Сегодня потребность в более эффективном управлении все более сложными динамическими системами в условиях значительной неопределенности привела к переоценке традиционных методов управления и сделала совершенно очевидной потребность в новых методах. Это также привело к более общей концепции управления, которая включает в себя принятие решений, планирование и обучение на более высоком уровне, которые являются необходимыми возможностями, когда желательна более высокая степень автономии системы. Использование нейронных сетей в системах управления можно рассматривать как естественный шаг в эволюции методологии управления для решения новых задач. Эволюция в области управления была вызвана тремя основными потребностями: необходимостью иметь дело со все более сложными системами, необходимостью выполнения все более жестких требований к проектированию и необходимостью достижения этих требований с менее точными знаниями о системе и окружающей ее среде - то есть возникает необходимость управления в условиях повышенной неопределенности. Нейронные сети предлагают новые многообещающие направления для лучшего понимания и даже для решения некоторых из самых сложных проблем управления, которые ранее были невозможны или их было очень трудно решить. Данное научное направление предлагает основные подходы к моделированию и имитации нейронных систем управления с использованием среды MATLAB/Simulink для подвижных объектов различного типа базирования - наземного, воздушного, морского (надвод-ного и подводного)- с упором на моделирование и имитацию реалистичной динамики на основе многочисленных примеров. В современном мире улучшенные параметры систем нейронного управления включают в себя такое долговременное воздействие на общество, как гибкость и надежность. Гибкость в этом контексте определяется как способность к самообучению, а надежность как возможность успешного завершения миссии, несмотря на неожиданные события. Нейроконтроллер учится на большом количестве испытаний, и, соответственно, главное его преимущество в том, что он работает автономно. Основные результаты моделирования показывают, что предлагаемые нейроконтроллеры демонстрируют производительность, сравнимую с адаптивными гибридными контроллерами, без необходимости интерактивной оценки внешних условий.
1. Igor Astrov, Neural Network Control of Vehicles: Modeling and Simulation. New York, USA: Nova Science Publishers, 2022, 220 pp.
Abstract
With progressing towards smarter cyber-physical systems, the application of artificial intelligence elements like the neural network control blocks is a fast-rising trend also.
In the tasks of controlling dynamic systems, a neural network performs several functions. First, a neural network is a nonlinear model of this system and identifies its main parameters required to generate a corresponding control signal. Secondly, the neural network performs the functions of a tracking system, monitors changing environmental conditions and adapts to them. The ability of work of the neural network in the presence of noisy signals is of great importance. Even if a signal distorted by noise or devoid of separate data fragments is fed to the input of the neural network, the neural network is able to restore the original signal complete and cleaned of noise by generating the corresponding output signal. The neural network can also act as a neuroregulator, replacing traditional regulators. So, the neural networks use enables the behaviour of such complex systems as vehicles to be modelled and accurate control because the main advantage of neural network control over traditional control is its self-learning ability.
This book describes examples of applications of major types of neural networks and neurocontrollers in modelling and control for the general class of systems which go under the name of "vehicles".
These are the following models of vehicles: the experimental aircraft, the experimental fighter aircraft, the missile autopilot, the unmanned helicopter, the autonomous underwater vehicle “r2D4”, the autonomous underwater vehicle “VORAM”, the coaxial rotor ducted-fan unmanned aerial vehicle, the vectored thrust aerial vehicle, the autonomous surface vessel, the catamaran sailboat.
All of these models are tested with the help of the MATLAB software.
2. Igor Astrov and Andrus Pedai, "Three-rate neural control of TUAV with coaxial rotor and ducted fan configuration for enhanced situational awareness", Proc. IEEE International Conference on Control, Automation and Information Sciences (ICCAIS 2012, Ho Chi Minh City, Vietnam, November 26-29, 2012), pp. 78-83.
Abstract
This paper focuses on a critical component of the situational awareness (SA), the control of autonomous vertical flight for tactical unmanned aerial vehicle (TUAV). With the SA strategy, we proposed a three-rate flight control procedure using three autonomous control subsystems to address the dynamics variation and performance requirement difference in initial, middle and final stages of flight trajectory for an unmanned helicopter model with coaxial rotor and ducted fan configuration. This control strategy for chosen model of TUAV has been verified by simulation of flight maneuvers using software package Simulink and demonstrated good performance for fast stabilization of engines during flight, consequently, fast SA with economy in energy can be asserted during search-and-rescue operations.
3. Igor Astrov and Ennu Rüstern, "Simulation of neural network and fuzzy logic hybrid control for two-rate stochastic model of an experimental aircraft", Proc. Asian Simulation Conference – 5th International Conference on System Simulation and Scientific Computing (ICSC 2002, Shanghai, China, November 3-6, 2002), pp. 852-856.
Abstract
This paper describes a two-rate stochastic control system as state-space (SS) type decentralized models of multi-input/multi-output (MIMO) stochastic subsystems with the "fast" and "slow" neural networks (NNs) and fuzzy logic (FL) control structures. An illustrative example – NN and FL hybrid control of two-rate decentralized stochastic model of a tracking system for an experimental aircraft – was carried out using the proposed two-rate SS decentralization technique. This example demonstrates that this research technique results in simplified low-order MIMO autonomous subsystems with various discretization periods and with various speeds of actuation, and shows the quality of the proposed technique. The simulation results with use of software package Simulink demonstrate that this research technique would work for real-time MIMO stochastic systems.