Decomposed fuzzy proporcional-integral-derivative controllers

Slides:



Advertisements
Apresentações semelhantes
Contadores e Registradores
Advertisements

Construção de listas de decisão Os tópicos anteriores tratam de indução de conceitos que podem ser descritos usando uma única região de decisão Neste tópico.
Sistema robótico baseado em controladores de redes neurais
Instrutor HEngholmJr 1 Modelagem de Processos. Instrutor HEngholmJr 2 Nivelar profissionais nos conceitos de mapeamento de processos em nível que permita.
UNICAMP Universidade Estadual de Campinas Centro Superior de Educação Tecnológica Divisão de Telecomunicações Propagação de Ondas e Antenas Prof.Dr. Leonardo.
Amintas engenharia.
Lógica Fuzzy Aplicada a Sistemas de Diagnóstico
Introdução a Sistemas Fuzzy no Matlab e uso do Simulink
Ronaldo Gilberto de Oliveira
1 Funções Trajectória de Projéctil DI/FCT/UNL 1º Semestre 2004/2005.
Propagação de Ondas e Antenas
Sinais e Sistemas – Capítulo 2
Sinais e Sistemas – Capítulo 3
Metodologia Científica e Tecnológica
"Carrinho de Mão para Construção Civil".
UTFPR – CEAUT 2011 Tópicos em Controle.
Sistemas Baseados em Lógica Fuzzy
1 MergeSort Seja uma lista A de n elementos. O algoritmo consiste das seguintes fases Dividir A em 2 sub-listas de tamanho n/2 Conquistar: ordenar cada.
5. MODELAGEM: PLANTAS E PROCESSOS - 1
Projeto de um controlador de temperatura
SOBREPOSIÇÃO MODAL Objetivos:
Avaliação de Desempenho Planejamento de Experimentos 1
Inteligência Artificial
Associação em paralelo de bombas hidráulicas
CAPÍTULO 6 1. Computação reconfigurável
CAPÍTULO Equações dinâmicas de um robô
Recovery Blocks Paulo Junior Penna Pivetta. Introdução Os Projetos de Tolerância a falhas quase que exclusivamente eram dedicado a hardware Tolerância.
1 Simulação baseada em multiagentes – aplicação em educação O processo de simulação significa dirigir o modelo de um sistema com entradas satisfatórias.
Dividir-e-Conquistar
Estruturação e Desenvolvimento de
INTRODUÇÃO À PROGRAMAÇÃO
Prof. Edinaldo José da Silva Pereira
Métodos de Ajuste de Controladores
Defesa de trabalho de mestrado entitulado
A Framework for Robots Development and Programming Based on Genetic Algorithms Palmeira P.F.M Silvino J.S. de Melo J.C.D DEE-UFMG DELT-UFMG.
Aux a fim início Simulação da execução de um algoritmo que troca o conteúdo de duas variáveis recebidas e apresenta o resultado da inversão: leia a,b a.
Sistema de automação Lógica Fuzzy ( vaga, incerta, nebulosa )
MECÂNICA - ESTÁTICA Vetores Forças Cap. 2.
Sistema de Alimentação
Problema 1 Considere um veleiro, semelhante ao do problema 4 da unidade anterior, sujeito a um carregamento devido ao vento de f = 50 N/m, uniformemente.
Melhorando o erro de estado estacionário e a resposta transitória
Faculdade de Engenharia da Universidade do Porto
Amauri Oliveira Abril de 2010
Tópicos especiais em controle inteligente e distribuído Professor: Jorge Dantas de Melo Rafael Marrocos Magalhães.
Tópicos Avançados em Inteligência Artificial
Análise Léxica.
Aula 3: Sensores.
Aula teórica 7: Realimentação de Sistemas
Automação Industrial Máquinas Elétricas
Aula Teorica 4: Diagrama de Blocos
Oscar Takeshi Omar Mogames Vitor Gomes
Compensadores PID R(s) E(s) U(s) Y(s) Controle proporcional:
Polaridade dos transformadores
Projeto de sistemas de controle pelo Método do Lugar das Raízes
Luis Filipe de F. P. Wiltgen Barbosa1, Francisco E. D. F
Programa de inversão de “Sondagem Eletromagnetica Vertical” - CBIC
Regras e Desfuzzificação:
FORÇA GRAVITACIONAL A força gravitacional é a força mútua de atracção entre dois corpos quaisquer do Universo A lei da gravitação de Newton afirma que.
Física Experimental III – aula 14
Laboratório de Mecatrónica/IST - COPPE Elétrica/UFRJ
– Tópicos em Controle e Automação Victor Rafael R. Celestino
Filtração 20 de Março de 2007.
Física Experimental III – aula 2
Circuitos Elétricos 2 Circuitos Elétricos Aplicados
ITA - Instituto Tecnológico de Aeronáutica Arquiteturas Programáveis de uma Máquina de Inferência Fuzzy em Tecnologia CMOS Autor: Leonardo Mesquita Orientador:
Germano Maioli Penello
Ensaio de curto-circuito e circuito aberto
Proposta de trabalho: Rastreamento da movimentação de uma câmera.
Modelagem de Fenômenos Físicos Utilizando a Técnica de Monte Carlo Universidade de Brasília Departamento de Engenharia Mecânica Programa de Pós graduação.
Automação e Controle Discreto
Transcrição da apresentação:

