит частный, локальный характер. Между тем активному развитию интеллектуальных систем в последнее время существенно способствует бурный прогресс в программных и аппаратных средствах вычислительной техники, который позволяет реализовывать в реальном времени на аппаратном и/или программном уровне сложные алгоритмы интеллектуального управления.

Одной из наиболее динамично развивающихся интеллектуальных технологий является технология нейросетевых структур, которые обладают рядом важных положительных свойств, таких как быстродействие, обучаемость, апроксимационные свойства и т.д. Различным аспектам использования нейронных сетей (НС) в задачах управления посвящены работы Терехова В.А., Галушкина А.И., Горбаня А.И., Каляева И.А., Тимофеева А.В., ЛохинаВ.М., Макарова И.М., Еремина Д.М., WassermanP., Rosenblatt F., Widrow В., Hagan M. и других известных ученых. Активно ведутся работы по данной тематике в ТГТУ, МГТУ им. Н.Э.Баумана, ЛЭТИ, ЦНИИ РТК, МАИ, МЭИ, МИФИ и еще в ряде научных школ, что также подтверждает актуальность разработок, направленных на расширение областей применения НС.

В связи с этим развитие технологии нейросетевых структур, как интеллектуальной технологии управления мехатронными системами, представляется важной и своевременной задачей.

Данная диссертационная работа посвящена разработке на основе нейросетевых технологий моделей, алгоритмов и программного обеспечения интеллектуальных систем, позволяющих обеспечить высококачественное управление многозвенными мехатронными устройствами (ММУ), функционирующими в средах с препятствиями и в условиях воздействия различных факторов неопределенности.

В соответствии с указанной целью в диссертационной работе решаются следующие задачи и проводятся следующие исследования:

• разработка на базе нейросетевых технологий алгоритмов функционирования исполнительного уровня интеллектуальных систем управления (ИСУ) мехатронными устройствами, обеспечивающих не только высокое качество управления приводами мехатронных модулей, но и устранение взаимовлияния отдельных степеней подвижности ММУ;

• исследование возможностей искусственных нейронных сетей с различной топологией для решения задач управления движением ММУ; определение зависимостей между сложностью ММУ и характеристиками нейросетевой системы управления;

• разработка на базе нейросетевых технологий алгоритмов функционирования тактического уровня ИСУ ММУ, обеспечивающих: высокое качество управления движением ММУ в свободной среде, обход им статических и квазистатических препятствий; • проведение экспериментальных исследований, подтверждающих работоспособность и эффективность предложенных нейросетевых алгоритмов функционирования как для нижнего (исполнительного) уровня, так и для верхнего (тактического) уровня ИСУ ММУ.

Поставленные задачи решаются на основе применения классических нейросетевых парадигм и разработки специализированных нейросетевых структур. В числе прочих, для решения поставленных в диссертационной работе задач, используются методы теории автоматического управления, теории машинного моделирования, теории искусственных нейронных сетей, теории искусственного интеллекта.

Программное обеспечение разработано на основе объектно-ориентированного подхода с использованием идей и методов, применяемых при построении современных прикладных систем реального времени.

В первой главе проведен анализ особенностей применения нейросетевых технологий в задачах управления. Рассмотрены основные проблемы, возникающие при управлении ММУ, в том числе манипуляционными роботами. На основе анализа различного рода систем управления, применяемых для управления робототехническими объектами, показана перспективность применения интеллектуальных систем управления для объектов типа ММУ.

На основе проведенной классификации существующих типов нейросетевых структур и анализа их общих свойств сделан вывод о целесообразности и эффективности применения технологии нейросетевых структур в качестве базы для построения интеллектуальных систем управления ММУ. Рассмотрены особенности использования данной технологии.

Показано, что для широкого класса технологического оборудования, построенного на базе ММУ, значительное повышение качества работы может быть достигнуто за счет применения НС-технологий на исполнительном и тактическом уровнях иерархии систем интеллектуального управления, что и стало теоретической основой работы, а также определило структуру диссертации и, в частности, комплекс задач, решаемых во второй главе.

Вторая глава диссертационной работы посвящена исследованию возможностей нейросетевых технологий для совершенствования характеристик исполнительного уровня интеллектуальной системы управления ММУ.

