604495493

474 A. ŻAK

myszkowania), podaje się bieżącą prędkość obrotową ze znakiem ujemnym. Sieć po przeliczeniu danych wejściowych wypracowuje sygnał sterujący dla obiektu sterowania [3], Zastosowane sieci neuronowe ze względu na przyjętą metodę sterowania mają taką samą budowę. Składają się one z trzech warstw, gdzie w pierwszej warstwie jest 20 neuronów, w drugiej warstwie jest 30 neuronów, w trzeciej warstwie jest jeden neuron. Do uczenia sieci identyfikującej zastosowano metodę wstecznej propagacji błędów z momentum. W prezentowanym rozwiązaniu nie ma potrzeby prowadzenia uczenia sieci sterującej. Przed przystąpieniem do sterowania z wykorzystaniem regulatora neuronowego wymagany jest w tym przypadku wstępny trening sieci identyfikującej, w innym przypadku czas regulacji jest znacznie wydłużony dla pierwszych sterowań.

Rys. 4. Schemat blokowy zastosowanego regulatora neuronowego

W czasie badań laboratoryjnych opracowanego regulatora neuronowego kursu bezzałogowego pojazdu podwodnego przeprowadzono szereg testów. Między innymi sprawdzono poprawność działania regulatora w środowisku, w którym nie występowały zakłócenia oraz przy występujących zakłóceniach w postaci prądu podwodnego. Dodatkowo przeprowadzono próby z wykorzystaniem proponowanego regulatora neuronowego pojazdu podwodnego, który transportuje obiekty o określonej masie. Wybrane wyniki przedstawiono w postaci wykresów na rysunkach poniżej.

Ze względu na aperiodyczny charakter przebiegu procesu przejściowego, przy sterowaniu ruchem bezzałogowego pojazdu podwodnego, do oceny jakości regulacji przyjęto kryteria w postaci: czas regulacji oraz uchyb statyczny. Czas regulacji mierzono od momentu podania na regulator wymuszenia w postaci żądanego kursu do momentu zaniku procesu przejściowego, tj. gdy wartość kąta kursowego pojazdu nie przekraczała zadanej dokładności wynoszącej ±1%. Wartości graniczne uzyskanych danych zostały przedstawione w tabeli 1.