Điều khiển pid một nơ-ron hồi quy lưu lượng chất lỏng
Abstract
This study aims to experiment a recurrent single neural PID controller on RT020 liquid flow control system of the Gunt-Hamburg. A digital PID controller is organized as a recurrent single neuron. The weights of neuron are corresponding to three parameters Kp, Kd and Ki of the PID, can be trained online during control action. This training algorithm allows to self-adjust the parameters of the PID according to the change of condictions, based on the controlled plant's sensitivity, so called Jacobian information. An radial basis function (RBF) neural network is also trained online for non-parametric model identification, in order to estimate the Jacobian information. Experimental results on the RT020 device, and comparison with the PID controller provided by the manufacturer show that the recurrent single neural PID controller can be self-tuning during control; the transient response is improved with reducing setting time, low overshoot and eliminated steady-state error.
Tóm tắt
Nghiên cứu này kiểm nghiệm bộ điều khiển PID một nơ-ron hồi quy trên thiết bị ổn định lưu lượng chất lỏng RT020 của hãng Gunt-Hamburg. Bộ điều khiển PID số được tổ chức dưới dạng một nơ-ron tuyến tính hồi quy. Các trọng số kết nối của nơ-ron tương ứng với ba thông số Kp, Kd và Ki của bộ PID, có thể huấn luyện trực tuyến trong quá trình điều khiển. Giải thuật huấn luyện này cho phép tự điều chỉnh thông số của bộ điều khiển theo sự biến đổi của đối tượng, dựa theo thông tin về độ nhạy của đối tượng, gọi là thông tin Jacobian. Một mạng nơ-ron hàm cơ sở xuyên tâm RBF cũng được huấn luyện trực tuyến để nhận dạng không tham số mô hình đối tượng, nhằm xác định thông tin Jacobian này. Kết quả thực nghiệm trên thiết bị RT020 và so sánh với bộ PID do nhà sản xuất cung cấp, cho thấy bộ điều khiển PID một nơ-ron hồi quy có khả năng tự chỉnh trong quá trình điều khiển; đáp ứng quá độ của đối tượng được cải thiện với thời gian xác lập được rút ngắn, độ vọt lố thấp và sai số xác lập được triệt tiêu.
Tài liệu tham khảo
[1]. K. J. Åström and T. Hägglund. (1995). PID Controllers: Theory, Design, and Tuning. Research Triangle Park, North Carolina: ISA - The Instrumentation, Systems and Automation Society.
[2]. J. Chen and T.-C. Huang. (2004). Applying neural networks to on-line updated PID controllers for nonlinear process control, Journal of Process Control, 14(2), 211-230.
[3]. L. Ching-Hung, L. Yi-Hsiung, and T. Ching-Cheng. (2002). A novel robust PID controllers design by fuzzy neural network, in Proc. of the 2002 American Control Conference, 2, 1561-1566.
[4]. L. M. Thanh, L. H. Thuong, P. T. Loc, and C.-N. Nguyen. (2020). Delta Robot Control Using Single Neuron PID Algorithms Based on Recurrent Fuzzy Neural Network Identifiers, Inter. J. of Mechanical Engineering and Robotics Research, 9(10), 1411-1418.
[5]. L. M. Thanh, L. H. Thuong, P. T. Tung, and C.-N. Nguyen. (2021). Improvement of PID Controllers by Recurrent Fuzzy Neural Networks for Delta Robot, Springer, in Intelligent Commu., Control and Devices, 263-275.
[6]. J. B. Gomm and D. L. Yu. (2000). Selecting radial basis function network centers with recursive orthogonal least squares training, IEEE Transactions on Neural Networks, 11(2), 306-314.
[7]. Z. Ming-guang, W. Xing-gui, and L. Man-qiang. (2005). Adaptive PID control based on RBF neural network identification, in 17th IEEE Inter. Conf. on Tools with Artificial Intelligence (ICTAI'05), 1-3.
[8]. C.-N. Nguyen and H. M. Nguyen. (2019). Improvement of power output of the wind turbine by pitch angle control using RBF neural network, Inter. J. of Mechanical Engineering and Technology, 10(10), 64-74.
[9]. J. Jiao, J. Chen, Y. Qiao, W. Wang, C. Wang, and L. Gu. (2018). Single Neuron PID Control of Agricultural Robot Steering System Based on Online Identification, in 2018 IEEE Fourth International Conference on Big Data Computing Service and Applications (BigDataService), 193-199.
[10]. J. Liu. (2016). On a method of single neural PID feedback compensation control, in 2016 Third International Conference on Artificial Intelligence and Pattern Recognition (AIPR), 1-4.
[11]. M. Rif'an, F. Yusivar, and B. Kusumoputro. (2017). Adaptive PID controller based on additional error of an inversed-control signal for improved performance of brushless DC motor, in 2017 15th International Conference on Quality in Research (QiR) : Inter. Sym. on Electrical and Computer Engineering, 315-320.
[12]. C. Rosales, C.M. Soria, and F.G. Rossomando. (2019). Identification and adaptive PID Control of a hexacopter UAV based on neural networks, Inter. J. of Adaptive Control and Signal Processing, 33(1), 74-91.
[13]. N. V. Đ. Hải and N. V. Thuyên. (2012). Xây dựng bộ điều khiển PID-neuron cho hệ con lắc ngược quay, Tạp chí Giáo dục Kỹ thuật, Đại học Sư phạm kỹ thuật TP. Hồ Chí Minh, 23, 37-45.
[14]. H. T. Hiển, H. M. Vũ, and N. H. Dũng, "Bộ điều khiển PID dựa trên mạng nơ-ron hàm cơ sở xuyên tâm," Tạp chí Khoa học Trường Đại học Cần Thơ, vol. 54, no. 7, pp. 9-19, 2018.
[15]. N. P. Hưng, P. K. Quang, and V. H. Hải. (2015). Bộ điều khiển PID chỉnh tham số bằng mạng nơ-ron dùng cho máy lái tự động tàu thủy, Giao thông Vận tải, 9, 67-70.
[16]. N. C. Ngôn and Đ. Tín. (2011). Điều khiển PID một nơron thích nghi dựa trên bộ nhận dạng mạng nơron mờ hồi qui áp dụng cho hệ thanh và bóng, Tạp chí Khoa học Đại học Cần Thơ, 20a-2011, 169-175.
[17]. N. C. Ngôn and T. T. Tú. (2012). Điều khiển PID thích nghi cho hệ ổn định áp suất dựa trên bộ nhận dạng dùng mạng nơ-ron hàm cơ sở xuyên tâm, Tạp chí Khoa học và Công Nghệ, Đại học Đà Nẵng, 60, 6-12.
[18]. N. Nguyễn Chí and N. Lê Thị. (2021). Recurrent single-neural PID control for Gunt-RT030 pressure control unit, Journal of Technical Education Science, 63, 57-64.
[19]. N. C. Ngôn. (2011). Bộ điều khiển PI mờ: Từ thiết kế đến ứng dụng, Tạp chí Khoa học Trường Đại học Cần Thơ, 18a(2011), 82-92.
[20]. L. T. Mỹ, T. n. X. Lil, T. T. Hùng, and N. C. Ngôn. (2021). Kiểm nghiệm khả năng kết hợp giữa điều khiển PI và trượt thích nghi trên thiết bị GUNT-RT020, Tạp chí Khoa học Trường ĐH Cần Thơ, 57(6), 1-10.
[21]. G. G. GmbH. (2004). Experiment Instructions - RT010- RT060 Principles of Control Engineering. Barsbüttel Germany.
