Грант РФФИ № 18-47-310003 р

На кафедре Автоматизированных и информационных систем управления (АИСУ) СТИ НИТУ «МИСиС» производится выполнение гранта Российского фонда фундаментальных исследований (РФФИ) № 18-47-310003 р_а на тему «Разработка метода нейросетевого управления двухколесным балансирующим роботом в режиме реального времени». Руководителем темы является заведующий кафедрой АИСУ д.т.н., профессор Еременко Юрий Иванович.
Период выполнения гранта: 2018-2020 гг.

В 2020-2021 гг. исполнителями по данной теме являлись:

Глущенко А.И, д.т.н., доц.
Семенов М.Е., д.ф-м.н., проф.
Полещенко Д.А., к.т.н., доц.
Петров В.А., к.т.н.
Фомин А.В., к.т.н.
Цыганков Ю.А., ассистент
Ласточкин К.А., магистрант

В процессе выполнения НИР за 2020-2021 гг. были достигнуты следующие основные результаты:

1) С использованием второго метода Ляпунова и концепции Ultimate Uniform Boundedness (предельной равномерной ограниченности) выполнен анализ устойчивости замкнутой системы нейросетевого управления без ограничений на моменты и скорости обучения нейронной сети регулятора. Показано, что устойчивость и равномерная предельная ограниченность всех сигналов замкнутой системы управления в этом случае не гарантируется, а использование нейросетевых регуляторов требует дополнительных ограничений на моменты времени обучения и скорости обучения нейронной сети регулятора. Этот результат теоретически подтверждает эффективность и необходимость использования ограничений.

2) В дополнение к ограничениям на скорость обучения нейронной сети регулятора предложены модифицированные законы настройки параметров нейронной сети, позволяющие:

а) минимизировать дрейф значений параметров нейрорегулятора (весовых коэффициентов и смещений) в условиях наличия помех и возмущений различной природы (изменения центра тяжести, массы, угла наклона поверхности, "толкающих усилий", действующих на тело робота);

б) улучшить точность обучения нейрорегулятора, а также ускорить сходимость процесса настройки его параметров.

Путем объединения результатов за 2019 год с полученными на данном этапе, разработана универсальная для двухколесных балансирующих роботов база ограничений на оперативное обучение нейрорегулятора, позволяющая: 1) изменять скорость обучения нейронной сети в зависимости от соотношения значений рассогласований по всем измеряемым координатам (что позволяет избежать ситуации, когда скорость переходного процесса недостаточна, и ситуации возникновения автоколебаний при входе в установившийся режим), 2) избежать дрейфа значений параметров нейронной сети в установившемся режиме работы объекта и при действии возмущений.

3) С использованием второго метода Ляпунова и концепции Ultimate Uniform Boundedness выполнена оценка устойчивости замкнутой системы управления балансирующим роботом с нейросетью c дополненной базой ограничений, разработанной в п.2. В отличие от результата, полученного ранее в 2019 году, для итоговой системы нейросетевого управления балансирующего робота гарантирована и локальная устойчивость (в текущий момент времени) и глобальная асимптотическая устойчивость, что является более строгим результатом, позволяющим во все моменты времени предотвращать переход робота в неустойчивое состояние – фактически и практически, «защищать» его от падения.

4) Проведены эксперименты по сравнению LQ регулятора и предложенной нейросетевой системы управления c дополненной базой ограничений. В экспериментах валидированы теоретические результаты и показана эффективность разработанного метода нейросетевого управления, который, в отличие от LQ регулятора позволяет поддерживать заданные требования по качеству переходных процессов робота в условиях изменения в широких пределах параметров робота и эффективно компенсировать возмущения различной природы (изменения центра тяжести, массы, угла наклона поверхности, "толкающих усилий", действующих на тело робота).

5) По результатам исследований опубликованы научные статьи.

