Детальная информация

В статье представлены результаты имитационного моделирования системы управления угловым положением трехфалангового пальца бионического протеза. Целью работы являлось количественное сравнение эффективности четырех подходов к управлению: классического пропорционально-интегрально-дифференцирующего (ПИД) регулятора с постоянными коэффициентами, алгоритма глубокого обучения с подкреплением DDPG (Deep Deterministic Policy Gradient) со стохастической инициализацией весовых коэффициентов, эвристического модифицированного адаптивного робастного ПИД-регулятора (MARPID) и адаптивной системы управления на основе искусственной нейронной сети (АдСАУ-НС), функционирующей в режиме онлайн-обучения. Математическая модель объекта управления, реализованная на языке Python с использованием библиотек NumPy и SciPy [1], учитывает динамику трех вращательных степеней свободы, вязкое трение и гравитационный момент, создаваемый грузом переменной массы. Диапазон варьирования массы груза от 0 до 5 кг выбран на основе физиологических данных о распределении усилий в основных типах схвата верхней конечности [2, 3, 4]. Оценка качества управления проводилась по двум критериям: длительности переходного процесса (времени вхождения в 5% зону) и величине установившейся ошибки. Верифицировано, что ПИД-регулятор с предварительно подобранными коэффициентами обеспечивает астатизм по управлению (нулевая установившаяся ошибка во всем диапазоне нагрузок) при детерминированном линейном возрастании времени регулирования с 0.73 до 0.85 с. Установлено, что применение архитектуры DDPG без предварительного обучения (со случайными весами) приводит к полной потере управляемости, что выражается в достижении лимита времени моделирования (9.99 с) и катастрофически высокой ошибке (до 1641 у.е.). Показано, что эвристический алгоритм MARPID, несмотря на адаптивную коррекцию интегральной составляющей, не обеспечивает выполнение задания по положению, демонстрируя устойчивую статическую ошибку в диапазоне 3.7–5.4 у.е. Выявлено, что адаптивная нейросеть (АдСАУ-НС) способна в отдельных точках достигать рекордно низкого времени регулирования (0.5 с) и нулевой ошибки, однако характеризуется крайней нестабильностью и чувствительностью к изменению массы груза (время регулирования варьируется от 0.5 до 5.17 с). Научная новизна работы заключается в проведении прямого сравнительного анализа указанных алгоритмов на единой детерминированной модели с полной спецификацией параметров и воспроизводимыми условиями эксперимента. Практическая значимость состоит в количественном обосновании нецелесообразности применения «сырых» (необученных) политик глубокого обучения и эвристических адаптивных схем без строгого теоретического обоснования, а также в демонстрации необходимости компромисса между стабильностью классических регуляторов и потенциальным быстродействием адаптивных нейросетевых структур.

This article presents the results of a simulation study of the angular position control system for the three-phalanx finger of a bionic prosthesis. The aim of the study was to quantitatively compare the effectiveness of four distinct control approaches: a classical proportional-integral-derivative (PID) controller with fixed coefficients, a deep deterministic policy gradient (DDPG) reinforcement learning algorithm (Deep Deterministic Policy Gradient) with stochastic initialization of weight coefficients, a heuristic modified adaptive robust PID controller (MARPID), and an adaptive control system based on an artificial neural network (AdSAU-NS) operating in online learning mode. The mathematical model of the controlled object, implemented in Python using the NumPy and SciPy libraries [1], accounts for the dynamics of three rotational degrees of freedom, viscous friction, and the gravitational torque generated by a load of variable mass. The load mass range of 0 to 5 kg was selected based on physiological data regarding force distribution in the main types of upper limb grips [2, 3, 4]. Control quality was evaluated based on two criteria: the duration of the transient process (the time to enter the 5% band) and the magnitude of the steady-state error. It has been verified that a PID controller with pre-selected coefficients ensures control stability (zero steady-state error across the entire load range) with a deterministic linear increase in control time from 0.73 to 0.85 s. It has been established that the use of the DDPG architecture without pre-training (with random weights) leads to a complete loss of controllability, manifested by reaching the simulation time limit (9.99 s) and a catastrophically high error (up to 1641 u.e.). It is shown that the MARPID heuristic algorithm, despite adaptive correction of the integral component, fails to achieve the position control objective, exhibiting a steady-state error in the range of 3.7–5.4 u.e. It was found that the adaptive neural network (AdSAU-NN) is capable of achieving a recordlow control time (0.5 s) and zero error at certain points, however, it is characterized by extreme instability and sensitivity to changes in load mass (control time varies from 0.5 to 5.17 s). The scientific novelty of this work lies in conducting a direct comparative analysis of these algorithms on a single deterministic model with fully specified parameters and reproducible experimental conditions. Its practical significance lies in the quantitative justification of the inappropriateness of applying “raw” (untrained) deep learning policies and heuristic adaptive schemes without a rigorous theoretical foundation, as well as in demonstrating the need for a compromise between the stability of classical controllers and the potential speed of adaptive neural network structures.