Modularne sieci neuronowe w sterowaniu modelem laboratoryjnym suwnicy przemysłowej

• Autorzy: Pogorzelski R.

Identyfikatory

DOI

10.21008/j.1897-0737.2017.91.0025

Warianty tytułu

EN

A modular neural network for control a 3D crane model

• Konferencja: Computer Applications in Electrical Engineering (10-11.04.2017 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono zagadnienie sterowania neuronowego modelem suwnicy przemysłowej. Celem sterowania jest dokładne śledzenie trajektorii zadanej oraz minimalizacja szkodliwego kołysania przenoszonego ładunku. Testom poddano strukturę sterowania wykorzystującą modularne sieci neuronowe. Rozwiązanie oparte jest na wykorzystaniu kilku niezależnych modułów realizujących optymalne sterowanie w zależności od wysokości ładunku. W sterowaniu wykorzystano sieci perceptronowe wielowarstwowe MLP (ang. Multilayer Perceptron). Zaproponowana metoda sterowania została porównana z układem regulacji PID. Zastosowanie układu z modularną siecią neuronową wpływa korzystnie na uzyskane wyniki. Badania zostały przeprowadzone w środowisku obliczeniowym Matlab/Simulink.

EN

In automated manufacturing processes demands are increasing for time and accuracy of transport tasks. In this paper a modular neural network for control a 3D crane model is presented (Fig. 3). The system was analyzed on five transport levels for x and y–axes. Therefore a modular neural network contains 5 independent neural networks. Each independent neural network serves as a module, which has to accomplish a certain subtask and operates on one of the five transport levels. In this case the multilayer perceptron (MLP) neural network was used. The Levenberg-Marquardt method has been used to find the best weights of an MLP. The main advantages of that approach are smaller overshoot, shorter settling time and better integral of absolute value error in most cases (Fig. 5, Table 2, 3). The research was carried out in the Matlab/Simulink environment.

Słowa kluczowe

PL

neuronowy układ sterowania; modularne sieci neuronowe; model suwnicy przemysłowej

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2017
• Tom: No. 91
• Strony: 277--285
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Pogorzelski R.

• Politechnika Białostocka

Bibliografia

• [1] Kecman V., Learning and soft computing: support vector machines, neural networks, and fuzzy logic models, The MIT Press, Cambridge, Massachusetts, 2001.
• [2] Nałęcz M. (edycja serii), Biocybernetyka i Inżynieria Biomedyczna 2000, Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., t. 6. Sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, 2000.
• [3] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa, 1996.
• [4] O’Dwyer A., Handbook of PI and PID controller tuning rules. 3rd Edition, Imperial College Press, London, 2009.
• [5] Pauluk M., Model matematyczny trójwymiarowej suwnicy, Automatyka Tom 6, Zeszyt 1, 2002.
• [6] Rahmani R., Karimi H., Rubiyah Y., A Precise Fuzzy Controller Developed for Overhead Crane, 10th Asian Control Conference, Kota Kinabalu, Malaysia, 31.05–03.06.2015.
• [7] Sharkey J.C. Amanda, Combining Artificial Neural Nets: Ensemble and Modular Multi–Net Systems, Springer, 1999.
• [8] Smoczek J., Szpytko J., Pole Placement Approach to Crane Control Problem, Journal of Konbin, Volume 14–15, 2010, s. 235-246.
• [9] Tuan L., Cuong H., Lee S., Second–order Sliding Mode Control of 3D Overhead Cranes, International Conference on Control, Automation and Information Sciences, 25–28.11.2013, Nha Trang, Vietnam s. 341-346.
• [10] Wang L., Zhang H., Kong Z., Anti–swing Control of Overhead Crane Based on Double Fuzzy Controllers, 27th Chinese Control and Decision Conference, 23–25.05.2015, s. 981-986.
• [11] Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, Wydawnictwo Naukowe PWN, Warszawa, 1996.
• [12] 3D Crane System, Users’s Manual, Inteco, 2005.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).