Результаты, полученные за 2020 год, позволяют сделать заключение о решении сформулированных в заявке и отчете за 2019 год задач на 2020 год.

Основные публикации коллектива исполнителей НИР за 2020-2021 гг.:

1) Glushchenko A. I., Lastochkin K. A., Petrov V. A. Stability Assessment of Direct Neural Control Scheme with Reference Model using Online and Offline Training. Proceedings of International Siberian Conference on Control and Communications (SIBCON). – IEEE, 2021. – P. 1-5.

2) Глущенко А.И., Петров В.А., Ласточкин К.А. Адаптивное нейросетевое управление нелинейными объектами c дефицитом каналов управления на примере двухколесного балансирующего робота // Проблемы управления. – 2021. – №5. – С.1-15.

3) Glushchenko A., Petrov V., Lastochkin K. Backpropagation method modification using Taylor series to improve accuracy of offline neural network training // Procedia Computer Science. – 2021. – Vol. 186. – P. 202-209.

4) Glushchenko A. I., Petrov V. A., Lastochkin K. A. Method of Real Time Calculation of Learning Rate Value to Improve Convergence of Neural Network Training. Proceedings of International Conference on Artificial Intelligence and Soft Computing. – Springer, Cham, 2020. – P. 103-113.

5) Глущенко А. И., Петров В. А., Ласточкин К. А. Повышение качества управления электродвигателем постоянного тока на основе его линеаризации и компенсации немоделируемой динамики // Управление большими системами. – 2020. – Т. 86. – С. 55-97.

6) Глущенко А. И. Петров В.А., Ласточкин К.А. О влиянии коэффициента скорости адаптации на сходимость в градиентных схемах идентификации. Материалы XIII мультиконференции по проблемам управления (МКПУ-2020). – СПб.: АО «Концерн «ЦНИИ «Электроприбор», 2020. – С. 353-356.

7) Glushchenko A. I., Petrov V. A., Lastochkin K. A. Adaptive Cascade Control of DC Motor under Condition of Parametric Uncertainty Using Lyapunov Stability Criterion. Proceedings of 2021 International Siberian Conference on Control and Communications (SIBCON). – IEEE, 2021. – P. 1-6.

8) Glushchenko A., Petrov V., Lastochkin K. Robust method to provide exponential convergence of model parameters solving linear time‐invariant plant identification problem // International Journal of Adaptive Control and Signal Processing. – 2021.– Vol.35. – No. 6. – P. 1120-1137.

9) Glushchenko A., Petrov V., Lastochkin K. Reference Model Hedging under Conditions of Bounded Control Action Signal to Implement Adaptive Control of DC Drive. Proceedings of 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). – IEEE, 2020. – P. 836-841.

10) Glushchenko A. I., Petrov V. A., Lastochkin K. A. Adaptive control system with a variable adjustment law gain based on the recursive least squares method // Automation and Remote Control. – 2021. – Vol. 82. – No. 4. – P. 619-633.

11) Glushchenko A. I., Petrov V. A., Lastochkin K. A. I-DREM: Relaxing the Square Integrability Condition // Automation and Remote Control. – 2021. – Vol. 82. – No. 7. – P. 1233-1247.

В 2019 году исполнителями по данной теме являлись:

Еременко Ю.И., д.т.н., проф.
Глущенко А.И, к.т.н., доц.
Семенов М.Е., д.ф-м.н., проф.
Полещенко Д.А., к.т.н., доц.
Петров В.А., ассистент
Фомин А.В., к.т.н.
Цыганков Ю.А., аспирант
Ласточкин К.А., студент

В процессе выполнения НИР за 2019 год были достигнуты следующие основные результаты:

1) Для обеспечения стабильной работы системы управления балансирующим роботом предложен подход к ограничению оперативного обучения нейронной сети регулятора, отражающий особенности управления рассматриваемым объектом. Данный подход основан на оригинальной комбинации разработанной в 2018 году базы правил, содержащей алгоритм выбора знака корректировок весов нейронной сети, с законом определения верхнего допустимого предела скорости оперативного обучения нейронной сети в текущий момент времени. База правил была получена на основе анализа полученной ранее математической модели робота балансира, а также путем обработки априорно известной информации о режимах его функционирования.

