Contribuţii la modelarea sistemelor de conducere automată...

22
UNIVERSITATEA TEHNICĂ DE CONSTRUCȚII BUCUREŞTI Facultatea de Inginerie a Instalaţiilor TEZA DE DOCTORAT Rezumat Contribuţii la modelarea sistemelor de conducere automată utilizând algoritmi neuro-fuzzy Conducător de doctorat Prof.univ.dr.ing. Sorin CALUIANU Doctorand Ing. Andreea-Mihaela Roman (căsătorită Iftene) BUCUREŞTI 2014

Transcript of Contribuţii la modelarea sistemelor de conducere automată...

Page 1: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

UNIVERSITATEA TEHNICĂ DE CONSTRUCȚII BUCUREŞTI

Facultatea de Inginerie a Instalaţiilor

TEZA DE DOCTORAT

Rezumat

Contribuţii la modelarea sistemelor de

conducere automată utilizând algoritmi

neuro-fuzzy

Conducător de doctorat

Prof.univ.dr.ing. Sorin CALUIANU

Doctorand

Ing. Andreea-Mihaela Roman (căsătorită Iftene)

BUCUREŞTI

2014

Page 2: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

2

CUPRINS:

INTRODUCERE

Capitolul 1 Introducere…………………………………………………………………………………………………………….3

Capitolul 2 Modelul fizic si matematic pentru sistemul de încălzire, ventilaţie si aer-condiţionat (HVAC)..........................3

Capitolul 3. Reţele neuronale utilizate in tehnicile de control automat...................................................................................7

Capitolul 4 Sisteme inteligente utilizând logica fuzzy...................................................................................................................8

Capitolul 5 Controlere fuzzy…………………………………………………………………………………………………….8

Capitolul 6 Sisteme inteligente de deducere adaptivă neuro – fuzzy..........................................................................................8

Capitolul 7 Sinteza controlului inteligent pentru un sistem HVAC............................................................................................9

7.1 Sinteza controlului utilizând reţele neuronale…………………………………………………………………….9

7.2 Analiza rezultatelor simulării controlului neuro......................................................................................................10

7.3 Sintetizarea controlului fuzzy-PD............................................................................................... ............................13

7.5 Sinteza controlului fuzzy-PID…………………………………………………………………………………….17

7.7 Sinteza controlerului neuro-fuzzy..........................................................................................................................19

Capitolul 8 Concluzii personale,contributii originale si perspective pentru contiunarea tematicii......................................20

8.1Concluzii personale...................................................................................................................................................................20

8.2.Contributii originale. .............................................................................................................................. ................................20

8.3 Perspective.............................................................................................................................................................................. ..21

Biblografie selectiva.................................................................................................................... ...................................................22

Cuvinte Cheie: HVAC, HVAC model matematic,control intelligent de HVAC, control fuzzy logic, retea perceptron ,

simulare numerica, reţele neuronale de control, control PID, PID cu auto-reglare tip de control fuzzy adaptiv.

Page 3: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

3

INTRODUCERE

Performanţa energetică a clădirilor a devenit în zilele noastre extrem de importanta, deoarece din ce în ce mai mulţi

proprietari de clădiri sunt din ce în ce mai receptivi la costuri. Contextul şi motivele sunt multiple: resursele tradiţionale limitate,

încălzirea globală, poluare etc. Pare incredibil, dar în anii 1990, sa estimat că energia consumata de echipamentele de încălzire,

ventilaţie şi aer condiţionat (HVAC), în clădiri industriale şi comerciale constituie 50% din consumul mondial de energie. Din

acest punct de vedere, sistemele HVAC sunt printre cele mai dificile instalaţii pentru procesul de control. Este demn de remarcat

faptul că, în 2010 consumul a scăzut la aproximativ 20-40%, dar contabilizează în jurul valorii de 33% din emisiile globale de

CO2. Prin urmare, este de aşteptat ca viitoarele clădiri inteligente sa fie prevăzute, cu o eficienţă energetică şi confort ridicat, cu

sisteme de control din ce în ce mai sofisticate.

Cele mai multe sisteme HVAC sunt de obicei proiectate pentru a funcţiona în condiţiile definite de sarcini termice. Fără o

lege de control robusta, sistemul va deveni instabil, deoarece sarcinile termice reale sunt variabile în timp şi, prin urmare,

sistemul HVAC ar supra-încălzi sau supra-racii spaţiile deservite.

În funcţie de aplicaţie, sistemele HVAC sunt proiectate şi construite, fie ca pachete unitare de sine stătătoare sau ca sisteme

centrale. Unitatea HVAC autonoma transformă o energie primară (electricitate sau gaz) prin furnizarea de încălzire sau de răcire

către spaţiul condiţionat.

Teza prezintă un punct de vedere unitar pentru proiectarea şi simularea unui control de tip neuro-fuzzy pentru sisteme

HVAC. Construirea modelului matematic HVAC este efectuată în scopul de a obţine un cadru de validare a controlului inteligent

prin simulări numerice. Algoritmul de control are ca parte componentă un neuro-control proiectat pentru a optimiza un indice de

performanţă. Ori de câte ori neuro-controlul se saturează algoritmul comuta pe un control cu logica fuzzy fezabil şi de încredere

(in sensul ca este moderat si împiedica saturaţia). Un control convenţional cu logica fuzzy de tip Proporţional Derivativ (PD) este

folosit pentru primele încercări. În cele din urmă, este cercetat un control cu logica fuzzy şi auto-reglaj de tip Proporţional-

Integral-Derivativ (PID). Procedura de întoarcere la un neuro-control optimizat este esenţială şi este, de asemenea, descrisă.