Decomposed fuzzy proporcional-integral-derivative controllers Autor: Marjan Golob Apresentador: Ebrahim Samer El’youssef

Conteúdo Descrição do controlador Outros controladores Sistema de suspensão magnética Parâmetros do controlador Experimentos e resultados

Descrição do controlador Controlador PID nebuloso Aplicável a plantas difíceis de se modelar; Utiliza heurística; Não existem procedimentos de projeto; Quanto maior o número de variáveis nebulosas mais complicada solução.

Descrição do controlador Controlador PID nebuloso decomposto Possui três entradas, uma saída e um base de regra dividida em três uma para cada entrada. Possui 9 regras ao total, assumindo que cada base regra tenha três regras, diferindo do PID nebuloso que possui 27 regras – base de regras de três dimensões.

Descrição do controlador O projeto controlador PID nebuloso é baseado no PID discreto, logo dependera: Erro Mudança do erro Integral do erro Lei de controle

Descrição do controlador Base de regras controlador PID nebuloso E’,DE’,IE’ e U’ são variáveis nebulosas E(i), DE(i), IE(i) e U(i) são os iézimos conjuntos nebulosos

Descrição do controlador Relação nebulosa R da base de regras nova saída controlador nebuloso dadas as correntes entradas nebulosa Com a decomposição

Descrição do controlador Assumindo: Tem-se que:

Descrição do controlador Assumindo: Tem-se que:

Descrição do controlador Ou ainda:

Outros controladores nebulosos PD + I FLC

Outros controladores nebulosos PI FLC + controlador convencional D

Outros controladores nebulosos P FLC + controlador convencional ID

Outros controladores nebulosos PD FLC + PI FLC

Suspensão Magnética Sistema

Suspensão Magnética Esquema implementado

Suspensão Magnética Parâmetros Massa da bola de ferro (kg) 0,147 Máxima distancia entre o eletroímã e bola de ferro, D (mm) 25 Numero de voltas da bobina n 1200 Resistência da bobina  2,8 Indutância da bobina, L (mH) 520

Parâmetros do controlador Método de inferência Mandami inferência nebulosa com o operador minimum a composição com o operador maximum Método de desfuzzificação é do centro de gravidade Função de associação de entrada

Parâmetros do controlador Função de associação de saída (singleton) Base de regra para parte proporcional do controlador PID nebuloso

Parâmetros do controlador Base de regra de duas dimensões

Funcionamento Encontrar os níveis de disparo de cada regra; τi

Funcionamento Encontrar a saída de cada regra; UE

Funcionamento Combinação dos três conjuntos fuzzy UE gerados; Defuzzificação (centro de gravidade)

Experimentos e Resultados Os experimentos foram realizados em tempo real Primeiro experimento - mudança de referencia (6-8 e 14-16 mm)

Experimentos e Resultados PD + I FLC

Experimentos e Resultados PID FLC

Experimentos e Resultados PD + PI FLC

Experimentos e Resultados P FLC + ID

Experimentos e Resultados PI FLC + D

Experimentos e Resultados Índices de performance

Experimentos e Resultados Segundo experimento – perturbação de carga (2V (100-900)) Controladores nebulosos

Experimentos e Resultados Controladores nebulosos híbridos

Experimentos e Resultados Índice de performance

Experimentos e Resultados Analisando os dados das simulações pode-se dizer que dada aceitação o controlador nebuloso decomposto proposto é uma boa solução devido suas características de possuir bases de regras mais simples.