ABSTRACTO

Abstracto

Un método directo para el diseño de controladores basados ​​en lógica difusa en el entorno Matlab / Simulink se presenta en este trabajo. La enfoque se centra en la construcción de la base de reglas difusas utilizando el tiempo valores variables de error de control (e) y su cambio (? E) Mapeados en el correo? E espacio. Con el fin de demostrar la sencillez modelo generalizado de la enfoque propuesto, un controlador de lógica difusa (FLC) está diseñado de Matlab / Simulink medio ambiente. Para la validación, el bloque de FLC generada se simula para controlar cinco sistemas diferentes, tales como un motor PMDC sistema de control de velocidad, un sistema de control de posición, un control de seguimiento de radar sistema, un sistema de control de tensión del generador síncrono, y loadfrequency control de un sistema de alimentación de dos zona. Los resultados de la simulación obtenido por FLC también se comparan con los resultados obtenidos usando PID controladores para la validación de la aplicabilidad del bloque FLC desarrollado en entorno de Matlab / Simulink. Palabras clave: Control digital, factores humanos del sistema de control, control difuso, La lógica difusa, conjuntos difusos, los sistemas basados ​​en el conocimiento

1. Introducción La lógica difusa (FL) controladores basados ​​en la teoría de conjuntos difusos se utilizan para representar la experiencia y el conocimiento de un operador humano en términos de lingüística las variables que se llaman reglas difusas. Puesto que un operador humano con experiencia ajusta las entradas del sistema para obtener una salida deseada con sólo mirar el sistema salida sin ningún conocimiento sobre la dinámica y el interior del sistema variaciones de los parámetros, la aplicación de reglas difusas lingüísticos basa en los procedimientos realizados por los operadores humanos no requieren también una modelo matemático del sistema. Por lo tanto un controlador de lógica difusa (FLC) se convierte en no lineal y adaptativa en la naturaleza que tiene un comportamiento robusto bajo variaciones de los parámetros con la capacidad de obtener acciones de control deseados para sistemas complejos, inciertos, y no lineales sin el requisito de sus modelos matemáticos y estimación de parámetros. Controladores basados ​​FL proporcionan una base matemática para el razonamiento aproximado, que ha sido demostrado ser muy exitoso en una variedad de aplicaciones [1]. En las modernas técnicas de control, la incertidumbre y vaguedad tienen una gran cantidad de importancia a tratar. El uso de funciones de pertenencia cuantificó de términos ambiguos en las reglas de control de lógica difusa ha dado un impulso para acelerar el control de los sistemas con incertidumbre y vaguedad [2-4]. Desde la introducción de la teoría de conjuntos difusos [5] y su aplicación a sistemas de control [6], se ha convertido en una herramienta importante y útil en el control no lineal en especial sistemas. A medida que la tecnología informática y el chip desarrollado, las aplicaciones de controladores basados ​​en lógica difusa se han incrementado enormemente por lo que se han aplicado en muchos sistemas diferentes [1, 7-10].

El propósito principal de este estudio es desarrollar un enfoque sencillo y directo con el fin de construir una tabla de decisión de reglas difusas que es adecuado para el modelado en el entorno Matlab / Simulink GUI utilizando bloques operativos simples que también funciona para diferentes sistemas sin el requisito de un rediseño proceso. Muchos trabajos sobre la base de ensayo y error [11], la red neuronal artificial (ANN) [12], algoritmos genéticos (GA) [13] algoritmos basados, y la agrupación métodos [14] han aparecido en la literatura relativa a la decisión regla tabla. El método de ensayo y error utiliza algún conocimiento inicial sobre cómo el sistema funciona y estima el resto de la tabla de reglas por tratar y error hasta se obtiene una mesa de trabajo. Los algoritmos de aprendizaje utilizando técnicas ANN