Simulările numerice ilustrează buna funcţionare a sistemului în prezenţa perturbaţiilor de temperatură şi umiditate. Descrierea

modului de operare, reprezintă o bază pentru cercetări ulterioare.

Capitolul 1 Introducere

În acest capitol mi-am propus să ofer o imagine cât mai completă asupra literaturii de specialitate cat si motivarea

pentru proiectarea şi simularea unui control de tip neuro-fuzzy pentru sisteme de Încălzire, Ventilaţie şi Aer Condiţionat

(HVAC).

Am evidentiat faptul ca realizarea climatizarii de camere în clădiri poate fi o problemă de control complexa dacă sunt

cerute grade ridicate de confort şi de economie a energiei.

Am analizat din punct de vedere al automatizării, ca obiectivul de modelare a clădirii nu este de a calcula cu precizie

temperatura în fiecare punct dintr-o cameră, dar să avem informaţii care pot duce la proiectarea unui controler de succes este

foarte importanta. În cazul în care camera este bine proiectata arhitectural si sistemele de acţionare bine plasate, pot fi obţinute

atât confortul cât şi economia de energie.

Capitolul 2 Modelul fizic si matematic pentru sistemul de încălzire, ventilaţie si aer-condiţionat (HVAC)

Am evidentiat construirea modelului matematic HVAC cu scopul de a obţine un cadru de validare a controlului

inteligent prin simulări numerice.

Am considerat pentru a ilustra tehnica de control HVAC un model fizic de spaţiu cu o singura zona descrisa de B.

Argüello-Serrano si M. Velez-Reyes.

Page 4: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

4

Fig. 2.1. – Vedere schematica - sistem HVAC cu operare pe modul de răcire, ca sistem de aer condiţionat.

Am evidentiat operaţiunile efectuate în sistem care au fost reflectate în modelarea matematică (secţiunea 2.6). În acest

sistem, aerul proaspăt intră şi se amesteca cu 75% din aerul recirculat (poziţia 5), in mixerul de debit (poziţia 1), şi aerul rămas

este evacuat. În scopul de confort si igiena sunt luate în considerare în acest sistem rata volumetrica a debitului de aer proaspăt.

Apoi, aerul amestecat trece prin componentele schimbătorului de căldură şi în cele din urmă către ventilatorul de alimentare intră

in spaţiul termic ca aer de alimentare (poziţia 2), pentru a compensa căldura sensibilă (căldura actuală), şi latenţa (umiditatea) la

acţionare a sarcinilor termice asupra sistemului, în mod special, prin schimbarea de sarcină termică, operatorul de sistem variază

simultan debitul volumetric de aer şi de apă, astfel încât valorile de referinţă dorite de temperatură şi umiditate relativă sunt

menţinute. În cele din urmă, aerul în spaţiul termic este aspirat printr-un ventilator (poziţia 4), 75% din acest aer este recirculat şi

restul este evacuat din sistem.

Modelarea matematică se bazează pe principiul conservării energiei. Pentru simplitate, neglijăm pe moment efectele de

umiditate. Sa considerare relaţia de bază:

𝑄∆𝑡 = 𝑚𝑐𝑝∆𝑇 (2.1)

privind cantitatea de căldură Q t absorbită de o masă m cu căldura specifică cp a realizat o schimbare de temperatură T în

intervalul de timp t . Fizic, variaţia de temperatură implică un regim tranzitoriu şi aşa, având în vedere amestecul de aer asumat

în secţiunea 3, dinamica temperaturilor în cele două locaţii cheie 2-3 sunt configurate astfel:

𝜌𝑉ℎ𝑒𝑐𝑝𝑑𝑇2

𝑑𝑡= 𝜌𝑐𝑝𝑞𝑎 0.25𝑇𝑜 + 0.75𝑇3 − 𝑇2 + 𝑄ℎ𝑒

𝜌𝑉3𝑐𝑝𝑑𝑇3

𝑑𝑡= 𝜌𝑞𝑎𝑐𝑝 𝑇2 − 𝑇3 + 𝑄

(2.2)

Apoi, adăugam un model simplu dinamic de umiditate a aerului şi o completare a sarcinilor termice. Astfel, ecuaţiile

diferenţiale care descriu comportamentul dinamic al sistemului HVAC în Fig. 2.1 poate fi scris după cum urmează:

Page 5: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

5

𝑇3 =

𝑞𝑎

𝑉3

𝑇2 − 𝑇3 −ℎ𝑤𝑣𝑞𝑎

𝑐𝑝𝑉3

𝑊2 − 𝑊3 +1

𝜌𝑐𝑝𝑉3

𝑄 − ℎ𝑤𝑣𝑀

𝑊3 =

𝑞𝑎

𝑉3

𝑊2 − 𝑊3 +𝑀

𝜌𝑉3

𝑇2 =

𝑞𝑎 0.25𝑇𝑜 + 0.75𝑇3 − 𝑇2

𝑉ℎ𝑒−

𝑞𝑎ℎ𝑤

𝑐𝑝𝑉ℎ𝑒 0.25𝑊0 + 0.75𝑊3 − 𝑊2 −

6000𝑔𝑝𝑚

𝜌𝑐𝑝𝑉ℎ𝑒

(2.3)