Закон определения верхнего допустимого предела скорости оперативного обучения нейронной сети получен аналитически с помощью второго метода Ляпунова, что позволяет, учитывая требование к устойчивости балансирующего робота, ограничивать оперативное обучение нейронной сети регулятора в моменты времени, когда оно может привести к неустойчивости балансирующего робота.

С практической точки зрения предлагаемый подход к ограничению оперативного обучения нейронной сети позволяет обеспечивать устойчивость замкнутой системы управления роботом балансиром в процессе оперативного обучения нейронной сети регулятора. Сочетание нейронной сети и разработанной системы правил и ограничений и составляет метод нейросетевого управления робота балансера, не требующий модели объекта и обеспечивающий оперативное обучение такой сети.

2) На основе результатов практического применения разработанной системы на математической модели и на реальном балансирующем роботе сделан вывод об эффективности предлагаемого подхода. Разработанный подход к ограничению оперативного обучения нейронной сети позволяет, во-первых, повысить качество управления балансирующим роботом по сравнению с LQ регулятором, а во-вторых, обеспечивает при этом устойчивость балансирующего робота по его координатам состояния с точки зрения специальных критериев, полученных на основе второго метода Ляпунова и использованных для определения верхнего допустимого предела скорости обучения нейронной сети регулятора.

3) Получены результаты экспериментальных исследований на модели балансирующего робота и реальном роботе на платформе EV3.Предлагаемый подход к ограничению оперативного обучения нейронной сети позволил избавиться от выявленных недостатков нейронной сети, разработанной за первый год исследования. В частности, позволил обеспечить устойчивость нейронной сети регулятора в процессе оперативного обучения и уменьшить отклонение по координате θint от задания по сравнению с решением, полученным в 2018 году.

4) На основе всех полученных результатов за первый и второй год исследования предложен способ применения разработанного нейросетевого подхода для синтеза адаптера в адаптивной системе управления балансирующим роботом с эталонной моделью (model reference adaptive control system) в условиях нестационарностей его параметров. При этом нейросетевой регулятор по оригинальной технологии, разработанной в 2018 году, встраивался в уже существующий контур управления роботом с классическим LQ регулятором. В экспериментах, проведенных на модели балансирующего робота, разработанная система позволила обеспечить заданное качество регулирования балансирующим роботом при изменении его массы относительно номинальной. Во всех таких экспериментах по сравнению с классическим LQ регулятором, предлагаемый подход, позволил повысить качество регулирования. А по сравнению с нейронной сетью без базы правил и ограничений предлагаемый подход позволил обеспечить устойчивость замкнутой системы управления роботом балансиром.

5) По результатам исследований опубликованы научные статьи.

6) Подготовлен и оформлен отчет о проделанной работе. Полученные результаты являются новыми и соответствуют современному научному уровню в рассматриваемой предметной области.

Все цели и задачи проекта на 2019 год выполнены полностью. Все запланированные результаты достигнуты.

Основные публикации коллектива исполнителей НИР за 2019 год:

1) Glushchenko A.I., Petrov V.A., Lastochkin K.A. Development of Two-Wheeled Bal-ancing Robot Optimal Control System based on Its Feedback Linearization. Proceedings of 2019 In-ternational Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon). – IEEE, 2019. – P.1-6.

2) Glushchenko A.I., Petrov V.A., Serov M.Yu. PI-controller Fuzzy Tuner Based on Tran-sient Quality Estimation to Control DC Drive Speed. Proceedings of 2019 1st International Confer-ence on Control Systems, Mathematical Modelling, Automation and Energy Efficiency (SUMMA). – IEEE,2019. – P.1-6.

