Sterowanie neuronowe modelem laboratoryjnym suwnicy przemysłowej

• Autorzy: Pogorzelski R.

Warianty tytułu

EN

Neural control of a 3D crane model

• Konferencja: Computer Applications in Electrical Engineering (18-19.04.2016 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Suwnice przemysłowe są nieodłącznym urządzeniem używanym przy przenoszeniu ładunku. Potrzeba szybkiego transportu wymaga sterowania ruchem suwnicy, tak aby dynamika całego ruchu była zoptymalizowana. W artykule przedstawiono syntezę sterowania neuronowego napowietrzną suwnicą przemysłową. Sterowanie procesem zostało zrealizowane za pomocą sieci neuronowych realizujących odwzorowanie wejściowowyjściowe (trajektorii zadanej w sygnał sterujący). W sterowaniu wykorzystano sieci perceptronowe typu MLP (ang. Multilayer Perceptron). Zaproponowana metoda sterowania została porównana z układem regulacji PD. Wyniki badań wskazują na poprawę wskaźników jakości regulacji przy zastosowaniu proponowanego rozwiązania. Eksperymenty zostały przeprowadzone w środowisku obliczeniowym Matlab/Simulink.

EN

Cranes are indispensable systems used for material handling. The need for faster cargo handling requires such a control of the crane motion so that its dynamic performance is optimized. This paper presents neural control synthesis for a crane model (Fig. 5). The process control executed using artificial neural networks (the multilayer perceptron - MLP). The Levenberg-Marquardt method has been used to find the best weights of an MLP. In order to accelerate material handling, the movement was made at a special trajectory, where motion is held in two directions (Fig. 4). Presented neural methods were compared with traditional PD control. The research was carried out in the Matlab/Simulink environment. The test results show that artificial neural networks can be a useful tool to control the industrial devices.

Słowa kluczowe

PL

sieć neuronowa; model suwnicy; neuronowy układ sterowania

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2016
• Tom: No. 87
• Strony: 473--482
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Pogorzelski R.

• Politechnika Białostocka

Bibliografia

• 1] Chang Ch., Hwang F., Fuzzy Control of Nonlinear Crane System, International Conference on System of Systems Engineering, 2006, pp. 155-160.
• [2] Guth M., Seel T., Raisch J., Iterative Learning Control with Variable Pass Length Applied to Trajectory Tracking on a Crane with Output Constraints, 52nd IEEE Conference on Decision and Control, 2013, pp. 6676-6681.
• [3] Norgard M., Ravn O., Poulsen N.K., Neural Networks for Modeling and Control of Dynamic Systems, Springer, 2000.
• [4] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa, 1996.
• [5] Sawodny O., Aschemann H., Lahres S., An automated gantry crane as a large workspace robot, Control Engineering Practice, Vol. 10, No. 12, 2002, pp. 1323-1338.
• [6] Toxqui R., Yu W., Li X., Anti-swing control for overhead crane with neural compensation, 2006 International Joint Conference on Neural Networks, 2006, pp. 4697-4703.
• [7] Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.
• [8] 3D Crane System, Users’s Manual, Inteco, 2005, 64-70.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.