В качестве ключевой выделяется проблема взаимовлияния степеней подвижности ММУ, приобретающая все большую значимость в связи со значительным увеличением процентного числа безредукторных и слаборедукторных двигателей в мехатронных устройствах.

Исследуется односвязная модель, соответствующая каждой степени подвижности ММУ, в которой переменные динамические параметры объекта управления (двигателя) и возмущения приведены к валу исполнительного двигателя. Таким образом, задача компенсации взаимного влияния степеней подвижности сводится к задаче построения быстродействующего регулятора, обеспечивающего инвариантность к суммарному внешнему возмущению. Обосновывается возможность построения такого регулятора за счет применения интеллектуальных технологий.

Показывается, что системы с существующими регуляторами традиционного типа зачастую не обеспечивают должного качества управления во всем диапазоне изменения инерционных параметров управляемого объекта и предлагается два подхода к решению проблемы: первый характерен для устройств, в которых по тем или иным причинам полностью заменить систему управления невозможно. Для таких систем предлагается ввести в контур системы интеллектуальную нейросетевую надстройку, включающую идентификатор приведенного момента инерции и корректирующий регулятор.

Для идентификации приведенного момента инерции предложено использовать многослойную нейронную сеть прямого распространения, характеризующуюся простотой структуры и, как следствие, простотой технической реализации, а также отсутствием внутренней динамики.

Приводятся результаты модельных экспериментов, подтвердающих работоспособность подхода и разработанных в его контексте алгоритмов.

В качестве альтернативы к первому подходу, предполагающему использование нейросетевых технологий в качестве надстройки к существующему оборудованию систем управления, предложена полная перестройка существующей системы управления путем замены традиционного регулятора на нейросетевой. На основе нейросетевого подхода разработаны алгоритмы управления, реализующие апериодические переходные процессы в электроприводах отдельных интеллектуальных мехатронных модулей при произвольных алгоритмах управления и конфигурациях ММУ в целом. В качестве НС-базиса предлагается МНСПР, как наиболее адекватная задаче и изученная нейросетевая топология.

Приведены результаты модельных экспериментов и экспериментов, проведенных на разработанном аппаратно-программном комплексе, подтвердающие теоретические исследования и показывающие эффективность работы нейросетевой системы управления приводного уровня ММУ.

Третья глава посвящена разработке алгоритмов и принципов построения на основе нейросетевых технологий тактического уровня интеллектуальной системы управления ММУ.

В качестве первого подхода предлагается использование многослойных нейронных сетей прямого распространения (МНСПР) для скоростного вычисления градиента функции рассогласования, позволяющего итеративно выводить ММУ к требуемому положению. В рамках последовательного подхода к решению основной задачи рассматривается планирование траектории движения модели манипуляционного робота, как частного случая ММУ, в свободном пространстве.

Разрабатывается структурная схема нейросетевого тактического уровня ИСУ, которая может быть использована для ММУ произвольного типа. Приведены результаты исследований по зависимости параметров используемых нейросетевых структур от кинематической схемы ММУ.

Для ситуаций, когда рабочая зона ММУ содержит препятствия разработана модификация метода с помощью использования аддитивного штрафного вектора.

Для обеспечения работы ММУ в среде, где препятствия могут занимать большую часть рабочего пространства, в работе исследованы возможности построения тактического уровня ИСУ на базе слабосвязных гомогенных нейронных сетей (СГНС).

Для планирования траектории движения предложено использовать пространство обобщенных координат (ПОК) ММУ. Для перевода элементов рабочей зоны устройства в ПОК предлагается бинарная нейросетевая структура, осуществляющая отображение пространств. Отображение рабочего пространства ММУ осуществляется на НС-структуру, состоящую из нейросетевых элементов, построенных единым образом; при этом каждый из данных нейросетевых элементов взаимнооднозначно соответствует дискрете из ПОК. Веса синаптических связей формируются в процессе перевода рабочей зоны.

Для планирования траектории движения ММУ предлагается использование НС-реализации известного метода бегущей волны.

На основании рассмотренного алгоритма предложена структурная схема тактического уровня ИСУ мехатронным устройством, рассчитаны ресурсные характеристики алгоритма и экспериментально сняты некоторые временные характеристики для программной реализации.