3) Glushchenko A.I., Petrov V.A., Lastochkin K.A. Development of Balancing Robot Control System on the Basis of the Second Lyapunov Method with Setpoint-Adaptive Step Size. Proceedings of 2019 XXI International Conference Complex Systems: Control and Modeling Problems (CSCMP). – IEEE, 2019. – P.1-6.

4) Glushchenko A.I., Petrov V.A., Lastochkin K.A. Method of Maximum Permitted Learning Rate Calculation for Neural Controller of Balancing Robot. Proceedings of IEEE International Siberian Conference on Control and Communications. – IEEE, 2019. – P.1-5.

5) Глущенко А.И., Петров В.А., Ласточкин К.А. Нейросетевая адаптация LQ закона управления двухколесным балансирующим роботом // Системы управления и информационные технологии. – 2019. – №4(78). – С.4-9.

6) Глущенко А.И., Петров В.А., Ласточкин К.А. Разработка адаптивной системы управления балансирующим роботом на основе второго метода Ляпунова с переменным шагом настройки // Мехатроника. Автоматизация. Управление. – 2020. – №5. – С. 312-320.

7) Глущенко А.И., Петров В.А., Ласточкин К.А. Синтез системы управления балансирующим роботом на основе второго метода Ляпунова. XII Мультиконференция по проблемам управления (МКПУ-2019): материалы всероссийской мультиконференции (Дивноморское, Геленджик, 23–28 сентября 2019 г.). – Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2019. – Т.2. – С.55-57.

8) Глущенко А.И., Ласточкин К.А., Еременко Ю.И., Петров В.А. Оценка влияния нелинейностей на качество управления балансирующим роботом. Материалы Шестнадцатой Всероссийской научно-практической конференции с международным участием, 09-10 декабря 2019 г. / редколлегия: Ю.И. Еременко, Е.В. Ильичева, Л.Н. Крахт, А.А. Кожухов, А.В. Макаров, С.Н. Востокова – Старый Оскол: СТИ НИТУ «МИСиС», 2019. – С.369-374.

9) Глущенко А.И., Петров В.А. Нейросетевая настройка регулятора скорости при управлении электроприводом на базе Sinamics DCM. XII Мультиконференция по проблемам управления (МКПУ-2019): материалы всероссийской мультиконференции (Дивноморское, Геленджик, 23–28 сентября 2019 г.). – Ростов-на-Дону; Таганрог: Издательство Южного федерального университета, 2019. – С.95-97.

10) Глущенко А.И., Петров В.А., Ласточкин К.А. Вычисление допустимой скорости обучения нейросетевого регулятора в задаче стабилизации балансирующего робота. Труды XIII Всероссийского совещания по проблемам управления ВСПУ-2019. – М.: ИПУ РАН, 2019. – С.2101-2106.

В 2018 году исполнителями по данной теме являлись:

Еременко Ю.И., д.т.н., проф.
Глущенко А.И, к.т.н., доц.
Семенов М.Е., д.ф-м.н., проф.
Полещенко Д.А., к.т.н., доц.
Петров В.А., ассистент
Фомин А.В., к.т.н.
Цыганков Ю.А., аспирант
Ласточкин К.А., студент

В процессе выполнения НИР за 2018 год были достигнуты следующие основные результаты:

1) Разработан способ выбора структуры нейронной сети – регулятора для робота балансира. Согласно ему: а) в соответствии с количеством координат состояний, описывающих объект, выбирается количество входных нейронов; б) число нейронов на скрытом слое выбирается равным числу нейронов на входном слое; в) количество выходных нейронов выбирается равным числу доступных управляющих воздействий; г) функции активации на скрытом и выходном слое выбираются линейными. Данный метод является математически обоснованным и позволяет не проводить множество поисковых экспериментов по выборку структуры нейронной сети. С практической точки зрения этот метод облегчит последующий синтез подобных регуляторов для других балансирующих роботов;

