Điều khiển lưu lượng dùng mạng nơ-ron mờ hồi quy
Abstract
With an online training mechanism, the recurrent fuzzy neural network (RFNN) has been successfully verified by simulations. This study conducts experimental investigations with a supervisory control technique by combining a traditional PI controller and a RFNN-based controller (referred to as RFNNC) on the RT020 liquid flow control unit of the Gunt-Hamburg, Germany. The RFNNC is responsible for fine-tuning the system responses, to overcome the limitation of the fixed parameters of the PI controller. Experimental results on the RT020 device show that during the control process, when the RFNNC's parameter updating algorithm converges, the flow response of the RT020 device has a negligible overshoot. In addition, compared with the default PI controller, the RFNNC has contributed to significantly reduce the system settling time.
Tóm tắt
Với cơ chế huấn luyện trực tuyến, mạng nơ-ron mờ hồi quy (recurrent fuzzy neural network - RFNN) đã được kiểm chứng thành công bằng mô phỏng. Nghiên cứu này tiến hành khảo nghiệm kỹ thuật điều khiển giám sát kết hợp giữa bộ điều khiển PI truyền thống và bộ điều khiển dùng RFNN (gọi tắt là RFNNC) trên hệ ổn định lưu lượng chất lỏng RT020 của hãng Gunt-Hamburg, Đức. Bộ điều khiển RFNNC có nhiệm vụ tinh chỉnh đáp ứng của đối tượng, nhằm khắc phục hạn chế về vấn đề cố định tham số của bộ điều khiển PI. Kết quả thực nghiệm trên hệ RT020 cho thấy trong quá trình điều khiển, khi bộ RFNNC hội tụ, đáp ứng lưu lượng của thiết bị RT020 có độ vọt lố không đáng kể so với bộ điều khiển PI mặc định. Ngoài ra, bộ điều khiển RFNNC đã góp phần làm giảm thời gian xác lập của đối tượng một cách đáng kể.
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]. P. K. Juneja et al. (2021). A Review on Control System Applications in Industrial Processes, IOP Conference Series: Materials Science and Engineering, 1022, 1-9.
[3]. 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.
[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 Singapore, in Intelligent Communication, Control and Devices, 263-275.
[6]. L. M. Thanh, L. H. Thuong, P. T. Tung, C.-T. Pham, and C.-N. Nguyen. (2021). Evaluating the Quality of Intelligent Controllers for 3-DOF Delta Robot Control, Inter. J. of Mechanical Engineering and Robotics Research, 10(10), 542-552.
[7]. J. Liu. (2015). Radial Basis Function (RBF) Neural Network Control for Mechanical Systems Design, Analysis and Matlab Simulation. Berlin: Springer Berlin (in English), 365.
[8]. G. G. GmbH. (2004). Experiment Instructions - RT010- RT060 Principles of Control Engineering, Barsbüttel Germany.
[9]. Đ. H. Đ. Khoa, S. H. Thạnh, and N. C. Ngôn. (2022). Điều khiển thông minh động cơ không đồng bộ 3 pha dựa trên mạng nơ-ron mờ hồi quy, Tạp chí KH&CN Đại học Thái Nguyên, 227(08), 46-55.
[10]. S. H. Thạnh, Đ. H. Đ. Khoa, L. M. Thành, and N. C. Ngôn. (2022). Thực nghiệm điều khiển giám sát dùng mạng nơ-ron mờ hồi quy trên hệ ổn định lưu lượng chất lỏng, Tạp chí KH&CN Đại học Thái Nguyên, 227(16), 115-123.
[11]. N. C. Ngôn. (2011). Bộ điều khiển PI mờ: Từ thiết kế đến ứng dụng, Tạp chí khoa học Đại học Cần Thơ, 18a, 82-92.
[12]. L. Ching-Hung and T. Ching-Cheng. (2000). Identification and control of dynamic systems using recurrent fuzzy neural networks, IEEE Trans. on Fuzzy Systems, 8(4), 349-366.
