Керування рухом перевернутого маятника: розробка установки, ідентифікація системи та синтез оптимального регулятора її руху

Автор(и)

  • Yu. O. Romasevych Національний університет біоресурсів і природокористування України image/svg+xml
  • V. S. Loveikin Національний університет біоресурсів і природокористування України image/svg+xml
  • O. Yu. Zarivny Національний університет біоресурсів і природокористування України image/svg+xml
  • A. G. Oleksiyiko Національний університет біоресурсів і природокористування України image/svg+xml

DOI:

https://doi.org/10.31548/dopovidi2022.01.016

Ключові слова:

керування, маятник, оптимізація, регулятор, ідентифікація

Анотація

У роботі розвинений підхід, який дає змогу виконати синтез оптимальних регуляторів динамічних систем. Він полягає у ідентифікації фізичної моделі динамічної системи (у розглядуваному випадку типу „перевернутий маятник”). Це дало підстави для постановки задачі синтезу регулятора. Такий підхід не вимагає математичної моделі системи у вигляді системи диференціальних рівнянь, що є його перевагою. Однак, для того, щоб скористатись цієї перевагою необхідно на етапі ідентифікації системи виконувати оцінку її якості. Такі розрахунки показали обґрунтованість розробленого підходу. Синтез оптимального регулятора було проведено на основі відомої методології, яка передбачає зведення вихідної задачі до задачі безумовної оптимізації функції зі складною топологією. Для цього було використано модифікований метод рою часточок. Експериментальна валідація результатів регулювання показала практично повне досягнення мети регулювання – стабілізації системи із наявністю незначних залишкових коливань фазових координат системи.

Посилання

Fliess M., Join C. Model-free control. Available at:: https://arxiv.org/pdf/1305.7085.pdf

Zhong Y., Huang X., Meng P., Li F. (2014) PSO-RBF neural network PID control algorithm of electric gas pressure regulator. Abstract and Applied Analysis, Article ID 731368. doi: 10.1155/2014/731368

Kennedy J., Eberhart R.C. (1995) Particle swarm optimization. Proceedings of the 1995 IEEE International Conference on Neural Networks, 1942-1948. doi: 10.1109/ICNN.1995.488968

Yudong Z., Shuihua W., Genlin J. (2015) A Comprehensive Survey on Particle Swarm Optimization Algorithm and Its Applications. Mathematical Problems in Engineering, Article ID 931256. doi: 10.1155/2015/931256

Romasevych Yu., Loveikin V. (2018) A Novel Multi-Epoch Particle Swarm Optimization Technique. Cybernetics and Information Technologies, 18 (3), 62–74. doi: 10.2478/cait-2018-0039

Romasevych Y., Loveikin V., Makarets V. (2020) Optimal constrained tuning of PI-controllers via a new PSO-based technique. International journal of swarm intelligence research, 11(4), 87-105. doi: 10.4018/IJSIR.2020100104

Savitzky A., Golay M.J.E. (1964) Smoothing and Differentiation of Data by Simplified Least Squares Procedures. Analytical Chemistry, 1627-1639. doi: 10.1021/ac60214a047

Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. Cornell University Library. 2014. Available at: https://arxiv.org/abs/1412.6980

Завантаження

Опубліковано

2022-02-28

Номер

Розділ

Техніка і автоматика Agriculture 4.0