Danh mục

Giải pháp bù thời gian trễ biển đổi và nhiễu của mạng các hệ thống điều khiển dựa trên mô hình dự báo smith thích nghi

Số trang: 5      Loại file: pdf      Dung lượng: 922.38 KB      Lượt xem: 11      Lượt tải: 0    
10.10.2023

Phí tải tài liệu: miễn phí Tải xuống file đầy đủ (5 trang) 0
Xem trước 2 trang đầu tiên của tài liệu này:

Thông tin tài liệu:

Giải pháp sử dụng mô hình dự đoán Smith thích nghi với cơ chế ước lượng thời gian trễ và bù nhiễu dựa trên mạng thần kinh nhân tạo không chỉ có tính năng của một cấu trúc dự đoán Smith thông thường mà còn thích nghi cao với sự thay đổi liên tục của thời gian trễ và nhiễu làm tăng tính ổn định, đáp ứng điều khiển nhanh. Kết quả mô phỏng thu được bằng cách sử dụng phần mềm chuyên dụng True Time Beta 2.0 trên nền Matlab minh chứng phương pháp này nâng cao hiệu suất của mạng các hệ thống điều khiển một cách đáng kể.
Nội dung trích xuất từ tài liệu:
Giải pháp bù thời gian trễ biển đổi và nhiễu của mạng các hệ thống điều khiển dựa trên mô hình dự báo smith thích nghi 13 TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016 GIẢI PHÁP BÙ THỜI GIAN TRỄ BIỂN ĐỔI VÀ NHIỄU CỦA MẠNG CÁC HỆ THỐNG ĐIỀU KHIỂN DỰA TRÊN MÔ HÌNH DỰ BÁO SMITH THÍCH NGHI COMPENSATION TIME-VARYING DELAYS AND DISTURBANCES SOLUTION OF NETWORKED CONTROL SYSTEM BASED ON ADAPTIVE SMITH PREDICTOR Đặng Xuân Kiên Đại học Giao thông Vận Tải Tp. Hồ Chí Minh Tóm tắt: Vấn đề nghiêm trọng nhất gây giảm hiệu suất điều khiển, mất ổn định của mạng các hệ thống điều khiển (Networked control systems-NCS) chính là ảnh hưởng của thời gian trễ và nhiễu, đặc biệt khi tại mỗi thời điểm chúng biển đổi không xác định. Rõ ràng đó là những thách thức hiện hữu làm cho các phương pháp điều khiển truyền thống khó đáp ứng được yêu cầu ổn định cần thiết của mạng các hệ thống điều khiển. Giải pháp sử dụng mô hình dự đoán Smith thích nghi với cơ chế ước lượng thời gian trễ và bù nhiễu dựa trên mạng thần kinh nhân tạo không chỉ có tính năng của một cấu trúc dự đoán Smith thông thường mà còn thích nghi cao với sự thay đổi liên tục của thời gian trễ và nhiễu làm tăng tính ổn định, đáp ứng điều khiển nhanh. Kết quả mô phỏng thu được bằng cách sử dụng phần mềm chuyên dụng True Time Beta 2.0 trên nền Matlab minh chứng phương pháp này nâng cao hiệu suất của mạng các hệ thống điều khiển một cách đáng kể. Từ khóa: Dự báo Smith, mạng các hệ thống điều khiển, bù nhiễu. Abstract: The most serious problems of networked control systems (NCS) to cause less control performance, instability and even collapse, are the randomly varying time delay and disturbances. These inherent challenges make the conventional control methods more difficult to meet the quality requirements for NCS stability. An adaptive Smith predictor combined time-delay estimation scheme and disturbance observer based on Neural network which has not only the features of simple Smith predict structure, but also the characteristics of adaptively, stability, and fast response. The simulation results via TrueTime Beta2.0 platform demonstrate that our method significantly