1. Научни трудове, включени - Технически Университет - София
1. Научни трудове, включени - Технически Университет - София 1. Научни трудове, включени - Технически Университет - София
практически области като моделиране и управление на системи, обработка на сигнали и разпознаванена образи.2. Научни трудове извън монографичния трудСтатии в международни научни списания клас А (с Impact Factor)2.1 N. G. Shakev, A. V. Topalov, O. Kaynak and K. B. Shiev, “Comparative Results onStabilization of the Quad-rotor Rotorcraft Using Bounded Feedback Controllers”, представендоклад на International Conference on Unmanned Aircraft Systems, ICUAS’11, Denver,Colorado, USA, 24-25 May, 2011, приет за отпечатване в Journal of Intelligent and RoboticSystems, Springer-Verlag.Резюме. През последните години автономните въздухоплавателни апарати намират все по-голямоприложение както в гражданската, така и във военната област. С напредъка на технологиите, чрезизползване на малки летателни апарати, стана възможно да бъдат тествани ефективно и с по-малкиразходи различни концепции за управление на автономния полет и различни проектни решения. Встатията се изследва проблема за създаване на стабилизиращо управление на четирироторенвинтокрилен летателен апарат чрез използване на управляващи устройства с обратна връзка сналожени ограничения. За управление на ъгъла на крена и ъгъла на тангажа при четирироторниявинтокрил са приложени и изследвани пет нелинейни закона, съдържащи елементи с насищане.Първоначално тези закони са били предложени за глобално стабилизиращо управление на системи смножество интегратори. Получените резултати от симулиран автономен полет, както ипроведените полетни експерименти в реално време с четирироторен миниатюрен винтокрилен апаратDraganflyer V Ti са анализирани по отношение на структурната простота на схемите за управление ипреходната характеристика на затворената система.2.2 A. V. Topalov, Y. Oniz, E. Kayacan and O. Kaynak, “Neuro-Fuzzy Control of AntilockBraking System Using Sliding Mode Incremental Learning Algorithm”, Neurocomputing,Elsevier, vol. 74, issue 11, pp. 1883-1893, 2011.Резюме. Предложен е метод за невронно-размито адаптивно управление на нелинейни системи,характеризиращи се с наличие на неточности и/или неопределености в динамичния модел. Методът еприложен при проектиране на регулатор на приплъзването на колелата при спиране отантиблокъровъчната система на автомобил. Приложената схема за управление се състои отконвенционален регулатор и регулатор, реализиран с размита невронна мрежа. Конвенционалниятрегулатор служи за гарантиране на асимптотичната устойчивост в компактно пространство и катоинверсен еталонен модел на реакцията на управляваната система. Неговият изходен сигнал се използвакато сигнал на грешката от инкрементален алгоритъм за обучение, актуализиращ параметрите наневронно-размития регулатор. По този начин последният е в състояние постепенно да изместиконвенционалния регулатор от управлението на системата. Предложеният нов алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, което води грешката приобучение към нулата. Поведението на управляващата схема е тествано първоначално симулационно всредата на MATLAB за управление на припръзването на колелата на автомобил по време на спиране,като за целта е използван динамичен модел на антиблокировъчна система, разработен от фирмаINTECO. Проведени са и експерименти в реално време със стенд на антоблокировъчна системапроизводство на същата фирма. Аналитично получените изводи са експериментално проверени вусловията на налични неопределености и неточности в модела, както и при големи начални грешки.2.3 A. V. Topalov, O. Kaynak and G. Aydin, “Neuro-Adaptive Sliding-Mode TrackingControl of Robot Manipulators”, International Journal of Adaptive Control and SignalProcessing, vol. 21, issue 8-9, pp. 674-691, 2007.Резюме. В тази статия е представен нов динамичен алгоритъм за онлайн обучение с приложение приробастното безмоделно (model-free) невронно-адаптивно управление на клас нелинейни системи снеопределености и/или неточности в динамиката. Алгоритъмът е тестван експериментално за да бъдеоценена работата и практическата му приложимост в индустриална среда. Изследваното приложениее задача за траекторно следене при първите три стави на антропоморфен робот-манипулатор сотворена архитектура. Схемата за управление използва принципи от теорията на системите спроменлива структура и концепцията за обучение по грешката в затворената система (feedback-errorlearning).Установява се вътрешно хлъзгащо движение по отношение на параметрите на невронния8