Entalpia vaporilor de apa generată, anume−𝜌ℎ𝑤𝑣𝑞𝑎 𝑊2 − 𝑊3 ; atunci, avem un al doilea termen de sarcină termică -

hwvM, în care este implicat direct masa de umiditate şi, în sfârşit, un al treilea termen de sarcină termică definit de sarcină

termică sensibila (simplu, căldura sensibilă este în legătură cu cantitatea de căldură necesară pentru a mări sau micşora

temperatura unui obiect sau spaţiu, fără a schimba starea de agregare; căldura latentă este cantitatea necesară pentru a schimba

starea sa de agregare). Toţi aceşti termeni sunt bazaţi pe principiul suprapunerii efectelor. Acum, este uşor pentru a vedea modul

în care celelalte două ecuaţii sunt obţinute în mod similar. În ceea ce priveşte semnele termenilor de sarcină termică, plus sau

minus, aceste semne indică influenţa asupra variabilelor de stare T2(t), T3(t), W3(t). De exemplu, termenul negativ -hwvM

contribuie la scăderea temperaturii T3(t) şi aşa mai departe.

Vom rescrie sistemul (2.3) prin introducerea variabilelor în formă de stare obţinută:

𝑥1 = 𝑇3,𝑥2 = 𝑊3, 𝑥3 = 𝑇2

𝑦1 = 𝑇3,𝑦2 = 𝑊3

𝑢1 = 𝑞𝑎 , 𝑢2 = 𝑞𝑤

𝑑1 = 𝑄, 𝑑2 = 𝑀

(2.4)

Acest lucru înseamnă că efortul de a construi un controler se bazează pe măsurarea celor două iesiri care caracterizează

spaţiul termic. Cu notaţiile simplificate pentru parametri şi constante:

α1=1

V3

,α2=hwv

cpV3

,α3=1

ρcpV3

,α4=1

ρV3

,β1=

1

Vhe

,β2=

∆hw

cpVhe

,β3=

hw

cpVhe

(2.5)

Se obţine:

x1 =60 × x3 − x1

58464× u1 −

1047.7 × 60 × W2 − x2

0.24 × 58464× u1 +

d1 − 1047.7 × d2

0.074 × 0.24 × 58464

x2 =60

58464

× W2 − x2 × u1 +

d2

0.074 × 58464

x 3=60

60.75 x1 − x3 × u1 +

15

60.75 T0 − x1 × u1 −

60 × 21.78

0.24 × 60.75 0.25 × W0 + 0.75 × x2 − Ws × u1

−6000

0.24 × 0.074 × 60.75u2

(2.6)

Page 6: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

6

Fig. 2.2 − Configuraţia de bază a unui sistem de stabilizare

Pentru motive de conformitate, menţionez că sistemele cu reacţie sunt caracterizate prin două paradigme de bază: de

regulator, sau sistemul de rejectie a perturbatiei, precum şi sistemul de urmărire. Sistemul HVAC este în esenţă un regulator:

obiectivul este de controler care să menţină temperatura spaţiului termic x1 şi rata de umiditate x2 la un anumit moment punct de

setare 𝑟 = 𝑥1𝑒 𝑥2

𝑒 𝑇 ,i. e., pentru a contracara semnale de eroare𝜀 = 𝑥1 𝑡 − 𝑥1𝑒 𝑥2 𝑡 − 𝑥2

𝑒 𝑇 (fig. 2.2) ( aT este notata

transpunerea într-un vector / matrice a)

a ) Problema sintezei de control a HVAC poate fi definita după cum urmează:

Să presupunem că variaţiile apar în temperatura mediului ambiant To, rata umidităţii mediului înconjurător Wo,

temperatura aerului de alimentare T2, rata de umiditate a aerului de alimentare W2 şi sarcinile termice Q , M, de la un anumit

punct de echilibru

(𝑇𝑜𝑒 , 𝑊𝑜

𝑒 , 𝑇2𝑒 ,𝑊2

𝑒 , 𝑄𝑒 , 𝑀𝑒), care este în legătură cu o anumită stare de echilibru 𝑥1𝑒 , 𝑥2

𝑒 , 𝑥3𝑒 . Asigura o lege de control a

reacţiei (feedback) de ieşire 𝑢 𝑡 = 𝑢 𝑦 𝑡 care aduce starea(x1(t),x2(t)) la punctul de echilibru 𝑥1𝑒 , 𝑥2

𝑒 . Mai specific, ieşirea

reglementată (măsurată, aici),𝑦 𝑡 = 𝑥1 𝑡 𝑥2 𝑡 𝑇

este necesar să se apropie punctului de echilibru 𝑥1𝑒 , 𝑥2

𝑒 .

Este cunoscut în literatura de specialitate şi în practica de teren ca dificultatea de a rezolva problema este mai ales

amplificată în prezenţa schimbări de sarcină termică (tulburări d) şi a zgomotului de măsurare inerent η (fig. 2.2). Pentru a

specifica, vom scrie sistemul (2.7) ca model în variante prin introducerea punctului de echilibru (xe,ue,de) .

δx1=x1-x1e ,δx2=x2-x2

e ,δx3=x3-x3e

δu1=u1-u1e ,δu2=u2-u2

e ,δd1=d1-d1e,δd2=d2-d2

e

(2.7)

Substituiţi (2.7) in (2.6) si consider definiţia punctului de echilibru ca soluţia a sistemului (2.6) care anulează partea

dreapta in primele trei ecuaţii (2.6)

0 = 𝑢1𝑒𝛼1 𝑥3

𝑒 − 𝑥1𝑒 − 𝑢1

𝑒𝛼2 𝑊2𝑒 − 𝑥2

𝑒 + 𝛼3 𝑑1𝑒 − ℎ𝑤𝑣𝑑2

𝑒

0 = 𝑢1𝑒𝛼1 𝑊2

𝑒 − 𝑥2𝑒 + 𝛼4𝑑2

𝑒

0=u1eβ

1 x1

e-x3e +0.25u1

eβ1 To

e-x1e -u1

eβ3 0.25Wo

e+0.75x2e -W2

e -u2eβ

2

(2.8)

Un sistem linear in variaţii este obţinut in forma de matrice:

K G

p u

n

r e y

H

d

∑ ∑

Page 7: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

7

3

0 01

,i i di

x x

u uA x B B E y = C x (2.9)

Unde:

0 0 01 1 2 1 1 1

00 1 1

0 0 01 1 3 1 1 1

0 0

0.75 0.75

u u u

u

u u u

A

0 0 01 3 1 2 2

00 1 2

2

0

0

0

B

s

s

x x W x

W x3 3

400 0

fgh

E

B1=

-α1 0

0 0

0.75β1

0 ,B2=

α2 0

-α1 0

-0.75β3

0 ,B3=

α1 0

0 0

-β1

0 ,C=

1 0 0

0 1 0

(2.9 ')

Modelul matematic al sistemului, aşa cum a fost obţinut în (2.9) - (2.9 '), sa dovedit a fi unul, care nu este nici prea

simplu, nici prea complicat, astfel încât în cele din urmă credibil. Într-adevăr, modelul este liniar, astfel poziţionat ca

complexitate matematică între liniaritate şi neliniaritate. În ceea ce priveşte validarea unei strategii de control inteligenta (bazata

pe logica fuzzy, reţele neuronala), modelul este de asemenea reprezentativ. Cu toate acestea, trebuie adăugat că o strategie

inteligentă este în mare parte liberă de modelul matematic, ca si validarea sa în proces, on-line, depinde de validarea preliminară

privind modelul doar într-o mică măsură.

Termenul analitic w w p heh q c V

din sistem este o generalizare corespunzătoare a termenului analitic-numeric

6000gpm p hec V în modelul original prezentat în (B. Argüello-Serrano, M. Velez-Reyes), în care coeficientul 6000 este

fizic dimensional. Datele de (B. Argüello-Serrano, M. Velez-Reyes) au fost convertite aici în unităţi SI. Înlocuind aceste date în

sistemul (2.6) şi alegerea 50777 J/kgwh , a fost obţinută o stare de echilibru

1 2 321.2770 C, 0.0092, 12.4226 Ce e ex x x foarte aproape de cea prevăzută în (B. Argüello-Serrano, M. Velez-

Reyes) 1 21.66 C (71 F)ex , 2 0.0092ex , 3 12.77 C (55 F)ex .

Capitolul 3. Reţele neuronale utilizate in tehnicile de control automat

În acest capitol am prezentat pe larg noţiunile de bază ale reţelelor neuronale artificiale, principalele proprietăţile care

stau la baza aplicării reţelelor neuronale în cadrul conducerii proceselor şi domeniul calculului evolutiv plecând de la eliminarea

dezavantajelor şi combinarea avantajelor.

Am concluzionat ca in cazul reţelelor neuronale, informaţiile sunt reprezentate sub formă numerică, prin intermediul

ponderilor reţelei. Am evidentiat faptul ca reţelelor neuronale au capacitatea de a-şi adapta ponderile in cazul folosiri unui set de

date de antrenare este unanim recunoscută ca fiind asemănătoare procesului de învăţare uman. Am concluzionat ca totuşi, modul

în care reţelele neuronale realizează transferul intrare-ieşire nu este transparent, din acest motiv acestea fiind considerate modele

Page 8: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

8

de tip "cutie neagră".

Capitolul 4 Sisteme inteligente utilizând logica fuzzy

În acest capitol am prezentat noţiunile fundamentale ale logicii fuzzy, pentru a înţelege mecanismul de inferenţă al

raţionamentului aproximativ folosit în logica fuzzy, în acest capitol sunt prezentate şi explicate noţiunile: variabile lingvistice,

propoziţii fuzzy primare, propoziţii fuzzy compuse şi proprietăţi ale acestora, propoziţii fuzzy compuse “dacă-atunci”, funcţii de

implicaţii fuzzy, cu cele mai reprezentative expresii ale acestora. Seturi fuzzy şi de control fuzzy au fost introduse cu scopul de a

controla sistemele care sunt structural greu de modelat.

Am prezentat sisteme de conducere automată bazate pe logica fuzzy. Am evidentiat faptul ca la sistemele de conducere

automată intrările şi ieşirile sunt mărimi numerice, deci este necesară o transformare a intrărilor numerice în intrări fuzzy,

operaţie numită fuzzificare (vaguizare) şi o transformare a ieşirilor fuzzy în valori numerice, operaţie numită defuzzificare

(devaguizare).

Am evidentiat faptul ca ideea de conducere fuzzy se caracterizează printr-o strategie de conducere exprimată printr-un

număr de reguli de conducere fuzzy.

Am prezentat avantajele conducerii fuzzy şi domeniile de aplicare.

Capitolul 5 Controlere fuzzy

În capitolul 5 am început prin a descrie conceptele care stau la baza implementării controlerelor cu logică fuzzy cat si

funcţionarea controlerelor cu logică fuzzy. În continuare am prezentat principalele tipuri de controlerele fuzzy cu comportare tip

P, controlerele fuzzy cu comportare tip PI, controlerele fuzzy cu comportare tip PD şi controlerele fuzzy cu comportare tip PID.