Четвертая глава посвящена разработке аппаратно-программных комплексов для исследования моделей и алгоритмов, предложенных в предыдущих главах работы, а именно:

• аппаратно-программного комплекса для управления 3-х звенным мехатронно-модульным роботом с прямоугольной системой координат;

• аппаратно-программного комплекса для управления 5-ти степенным мини-роботом с вертикально-ангулярной кинематикой;

• аппаратно-программного комплекса для исследования мехатронной системы с изменяющимися инерционными характеристиками.

Первый комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня ИСУ ММУ на базе слабосвязных гомогенных нейронных сетей.

Второй комплекс разработан для исследования моделей, алгоритмов и структур тактического уровня интеллектуальной системы управления мехатронным устройством на базе многослойных нейронных сетей прямого распространения.

Третий комплекс разработан для исследования моделей, алгоритмов и структур приводного уровня интеллектуальной системы управления мехатронным устройством.

Приведены результаты практических экспериментов, подтвержающие работоспособность предложенных нейросетевых моделей и алгоритмов построения тактического и приводного уровня ИСУ ММУ.

В заключении приведена общая характеристика и основные выводы по результатам диссертационной работы.

Работа проводилась на кафедре «Проблемы управления» МИРЭА. Теоретические и практические результаты диссертации были использованы в учебном процессе кафедры «Проблемы управления» МИРЭА в курсах «Информатика», «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами», «Методы искусственного интеллекта» для студентов специальностей 21.03.00 «Роботы и робототехнические системы» и 07.18.00 «Мехатроника».

Отдельные материалы диссертации вошли в состав НИР№ 1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности сложных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише»), №К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (Шифр «Латилус»), выполнявшихся по заданию Секции прикладных проблем при Президиуме РАН; а также НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления робототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М»), выполнявшейся по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана.

Результаты работы по созданию программно-алгоритмического обеспечения учебных роботов отмечены медалью Российской Академии Наук в области разработки или создания приборов, методик, технологий и новой научно-технической продукции научного и прикладного значения в 2002 г., а также медалью «За лучшую научную студенческую работу» Министерства Образования РФ в 2001 г.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Гарцеев, Илья Борисович

Результаты работы по созданию программно-алгоритмического обеспечения учебных роботов отмечены медалью Российской Академии Наук в области разработки или создания приборов, методик, технологий и новой научно-технической продукции научного и прикладного значения в 2002 г., а также медалью «За лучшую научную студенческую работу» Министерства Образования РФ в 2001 г.

Основные положения диссертационной работы отражены в 13 публикациях. В рамках тематики диссертационной работы получены 2 государственных регистрационных свидетельства Отраслевого фонда алгоритмов и программ.

Заключение

В диссертационной работе решалась актуальная проблема создания на базе нейросетевых технологий нового поколения систем управления для широкого класса многозвенных мехатронных устройств (ММУ), включая манипуляционные роботы.

В диссертационной работе получены следующие основные научные и практические результаты:

1. Обоснована целесообразность применения интеллектуальных технологий для управления различными ММУ, работающими в условиях неопределенности: для систем военного, экстремального использования, для микроустройств; показана перспективность построения интеллектуальных систем управления (ИСУ) ММУ на базе нейросетевых технологий.

2. На основе анализа уровней иерархии управления ММУ выделены основные задачи приводного и тактического уровней, характерные для ММУ общего вида.

3. На основе НС-технологий разработаны алгоритмы управления приводного уровня, обеспечивающие динамическую развязку ММУ.

4. На базе многослойных нейронных сетей прямого распространения разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств в свободном пространстве и пространстве с препятствиями, на примере манипуляционных роботов с трех- и более степенной кинематикой.

5. На базе слабосвязных гомогенных нейронных сетей разработаны нейросетевые алгоритмы планирования траектории движения мехатронных устройств в пространстве, содержащем произвольное количество препятствий.

6. Предложены структуры исполнительного и тактического уровней ИСУ мехатронными устройствами на базе разработанных алгоритмов; обоснованы преимущества и недостатки различных видов НС для управления многозвенными мехатронными объектами.

7. Создан ряд аппаратно-программных комплексов, на которых проведены экспериментальные исследования разработанных нейросетевых алгоритмов: 1) программный комплекс на базе слабосвязных гомогенных нейронных сетей для управления 3-х звенным ММУ типа «УРТК», 2) программный комплекс на базе МНСПР для управления 5-ти степенным мини-роботом «110В-3», 3) программный комплекс, реализующий НС-алгоритмы управления ММУ с изменяющимися инерционными характеристиками.

8. Разработан в системе МаЙаЪ*"1 набор программных модулей для исследования нейросетевых систем управления ММУ;

9. Получены государственные регистрационные свидетельства отраслевого фонда алгоритмов и программ на ПО разработанных в рамках диссертационной работы экспериментальных комплексов по исследованию нейросетевых алгоритмов управления ММУ.

10. Результаты диссертации использованы при выполнении НИР, проводимых по заказу Секции прикладных проблем при Президиуме РАН - НИР №К-186/826 «Разработка интеллектуальной технологии управления оружием на основе распределенных экспертных и нейроподобных систем» (Шифр «Латилус»), НИР №1204/К-5 «Поисковые исследования и разработка принципов построения интеллектуальных систем управления для динамической развязки и повышения точности сложных многозвенных электромеханических приводов образцов ВВТ» (шифр «Клише»), при выполнении НИР № К-200 «Исследование технических путей построения интеллектуальных систем управления робототехнических комплексов ВВТ на базе технологий экспертных и нейроподобных систем» (шифр «Рефлекс-М») по заказу НИИ специального машиностроения при МГТУ им. Н.Э. Баумана.

11. Результаты диссертации внедрены в учебном процессе кафедры «Проблемы управления» МИРЭА в курсах «Системы управления роботами и манипуляторами», «Методы искусственного интеллекта» и «Алгоритмическое и программное обеспечение интеллектуальных систем управления роботами» для студентов специальностей 210300 «Роботы и робототехнические системы» и 071800 «Мехатроника».

Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях:

• международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта, 2000, 2001,2002, 2003 гг.);

• научно-техническая конференция МИРЭА (Москва, 2000, 2001, 2002, 2003 гг.).

• научно-техническая конференция «Экстремальная робототехника» (Санкт-Петербург, 2001 г.);

• научно-техническая конференция «Современные информационные технологии в управлении и образовании - новые возможности и перспективы развития» (Москва, 2001 г.);

• международная студенческая школа-семинар «Новые информационные технологии» (Судак, 2003 г.).

Список литературы диссертационного исследования кандидат технических наук Гарцеев, Илья Борисович, 2003 год

1. Робототехника и ГАП. Учебное пособие для ВТУЗов под ред. И.М. Макарова. М.: Высш. школа, 1986.

2. Интеллектуальные системы автоматического управления. Под ред. Макарова И.М., Лохина В.М. М.: ФИЗМАТЛИТ, 2001.

3. Percy Dahm, Carsten Bruckhoff. Autonomous decision making in local navigation // From animals to animats 5, MIT Press, 1998.

4. Percy Dahm, Frank Joublin. Closed form solution for the inverse kinematics of a redundant robot arm // Technical report 8, Institut fur Neuroinformatik, Bochum, Germany, 1997.

5. Игнатьев М.Б. Комплексная робототехническая система для ликвидации последствий аварий типа Чернобыльской // Материалы IV конференции «Робототехника для экстремальных условий». СПб.: МЦЭНТ, 1993.

6. Системы очувствления промышленных роботов и гибких производственных систем / под. ред. И.М.Макарова и Е.П.Попова. М.: Наука, 1989.

7. Makarov I., Lokhin V., Manko S., Romanov M. Concept organization principles of intelligent control by complex dynamic objects // Proc. International Workshop on Micro Mashines, Micro Robots, and Micro Systems, 1999. Moscow, Russia.

8. Беркинблит М.Б. Нейронные сети. М.: МИРОС, 1993.

9. Анил К. Джейн, Жианчанг Мао, Моиуддин К.М. Введение в искусственные нейронные сети // Открытые системы, 1997, №4.

10. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 416 с.

11. Hortz, J., Krogh, A., Palmer, R., Introduction to the theory of neural computation. Addison Wesley Publishing Company, 1991.

12. Уоссерман Ф. Нейрокомпьютерная техника. M.: Мир, 1992.

13. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1991.

14. Kroese, В., An introduction to Neural Networks. Amsterdam Univercity of Amsterdam, 1996.

15. Hagan М.Т., Demuth Н.В. Neural Networks for Control //Proceedings of the 1999 American Control Conference. SanDiego: CA, 1999. P. 1642-1656.