También comienza con un conocimiento inicial y rellena la tabla de decisiones por regla estimar el resto de ella a partir de datos previamente entrenados. Los algoritmos que utilizan GA métodos también consisten en una especie de sistema de aprendizaje, lo que aprende un conjunto de reglas de un conjunto de ejemplos [15]. Se ha demostrado que todos estos métodos funcionan muy bien. Sin embargo, hay que señalar que no son sólo fuzzy sistemas. Son sistemas híbridos, que combinan otros métodos inteligentes tales como las redes neuronales y algoritmos genéticos con la lógica difusa. Aunque los sistemas híbridos son más potentes y de adaptación, que requieren algoritmos de alto nivel con los procesos que consumen tiempo que no son deseables en aplicaciones de control. Los controladores FL aparecieron en la literatura son en su mayoría modelado para aplicaciones específicas [16-18] en lugar de para los casos generales.

En este estudio, un enfoque directo se ha aplicado para obtener un tres inicial por tres tabla de reglas, que luego se expandió a dimensiones más grandes, dependiendo sobre el número de los conjuntos difusos utilizados para dividir espacios de datos claras. La primera tabla de reglas se extrae directamente del tiempo de respuesta del sistema de control de errores y el cambio en el error persiste durante un período de muestreo. A continuación, la tabla de reglas es dividido en subniveles difusos de una manera similar hecho por la partición de la espacio de error y el cambio de error. Por lo tanto, la tabla de reglas es en realidad nada más que la repartió versión del espacio de salida en subconjuntos borrosos con una simétrico estructura.

Con el fin de validar el método propuesto, cinco esquemas de control diferentes se han probado en el entorno Simulink. Un imán permanente DC (PMDC) esquema de control de velocidad del motor, la posición del motor PMDC impulsado esquema de control, un esquema de control de rastreo por radar de objetivos en movimiento, una esquema de control de tensión del generador síncrono, y un sistema de energía loadfrequency esquema de control se controlan mediante el bloque de FLC desarrollado.

Los resultados se compararon con los obtenidos mediante la simulación de los mismos esquemas con los controladores PID.

2. los sistemas físicos que hay que controlar

Para un operador de sistema físico, uno de los conocimientos más importantes es el tiempo de respuesta del sistema. Un operador sabe muy bien cómo el sistema responde a un cambio en los parámetros de entrada de referencia o del sistema en Para hacer el ajuste necesario para mantener el sistema funcionando en virtud de condiciones normales de funcionamiento. El tiempo de respuesta de un sistema físico es importante, ya que refleja los efectos de los cambios, ya sea en la entrada de referencia o los parámetros interiores del sistema. Por lo tanto, el tiempo de respuesta del error de funcionamiento y su derivación se utilizan generalmente como dos parámetros de entrada al controlador de lógica difusa. Dado que la respuesta de error incluye la información acerca de la salida del sistema, se utiliza como entrada de un sistema de conexión puente a la salida de más de un conjunto de reglas difusas lingüísticas. Un sistema invariante de tiempo lineal (LTI) se puede representar en diferente maneras, tales como modelo y la transferencia de las funciones de espacio de estados, que son en su mayoría en primero, segundo orden, o superior. Dependiendo de la orden de modelo, el sistema de salida para una entrada de paso puede variar como se muestra en la Fig. 1, lo que resulta en un similares respuesta en el error y el error de cambio tal como se indica en la Fig. 2. Las respuestas de tiempo de las señales de error pueden ser utilizados para representar la información en relación con las respuestas de salida del sistema. Como las señales de error se aproximan a cero las señales de salida se mueven hacía referencia. En función de las actuaciones de controladores usados, las señales de error pueden o no pueden llegar a ser cero. El error señal de un sistema controlado será suficiente para obtener las reglas de controlador ya que contiene la información necesaria sobre las salidas. Por lo tanto la señales de error que se muestran en la Fig. 2 se utilizan como la fuente de información para la construcción de los sistemas de base de reglas de controlador de lógica difusa. Estas señales pueden representar cualquier tipo de error de control con una entrada de referencia de tipo de paso. En De hecho, la señal de error de un sistema de control con una entrada de la rampa no será mucho diferente a la de dado en la Fig. 3, a pesar de las diferencias entre las salidas de los sistemas con entradas de paso y rampa.

...