Am descris importanta proiectarii de controlerelor fuzzy

În final au fost decsrise controlerele de tip Mamdanii si Sugeno.

Capitolul 6 Sisteme inteligente de deducere adaptivă neuro – fuzzy

În acest capitol am rezumat conceptul de sistem inteligent de deducere adaptivă neuro – fuzzy. Sistemele neuro-fuzzy

moderne au caracteristici care le fac adecvate controlului unor procese industriale: sunt sisteme fuzzy instruite printr-un algoritm

de învăţare euristic, derivate in general din reţele neuronale. Presupun folosirea reţelelor neuronale pentru optimizarea unor

anumiţi parametri ai sistemelor fuzzy sau pentru preprocesarea datelor de intrare în sistemele fuzzy. Am realizat o comparatie

intre sistemele fuzzy si reţelele neuronale.

Am concluzionat faptul ca pentru reţelele neuronale, cunoştinţele sunt achiziţionate automat printr-un algoritm (de

exemplu, back-propagation), dar procesul de învăţare este relativ lent iar analiza reţelei antrenate este dificilă (o reţea neuronală

este deseori considerată o „cutie neagră", în care avem acces numai la intrări şi la ieşiri, fără a şti precis ce se întâmplă în interior).

Nu este posibilă nici extragerea cunoştinţelor structurale (reguli) din reţeaua antrenată, nici integrarea de informaţii speciale

despre problemă, pentru a simplifica procedura de învăţare.

Am evidentiat faptul ca sistemele fuzzy prezintă în principal avantajul explicării comportamentului pe baza unor reguli

şi deci performanţele lor pot fi ajustate prin modificarea acestora. Totuşi, achiziţionarea cunoştinţelor este dificilă iar universul de

discurs al fiecărei variabile de intrare trebuie divizat în mai multe intervale şi de aceea, aplicaţiile sistemelor fuzzy sunt restrânse

la domeniile în care sunt disponibile cunoştinţele experţilor iar numărul variabilelor de intrare este relativ mic. Am concluzionat

faptul ca utilizarea sistemelor neuro-fuzzy minimizează dezavantajele şi maximizează avantajele celor două tehnici.

Page 9: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

9

Capitolul 7 Sinteza controlului inteligent pentru un sistem HVAC

7.1 Sinteza controlului utilizând reţele neuronale

În această teza am considerat o strategie neuro-fuzzy, pentru sistemul de control HVAC. Aceasta are două componente: a)

neuro-control şi b) control de logica fuzzy, supraveghere neuro-control pentru a contracara saturaţia. Pentru a genera cele două

semnale de control - debitul volumetric de aer şi debitul de apă răcită / încălzită, o schema de perceptron elementar, este

considerată suficient de eficientă (fig. 7.1).Perceptronul elementar este o reţea neuronală unilaterală cu un singur neuron. Pentru

simplitate, vom folosi o notaţie generică u pentru cele două semnalele de control 1u şi 2u . În figură, T

1 2[ ] este

vectorul de ponderare a reţelei neuronale, care este "antrenată" on-line prin metoda de învăţare a gradientului de coborâre pentru

a reduce costurile J.

1 2,q q sunt ponderi de cost şi : ncu u este semnalul de neuro-control obţinut

1 1 2 2: ncu u e e (7.2)

Din punct de vedere al sistemului, intrarea este ncu şi ieşirea este 1 2,e ee . Din punct de vedere de formare neuro-control,

performanţa sistemului este evaluată de către funcţia de cost, un criteriu care presupune un compromis între prima intrare 1e -

eroarea de urmărire, a doua componenta de intrare 2e - rata de schimbare a erorii de urmărire şi controlul ncu . De fapt,

procedura (7.2) generează două semnale de neuro-control bazate pe seturi de erori

1 1 1 2 1

1 2 2 2 1

: ,

: ,

t ref t t

h ref h h

e x x e e

e x x e e

(7.3)

unde 1refx si 2refx sunt intrări de referinţa(comenzi); în cazul sistemelor de urmărire, acestea sunt semnale de timp variabile. În

consecinţă, actualizarea este dată de expresia:

2 2 21 1 2 2

1 1

1 1:

2 2

n n

nci i

J q e i e i q u i J in n

(7.1)

NC

1e

2e

v 1

v 2 u

Fig. 7.1 − Neuro-control de tip perceptron

Page 10: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

10

1 2 1 2

( 1) ( ) ( )

( ) ( ) ( ) ( )( ) : diag( , ) diag( , )

( ) ( ) ( ) ( ) ( )

n

i n N

n n n

J J i i J i u in

n i u i u i i

e

e

(7.4)

În relaţia (7.4), matricea 1 2diag( , ) introduce vectorul scala de învăţare, ( )n este vectorul de actualizare greutate şi N

marchează o memorie din spate (de N paşi de timp). Derivatele în (7.4) necesită doar informaţii de intrare-ieşire despre sistem.

( ) / ( )i u i e este aproximat on-line prin relaţia:

( ) / ( ) ( ( ) ( 1)) / ( ( ) ( 1))i u i i i u i u i e e e (7.5)

Pentru a contracara riscul de saturaţie neuro-control şi pentru a realiza îmbunătăţirea sistemului de învăţare, a fost

dezvoltat un supraveghetor fuzzy neuro-control. Ar trebui subliniat faptul că, pentru sistemele rapide, cum ar fi servomecanisme

hidraulice, cu constante de timp, în valoare de zecimi de secundă, procedura a dat rezultate bune. De data aceasta avem în vedere

punerea în aplicare a ideii, în cazul unui sistem lent, cum ar fi sistemul HVAC. Acest lucru înseamnă că neuro-control comuta la

un control de tip logica fuzzy Mamdani ori tocmai am descris că neuro-controlul este saturat. În acest fel, cele două componente

completează reciproc o strategie cu valenţe de optimalitate (neuro-control) şi de siguranţă operaţională (de control fuzzy).

