Методи синтезу контролерів, які базуються на використанні частотних характеристик або кореневого годографа, вважаються класичними або традиційними. Частотні методи доступні в практичному застосуванні, тому більшість систем керування проектуються саме на основі різних модифікацій цих методів. Відмінною особливістю цих методів є так звана робастність, що означає нечутливість характеристик замкненої системи до незначних похибок моделі реальної системи. Ця особливість є суттєвою по причині складності побудови точної моделі реальної системи, а також у зв'язку з тим, що багатьом системам властиві різного роду нелінійності, які ускладнюють їх аналіз і синтез. Останніми роками зроблено багато спроб розробити нові методи синтезу, які прийнято називати методами сучасної теорії керування. Один із методів синтезу подібний до методу кореневого графа дозволяє розмістити полюси передавальної функції замкненої системи в заданих точках.
У статті на основі інформації про бажану перехідну характеристику еталона, яка отримана на базі динамічної нейронної мережі, за допомогою формули Акермана приведено процедуру розрахунку матриці коефіцієнтів, введення яких в структуру моделі об’єкта забезпечує в ньому задану динаміку процесу. На підставі математичної моделі еталона, що враховує особливості цієї структури створюється архітектура відповідної динамічної нейронної мережі та проводиться її навчання, де цільовою функцією є числова послідовність, яка відповідає бажаній перехідній характеристиці системи, а вхідний сигнал задається у вигляді числової послідовності, яка відтворює функцію стрибка. Використовуючи значення вагових коефіцієнтів, які одержані в процесі навчання нейронної мережі, розраховуються коефіцієнти математичної моделі еталона та корені її характеристичного рівняння з наступним обчисленням за допомогою формули Акермана коефіцієнтів матриці К, значення яких вводяться в структуру моделі об’єкта для забезпечення заданої динаміки процесу в ньому.
[1] M. Shahinpoor, A Robot Engineering Textbook. New Mexico: University of New Mexico Press, Albuquerque, 1984.
[2] K.S. Fu, R.C. Gonzalez, C.S.G. Lee, Robotics: Control, Sensing, Vision and Intelligence. McGraw-Hill Education (India) Pvt Limited, 1988.
[3] G. Galkin, Matlab & Simulink. Designing of mechatronic systems on a PC. St. Petersburg: Korona-Vek, 2008 (in Russian).
[4] G. C. Goodwin, S. F. Graebe, Mario E. Salgado, Control System Design. Upper Saddle River, New Jersey: Prentice Hall, 2001.
[5] M. H. Popovich, O.V. Kovalchuk, The theory of automatic control. Textbook. Kyiv: Lybid, 2007 (in Ukrainian).
[6] R. C. Dorf, R. H. Bishop, Modern Control Systems, 13th Edition, Pearson Education, 2017.
[7] S. Haykin, Neural Network. A Comprehensive Foundation. New York: Macmillan College Publishing Company, 1994.
[8] C. L. Phillips, R. D. Harbor. Feedback Control Systems. Upper Saddle River, New Jersey: Prentice Hall, 2000.
[9] S. Osowski, Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2000.
[10] M.A. Novotarskiy, B.B. Nesterenko, “Artificial neural networks: calculations”. Proceedings of the Institute of Mathematics of NAS of Ukraine, vol, 50, Kyiv: Naukova Dumka, 2004 (in Ukrainian).
[11] E.V. Bodianskyi, Artificial neural networks: architectures, training, applications. E.V. Bodianskyi and O.G. Rudenko, Eds. Kharkiv: Telemekh, 2004 (in Ukrainian).
[12] D. Rutkowska, M. Pilinski, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Warszawa - Lodz: Wydawnictwo Naukowe PWN, 2004.
[13] O.G. Rudenko, Artificial neural networks: Textbook. O.G. Rudenko and E.V. Bodianskyi, Eds. Kharkiv: SMIT Company LLC, 2006 (in Ukrainian).
[14] H. Al-Duwaish, S.Z. Rizvi, “Design of a Neuro-Controller for Multivariable Nonlinear Time-Varying Systems” in WSEAS Transactions on Systems and Control, vol. 5, Issue 9, pp. 711-720, 2010.
[15] Y.M. Rashkevich, R.O. Tkachenko, I.H. Tsmots, D.D. Peleshko, Neural-like methods, algorithms, and structures for real-time signal and image processing. Lviv: Lviv Polytechnic Publishing House, 2014 (in Ukrainian).
[16] J.E.Ackermann, Der Entwurf Linear Regelungs Systems in Zustandstraum, Regelungstech Process, Datenverarb, 7, 1972.
[17] M. Dorozhovets, O. Ivakhiv, V. Mokritskyi, Uniform Converters of Information Support for Mechatronic Systems. Lviv: Publishing House of Lviv Polytechnic National University, 2009 (in Ukrainian).
[18] J. Su, M. Nakonechnyi, O. Ivakhiv, A. Sachenko, “Developing the Automatic Control System Based on Neural Controller”, Information Technology and Control, vol.44, no. 3, pp. 262-270, 2015.
[19] M. Nakonechnyi, O. Ivakhiv, Y. Nakonechnyi, Neural Network Control Systems for Nonlinear Objects: Monograph. Lviv: “Raster -7”, Publishing House, 2017 (in Ukrainian).
[20] J. B. Dabney, T. L. Harmen, Mastering Simulink 4. Upper Saddle River. New Jersey: Prentice Hall, 2001.
[21] O. Katsuhiko, Modern Control Engineering, 5th edition, Published by Pearson, 2010.