регулатор, целящо отвеждане към нулата на грешката в неговия управляващ сигнал. Външнотохлъзгащо движение касае управляваната система, чийто вектор на следящата грешка по състояниеедновременно е воден към началото на фазовото пространство. Показана е съществуващата връзкамежду двете хлъзгащи движения. Получените експериментални резултати илюстрират, чепредложеният, базиран на невронна мрежа, регулатор притежава забележителна способност заобучение по отношение на управлението на сложни динамични системи, почти без да изисквапредварителни знания за динамиката на обекта и трудоемки процедури по запуска на системата.2.4 A. V. Topalov, G. L. Cascella, V. Giordano, F. Cupertino and O. Kaynak, “Sliding ModeNeuro-Adaptive Control of Electric Drives”, IEEE Transactions on Industrial Electronics,vol. 54, issue 1, pp. 671-679, 2007.Резюме. Представен е един иновативен метод за онлайн трениране на реализирани с невронни мрежирегулатори, базиран на принципи от теорията за системите с променлива структура. Методът еприложен за управление на скоростта на електрически двигатели. Предложеният обучаващ алгоритъмустановява вътрешно хлъзгащо движение по отношение на параметрите на регулатора, водещо къмнула грешката в управляващия сигнал. Външното хлъзгащо движение касае управляванияелектродвигател, чийто вектор на следящата грешка по състояние е паралелно принуждаван да сепремества към началото на фазовото пространство. Демонстрирана е съществуващатаеквивалентност между двете хлъзгащи движения. За да бъде оценена работата на предложенатасхема за управление и нейната практическа осъществимост в индустриални условия са проведениекспериментални тестове с електрозадвижвания. Дискутирани са ключови проблеми катоадаптируемост, изчислителна тежест и робастност. Получените експериментални резултатипоказват, че предложеният невронен регулатор на скоростта притежава много добра способност дабъде обучен за управление на електрозадвижвания, почти без да изисква предварителни знания задинамиката на обекта и трудоемки процедури по запуска на системата.2.5 A. V. Topalov and O. Kaynak, “Neural Network Modeling and Control of Cement MillsUsing a Variable Structure Systems Theory Based On-line Learning Mechanism”, Journal ofProcess Control, vol.14, pp.581-589, 2004.Резюме. Добре известно е, че основната причина за неустойчивост при циментовите мелници виндустрията е така нареченото явление задръстване на мелницата. В статията е представена нова,използваща невронна мрежа, адаптивна схема на управление на оборудването за смилане нациментовия клинкер, която е способна изцяло да предотврати задръстването на мелницата. Оценкитена грешките в управляващите сигнали се изчисляват с една стъпка напред посредством невроненпредсказващ модел на обекта и се използват за настройка на регулатора. За адаптацията нарегулатора и на модела на обекта е приложен робастен онлайн алгоритъм, основан върху прякотоизползване на принципи от теорията за управление в режим на хлъзгане. Предложеният подходпозволява на системата да се справя със съществуващи несъответствия, неопределености ипараметрични промени в модела на мелницата. Симулационните резултати показват, че невронниятмодел и регулаторът наследяват някои от преимуществата на метода за управление в режим нахлъзгане, като робастност по отношение на съществуващи неточности и/или неопределености вмодела на обекта. Освен това обучението се реализира сравнително бързо.2.6 A. V. Topalov and O. Kaynak, "On-Line Learning in Adaptive Neurocontrol Schemeswith a Sliding Mode Algorithm," IEEE Transactions on Systems, Man and Cybernetics, PartB, vol.31, no: 3, pp. 445-450, 2001.Резюме. Представени са отличителните черти на една нова адаптивна схема за невронно управлениена нелинейни обекти, реализираща подобен на ПИД закон. Настройката на регулатора се основава наопределяне на оценка на грешката в управляващия сигнал чрез използване на невронен предсказващмодел. Приложен е робастен, работещ онлайн алгоритъм за обучение, пряко използващ принципи оттеорията за управление в режим на хлъзгане (SMC). Предложеният подход позволява на системата дасе справи със съществуващи несъответствия, неопределености и параметрични промени. Резултатитепоказват, че невронният модел и регулаторът наследяват някои от преимуществата на метода зауправление в режим на хлъзгане, като робастност по отношение на съществуващи неточности и/илинеопределености и висока скорост на обучение.2.7 A. V. Topalov, J. -H. Kim, and T. Ph. Proychev, “Fuzzy-Net Control of Non-HolonomicMobile Robot Using Evolutionary Feedback-Error-Learning”, Robotics and AutonomousSystems, Vol. 23, Issue 3, Elsevier, (ISSN 0921-8890), pp. 187-200, 1998.Резюме. Стандартните подходи при проектиране на управлението на нехолономни мобилни роботиотчитат само кинематиката на робота, игнорирайки динамиката му. Неотдавна бе разработенустойчив алгоритъм за управление, който взема под внимание пълната динамика на мобилния робот,9
- Page 3 and 4: окуражаващи, показ
- Page 5 and 6: 1.13 E. Kayacan, Y. Oniz, O. Kaynak
