Синтез адаптивной нейро-нечеткой системы управления нелинейных динамических объектов

Проблемы железнодорожного транспорта

SYNTHESIS OF ADAPTIVE NEURO-FUZZY CONTROL SYSTEM OF NONLINEAR DYNAMIC OBJECTS

Siddikov I.X.
Umurzakova D.M.

Tashkent State technical university, Tashkent, Uzbekistan

Abstract: Development of an adaptive neuro-fuzzy control system for nonlinear dynamic objects. Based on the hybrid use of neural networks and fuzzy logic. An application of an adaptive identifier for a neuro-fuzzy control system for a nonlinear dynamic object, functioning in conditions of uncertainty of changes in internal properties and the external environment, is proposed. Algorithms for structural and parametric identification in real time, which is a combination of the algorithm for identifying coefficients of linear equations and the method of the theory of interactive adaptation, have been developed. The structure of the proposed system consists of three parts: the object itself, the controller emulator and the compensator. The developed hybrid model, built on the basis of neural networks and fuzzy models, improves the efficiency of solving the problem of managing complex dynamic objects in conditions of uncertainty. For the formalization of the compensator, the emulator and the regulator, a fuzzy model of Sugeno, the architecture of which consists of five layers, is proposed to be used.
Key words: Hybrid model, Sugeno model, emulator, compensator, neuro-fuzzy control system, dynamic object

СИНТЕЗ АДАПТИВНОЙ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ УПРАВЛЕНИЯ НЕЛИНЕЙНЫХ ДИНАМИЧЕСКИХ ОБЪЕКТОВ

Аннотация: Разработка адаптивной нейро-нечеткой системы управления нелинейными динамическими объектами. На основе гибридного применения нейронной сети и нечеткой логики. Предложено применение адаптивного идентификатора для нейро-нечеткой системы управления нелинейным динамическим объектом, функционирующего в условиях неопределенности изменения внутренних свойств и внешней среды. Разработаны алгоритмы структурной и параметрической идентификации в реальном времени, представляющей собой комбинацию алгоритма идентификации коэффициентов линейных уравнений и метода теории интерактивной адаптации. Структура предложенной системы состоит из трех частей: самого объекта, эмулятора регулятора и компенсатора. Разработанная гибридная модель, построенная на основе нейронных сетей и нечетких моделей, позволяет повысить эффективность решение задачи управления сложными динамическими объектами в условиях неопределенности. Для формализации компенсатора, эмулятора и регулятора предложен применения нечеткая модель Сугено, архитектура которой состоящий из пяти слоев, обучения нечеткой сети осуществляется методом интерактивной адаптации.
Ключевые слова: Гибридная модель, модель Сугено, эмулятор, компенсатор, нейро-нечеткая система управления, динамическая объект.

Скачать полную версию статьи: InnoRailway-Siddikov-UmurzakovaСкачать

Литература

  1. C. Peraza, F. Valdez, M. Garcia, P. Melin, O. Castillo, A New Harmony Search Algorithm Using Fuzzy Logic for Dynamic Parameter Adaptation, Algoritms, vol. 9, no 4, 2016, DOI: 10.3390/a9040069.
  2. G. Fargione, D. Tringali, G. Risitano, A fuzzy-genetic control system in the ABS for the control of semi-active vehicle suspensions, Mechatronics, vol. 39, no. 89, 2016, DOI: 10.1016/j.mechatronics.2016.08.004.
  3. H. Abounaser, I. Talkhan, A. Fahmy, A Parallel Fuzzy-Genetic Algorithm for Classification and Prediction, International Journal Of Advanced Computer Science and Application, vol. 7, no. 10, 2016, DOI: 10.14569/IJACSA.2016.071022.
  4. I. Siddikov, Z. Iskandarov, Synthesis of adaptive-fuzzy control system  of dynamic in conditions of uncertainty of information // International Journal of Advanced Research in Science, Engineering and Technology. Vol. 5. Issue 1. January 2018. pp. 5089-5093.
  5. L.A. Zadeh,“Fuzzy Sets. Information Control”, vol. 8, 1965, 338-353.
  6. M.-Y. Chou, W.-H. Lee, C.-H. Wang, C.-T. Pang, On the fuzzy genetic algorithm, Journal Of Nonlinear And Convex Analysis, vol. 17, no. 5, 2016, 921-929.
  7. R.J. Kuo, B.S. Wibowo, F.E. Zulvia, Application of a fuzzy and colony system to solve the dynamic vehicle routing problem with uncertain service time, Applied Mathematical Modelling, vol. 40, no. 23-24, 2016, 9990-10001, DOI: 10.1016/j.apm.2016.06.025.
  8. А.В. Медведев, Основы теории адаптивных систем. Красноярск, Сибирский государственный аэрокосмический университет, 2015.
  9. А.Д. Братусь, Синтез новых оптимальных и адаптивных систем. -М.:Компания Спутник+,2002. 221 с.
  10. В.В. Круглов, Искусственные нейронные сети. Теория и практика / В.В. Круглов,Н.Н. Борисов .- М.:Горячая линия –Телеком,2001.-382 с.
  11. В.Я. Ротач, Теория автоматического управления /В.Я.Ротач.-М.: МЭИ,2008.-396 с.
  12. Д. Рутковская, М. Пилиньский, Л. Рутковский, Нейронные сети, генетические алгоритмы и нечеткие системы, пер.с польск. И.Д. Рудинского .-М.: Горячая линия –Телеком. 2006 .-452 с.
  13. Д.П. Ким, Теория автоматического управления. Т.2. Многомерные, нелинейные, оптимальные и адаптивные системы. М.:Физматлит, 2004. -464 с.
  14. И.Ю. Тюкин, Алгоритмы адаптации в конечной форме для нелинейных динамических объектов // Автоматика и Телемеханика. — 2003. — Т. 64, № 6. — С. 951-974.
  15. И.Х. Сиддиков, Ю.А. Жукова, Имитационное моделирование системы управления динамическим объектом на основе синергетического подхода //«Автоматизация. Современные Технологии» №1, 2018 С. 22-25.