16. Hunt K.J., Sbarbaro D., Zbikowski R., Gawthrop P.J. Neural Networks for Control System A Survey // Automatica. 1992. Vol 28. P. 1083-1112.

17. Ratanapan, K., Daglu, C.H., Implementation of ART1 Architecture on CNAPS Neurocomputer. Application and Science of Artificial Neural Networks. 1995, SPIE, vol. 2492, pp. 103-110.

18. Шевченко П.А., Фомин Д.В., Черников B.M., Виксне П.Е. Архитектура нейропроцессора NeuroMatrix NM6403: Сб. докл. V Всероссийской конференции «Нейрокомпьютеры и их применение», М.: Радио и связь, 1999, с. 94.

19. Kohonen, Т., Self-organizing and Associative Memory. Berlin: Springer Verlag, 1984.

20. Kohonen, Т., Self-organizing Maps. Heidelberg: Springer Verlag, 1995.

21. Battiti R. First and second order methods for learning: Between steepest descent and Newton's method. //Neural Computation. 1992. Vol. 4, №2, P. 141-166.

22. Charalambous C. Conjugate gradient algorithm for efficient training of artificial neural networks // IEEE Proceedings. 1992. Vol. 139, №3, P. 301-310.

23. Hagan M.T., Menhaj M. Training feedforward networks with the Marquardt algorithm // IEEE Transactions on Neural Networks. 1994. Vol. 5, №6, P. 989993.

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

25. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. М.: Мир, 1965.

26. Hornik, К., Strinchcombe, М., and White, Н., Multilayer feedforward networks are universal approximators // Neural Networks, 1989, №2, pp. 359-366.

27. Логовский A.C. Многопроцессорные и нейрокомпьютерные технологии фирмы Sundence Multiprocessor Technology, Ltd. Нейрокомпьютер, №1, 1999.

28. Cybenko, G., Approximation by superpositions of a sigmoidal function // Mathematics Control, Signal & System, Vol. 2, pp. 303-314, 1989.

29. Funahashi, K.I., On the approximate realization of continuous mappings by neural networks // Neural Networks, Vol. 2, pp. 183-192, 1989.

30. Емельянов C.B.,Коровин C.K. Новые типы обратных связей.М.:Наука,1997.

31. Iiguni, Y., Н. Sakai, and Н. Tokumaru, A non-linear regulator design in the presence of system uncertainties using multilayered neural networks // IEEE Trans, on Neural Networks, Vol. 2, pp. 410-417, 1991.

32. Narendna, K.S. and К. Parthasarathy, Identification and control of dynamical systems using neural networks 11 IEEE Trans, or. Neural Networks, Vol. 1, pp. 4-27, 1990.

33. Колмогоров A.H. ДАН, 108, 1956, №2.

34. Арнольд В.И. ДАН, 114, 1957, №4.

35. Хехт-Нильсен Р. Нейрокомпьютинг: история, состояние, перспективы // Открытые системы, 1998. № 4.

36. Hopfield J., TankD. Neural computation of decisions in optimization problems //Biological Cybernetics, 1985, vol. 52, pp. 141-152.

37. Aiyer, V., Niranjan M., Fallside F., A Theoretical investigation into the performance of the Hopfield model // IEEE Transactions on Neural Networks, 1990, vol 2, №2, pp. 204-215.

38. Nguyen D., Widrow В., "Neural Network for Self-Learning Control System", IEEE Cont. Syst. Mag., 1990.

39. Терехов B.A., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. М.: Высш. шк., 2002.

40. Albus J., "A new aproach to manipulator control: The Cerebellar model articulation Controller (CMAC)", ASME Journal of Dynamic System, Meas. and Control, pp. 220-227, 1975.

41. Albus J., "Data Storage in the cerebellar model articulation controler (CMAC)", ASME Journal of Dynamic System, Meas. and Control, pp. 228-233, 1975.

42. Betz R.E., Sathiakumar S,, Evans R.J., "An AI based controller for robotic system", Proc. of Int. Symposium and Exp. On Robots, Sydney, Australia, 6-10 Nov., 1988, p. 507-527.

43. Miller W.T., Glanz F.H., Kraft L.G., "CMAC: An associative neural network alternative to backpropagation". Proc. IEEE, 1990, vol. 78, pp. 1561-1567.