improves the performance of NCS. Keywords: Adaptive Smith predictor, networked control system, disturbance observer. Các chữ viết tắt hệ thống bằng cách tăng số lượng cảm biến, LQR: Linear Quadratic Regulator đối tượng điều khiển, bộ điều khiển mà không cần thay đổi cấu trúc của toàn hệ H∞: H infinity thống, giảm chi phí vận hành khai thác và 1. Giới thiệu bảo dưỡng đáng kể. Hơn nữa, tính năng chia Mạng các hệ thống điều khiển sẻ dữ liệu giữa các bộ điều khiển của mạng (Networked control systems – viết tắt là làm tăng hiệu suất điều khiển, mạng điều NCS) được định nghĩa là hệ thống trong đó khiển có thể dễ dàng tổng hợp thông tin toàn các vòng lặp điều khiển được khép kín thông diện để đưa ra các quyết định thông minh qua mạng thời gian thực. Một mạng các hệ hơn đối với những không gian vật lý lớn. thống điều khiển điển hình được xây dựng Trong vài thập kỷ gần đây, NCS được dựa trên các phần tử cơ bản: Cảm biến – để ứng dụng rất rộng rãi trong công nghiệp lấy thông tin đầu vào, bộ điều khiển – để cũng như các lĩnh vực phục vụ đời sống xã cung cấp và ra lệnh điều khiển, đối tượng hội như mạng cảm biến di động, thám hiểm điều khiển – để thực thi các lệnh điều khiển, không gian vũ trụ, điều khiển và thu thập dữ mạng thời gian thực – nơi các phần tử của hệ liệu trong môi trường nguy hiểm, tự động trao đổi thông tin, tín hiệu điều khiển, đo hóa nhà máy xí nghiệp, chẩn đoán và xử lý lường…trong các vòng lặp khép kín với từ xa sự cố hệ thống tự động, điều khiển nhau qua mạng. Như vậy, lợi thế của mạng đồng bộ hóa các phương tiện giao thông vận các hệ thống điều khiển không chỉ làm tăng tải. Nhìn chung có hai hướng nghiên cứu hệ tốc độ điều khiển mà còn dễ dàng nâng cấp 14 Journal of Transportation Science and Technology, Vol 19, May 2016 thống điều khiển sử dụng mạng truyền thông gian trễ khi dữ liệu truyền từ bộ điều khiển trong đó bao gồm hệ thống điều khiển mạng tới đối tượng, e sc s là khoảng thời gian trễ chia sẻ (Shared-network) và hệ thống điều khi dữ liệu truyền từ cảm biến phản hồi khiển từ xa. Hướng đầu tiên sử dụng tài ngược tới bộ điều khiển qua Network. Đối nguyên của mạng chia sẻ để chuyển thông tượng điều khiển được xem xét là đối tượng tin từ cảm biến tới bộ điều khiển và tín hiệu có trễ G(s)  G (s)e  p s với e p s đặc trưng cho điều khiển từ bộ điều khiển tới cơ cấu chấp p hành, như vậy có thể giảm nhiều sự phức tạp mô hình thời gian trễ của đối tượng. Mô hình về kết nối. Những bộ điều khiển dựa trên cấu dự báo Smith được đưa thêm vào vòng lặp  s trúc cơ bản của mạng đã được ứng dụng rộng kín của NCS Gm ( s)  Gpm ( s)e pm trong đó rãi trong điều khiển mạng Robot di động [1]  s Gpm (s)e pm đặc trưng cho mô hình dự báo và các ứng dụng trong công nghiệp [2]. Hướng thứ hai với các hệ thống điều khiển của đối tượng G(s) . từ xa có thể xem là những hệ thống có bộ Như vậy chúng ta có thể phân tích mô điều khiển đặt ở khoảng cách xa, điều khiển hình NCS trong hình 1 với giả thiết không có không dây hoặc có kết nối bằng dây dẫn điện. nhiễu tác động vào hệ thống tương ứng d  0 ...

Tài liệu được xem nhiều: