PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Gantry and bridge cranes neuro-fuzzy control by using neural-like structures of geometric transformations

Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
PL
Neuronowo-rozmyte sterowanie suwnicami bramowymi i pomostowymi z użyciem struktur przekształceń geometrycznych o charakterze neuronowym
Języki publikacji
EN
Abstrakty
EN
Fuzzy logic is based on the use of natural language such as ‘far or close’, ‘cold or hot’ and etc. Its application range is very wide, from household appliances to the management of complex industrial processes. Many modern management tasks cannot be simply solved by classical methods because of the very great complexity of mathematical models. However, mathematical transformations are required for using the fuzzy logic theory on a computer and give a possibility to convert linguistic variables to their numerical value in the computer and vice versa. In this paper a gantry and bridge crane control system for managing carts swinging during transporting a load with high accuracy positioning during movement is presented. T-Controller fuzzy inference system as a base for crane management system is described and its main advantages in comparison with traditional systems are delineated. Schema of simplified crane model is introduced.
PL
Logika rozmyta bazuje na pojęciach języka naturalnego, takich jak „blisko lub daleko”, „zimny albo gorący” itp. Zakres zastosowania logiki rozmytej jest bardzo szeroki, począwszy od prostych urządzeń gospodarstwa domowego, a skończywszy na zarządzaniu złożonymi procesami przemysłowymi. Wiele współczesnych zadań planowania i sterowania nie da się rozwiązać za pomocą klasycznych metod, ze względu na zbyt dużą złożoność obliczeniową modelowanych procesów. Wprawdzie przekształcenia matematyczne stanowią wymóg podczas komputerowej realizacji tego typu zadań, jednak podejmująca ją logika rozmyta daje możliwość konwersji informacji zakodowanych w języku naturalnym na odpowiadające im wartości numeryczne. Przedmiotem niniejszego artykułu jest system sterowania suwnicami bramowymi i pomostowymi dla zarządzania wózkami obrotowymi podczas transportu ładunku o wysokiej dokładności pozycjonowania położenia. Jako podstawę systemu zarządzania suwnicą przedstawiono system wnioskowania rozmytego za pomocą T-regulatora rozmytego, podkreślając jego zalety w porównaniu z tradycyjnymi systemami wnioskowania rozmytego. W artykule zawarto również uproszczony schemat modelu suwnicy.
Rocznik
Strony
53--68
Opis fizyczny
Bibliogr. 25 poz., wz., wykr., rys., tab.
Twórcy
autor
  • Information Technologies of Publishing Business Department, Institute of Computer Science and Information Technologies, Lviv Polytechnic National University
autor
  • Information Technologies of Publishing Business Department, Institute of Computer Science and Information Technologies, Lviv Polytechnic National University
Bibliografia
  • [1] Omar H.M., Control of Gantry and Tower Cranes, Dissertation submitted to the Faculty of the Virginia Polytechnic Institute, Virginia 2003, 100.
  • [2] About T-Controller, Digital source, access by link: http://tkatchenko.com/t-controller/about-t-controller/
  • [3] Tkachenko O., Rule-based system of improved accuracy, Materials of 56th Interational scientific colloquium, Ilmenau: TU Ilmenau, 2011.
  • [4] Tkachenko R., The new paradigm of the artificial neural networks straightforward dissemination, Visnyk of the Lviv Polytechnic National University, Computer Engineering and Information Technology, No. 386, 1999, 43-54.
  • [5] Burul I., Kolonić F., Matuško J., The control system design of a gantry crane based on H∞ control theory, MIPRO, Croatia 2010, 183-188.
  • [6] Popadic T., Kolonic F., Poljugan A., A fuzzy control scheme for the gantry crane position and load swing control, University of Zagreb, 6.
  • [7] Tkachenko R., Tkachenko P., Tkachenko O., Schmitz J., Geometrikal data modelling, Intelligent systems of making decisions and applied aspects of information technology, Proceedings of the conference, Vol. 2, Eupatoria, 2006, 279-285.
  • [8] Verbenko I., Tkachenko R., Fuzzy Methods and Tools for Crane Management System Based on T-Controller, Journal of Global Research in Computer Science, Vol. 4, No. 3, March 2013, 1-4.
  • [9] Tkachenko R., Accelerated learning of multilayered neural networks on tha base of the new paradigma, Third Conference ‘Neural networks and their applications’, Kule 1997, 129-130.
  • [10] Licata G., Fuzzy Logic, Knowledge and Natural Language, Fuzzy Inference System – Theory and Applications, Dr. Mohammad Fazle Azeem (Ed.), InTech, 2012, 504.
  • [11] Dadios E.P., Fuzzy Logic – Controls, Concepts, Theories and Applications, InTech, 2012, 428.
  • [12] Grigorie L., Fuzzy Controllers, Theory and Applications, InTech, 2011, 368.
  • [13] Azar A.t., Fuzzy Systems, InTech, 2012, 216.
  • [14] Yung C. Shin, Chengying Xu., Intelligent systems: modeling, optimization, and control, CRC Press Taylor & Francis Group, 2009, 456.
  • [15] Leondes C.T., Fuzzy Logic and Expert Systems Applications, Academic Press, 1998, 417.
  • [16] Kalogirou S., Artificial intelligence in energy and renewable energy systems, Nova Science Publishers, 2007, 473.
  • [17] Koleshko V.M., Intelligent Systems, InTech, 2012, 366.
  • [18] Kovacic Z., Bogdan S., Fuzzy controller design: theory and applications, CRC Press Taylor & Francis Group, 2006, 416.
  • [19] Nguyen H.T., A first course in fuzzy and neural control, Chapman & Hall/CRC, 2003, 312.
  • [20] Baaklini N., Mamdani E.H., Prescriptive methods for deriving control policy in a fuzzy-logic controller, Electron. Lett., Vol. 11, 1975, 625-626.
  • [21] Bernard J.A., Use of rule-based system for process control, IEEE Contr. Syst. Mag., Vol. 8, No. 5, 1988, 3-13.
  • [22] E.H. Mamdani, Applications of fuzzy algorithms for simple dynamic plant, Proc. IEE, Vol. 121, No. 12, 1974, 1585-1588.
  • [23] Zadeh L.A., Outline of a new approach to the analysis complex systems and decision processes, IEEE Trans. Syst. Man Cybern., Vol. SMC-3, 1973, 28-44.
  • [24] Bridging the Gap Between Conventional and Intelligent Control, IEEE Control Systems Magazine, Vol. 13, No. 3, 1993, 12-18.
  • [25] Jantzen J., A Tutorial On Adaptive Fuzzy Control, EUNITE, Vol. 2002, 2012, 709-719.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-fae53ae6-144c-4e4f-93f2-13eb81a34167
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.