44. Homel M., "A self-organize associative memory system for control applications". Advances in Neural Information Processing Systems 2, D.S. Touretzky Ed. Los Altos, CA; Morgan Kaufmann, 1990, pp. 340-359.

45. Sira-Ramirez H.J., Zak S.H. The Adaptation of Perceptron with Aplication to Inverse Dynamics Identification of Unknown Dynamic System. IEEE Trans, on Systems, Man, and Cybernetics. Vol. 21,13, 1991, page 634-642.

46. Hunt, K.J., D. Sbarbaro, R. Zbikowski, and P.J. Gaw-throp, «Neural networks for control systems a survey», Aulo-matica, Vol. 28, pp. 1083-1112. 1992

47. Wang G., Miu D., "Unsupervising adaption neural network control", INNC'90. 1990. pp. 421-428.

48. Wang S., Yeh H., "Self-adaptive neural architectures for control application", * INNC'90. 1990. pp. 309-314.

49. Wong Y., Sideris A. "Lening convergence in the cerebellar model articulation controller" IEEE Trans, on Neural Networs, 1993, vol.3, pp. 115-121.

50. Chen F., "Back Propagation Neural Netwoks for Nonlinear Self-Turning Adaptive Control", IEEE Cont. Syst. Mag., 1990.

51. Fukuda T., Shibata T.Tokita M., Mitsuoka T., "Neural Network application for robotic motion control", Adaptation and learning. INNC'90. 1990. pp. 447 451.

52. Johnson M.A., Leahy M.B., "Adaptive model-based neural network control." IEEE Int. Conf. on Automation and Robotic. 1990. pp. 1704-1709.

53. Narenda K., Parthasathy K., "Identification and control of dynamical systems ^ using neural networks", IEEE Trans, on Neural Networks, vol. 1, No. 1, march,1990. pp. 4-27.

54. Chu S., Shoureshi R., Tenorio M., "Neural Networks for System Identification", IEEE Cont. Syst. Mag., 1990.

55. Kosmatopoulos E.B., Polucarpou M.M., Christodoulou M.A., Ioannou P.A., "High-Order Neural Networks Structures for Identification of Dynamical Systems", IEEE Trans, on Neural Networks, vol.6, N2 1995, page 422-430.

56. Karakasoglu A., Sudharasanan S. I., Sundareshan M. K., "Identification and Decentralized Adaptive Control Using Dynamical Neural Networks with Application to Robotic Manipulators", IEEE Trans, on Neural Networks, vol.4, N6 1993, page 919-929.

57. Nader Sadegh, "A Perceptron Network for Functional Identification and Control of Nonlinear Systems", IEEE Trans, on Neural Networks, vol.4, N6 1993, page 982-988.

58. Guez A., Eilbert J., Kam M., "Neural Network Architecture for Control", IEEE Cont. Syst. Mag., 1988. pp. 22-25.

59. Kohonnen T., Grosberg S., "Absolute Stability of global pattern formation and parallel memory storage by competive neural network", IEEE Trans. Syst., Man, Cybern., 1983.

60. Swinarski R., "Neural network based self-tuning PID controller with fourier transformation of temporal patterns". IE-CON'90. 1990. pp. 1227-1232.

61. Swinarski R., "Neuromorphic fuzzy variable stucture controller". IECON'90. 1990. pp. 1221-1226.

62. ZeiglerJ.C., Nichols B. Optimal settings for automatic controllers // Trans. ASME. 64. 1942. pp.759-768.

63. Glasius R., Komoda A., Gielen S. Neural Network Dynamics For Path Planning and Obstacle Avoidance // Neural Networks 8(1), 1995.

64. Hong S., Kim S., Lee J. Local Motion Planner For Nonholonomic Mobile Robots In The Presence Of The Unknown Obstacles // Proc. IEEE Intl.Conf. on Robotics and Automation, 1996

65. Каляев И.А., Гайдук A.P. Принципы построения систем планирования поведения интеллектуальных роботов на базе однородных нейроподобных структур // Материалы VIII конференции "Экстремальная робототехника". — СПб.: СПбГТУ, 1997. — С. 14-23.

66. Каляев А.В., Чернухин Ю.В., Носков В.Н., Каляев И.А. Однородные управляющие структуры адаптивных роботов. — М.: Наука, 1990.