7.2 Analiza rezultatelor simulării controlului neuro

Conceptul de control este, după cum urmează: variabila 2u controlează starea 1x

prin starea 3x, iar variabila 1u

controlează în mod direct starea 2x. Modelul matematic in sine face ca posibilitățile de control sa fie atipice.

Simulările numerice ale sistemului HVAC controlat de o rețea neuronala, de tip perceptron elementar (Fig. 7.1), au fost efectuate

folosind Matlab / Simulink Toolbox. Punct de echilibru a fost considerat și sistemul a fost apoi supus la diferite configurații ale

perturbațiilor 0 0 1 2, , ,T W d d , cuprinse în tabele. În tabele, sunt prezentate variantele acestor două valori de control 1u și

2u , exprimate în unități SI, comparate cu valorile de echilibru. Evident, prin definiție, 1u și 2u au valori pozitive. Valorile de

echilibru pentru variabilele de control sunt 3 3

1 17000 ft / min 481.38 m / mineu , și

32 58 gpm 0.21982 m / mineu . În simulările au fost luate în considerare valori de prag de saturație

3 31 1000 ft / min 28.3168 m / minu si

32 10 gpm 0.0379 m / minu .

Din rezultatele rezumate în tabelele avem următoarele constatări:

a) controlul 2u reacționează foarte bine pentru a menține temperatura de referință 1 3: 71 F 21.66 Cex T ; de

exemplu, în cazul în care umiditatea 0W crește cu 10%, o scădere de 0,15% a debitului de apă de răcire este suficientă pentru a

menține aproape neschimbat valoarea temperaturii de referință. A se vedea fig.7. 2 asociat cu primele două rânduri din tabelul 1.

c) Așa cum rezultă din modelul matematic (7), de control al autoreglării are loc numai în cazul unei perturbări. Bineînțeles,

controlul feedback-ul este, de asemenea, prezent, la un nivel relativ scăzut de reacție. A se vedea fig. 7.4 asociată cu rândurile 5 și

6 din tabelul 1.

b) perturbarea de temperatura a aerului exterior 0

eT =85 F=29.44 C de +10% necesită mult mai multă variație de

control 2u, adica +11.25%. A se vedea fig. 7.3 asociată cu rândurile 3 și 4 din tabelul 1.

c) Așa cum rezultă din modelul matematic (7), controlul de feedback 1u are loc numai în cazul unei perturbări 2d

.

Bineînțeles, controlul feedback-ului 2u este, de asemenea, prezent, la un nivel relativ scăzut de reacție. A se vedea fig. 7.4

asociată cu rândurile 5 și 6 din tabelul 1.

Page 11: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

11

Tabel 1 – Primul set de configurații simulate pe calculator, cu 10% perturbații

Perturbare pe: 1u 3[ft /min] 2u [gpm] d1[ Btu/hr ] d2[ lb/hr ] T0[ F ]

W0

W0, cl. loop 0 -0.08723 2.898 105 166.1 85 0.0198

W0, op. loop 0 0 2.898 105 166.1 85 0.0198

T0, cl. loop 0 6.258 2.898 105 166.1 93.5 0.018

T0, op. loop 0 0 2.898 105 166.1 93.5 0.018

d2, cl. loop 0.0033 -0.05293 2.898 105 182.7 85 0.018

d2, op. loop 0 0 2.898 105 182.7 85 0.018

d1, cl. loop 0 4.712 3.188 105 166.1 85 0.018

d1, op. loop 0 0 3.188 105 166.1 85 0.018

T0,d2, cl. loop 0.0033 6.364 2.898 105 182.7 93.5 0.018

T0, d2, op.loop 0 0 2.898 105 182.7 93.5 0.018

T0, d1, cl. loop 0 10.97 3.188 105 166.1 93.5 0.018

T0, d1,op. loop 0 0 3.188 105 166.1 93.5 0.018

Tabel 2 – Setul 2 de configurații simulate pe calculator, cu 20% perturbații

Perturbare pe: 1u 3[ft /min] 2u [gpm] d1[ Btu/hr ] d2[ lb/hr ] T0[ F ]

W0

W0, cl. loop 0 -0.1745 2.898 105 166.1 85 0.0198

W0, op. loop 0 0 2.898 105 166.1 85 0.0198

T0, cl. loop 0 10 2.898 105 166.1 102 0.018

T0, op. loop 0 0 2.898 105 166.1 102 0.018

d2, cl. loop 0.0066 -0.06636 2.898 105 199.3 85 0.018

d2, op. loop 0 -0 2.898 105 199.3 85 0.018

d1, cl. loop 0 10 3.478 105 166.1 85 0.018

d1, op. loop 0 0 3.478 105 166.1 85 0.018

T0, d2, cl. loop 0.0066 10 2.898 105 199.3 102 0.018

T0, d2, op.loop 0 0 2.898 105 199.3 102 0.018

T0, d1, cl. loop 0 10 3.478 105 166.1 102 0.018

T0, d1, op. loop 0 0 3.478 105 166.1 102 0.018

Page 12: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

12

Am observat, cu toate acestea, în toate configurațiile de Tabele, eficiență remarcabilă de control 1u, debitul volumetric de aer, în

poziție de control variabil pentru reglarea starii 2x.