- Page 7: Conference on Systems, Man and Cybe
- Page 11 and 12: постигнато добро к
- Page 13 and 14: Резюме. Представен
- Page 15 and 16: Проложената обрабо
- Page 17: 3. Учебници и учебни
практически области като моделиране и управление на системи, обработка на сигнали и разпознаванена образи.2. <strong>Научни</strong> <strong>трудове</strong> извън монографичния трудСтатии в международни научни списания клас А (с Impact Factor)2.1 N. G. Shakev, A. V. Topalov, O. Kaynak and K. B. Shiev, “Comparative Results onStabilization of the Quad-rotor Rotorcraft Using Bounded Feedback Controllers”, представендоклад на International Conference on Unmanned Aircraft Systems, ICUAS’11, Denver,Colorado, USA, 24-25 May, 2011, приет за отпечатване в Journal of Intelligent and RoboticSystems, Springer-Verlag.Резюме. През последните години автономните въздухоплавателни апарати намират все по-голямоприложение както в гражданската, така и във военната област. С напредъка на технологиите, чрезизползване на малки летателни апарати, стана възможно да бъдат тествани ефективно и с по-малкиразходи различни концепции за управление на автономния полет и различни проектни решения. Встатията се изследва проблема за създаване на стабилизиращо управление на четирироторенвинтокрилен летателен апарат чрез използване на управляващи устройства с обратна връзка сналожени ограничения. За управление на ъгъла на крена и ъгъла на тангажа при четирироторниявинтокрил са приложени и изследвани пет нелинейни закона, съдържащи елементи с насищане.Първоначално тези закони са били предложени за глобално стабилизиращо управление на системи смножество интегратори. Получените резултати от симулиран автономен полет, както ипроведените полетни експерименти в реално време с четирироторен миниатюрен винтокрилен апаратDraganflyer V Ti са анализирани по отношение на структурната простота на схемите за управление ипреходната характеристика на затворената система.2.2 A. V. Topalov, Y. Oniz, E. Kayacan and O. Kaynak, “Neuro-Fuzzy Control of AntilockBraking System Using Sliding Mode Incremental Learning Algorithm”, Neurocomputing,Elsevier, vol. 74, issue 11, pp. 1883-1893, 201<strong>1.</strong>Резюме. Предложен е метод за невронно-размито адаптивно управление на нелинейни системи,характеризиращи се с наличие на неточности и/или неопределености в динамичния модел. Методът еприложен при проектиране на регулатор на приплъзването на колелата при спиране отантиблокъровъчната система на автомобил. Приложената схема за управление се състои отконвенционален регулатор и регулатор, реализиран с размита невронна мрежа. Конвенционалниятрегулатор служи за гарантиране на асимптотичната устойчивост в компактно пространство и катоинверсен еталонен модел на реакцията на управляваната система. Неговият изходен сигнал се използвакато сигнал на грешката от инкрементален алгоритъм за обучение, актуализиращ параметрите наневронно-размития регулатор. По този начин последният е в състояние постепенно да изместиконвенционалния регулатор от управлението на системата. Предложеният нов алгоритъм за обучениеприлага директно принципи от теорията на системите с променлива структура и установявахлъзгащо движение по отношение на параметрите на невронния регулатор, което води грешката приобучение към нулата. Поведението на управляващата схема е тествано първоначално симулационно всредата на MATLAB за управление на припръзването на колелата на автомобил по време на спиране,като за целта е използван динамичен модел на антиблокировъчна система, разработен от фирмаINTECO. Проведени са и експерименти в реално време със стенд на антоблокировъчна системапроизводство на същата фирма. Аналитично получените изводи са експериментално проверени вусловията на налични неопределености и неточности в модела, както и при големи начални грешки.2.3 A. V. Topalov, O. Kaynak and G. Aydin, “Neuro-Adaptive Sliding-Mode TrackingControl of Robot Manipulators”, International Journal of Adaptive Control and SignalProcessing, vol. 21, issue 8-9, pp. 674-691, 2007.Резюме. В тази статия е представен нов динамичен алгоритъм за онлайн обучение с приложение приробастното безмоделно (model-free) невронно-адаптивно управление на клас нелинейни системи снеопределености и/или неточности в динамиката. Алгоритъмът е тестван експериментално за да бъдеоценена работата и практическата му приложимост в индустриална среда. Изследваното приложениее задача за траекторно следене при първите три стави на антропоморфен робот-манипулатор сотворена архитектура. Схемата за управление използва принципи от теорията на системите спроменлива структура и концепцията за обучение по грешката в затворената система (feedback-errorlearning).Установява се вътрешно хлъзгащо движение по отношение на параметрите на невронния8
Change language