1. Научни трудове, включени - Технически Университет - София

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