Рассмотрена задача построения адаптивного регулятора, на базе метода самоорганизующихся нейронных сетей Кохонена. Представлена функциональная схема адаптивной системы. Описаны кластеризация и обучение самоорганизующихся карт. Обоснована возможность применения данного адаптивного регулятора в горном деле. Предложена модель создания трёх нейронных сетей: для поворота платформы экскаватора, подъема ковша и напора ковша экскаватора. Представлена модель аппарата эмоций и описан процесс управления. Для определения «эмоциональной оценки» построены фазовые плоскости и проведен анализ углов рассогласований. Обучение нейронных сетей производится на основе данных, полученных при работе экскаватора, использующего принцип нечеткой логики. Описан принцип построения Базы Знаний необходимой для хранения информации «образ действия - действие - последующий образ состояния» с эмоциональной оценкой. Приведены результаты моделирования нейросетевого регулятора в пакете прикладных программ MatLab и представлены результаты обучения адаптивной системы.

The paper deals with the issue of constructing an adaptive regulator basing on the Kohonen's method of self-organizing neural networks. A functional scheme of the adaptive system is presented. Clustering and training of self-organizing cards are described. In the paper the possibility of using this adaptive regulator in mining is substantiated. The authors also propose a model of creating three neural networks: one - for turning the excavator platform, another for lifting the bucket and the last, but not the least - for pushing the bucket of the excavator. The model of management of emotions is presented and the management process is described. To determine the «emotional assessment» phase planes are constructed and the angles of mismatches are analyzed. Training of neural networks is coducted on the basis of data, obtained while an excavator which uses the principle of fuzzy logic is working. In addition the authors describe the principle of the Knowledge base required for storage of information «mode of action - action - subsequent image of state» with emotional evaluation. The results of simulation of the neural network controller in the MatLab application package and learning outcomes of the adaptive system are also provided.