Fig. 7.2 – sistem HVAC fara control (stanga), si cu control (dreapta), 01.1 W perturbatia de echilibru

Fig. 7.3 – sistem HVAC fara control (stanga), si cu control (dreapta), 01.1 T perturbatia de echilibru

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.6

21.62

21.64

21.66

21.68

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5-1

0

1

2

u2

time [hour]

u2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.665

21.6655

21.666

21.6665

21.667

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50.219

0.2192

0.2194

0.2196

u2

time [hour]u

2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.520

22

24

26

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5-1

0

1

2

u2

time [hour]

u2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.65

21.7

21.75

21.8

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50.2

0.22

0.24

0.26

u2

time [hour]

u2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.3

21.4

21.5

21.6

21.7

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5-1

0

1

2

u2

time [hour]

u2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.65

21.655

21.66

21.665

21.67

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50

0.1

0.2

0.3

0.4

u2

time [hour]

u2 [

m3/m

in]

Page 13: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

13

Fig. 7.4 – sistem HVAC fara control (stanga), si cu control (dreapta), 21.1 d perturbatia de echilibru

d) Sistemul nu poate face față la orice nivel de perturbații, așa cum se arată în fig.7.5, care este asociata cu rândurile 5 și 6 din

tabelul 3. Este evident faptul că sistemul s-a saturat. Modul propus pentru a contracara o astfel de situație este cea a controlului de

supraveghere cu logica fuzzy [1].

e) Studiul de față nu este exhaustiv. Simulări numerice ar trebui să continue, în scopul de a evalua limitele perturbațiilor pe care

acest sistem de control inteligent le poate contracara, inclusiv în cazul prezenței realiste a tuturor perturbațiilor.

Fig. 7.5– sistem HVAC fara control (stanga), si cu control (dreapta), 21.25 d perturbatia de echilibru

7.3 Sintetizarea controlului fuzzy-PD

Controlul fuzzy a fost intens studiat şi aplicat, în varianta lingvistică Mamdani.

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.512.5

12.55

12.6

12.65

12.7

12.75

12.8

12.85

x3

time [hour]

x3 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.512.7

12.8

12.9

13

13.1

13.2

13.3

13.4

13.5

13.6

13.7

x3

time [hour]

x3 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.520.5

21

21.5

22

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5-1

0

1

2

u2

time [hour]

u2 [

m3/m

in]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.521.63

21.64

21.65

21.66

21.67

x1

time [hour]

x1 [

°C]

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

0.2

0.25

0.3

u2

time [hour]

u2 [

m3/m

in]

Fig. 7.6 –Funcţii de membru pentru : a) Variabile de intrare scalate y1, y2 şi b) fuzzy control scalat uf

Page 14: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

14

Cele trei bine-cunoscute componente ale controlului fuzzy: fuzzyficarea, inferenţa, şi defazzificarea - vor fi expuse succint

mai jos. Componenta fuzzy converteşte semnalele clare de intrare:

1k 2k, , 1, 2, ...e e k (7.6)

în ordinea lor variabilele relevante fuzzy (sau, funcţiile de membru, echivalente, MFs) asociate cu următorul set de termeni

lingvistici: "zero" (ZE), "pozitiv sau negativ mici" (PS, NS), "mediu pozitiv sau negativ" (PM, NM), "pozitiv sau negativ mare"

(PB, NB) (pentru motive de simplitate, funcţiile cele mai naturale şi imparţial de membru sunt alese, de tipul triunghiulare şi

singleton, figura 7.6.)..Toate MFs sunt definite pe intervalul comun 1,1 .

Acest lucru înseamnă că anterior au fost definiţi o serie de factori de scală (SFs) 1 2, ,

fe e uk k k respectiv pentru toate

variabilele 1 2, , fe e u ,. Selectarea valorilor adecvate pentru SFs presupune cunoştinţe apriori despre proces, dar, de asemenea,

se poate face prin încercare şi eroare pentru a obţine cea mai buna performanţă de control posibila. În principiu, nu există nici o

metodă bine definită pentru o buna setare a lui SF pentru a FLC. O atenţie deosebită ar trebui acordată pentru a calcula on-line

SF-urile efective de control, (a se vedea mai jos). Astfel, relaţiile dintre SF şi variabilele de intrare şi de ieşire ale FLC cu

auto-ajustare sunt după cum urmează:

1 21N 1 2N 2 N, ,fe e f ue k e e k e u k u (7.7)

Raţionamentul fuzzy este definit de un set fix de reguli de control (sau, norme de bază, RB), în mod normal, derivate

din cunoştinţele experţilor. De exemplu, în controlul de urmărire, construirea unei baze de norme întruchipează ideea unei

proporţii (directă) între semnalul de eroare 1e şi de fuzzy control cerut fu . În acest caz, de controller de tip adaptiv, abordarea

în construcţia bazei de reguli este diferita. Observaţi că nu există un consens în literatura de specialitate privind terminologia

utilizată în descrierea diferitelor tipuri de controlere fuzzy. Un controler cu logică fuzzy (FLC) este numit de adaptare în cazul în

care oricare dintre parametrii săi acordabili (FS, MFS, şi bază de norme), se schimbă atunci când controlerul este utilizat, în caz

contrar acesta este un FLC non adaptiv sau convenţional. Un FLC adaptiv care reglează un controler deja in lucru prin

modificarea acestuia, fie MFS sau SFs sau ambele dintre ele se numeşte FLC auto-adaptare. Dacă un FLC este reglat prin

schimbarea automată a RB-ului său, atunci aceasta se numeşte un FLC cu auto-organizare.

