Naslov
POBOLJŠANJE SAMOUČEĆEG NEIZRAZITOG REGULATORA
(Improvement of self-learning fuzzy logic controllers (SLFLC))

Autori
Reichenbach, Tomislav

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
15.10

Godina
1999

Stranica
91

Mentor
Kovačić, Zdenko

Ključne riječi
Inteligentno upravljanje; samoučeći neizraziti regulator
(Intelligent control; self-learning fuzzy logic controller)

Sažetak
Samoučeći neizraziti regulatori uspješno su izvedeni kao CMEX S-funkcije za simuliranje dinamičkih sustava u sklopu programskog paketa Matlab - Simulink. Napravljene su dvije programske inačice regulatora, samoučeći neizraziti regulator zasnovan na referentnom modelu i funkcijama osjetljivosti (snr.dll) i samoučeći neizraziti regulator zasnovan na referentnom modelu i polinomskoj funkciji pogreške slijeđenja referentnog modela (snrp.dll).Simulacijama u četvrtom poglavlju provjerena je funkcionalnost napravljenih regulatora, te je pokazano da su samoučeći neizraziti regulatori primjenjivi na široki raspon procesa. Strukture SNR-a za statičke procese, odnosno astatičke procese provjerene su na simulacijskim modelima u sklopu simulacijskog programskog paketa Matlab - Simulink i pokazano je da upravljanje dotičnim regulatorima zadovoljava i najstrože kriterije kvalitete upravljanja. Upravljanje nelinearnim procesima, digitalnim pozicijskim slijednim sustavom i regulacijom brzine vrtnje benzinskog motora, pokazalo je pravu prednost SNR-a u odnosu na konvencionalne regulatore i jednostavnost njihove primjene. Svim procesima u simulacijama pristupalo se bez ikakvih apriori znanja o parametrima procesa, osim što se pretpostavljao tip astatizma procesa, već se zadavanjem ponašanja referentnog modela određivala željena dinamika vladanja procesa koju je samoučeći neizraziti regulator trebao postići. Dodavanjem neuronskih mreža kao estimatora momenta tereta i momenta trenja SNR-u sa funkcijama osjetljivosti povećana je robusnost SNR-a. Eksperimentalni rezultati postignuti na pozicijskom slijednom sustavu (poglavlje 5.1) pokazali su da primjenom neuronskih mreža osim što je učenje stabilnije, učenje traje dva puta kraće (radna točka 0°) odnosno tri puta kraće (radna točka -90°). U slučajevima gdje jedna upravljačka tablica nije dovoljna za kvalitetno upravljanje SNR-om u cijelom radnom području, sa uspjehom je primijenjeno je upravljanje pomoću više naučenih upravljačkih tablica, podijeljenih tako da se obuhvati cijelo radno područje SNR-a, čime se znatno smanjila pogreška slijeđenja referentnog modela u cijelom radnom području.

Izvorni jezik
Hrvatski

Znanstvena područja
Elektrotehnika

POVEZANOST RADA