Journal of the Institute of Electronics Engineers of Korea SC (전자공학회논문지SC)

The Institute of Electronics and Information Engineers (대한전자공학회)
권호 표지

Design of a direct multivariable neuro-generalised minimum variance self-tuning controller

직접 다변수 뉴로 일반화 최소분산 자기동조 제어기의 설계

  • 조원철 (경북도립 경도대학 인터넷 정보통신계열) ;
  • 이인수 (상주대학교 전자전기공학부)
  • Published : 2004.07.01
Download PDF
⟨ Previous Next ⟩

Abstract

This paper presents a direct multivariable self-tuning controller using neural network which adapts to the changing parameters of the higher order multivariable nonlinear system with nonminimum phase behavior, mutual interactions and time delays. The nonlinearities are assumed to be globally bounded, and a multivariable nonlinear system is divided linear part and nonlinear part. The neural network is used to estimate the controller parameters, and the control output is obtained through estimated controller parameter. In order to demonstrate the effectiveness of the proposed algorithm the computer simulation is done to adapt the multivariable nonlinear nonminimm phase system with time delays and changed system parameter after a constant time. The proposed method compared with direct multivariable adaptive controller using neural network.

본 논문에서는 다변수 비선형 시스템에 적응할 수 있는 신경회로망을 이용한 직접 다변수 자기동조 제어기를 제안한다. 제어기에 적용되는 플랜트는 고차이고 잡음, 시간지연과 상호결합 항이 존재하며 파라미터가 변하는 다변수 비선형 비최소위상 시스템이다. 비선형성은 전체적인 유계라 가정하며, 시스템은 선형부분과 비선형부분으로 분리한 형태로 구성한다. 다변수 비선형 자기동조 제어기의 제어 출력은 신경회로망으로 직접 추정된 제어기 파라미터로부터 얻어진다. 제어 알고리듬의 타당성을 확인하기 위해 시간지연이 있고 일정한 시간이 경과한 후 시스템의 파라미터가 변하는 고차 다변수 비선형 비최소위상 시스템에 대해 컴퓨터 시뮬레이션을 하였다. 그리고 신경회로망을 이용한 직접 다변수 적응 제어기와 비교하였다.

Keywords

References

  1. K. S. Narendra and K. Parthasarthy, 'Identification and control of dynamical system using neural network,' IEEE Trans. Neural Networks, Vol. 1, No. 1, pp. 4-27, 1990 https://doi.org/10.1109/72.80202
  2. L. Jin, P. N. Nikiforuk, and M. M.Gupta, 'Direct adaptive output tracking control using multilayer ed neural networks,' Proc. IEE, Pt. D., vol. 140, no. 6, pp. 393-398, 1996
  3. H. N. Koivo, 'A multivariable self-tuning controller,' Automatica, vol. 16, no. 4, pp. 351-366, 1980 https://doi.org/10.1016/0005-1098(80)90020-5
  4. R. Yusof, S. Omatu, and M. Khalid, 'Self-tuning PID control: a multivariable derivation and application,' Automatica, vol. 30, no. 12, pp. 1975-1981, 1994 https://doi.org/10.1016/0005-1098(94)90059-0
  5. A. Yesidirek, F.L. Lewis, Feedback linearization using neural networks, Automatica 31 (11) (1995) 1659-1664 https://doi.org/10.1016/0005-1098(95)00078-B
  6. Q. M. Zhu, Z. Ma, and K. Warwick, 'Neural network enhanced generalised minimum variance self-tuning controller for nonlinear discrete-time systems,' Proc. IEE, Pt. D., vol. 146, no. 4, pp. 319-326, 1999
  7. Wang Fuli, Li Mingzhong, and Yang Yinghua, 'Neural network pole placement controller for nonlinear systems through linearisation', Procee ding of the American Control Conference, pp. 1984-1988, 1997
  8. 조원철, 전기준 '다변수 자기동조 PID 제이기의 설계,'대한전자공학논문지, 제34권 7호, pp.14-20, 1997년 7월
  9. W. C. Cho, I. S. Lee, and K. Y. Kim, 'Design weighting parameter tuning of multivariable selftuning controllers', Computers and Electrical Engineering, vol. 28, no.6, pp. 465-480, 2002 https://doi.org/10.1016/S0045-7906(01)00002-7
  10. R. Soeterboek, Predictive Control, Prentice Hall, Englewood Cliffs, NJ, 1992