Мехатроника как новая область науки и техники находится только в начальной стадии своего развития. Но уже сегодня практически по каждой из обсуждавшихся тем существует много публикаций, которые не могли быть включены в книгу из-за ограниченности се объема. Никакой объем просто прочитанного материала не превратит читателя в специалиста – необходима активная самостоятельная работа по интересующей тематике.

Дальнейшее развитие мехатроники будет происходить через образовательные программы подготовки и переподготовки специалистов, создание ее научных фундаментальных основ и развитие прикладных исследований, разработку и внедрение мехатронных модулей и систем в умышленности. Для практического воплощения этих задач необходима тесная совместная работа ученых, ииженеров-практиков и менеджеров многих областей науки и техники из различных стран. Именно в интеграции их усилий – залог успешного развития мехатроники как одного из перспективных направлений наступающего века.

На этапе обучения оператор, наблюдая на дисплее рабочей станции за перемещениями Виртуального Робота в Виртуальной Среде, управляет его движением в возникающих ситуациях. При этом компьютер моделирует работу всех сенсоров информационной системы, что позволяет автоматически формировать так называемые "правила инстинктивного поведения робота". Предпосылкой в этих правилах является набор сенсорных сигналов, а заключением – решения о движении, принятые оператором. Таким образом, в результате многократных опытов, происходит обучение управляющей нейронной сети правильным действиям в возникающих ситуациях.

Процесс обучения заканчивается, когда Виртуальный Робот в состоянии без помощи оператора выполнить заданные движения без столкновения с препятствиями. Далее нейроконтроллер, обученный в Виртуальной Среде, устанавливается в систему управления реального робота FRANK, к се входам подключаются реальные сенсоры, а выходы НС соединяются с приводами колес Лабораторные опыты показали, что НС эффективно выполняет управляющие функции в реальной среде.

Рассмотренный подход перспективен для трубопроводных мобильных роботов (см. п.4.1) при выполнении ими функциональных движений в автономном режиме. Решению этой задачи посвящен научно-исследовательский проект, выполняемый совместно Де Монтфортским университетом, НПО "ТАРИС" и МГТУ "СТАНКИН" в рамках проекта, поддержанного Королевским Обществом по развитию естественных наук Великобритании (The Royal Society, UK).

Для решения научно-технической задачи обучения нейронной сети на основе мультисенсорной информации было разработано оригинальное программное обеспечение. В его состав входят следующие специальные программные модули:

-  создание графической модели среды (Виртуальная Среда) для обучения робота;

-  создание графической модели робота – Виртуального Робота, движущегося в виртуальной среде;

- человеко-машинный    интерфейс    и    специальный язык программирования движений Виртуального Робота в Виртуальной Среде,

-  программа моделирования работы всех сенсоров информационной системы в процессе движения Виртуального Робота,

-  программа генерации "инстинктивных правил" поведения робота в различных ситуациях на основе получаемой сенсорной информации,

-  модуль принятия решений о поведении робота.

На тактическом уровне управления НС часто используются как средство решения обратных кинематических задач для многозвенных механизмов, когда найти решение геометрическим и даже численным путями в ряде случаев не удается. Особенно этот подход эффективен для механизмов с избыточными степенями подвижности (n>6). Для решения обратной задачи о положении n-звенного манипулятора согласно уравнению (5.3) на входе НС задается 6-мерный вектор вида (5.1). Тогда на выходе получаем n-мерный вектор обобщенных координат (рис.5.16).

Предварительное обучение такой сети сводится по сути к многократному решению прямой задачи о положении механизма. Эта задача может решаться либо на компьютерной модели, либо экспериментально на натурном образце робота Разработка компьютерной программы вычислений по формулам вида (5.2), даже для избыточных манипуляторов, не содержит методических проблем. Однако при этом не будут учтены многие погрешности, присущие реальным конструкциям. Экспериментальный способ решения прямой задачи предусматривает вывод робота в заранее определенные конфигурации в режиме от станционного управления или по программе. При этом манипулятор должен быть оснащен датчиками положения во всех степенях подвижности, а также средствами измерения декартовых координат рабочего органа. С этой целью в робототехнике обычно используются оптические и лазерные измерительные системы.

Современным примером решения задач стратегического уровня на базе НС может служить интеллектуальная система управления мобильным роботом FRANK, созданная научно-исследовательской группой “Мехатроника” под руководством проф. Ф.Мора в Де Монтфортском университете (Великобритания). Мобильный робот FRANK базируется на подвижной трехколесной платформе (передние два колеса имеют приводы) и оснащен комплексной информационной системой. В состав информационной системы входят 4 ультразвуковых сенсора, 4 датчика ближней локации и 4 датчика контакта, установленных на бампере. Система управления выполнена на базе бортового PC. Задачей робота является выполнение транспортных перемещений в средах с препятствиями (прохождение коридоров, движение вдоль стен с обязательным исключением столкновений с внешними объектами).

Нейронная сеть (НС) как универсальное средство решения задач планирования и управления движением может быть использована на всех иерархических уровнях мехатронной системы (см. рис.5.4). Нейроконтроллеры позволяют управлять движением машины на базе накопленных знаний.

