17. Коэффициент мехатронности и критерий совершенства мехатронной системы.

Необходимое условие мехатронности – объединение М, С, Э и И-компонент в систему, однозначно взаимодействующую с окружающей средой (по [1], [3], [4] – мехатронизированные объекты);

Достаточное условие мехатронности – интеграция М, С, Э и И-компонент в систему, адаптивно взаимодействующую с окружающей средой, то есть синергетическая интеграция.

Таким образом, мехатронность объекта определяется функционально-параметрическими требованиями к нему (множество Фт), уровень которых определяет состав компонент, характер интеграции, вид взаимодействия с окружающей средой, а также его структурой:

- если в структурном уравнении нет какой либо из компонент, то объект не мехатронный и не мехатронизированный;

- если в структурном уравнении есть все компоненты, но хотя бы одна из них имеет связь (-), то данный объект мехатронизированный;

- если все связи в структурном уравнении интегрирующие, то объект мехатронный.

Критерий качества выполнения движения мехатронных систем – проблемное ориентирование, то есть определяется постановкой конкретной прикладной задачи. Специфика задач автоматизированного машиностроения состоит в реализации перемещений выходных звеньев рабочего органа технологической машины (инструмент на станке). При этом необходимо координировать управление пространством перемещения мехатронных систем с управлением различными внешними процессами.

Примерами таких процессов могут служить регулирование силового взаимодействия рабочего органа с объектом работ при механообработке, контроль и диагностика текущего состояния критических элементов мехатронных систем, управление дополнительными технологическими воздействиями на объект работ при комбинированных методах обработки, управление вспомогательным оборудованием, выдача и прием сигналов от устройств электроавтоматики. Такие сложные координированные движения называют функциональными движениями.

В современных мехатронных системах для реализации высокого качества и точности движения применяются методы интеллектуального управления. Данная группа методов опирается на новые идеи теории управления современным аппаратным и программным средством вычислительной техники, перспективные подходы к синтезу управляемого движения мехатронных систем.

18. Проектирование следящих приводов роботов: краткая характеристика основных этапов.

19. Проектирование манипуляторов: основные этапы: краткая характеристика основных этапов.

20. Нейросетевое распознавание. Сеть Хопфилда. Сеть Хэмминга. Классификатор Гроссберга.

Нейро́нная сеть Хо́пфилда — полносвязная нейронная сеть с симметричной матрицей связей. В процессе работы динамика таких сетей сходится (конвергирует) к одному из положений равновесия. Эти положения равновесия являются локальными минимумами функционала, называемого энергией сети (в простейшем случае — локальными минимумами отрицательно определённой квадратичной формы на n-мерном кубе). Такая сеть может быть использована как автоассоциативная память, как фильтр, а также для решения некоторых задач оптимизации. В отличие от многих нейронных сетей, работающих до получения ответа через определённое количество тактов, сети Хопфилда работают до достижения равновесия, когда следующее состояние сети в точности равно предыдущему: начальное состояние является входным образом, а при равновесии получают выходной образ.

Нейронная сеть Хопфилда состоит из N искусственных нейронов. Каждый нейрон системы может принимать одно из двух состояний (что аналогично выходу нейрона с пороговой функцией активации).

Алгоритм обучения сети Хопфилда существенно отличается от таких классических алгоритмов обучения перцептронов, как метод коррекции ошибки или метод обратного распространения ошибки. Отличие заключается в том, что вместо последовательного приближения к нужному состоянию с вычислением ошибок, все коэффициенты матрицы рассчитываются по одной формуле, за один цикл, после чего сеть сразу готова к работе. Вычисление коэффициентов основано на следующем правиле: для всех запомненных образов X_i матрица связи должна удовлетворять уравнению

X_i=WX_i

поскольку именно при этом условии состояния сети X_i будут устойчивы — попав в такое состояние, сеть в нём и останется.

Сеть Хемминга – это одна из наиболее многообещающих распознающих и классифицирующих нейронных сетей. В этой сети черно-белые изображения представляются в виде m-мерных биполярных векторов. Свое название она получила от расстояния Хемминга, которое используется в сети в мере сходства R изображений входного и эталонных, хранимых с помощью весов связей сети. Мера сходства определяется соотношением

R = m – Rx, (1)

где m – число компонент входного и эталонных векторов; Rx - расстояние Хемминга между векторами.

Данная сеть, в сравнении с сетью Хопфилда, характеризуется меньшими вычислительными затратами. В сети Хемминга два слоя – первый и второй слои состоят из нейронов и равно числу образцов. Нейроны первого слоя имеют по входных синапсов, где - размерность входных векторов. Нейроны второго слоя связаны между собой обратными, отрицательными связями. Обратная связь от аксона на владельца нейрона равен +1. Суть работы состоит в нахождении расстояния Хемминга от тестируемого образца до всех образцов. Расстоянием Хемминга называется число отличающихся битов в двух бинарных векторах.

Классификатор Карпентер-Гроссберга, также известный как сеть АРТ1, был предложен в 1969 г. Для обучения эта сеть использует алгоритм кластеризации.

В соответствии с алгоритмом первый входной сиг- нал считается образцом первого кластера. Следующий входной сигнал сравнивается с образцом первого кластера. Говорят, что входной сигнал «следует за лидером» и принадлежит первому кластеру, если расстояние до образца первого кластера меньше порога. В противном случае второй входной сигнал – образец второго кластера. Этот процесс повторяется для всех следующих входных сигналов. Таким образом, число кластеров растет с течением времени и зависит как от значения порога, так и от метрики расстояния, использующейся для сравнения входных сигналов и образцов классов. Основная часть классификатора Карпентер-Гроссберга схожа с сетью Хемминга, которая дополнена полносвязной сетью MAXNET. С помощью последовательных связей высчитывается соответствие входных сигналов и образцов кластеров. Максимальное значение соответствия усиливается с помощью взаимного латерального торможения выходных нейронов. Классификатор Карпентер-Гроссберга отличается от сети Хемминга обратными связями от выходных нейронов к входным, кроме того, имеется возможность выключать выходной нейрон с максимальным значением соответствия и проводить пороговое тестирование соответствия входного сигнала и образцов кластеров, как того требует алгоритм «последовательного лидера».

Сеть состоит из двух слоев нейронов входного (сравнительного), число нейронов, в котором фиксировано и равно размерности векторов, и выходного (соревновательного), с переменным количеством нейронов, где каждому нейрону соответствует один класс объектов (кластеров). Каждый нейрон входного слоя соединен с каждым нейроном выходного слоя, и, наоборот, каждый нейрон выходного слоя связан с каждым нейроном входного. Каждой связи поставлен в соответствие некоторый вес. Связи от входных нейронов к выходным называют восходящими, а от выходных к входным – нисходящими. В качестве функции состояния каждого нейрона рассматривается расстояние в некоторой специальной метрике между входным вектором x r и вектором весов нейрона w r . Обучение нейронной сети является ненаблюдаемым и заключается в коррекции весов нейронов таким образом, чтобы каждый нейрон был победителем для максимального количества векторов из обучающего множества, и при этом выполнялся некоторый критерий близости.