Особенности интеллектуализации адаптивных систем управления сложными динамическими объектами

В современных реалиях принцип адаптивности становится абсолютной необходимостью нормального функционирования сложных технических систем. Для достижения адаптивности синтез регулятора может основываться как на классической теории автоматического управления, так и на различных приближенных методах интеллектуального управления. В данной работе проведен анализ публикаций за последнее десятилетие, посвященных новым подходам к проектированию адаптивных систем управления различными подвижными объектами, имеющими приводной исполнительный механизм. Первая часть обзора посвящена классическим методам, в том числе адаптивному регулятору с эталонной моделью, и новым областям его применения в технике (для управления вибрационной машиной и платформой Стюарта). Отмечено сходство классического адаптивного управления и машинного обучения. Во второй части представлены результаты исследований, основанных на совместном использовании классического регулятора и различных интеллектуальных методов, таких как нечеткая логика, нейронные сети и машинное обучение, образующих сложные многосоставные структуры управления. Результаты показывают, что применение такого интегрированного подхода может значительно улучшить работу основного регулятора, расширив его адаптивные возможности по отношению к неопределенностям и изменению параметров, возмущениям и эффектам от нелинейностей.

1. Annaswamy A. M., Fradkov A. L. А historical perspective of adaptive control and learning // Annual Reviews in Control. 2021. Vol. 52. P. 18—41. DOI: 10.48550/arXiv.2108.11336.

2. Андриевский Б. Р., Поляхов Н. Д., Путов В. В., Шелудько В. Н. Адаптивное управление роботизированными подвижными объектами // Известия СПбГЭТУ "ЛЭТИ". 2016. № 5. С. 61—77.

3. Yao L. Adaptive cooperative tracking control for multiple surface vessel systems with random disturbance // Ocean Engineering. 2023. Vol. 286. P. 115528. DOI: 10.1016/j.oceaneng.2023.115528.

4. Li D., Wang Y., Liu Y.-J., Liu L. IBLFs-based adaptive fuzzy control for Continuous Stirred Tank Reactors with full state constraints and actuator faults // Journal of Process Control. 2023. Vol. 124. P. 14—24. DOI: 10.1016/j.jprocont.2023.02.002.

5. Каракаев А. Б., Галиев Г. А. Обзор исследований моделирования адаптивных систем автоматического управления компонентами электроэнергетических систем // Вестник гос. ун-та морского и речного флота им. адмирала С. О. Макарова. 2020. Т. 12, № 1. С. 139—153.

6. Wang J., Bo D., Ma X., Yan Z., Li Z., Miao Q. Adaptive back-stepping control for a permanent magnet synchronous generator wind energy conversion system // International Journal of Hydrogen Energy. 2019. Vol. 44, N. 5. P. 3240—3249. DOI: 10.1016/j.ijhydene.2018.12.023.

7. Wang S.-Y., Tseng C.-L., Chiu C.-J. Design of a novel adaptive TSK-fuzzy speed controller for use in direct torque control induction motor drives // Applied Soft Computing. 2015. Vol. 31. P. 396—404. DOI: 10.1016/j.asoc.2015.03.008.

8. Noye S., Mulero Martinez R., Carnieletto L., De Carli M., Castelruiz A. A. А review of advanced ground source heat pump control: Artificial intelligence for autonomous and adaptive control // Renewable and Sustainable Energy Reviews. 2022. Vol. 153. P. 111685. DOI: 10.1016/j.rser.2021.111685.

9. Справочник по теории автоматического управления / Под ред. А. А. Красовского. М.: Наука, 1987. 712 с.

10. Landau I. Adaptive control: the model reference approach. N. Y.: Marcel Dekker, 1979. 432 p.

11. Фрадков А. Л. Адаптивное управление в сложных системах: беспоисковые методы. М.: Наука, 1990. 292 c.

12. Annaswamy А. Adaptive control and intersections with reinforcement learning // Annual Review of Control, Robotics, and Autonomous Systems. 2023. Vol. 6. P. 65—93. DOI: 10.1146/annurev-control-062922-090153.