2) Разработана математическая модель в пространстве координат состояний робота балансера на базе реального робота на платформе EV3, выполнена оценка наблюдаемости и управляемости объекта управления;

3) Предложен алгоритм, определяющий знаки коррекции весовых коэффициентов нейронной сети в режиме стабилизации в положении неустойчивого равновесия и режиме выполнения пользовательского задания по движению и стабилизации. Согласно проведенному анализу, данный алгоритм является новым и позволяет учитывать режим работы робота, обеспечивая необходимое качество управления по всем координатам;

4) Реализованы системы управления роботом балансером на основе LQR-регулятора и ПИД-регулятора, а также выбранной нейронной сети;

5) Результаты экспериментальных исследований по применению нейросетевого регулятора, LQR регулятора, ПИД-регуляторов в контуре управления балансирующим роботом. Показана эффективность применения нейросетевого регулятора с выбранной структурой;

6) По результатам исследований опубликованы статьи, перечень которых приведен в отчете в системе КИАС РФФИ.

7) Подготовлен и оформлен отчет о проделанной работе.

Основные публикации коллектива исполнителей НИР за 2018 год:

1) Glushchenko A.I., Petrov V.A., Lastochkin K.A. Adaptive neural network based control of balancing robot in real time mode // CEUR Workshop Proceedings. – 2018. –Vol.2258. – P.168-178.
2) Glushchenko A.I., Petrov V.A., Lastochkin K.A. On Development of Neural Network Controller with Online Training to Control Two-Wheeled Balancing Robot. Proceedings of the 2018 International Russian Automation Conference (RusAutoCon). – IEEE, 2018. – P.1-6.
DOI: 10.1109/RUSAUTOCON.2018.8501692.
3) Глущенко А.И., Петров В.А., Ласточкин К.А. О применении оперативного обучения для нейросетевого регулятора при управлении двухколесным балансирующим роботом // Системы управления и информационные технологии. – 2018. – №3(73). – С. 27-32.
4) Глущенко А.И., Петров В.А., Ласточкин К.А. Адаптивное нейросетевое управление балансирующим роботом в реальном масштабе времени. Управление большими системами: сборник трудов XV Всероссийской школы-конференции молодых ученых: в 2-х томах / С.А. Баркалов; ФГБОУ ВО «Воронежский государственный технический университет» – Воронеж: Изд-во ВГТУ, 2018. – Т.2. – С. 18-25.
5) Глущенко А.И., Петров В.А., Ласточкин К.А. Сравнение LQR и нейросетевого регуляторов балансирующим роботом при его стабилизации на наклонной плоскости. Современные проблемы горно-металлургического комплекса. Наука и производство: материалы Пятнадцатой Всероссийской научно-практической конференции, 21-23 ноября 2018 г. – Старый Оскол, СТИ НИТУ «МИСиС», 2018. – С. 335-341.
6) Глущенко А.И., Петров В.А., Ласточкин К.А. Нейросетевое управление балансирующим роботом в режиме следования пользовательским уставкам. Современные сложные системы управления HTCS'2018: сборник трудов XIII Международной научно-практической конференции / под общ. ред. Ю. И. Еременко. – Москва : ИПУ РАН; Старый Оскол : СТИ НИТУ «МИСиС»; Старый Оскол : ТНТ, 2018. – С. 64-68 с.
7) Еременко Ю.И., Петров В.А., Ласточкин К.А. Решение задачи стабилизации балансирующего робота на платформе LEGO EV3 с использованием LQR регулятора. XIII Всероссийская научно-практическая конференция студентов и аспирантов СТИ НИТУ «МИСиС». – Старый Оскол: СТИ НИТУ «МИСиС», 2018. –С. 156-158.

Грант РФФИ № 18-47-310003 р_а