Синтез управления с итеративным обучением в сетевых системах интеллектуальных производств

Методы и алгоритмы управления с итеративным обучением (УИО) появились как инструмент повышения точности выполнения повторяющихся операций роботами. В настоящее время они находят эффективное применение в интеллектуальных и аддитивных производствах, в медицинских роботах для реабилитации больных, в задачах слежения за транспортными потоками, и в других многочисленных приложениях. В интеллектуальном производстве роботы часто связаны сетью, и их задача может меняться по заранее заданной программе. УИО в стандартной постановке не предполагает изменения целевой задачи во время функционирования системы, что в итоге порождает переходную ошибку, которая может снизить точность ниже допустимого уровня в течение нескольких повторений. Кроме того, на практике точность выполняемой операции снижается из-за наличия случайных возмущений или неопределенностей в модели агентов. Работа посвящена разработке алгоритмов УИО сетевыми системами, учитывающих условия их функционирования в интеллектуальном производстве. Рассматриваются четыре задачи, которые охватывают такие проблемы, как воздействие случайных внешних возмущений на агентов сетевой системы, наличие шумов измерений, неопределенности моделей агентов, изменение желаемой траектории выходного сигнала и параметров агентов, и смена топологии информационной сети. Предложены подходы, позволяющие минимизировать влияние перечисленных факторов. Их эффективность демонстрируется путем моделирования группы манипуляторов с поворотным гибким звеном.