13. Томчина О. П., Горлатов Д. В., Томчин Д. А., Свенцицкая Т. А. Алгоритм адаптивного управления механическими системами с неявной эталонной моделью и фильтрацией // Информатика и системы управления. 2018. Т. 3, № 57. С. 124—130. DOI: 10.22250/isu.2018.57.124-130.

14. Круглов С. П., Ковыршин С. В., Аксаментов Д. Н. Адаптивное управление двухмаятниковым подвесом мостового крана // Мехатроника, автоматизация, управление. 2022. Т. 23, № 9. С. 451—461. DOI: 10.17587/mau.23.451-461.

15. Zaitceva I., Andrievsky В. Adaptive multiple synchronization and rotors phase shift tracking for two-rotor vibration machine // Materials Physics and Mechanics. 2022. Vol. 50, N. 2. P. 216—225. DOI: 10.18149/MPM.5022022_3.

16. Andrievsky B., Kuznetsov N. V., Kudryashova E. V., Kudznetsova O. A., Zaitceva I. Signal-parametric discrete-time adaptive controller for pneumatically actuated Stewart platform // Control Engineering Practice. 2023. Vol. 138. P. 105616. DOI: 10.1016/j.conengprac.2023.105616.

17. Уткин В. И. Скользящие режимы и их применения в системах с переменной структурой. М.: Наука, 1974. 272 c.

18. Мышляев Ю. И., Финошин А. В., Нгуен Т. Т. Адаптивное управление свободными колебаниями электромеханических системам // Мехатроника, автоматизация, управление. 2020. Т. 21, № 7. С. 412—419. DOI: 10.17587/mau.21.412-419.

19. Valenzuela F., Ramirez R., Martinez F., Morfin O., Castaneda C. Super-Twisting Algorithm Applied to Velocity Control of DC Motor without Mechanical Sensors Dependence // Energies. 2020. Vol. 13. P. 6041. DOI: 10.3390/en13226041.

20. Леонов Г. А., Андриевский Б. Р. Управление летательными аппаратами с AW-коррекцией // Дифференциальные уравнения и процессы управления. 2012. № 3. С. 1—36.

21. Turner M. C., Sofrony J., Prempain E. Anti-windup for model-reference adaptive control schemes with rate-limits // Systems and Control Letters. 2020. Vol. 137. P. 104630.

22. Кузьменко А. А. Робастное управление синхронным двигателем с постоянными магнитами: синергетический подход // Мехатроника, автоматизация, управление. 2020. Т. 21, № 8. С. 480—488. DOI: 10.17587/mau.21.480-488.

23. Зайцева Ю. С. Методы искусственного интеллекта для задач управления робототехническими и мехатронными системами: обзор // Изв. Вузов. Машиностроение. 2024. Т. 1, № 766. С. 41—56. DOI: 10.18698/0536-1044-2024-01-41-56.

24. Магергут В. З., Соболев А. В., Егоров А. Ф., Вент Д. П. Синтез и анализ адаптивных позиционных систем автоматического управления / Под ред. академика Вента Д. П. Новомосковск: РХТУ им. Д. И. Менделеева. Новомосковский институт, 2006. 260 c.

25. Варламов Д. Б., Савчиц А. В. Разработка и исследование эффективности алгоритма адаптивного регулятора // Инженерный вестник Дона. 2019. № 1. С. 1—9.

26. Серебренный В. В., Бошляков А. А., Огородник А. И. Релейные регуляторы тока электроприводов с адаптацией ширины петли гистерезиса // Материалы XX Всеросс. мультиконференции по проблемам управления. 2017. С. 177—180.

27. Соболев А. В., Соболева Ю. В. Адаптивный трехпозиционный регулятор с нечетким алгоритмом перенастройки средней позиции // Вестник межд. академии системных исследований. 2008. Т. 11, № 1. С. 66—72.

28. Крюков О. В., Мещеряков В. Н., Сычев М. Н., Ипполитов В. А. Системы интеллектуального электропривода переменного тока с релейными регуляторами и адаптивными корректирующими устройствами. Москва-Вологда: "Инфра-Инженерия", 2022. 140 с.