67. Романов М.П. Управление движением высокоточного сборочного робота на основе ассоциативной памяти // «Интеллектуальные системы автоматического управления» под ред. И.М. Макарова, В.М. Лохина. -М.: ФИЗМАТЛИТ, 2001.

68. S.Amari. A theory of adaptive pattern classifiers. IEEE Trans. Electronics Computers, EC-16, 1967, pp. 297-307.

69. Теория электропривода: Учебник для ВУЗов. СПб.: Энергоатомиздат. Санкт-Петербургское отделение, 1994. - 496 с.

70. Лохин В.М., Макаров В.В., Романов М.П. Адаптивное управление на базе технологии ассоциативной памяти // «Интеллектуальные системы автоматического управления» под ред. И.М. Макарова, В.М. Лохина. -М.: ФИЗМАТЛИТ, 2001.

71. Путов В.В., Полунин И.Г. Адаптивное управление манипулятором в условиях структурно-параметрической неопределенности // VI НТК «Робототехника для экстремальных условий» Спб.: 1996. - с.163-170.

72. Путов В.В., Тимчук H.A., Руссов Д.А., Гайдым Д.А. Новые методы адаптивного управления в нелинейных электромеханических системах // Материалы VIII Научно-технической конференции "Экстремальная робототехника". СПб.: Изд-во СПбГТУ, 1997 - с.274-282.

73. Крутько П.Д. Обратные задачи динамики управляемых систем: Линейные модели. М.: Наука, 1987. - 304 с.

74. KyuraN., Oho Н. Mechatronics An Industrial Perspective. // IEEE ASME Transactions on Mechatronics, vol. 1,1, 1996.

75. ПодураевЮ.В. Основы мехатроники: Учебное пособие. М.: МГТУ «Станкин», 2000.

76. Богачев Ю.П. Мехатроника достижения и проблемы. // Приводная техника, №4, 1998.

77. Еремин Д.М. Нейросетевые алгоритмы управления манипулятором робота // Сборник научных трудов МИРЭА, 1995.

78. Макаров И.М. Искусственный интеллект близкая реальность // Вестник РАН.- 1996.- Т.66, №2 - С. 139-142.

79. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ.- М.: Мир, 1989.

80. Веселовский В.В., Трипольский П.Э. Управление мехатронными устройствами: лабораторный практикум // МИРЭА.- М., 2001.

81. Makarov I.M., Lokhin V.M. Artificial Intelligence and Complex Objects Control // The Edwin Mellen Press. Lewiston, NY, 2000.

82. Nof S.Y., FisherE.L. Analysis of robot work characteristics// The Industrial robot, September 1982, pp. 166-171.

83. Lee С. An algorithm for path connection and its applications // IEEE Trans. EC. 1961.

84. Однородные управляющие структуры адаптивных роботов / под ред. Каляева А.В., Чернухина Ю.В. М.: Наука, ФизМатЛит, 1990.

85. Коршунов Ю.М. Математические основы кибернетики. М.: Энергия, 1972.

86. Майника Э. Алгоритмы оптимизации на сетях и графах. М.: Мир, 1981.

87. Харцбергер С. и др. Мехатронные линейные приводные узлы станков с параллельной кинематикой. // Приводная техника, №5, 1998.

88. Mechatronics: the basis for new industrial development. / Editors: M.Acar, J.Macra, E.Penney, Computational Mechanics Publ., 1994.

89. EversheimW., Schernikau J. ProductDevelopment and Manufacturing for Mechatronic Production System. / Proceedings of 2-nd Int. Workshop on Intelligent Manufacturing Systems, Leuven, 1999.

90. Moore P.R. Integrated Design, Simulation and Distributed Control of Agile Modular Manufacturing Machinery. / Proceedings of 2-nd Int. Workshop on Intelligent Manufacturing Systems, Leuven, 1999.

91. Iserman R. Modelling and Design Methodology for Mechatronics Systems. // IEEE ASME Transactions on Mechatronics, vol. 1,1, 1996.

92. Мехатронные модули движения приводы машин нового поколения // Бюллетень «Новые технологии», №1-2, 1998.

93. Бушуев В.В. Мехатронные системы в станках. // СТИН, №9-10, 1998.

94. Богачев Ю.П., Петриченко В.Н. Мехатронные модули движения приводы машин нового поколения. // Приводная техника, №1, 1997.