REFERENCES

  1. C. Peraza, F. Valdez, M. Garcia, P. Melin, O. Castillo, A New Harmony Search Algorithm Using Fuzzy Logic for Dynamic Parameter Adaptation, Algoritms, vol. 9, no 4, 2016, DOI: 10.3390/a9040069.
  2. G. Fargione, D. Tringali, G. Risitano, A fuzzy-genetic control system in the ABS for the control of semi-active vehicle suspensions, Mechatronics, vol. 39, no. 89, 2016, DOI: 10.1016/j.mechatronics.2016.08.004.
  3. H. Abounaser, I. Talkhan, A. Fahmy, A Parallel Fuzzy-Genetic Algorithm for Classification and Prediction, International Journal Of Advanced Computer Science and Application, vol. 7, no. 10, 2016, DOI: 10.14569/IJACSA.2016.071022.
  4. Siddikov, Z. Iskandarov, Synthesis of adaptive-fuzzy control system  of dynamic in conditions of uncertainty of information // International Journal of Advanced Research in Science, Engineering and Technology. Vol. 5. Issue 1. January 2018. pp. 5089-5093.
  5. L.A. Zadeh,“Fuzzy Sets. Information Control”, vol. 8, 1965, 338-353.
  6. M.-Y. Chou, W.-H. Lee, C.-H. Wang, C.-T. Pang, On the fuzzy genetic algorithm, Journal Of Nonlinear And Convex Analysis, vol. 17, no. 5, 2016, 921-929.
  7. R.J. Kuo, B.S. Wibowo, F.E. Zulvia, Application of a fuzzy and colony system to solve the dynamic vehicle routing problem with uncertain service time, Applied Mathematical Modelling, vol. 40, no. 23-24, 2016, 9990-10001, DOI: 10.1016/j.apm.2016.06.025.
  8. Medvedev A.V. Osnovy teorii adaptivnyh sistem [Fundamentals of the Theory of Adaptive Systems]. Krasnoyarsk, Sibirskiy gosudarstvennyy aerokosmicheskiy universitet, 2015.
  9. A.D. Bratus, Sintez novyx optimalnyx i adaptivnyx system. –M.:Kompaniya Sputnik+, 2002. 221 s.
  10. V.V. Kruglov, Iskusstvennye neyronnye seti. Teoriya I praktika / V.V. Kruglov, N.N. Borisov. – M.:Goryachaya liniya – Telekom, 2001. -382 s.
  11. V.Ya. Rotach, Teoriya avtomaticheskogo upravleniya / V.Ya. Potach. – M.:MEI, 2008. -396 s.
  12. D. Rutkovskaya, M. Pilinskiy, L. Rutkovskiy, Neyronnye seti, genetichesye algoritmi I nechetkye sistemy, per.c polsk. I.D. Rudinckogo. –M.:Goryachaya liniya – Telekom. 2006. -452 s.
  13. D.P. Kim, Teoriya avtomaticheskogo upravleniya. T.2. Mnogomernye, nelineynye, optimalnye i adaptivnye sistemy. M.:Fizmatlit, 2004. -464 s.
  14. I.Yu. Tyukin, Algoritmi adaptasiya v konechnoy forme dlya nelineynyx dinamicheskix obektov // Avtomatika i Telemexanika. – 2003. T. 64, № 6. — S. 951-974.
  15. I.X. Siddikov, Yu.A. Jukova, Imitatsionnoe modelirovanie sistemy upravleniya dinamicheskim obektom na osnove sinergeticheskogo podxoda // “Avtomatizatsiya. Sovremennye Texnologii” №1, 2018 S. 22-25.