29. Самосейко В. Ф. Адаптивный алгоритм векторного управления электроприводами с асинхронными электродвигателями // Вестник гос. унив-та морского и речного флота им. ак. С. О. Макарова. 2019. Т. 11, № 1. С. 156—168.

30. Пыркин А. А., Бобцов А. А., Ведяков А. А., Базылев Д. Н., Синетова М. М. Адаптивный наблюдатель магнитного потока для неявнополюсного синхронного двигателя с постоянными магнитами в условиях шумов в измерениях силы тока и напряжения // Мехатроника, автоматизация, управление. 2019. Т. 20, № 4. С. 215—218. DOI: 10.17587/mau.20.215-218.

31. Черный С. П., Соловьев В. А., Бузикаева А. В., Сухоруков С. И. Один из подходов к моделированию двухкаскадной нечеткой системы управления электроприводом постоянного тока с двухзонным регулированием скорости // Промышленная электроника, автоматика и системы управления. 2022. Т. 2, № 55. С. 32—39.

32. Карандеев Д. Ю., Энгель Е. А. Прямое управление моментом асинхронного двигателя с использованием адаптивного нейроконтроллера в условиях неопределенности // Интернет-журнал "Науковедение". 2015. Т. 5, № 30. С. 1—9.

33. Zhu Q., Shang H., Lu X., Chen Y. Adaptive sliding mode tracking control of underwater vehicle-manipulator systems considering dynamic disturbance // Ocean Engineering. 2024. Vol. 291. P. 116300. DOI: 10.1016/j.oceaneng.2023.116300.

34. Zhao L., Li Z., Li H., Liu В. Backstepping integral sliding mode control for pneumatic manipulators via adaptive extended state observers // ISA Transactions. 2023. DOI: 10.1016/j.isatra.2023.10.014.

35. Han J. From PID to active disturbance rejection control // IEEE Trans Ind Electron. 2009. Vol. 56, N. 3. P. 900—906. DOI: 10.1109/TIE.2008.2011621.

36. Кешткар С., Позняк А. С., Хернандез Э., Оропеса А. Адаптивный регулятор на скользящих режимах, основанный на "супер-твист" наблюдателе состояний с применением к регулированию платформы Стюарта // Автоматика и Телемеханика. 2017. T. 7. С. 57—75. DOI: 10.1134/S0005117917070049.

37. Feng H., Jiang J., Chang X., Yin C., Cao D., Yu H., Li C., Xie J. Adaptive sliding mode controller based on fuzzy rules for a typical excavator electro-hydraulic position control system // Engineering Applications of Artificial Intelligence. 2023. Vol. 126. P. 107008. DOI: 10.1016/j.engappai.2023.107008.

38. Zhang F., Meng D., Li X. Chattering-free adaptive iterative learning for attitude tracking control of uncertain spacecraft // Automatica. 2023. Vol. 151. P. 110902. DOI: 10.1016/j.automatica.2023.110902.

39. Su X., Yang X., Xu Y. Adaptive parameter learning and neural network control for uncertain permanent magnet linear synchronous motors // Journal of the Franklin Institute. 2023. Vol. 360, N. 16. P. 11665—11682. DOI: 10.1016/j.jfranklin.2023.09.016.

40. Na J., Wang S., Liu Y., Huang Y., Xuemei R. FiniteTime Convergence Adaptive Neural Network Control for Nonlinear Servo Systems // IEEE Transactions on Cybernetics. 2019. Vol. PP. P. 1—12. DOI: 10.1109/TCYB.2019.2893317.

41. Sutton R., Barto A., Williams R. Reinforcement learning is direct adaptive optimal control // IEEE Control Systems Magazine. 1992. Vol. 12, N. 2. P. 19—22. DOI: 10.1109/37.126844.

42. Li Z., Wang M., Ma G. Adaptive optimal trajectory tracking control of AUVs based on reinforcement learning // ISA Transactions. 2023. Vol. 137. P. 122—132. DOI: 10.1016/j.isatra.2022.12.003.