Известен целый ряд разработок регуляторов исполнительного уровня на базе НС для управления движением мехатронных модулей. В таких нейро-контроллерах (рис 5 15) на вход поступает информация о переменных состояния системы (механического устройства, двигателей, ситовых преобразователей), действующих обобщенных силах и моментах, а также векторы задающих и возмущающих воздействий.

Выходом НС является вектор управляющих сигналов, выдаваемых устройством управления на исполнительные приводы. Как вариант, в случае применения в системе стандартных ПИД-регуляторов, на выходе НС получаем значения соответствующих коэффициентов.

Контроллеры на основе НС эффективны в случаях, когда создание адекватной аналитической модели исполнительной системы и синтез на ее основе регуляторов крайне затруднен. Такая ситуация может быть обусловлена целым рядом факторов, среди которых наиболее распространенными являются:

- наличие заранее неопределенных внешних воздействий (например, при работе машины в экстремальных средах),

- переменность параметров и структуры самой мехатронной системы,

-  существенные внутренними возмущающими воздействиями (например, действие сил сухого и вязкого трения в механических устройствах),

-  сложные физические (в частности, динамические) взаимосвязи между элементами системы (например, в системах гидравлических приводов),

- технические и методические проблемы с постановкой и проведением экспериментальных исследований на реальных объектах для идентификации параметров математической модели с необходимой точностью.

Данная математическая модель нейрона легко реализуется на компьютере. В компьютерных моделях, как и в биологических системах, нейроны объединяются в сети, которые могут состоять из многих слоев и иметь различные структуры, включающие участки с последовательным, параллельным, с обратной связью и другими соединениями нейронов. На рис.5.14 показан пример трехслойной нейронные сети с последовательным соединением слоев. Нейронные сети обучаются разработчиком системы на конкретных примерах. При обучении разработчик вводит информацию о входных и соответствующих (желаемых) выходных сигналах. Специальная программа настройки сети автоматически подбирает весовые коэффициенты для всех нейронов таким образом, чтобы добиться желаемого соответствия. Обучение разработчик повторяет на всех известных ему примерах, аккумулируя весь имеющийся предварительный опыт. Таким образом настроенная сеть готова к решению новых задач для других комбинаций входных сигналов. Главная особенность метода нейронных сетей состоит в том, что разработчик не должен программировать четкий алгоритм решения задач, а только задавать входные и выходные данные для обучения.

Проблемы применения нейронных сетей на практике связаны с выбором типа нейронов (т.е. нелинейной функции f), количества слоев и структуры сети для решения конкретной задачи с требуемой точностью.

Нервная система биологических объектов состоит из нейронов. Так, нервная система человека включает в себя от 1010 до 1012 нейронов 57 модификаций, размером от микрометров до нескольких сантиметров. Типовая форма нейрона представлена на рис.5.12. Поток электрических сигналов входит в нейрон через его окончание (синапсы), которых может быть до 1000 на одном дендрите (ответвлении). Через дендриты информация поступает в тело клетки, где происходит ее обработка и оценка. Результат этой логической оценки (1 или 0) по аксону (стволу клетки) передается далее вниз, где информация расходится по корням нейронных структур следующего уровня. Каждый нейрон имеет связь приблизительно с 104 других нейронов. Нервные импульсы передаются как потоки химически активных заряженных веществ (ионов).

Математическая модель единичного нейрона строится на основе следующей схемы (рис.5.13). Входные сигналы поступают на сумматор, где определяется их взвешенная сумма (с учетом весовых коэффициентов):

Выходной сигнал нейрона формируется на выходе нелинейного блока. При реализации нелинейного блока f обычно используются пороговые и экспоненциальные функции.

Системы на основе нейронных сетей – один из ярких примеров бионического подхода, когда принципы функционирования и управления живыми организмами эффективно использованы для создания нового поколения систем управления техническими (в частности, мехатронными) системами.

Нечеткий интерполяционный фильтр осуществляет чтение простого текстового формата с последующей параметризацией траектории по индексу i – порядковым номером i= 1,2,…, т , где т – общее число точек траектории. После параметризации фильтр осуществляет итерационный анализ трех точек траектории и определяет кривизну К траектории для средней  точки,  затем   принимает  решение  о  рациональном виде интерполяции данных точек траектории в соответствии с правилом, приведенным в табл. 5.

Уровень кривизны траектории выбирается в пределах сегмента траектории в соответствии с требованиями к качеству интерполяции. В первом случае, если рассчитанное значение кривизны траектории меньше указанного в таблице, то средняя точка удаляется, а первая и последняя соединяются прямой линией. Во втором случае производится интерполяция трех точек кубическим сплайном, а в третьем случае (когда расчетное значение превышает заданную величину), проводится интерполяция трех точек двумя прямыми линиями.

Данный нечеткий алгоритм интерполяции траектории был реализован и практически апробирован в системе автоматизированного программирования РТК лазерной резки при обработке плоских деталей (см. п.4.3).