ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Применение адаптивных алгоритмов с динамическим запаздыванием для повышения надежности систем управления строительно-дорожными роботизированными комплексами

Авторы

  • Кирилл Юрьевич Жигалов Институт проблем управления им. В.А. Трапезникова РАН, 117997, Россия, Москва, ул. Профсоюзная, д. 65
  • Владислав Сергеевич Степанюк Московский колледж бизнес-технологий, 109029, Россия, Москва, ул. Большая Калитниковская, д. 34

Как цитировать

ГОСТ Жигалов К. Ю., Степанюк В. С. Применение адаптивных алгоритмов с динамическим запаздыванием для повышения надежности систем управления строительно-дорожными роботизированными комплексами // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2025. Т. 69. № 10. С. 186-193.
APA Жигалов, К. Ю. & Степанюк, В. С. (2025). Применение адаптивных алгоритмов с динамическим запаздыванием для повышения надежности систем управления строительно-дорожными роботизированными комплексами. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 69(10), 186-193.

Аннотация

В статье рассматривается проблема обеспечения надежности систем управления строительно-дорожными роботизированными комплексами (СДРК) в условиях деградации качества сенсорных данных – частичной потери, шумов, временных сдвигов и систематических смещений. Предложен подход, основанный на применении адаптивных алгоритмов с динамическим запаздыванием, разработанных в рамках диссертационного исследования по робастным системам аналитики отказоустойчивости. Такие алгоритмы позволяют динамически регулировать глубину временного окна анализа в зависимости от текущего уровня неопределенности входных данных, что повышает устойчивость замкнутого контура управления. Приведена математическая формализация алгоритма на основе модифицированного рекуррентного уравнения с переменной памятью, введена метрика коэффициента адаптивной робастности. Экспериментальная верификация выполнена на стенде, имитирующем автономный асфальтоукладчик с инерциальной навигацией и локальными GNSS-сбоями. Результаты показали, что применение предложенного алгоритма позволяет снизить среднее отклонение траектории на 31 % и уменьшить дисперсию управляющего воздействия на 27 % при имитации 20 %-ных пропусков в данных от RTK-GNSS. В условиях длительного сбоя GNSS (более 8 с) система сохраняла работоспособность без аварийного останова, в отличие от классического PID-регулятора с фиксированным окном фильтрации. Полученные результаты подтверждают эффективность предложенного подхода для повышения надежности и отказоустойчивости роботизированных строительно-дорожных систем.

Ключевые слова

адаптивные алгоритмы динамическое запаздывание робастность строительно-дорожные роботизированные комплексы СДРК отказоустойчивое управление инерциальная навигация трение и износ

Библиографические ссылки

Анисимов В.В. Надежность информационных систем. М.: Горячая линия – Телеком, 2021. 304 с.

Коваленко И.Н., Ушаков А.А. Введение в теорию робастности. Киев: Научная мысль, 2018. 288 с.

Нгуен Т.В., Осипов А.С. Роботизированные комплексы в дорожном строительстве: состояние и перспективы // Строительные и дорожные машины. 2023. № 5. С. 12-19.

Робастные системы аналитики отказоустойчивости сложного оборудования: повышение устойчивости и производительности при неполном или искаженном наборе данных: дис. ... канд. техн. наук. М., 2025.

Суханов А.В. Робастность и отказоустойчивость в системах искусственного интеллекта. М.: Либроком, 2020. 272 с.

GOST R 58394-2019. Информационные технологии. Управление качеством данных. Термины и определения. М.: Стандартинформ, 2019.

Reina G., Milella A., Fiore R.D. Sensor fusion for autonomous vehicles: a review // Sensors. 2022. Vol. 22. № 13. pp. 21-49.

Zhang J. RTK-GNSS Outage Analysis in Urban Environments // IEEE Trans. on Intelligent Transportation Systems. 2021. Vol. 22. № 8. pp. 5180-5191.

Woodman O.J. An Introduction to Inertial Navigation. Cambridge: University of Cambridge, 2007. Tech. Rep. UCAM-CL-TR-696.

ISO 13372:2012, 2012.

Zhao L. Online sensor health monitoring for autonomous systems // IEEE Robotics and automation letters. 2020. Vol. 5. № 2. pp. 2828-2835.

Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9. № 8. pp. 1735-1780.

ODM 218.2.053-2020. Методические рекомендации по техническому обслуживанию и ремонту дорожных машин. М.: Росавтодор, 2020.

Gal Y. Uncertainty in deep learning. PhD thesis. Cambridge: University of Cambridge, 2016.

Siciliano B. Springer handbook of robotics. NY: Springer, 2016. 1960 p.

Выпуск

Раздел

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

136 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Машиночитаемые метаданные

Похожие статьи

<< < 1 2 3 4 5 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.