scholarly journals Kiểm nghiệm khả năng kết hợp giữa điều khiển PI và trượt thích nghi trên thiết bị GUNT-RT020

2021 ◽  
Vol 57 (6) ◽  
pp. 1-10
Author(s):  
Tấn Mỹ Lê ◽  
Xa Lil Trần ◽  
Thanh Hùng Trần ◽  
Chí Ngôn Nguyễn
Keyword(s):  
Neural Network ◽  
Sliding Mode Control ◽  
Radial Basis Function ◽  
Basis Function ◽  
Sliding Mode ◽  
Proportional Integral ◽  
Mode Control ◽  
Radial Basis ◽  
Integral Controller ◽  
Proportional Integral Controller

Mặc dù được sử dụng rộng rãi trong công nghiệp, nhưng với tham số cố định, bộ điều khiển tích phân tỷ lệ PI (proportional integral controller) khó thích ứng với sự thay đổi của điều kiện thực tế. Trong khi đó, điều khiển trượt (sliding mode control – SMC) cho đáp ứng ổn định trên các đối tượng phi tuyến, nhưng lại tồn tại một số hạn chế. Bài báo này đề xuất giải pháp kết hợp giữa điều khiển PI và SMC thích nghi dựa trên mạng neuron hàm cơ sở xuyên tâm RBF (radial basis function neural network), gọi tắt là điều khiển PI-SMC. Nguyên tắc kết hợp này là tận dụng ưu điểm thích nghi, bền vững của bộ SMC để khắc phục hạn chế của bộ điều khiển PI, đồng thời sử dụng bộ PI mang năng lượng chủ đạo để đẩy bộ SMC nhanh chóng hội tụ về mặt trượt. Bộ điều khiển PI-SMC được kiểm nghiệm trên thiết bị ổn định lưu lượng RT020 của hãng Gunt-Hamburg. Kết quả cũng cho giá trị khởi tạo của bộ RBF và hệ số mặt trượt ảnh hưởng lớn đến chất lượng điều khiển. Thực nghiệm cũng cho thấy cơ chế trượt thích nghi có thể khắc phục được hạn chế cố định tham số của bộ PI. Với giá trị khởi tạo của bộ tham số được chọn, bộ điều khiển PI-SMC đã cải thiện tốt đáp ứng lưu lượng trên hệ RT020 với độ vọt lố nhỏ hơn 5 (%), thời gian xác lập nhỏ hơn 2 (giây) và sai số xác lập nhỏ hơn 0,3 (lít/giờ).

scholarly journals Optimized Radial Basis Function Neural Network Based Intelligent Control Algorithm of Unmanned Surface Vehicles

2020 ◽  
Vol 8 (3) ◽  
pp. 210 ◽  
Author(s):  
Renqiang Wang ◽  
Donglou Li ◽  
Keyin Miao
Keyword(s):  
Neural Network ◽  
Sliding Mode Control ◽  
Radial Basis Function ◽  
Intelligent Control ◽  
Basis Function ◽  
Control Algorithm ◽  
Sliding Mode ◽  
Rbf Neural Network ◽  
Unmanned Surface Vehicles ◽  
Radial Basis

To improve the tracking stability control of unmanned surface vehicles (USVs), an intelligent control algorithm was proposed on the basis of an optimized radial basis function (RBF) neural network. The design process was as follows. First, the adaptation value and mutation probability were modified to improve the traditional optimization algorithm. Then, the improved genetic algorithms (GA) were used to optimize the network parameters online to improve their approximation performance. Additionally, the RBF neural network was used to approximate the function uncertainties of the USV motion system to eliminate the chattering caused by the uninterrupted switching of the sliding surface. Finally, an intelligent control law was introduced based on the sliding mode control with the Lyapunov stability theory. The simulation tests showed that the intelligent control algorithm can effectively guarantee the control accuracy of USVs. In addition, a comparative study with the sliding mode control algorithm based on an RBF network and fuzzy neural network showed that, under the same conditions, the stabilization time of the intelligent control system was 33.33% faster, the average overshoot was reduced by 20%, the control input was smoother, and less chattering occurred compared to the previous two attempts.

Chattering Free Sliding Mode Control with Observer Based Adaptive Radial Basis Function Neural Network for Temperature Tracking in a Fixed Bed Reactor

2019 ◽  
Vol 17 (10) ◽  
Author(s):  
Avdesh Singh Pundir ◽  
Kailash Singh
Keyword(s):  
Neural Network ◽  
Sliding Mode Control ◽  
Radial Basis Function ◽  
Basis Function ◽  
Sliding Mode ◽  
Fixed Bed ◽  
High Gain ◽  
Fixed Bed Reactor ◽  
Mode Control ◽  
Chattering Free

Abstract In this paper, a Chattering Free Sliding Mode Control (CFSMC) with observer based adaptive Radial Basis Function Neural Network (RBFNN) has been designed for first-order transfer function model of temperature trajectory in a fixed bed reactor. The steady-state behavior and effect of different operating parameters such as feed velocity and temperature on the operation of the fixed bed reactor have been discussed. Due to RBFNN’s capability to map the nonlinear dynamics online through self-learning ability, it is combined with CFSMC to reduce the chattering behavior. The adaptive RBFNN has been used to approximate the nonlinear dynamic behavior of the fixed bed reactor. To predict the states of the system, high gain observer based on adaptive RBFNN has been used. Design parameter of the observer has been estimated using Hurwitz polynomial. The effect of neuron number on the mapping error and the effect of space discretization step on modeling error have also been discussed. To decrease the chattering generated by the Sliding Mode Controller (SMC) in the temperature trajectory tracking, an equivalent control term is neglected from the final controller. It has two main advantages: one is the reduction in chattering behavior which is the main drawback of SMC and the second is the reduction of the high gain requirement. The SMC is used to overcome against external disturbance, load variation, variation in key parameters and model mismatch. To make the simulation realistic, constraints have been applied to control input and input rate. For guaranteeing the system stability, Lyapunov theorem has been applied. To show the suitability of the hybrid controller, a comparison has been carried out between the hybrid and PID controller. To quantify the performance, Integral Time Weighted Absolute Error (ITAE) has been estimated. Under the condition of existing model errors and external disturbances, simulation study of the control of the fixed bed reactor shows that the hybrid control algorithm consisting of sliding mode control and observer-based adaptive RBFNN performs well both for tracking the temperature trajectory and reducing the chattering.

Sign in / Sign up

Export Citation Format

Share Document