Page 15: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

15

2e

1e

fu NB NM NS ZE PS PM PB

a

)

NB NB NB NB NM NS NS ZE

NM NB NM NM NM NS ZE PS

NS NB NM NS NS ZE PS PM

ZE NB NM NS ZE PS PM PB

PS NM NS ZE PS PS PM PB

PM NS ZE PS PM PM PM PB

PB ZE PS PS PM PB PB PB

1e

2e

NB NM NS ZE PS PM PB

b)

NB VB VB VB B SB S ZE

NM VB VB B B MB S VS

NS VB MB B VB VS S VS

ZE S SB MB ZE MB SB S

PS VS S VS VB B MB VB

PM VS S MB B B VB VB

PB ZE S SB B VB VB VB

Fig. 7.7 − a)Reguli de bază pentru calcularea fu ; b) Reguli de bază pentru calcularea factorului de actualizare

Un FLC convenţional de tip derivativ proporţional (PD) va fi descris primul. Aceasta totalizează un număr de n = 7x7 reguli

DACĂ ..., ATUNCI ..., care este numărul de elemente ale produsului cartezian A x B, A = B: = {NB, NM, NS, ZE, PS, PM; PB}.

Aceste seturi sunt asociate cu seturi de termeni lingvistici aleşi pentru a defini funcţiile de apartenenţă pentru variabilele fuzzy 1e şi,

respectiv, 2e .

Page 16: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

16

Structura regulilor n este prezentata în Fig. 7.7 a). Fie T timpul de eşantionare discret. Luaţi în considerare cele două variabile de

intrare clare scalate (normalizat) e1Nk şi e2Nk , la fiecare pas de timp kt kT (k = 1, 2, ...). Luând în considerare cele două ordonate

corespunzătoare în figura pentru fiecare dintre cele două variabile clare, un număr de M 22 combinaţii de două ordonate trebuie să fie

investigate. Având în vedere aceste combinaţii, un număr de M reguli dacă ..., atunci ..., vor opera în forma:

1N 2N Nif is and is , then is , 1, 2,...,k i k i f k ie A e B u C i M (7.8)

(Ai, Bi, Ci sunt termeni lingvistici care aparţin Seturilor A, B, C, si A = B = C, a se vedea figura 7.7.a.). Reţine că RB în Fig.

7.7a) caracterizează cerinţele care implică un plan bidimensional de faza, astfel încât FLC convenţional conduce sistemul în

modul de aşa-numita alunecare. Un FLC cu auto-ajustare se obţine prin actualizarea on-line a câştigului de control . Acest

lucru serveşte pentru a contracara depăşirile controlerului şi pentru a îmbunătăţi performanţa de control general. RB pentru

depinde de fiecare proces, şi de fiecare de operare "dura" a RB, în acest caz, prezentat în Fig. 7.7a). RB prezentat în Fig. 7.7b), cu

aplicaţii care au dat rezultate bune pe modele teoretice matematice. Noile condiţii asociate lingvistic sunt "foarte mici" (VS),

"mici" (S), "mica mare"(SB), "mediu mare" (MB), "mare" (B), "foarte mare" (VB).

Defuzzyficarea se referă doar la transformarea acestor reguli dacă ..., apoi.... într-o formulă matematică oferind o

variabilă de control de ieşire uf. În ceea ce priveşte logica fuzzy, fiecare regula de forma (7.8) defineşte un set fuzzy AiBiCi în

spaţiul cartezian intrare-ieşire produs R3, a cărui funcţie de membru poate fi definit în acest mod

1 2min[ ( ), ( ), ( )], 1, ... , , ( 1, 2, ...)i i iA k B k Ce e u i M kui

(7.9)

Pentru simplitate, funcţia de membru Singleton-tip C(u) de control variabile a fost preferata, în acest caz ( )iC u , va fi înlocuit

cu ui0 , abscisa Singleton. Prin urmare, folosind:

1) singleton de fuzzyficare pentru uf,

2) defuzzyficator de tip centru-media,

3) inferenţă min, M, dacă ..., atunci ... reguli care pot fi transformate, la fiecare pas de timp k, într-o formula data de control clar

M

i

M

iuiuf ii

uu1 1

0 / (7.10)

Page 17: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

17

Fig.7.8 Sistem HVAC FUZZY-PD perturbaţia de echilibru

7.4 Sinteza controlului fuzzy-PID

Ca un punct de plecare în sinteza de autotuning al FLC relaţia bine-cunoscuta, care defineşte un control Proporţional

Integral Derivate (PID)

1

1k

P I Di

u k k e k k e i k e k e k

(7.11)

Coeficienţii Pk , Ik , Dk sunt, de obicei, reglaţi în funcţie de anumite criterii de sinteză clasica.. În S. Soyguder, M. Karakose,

H. Alli, este folosit RB prezentat în Fig. 7.9.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 121.6

21.8

22

22.2

22.4x1

timp [h]

x1,

x1 re

f [g

rad C

]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10.1

0.2

0.3

0.4

0.5u2

timp [h]

u2 [

m3/m

in]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 19

9.5

10

10.5x 10

-3 x2

timp [h]

x2,

x2 re

f

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1465

470

475

480

485u1

timp [h]

u1 [

m3/m

in]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 19

10

11

12

13

14

15

16

17

18

19x3

timp [h]

x3 [g

rd C]

0 _ 2 _ 2 _0.15 , 0.1 , 0.1e e eT d W

Page 18: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

18

Fig. 7.9− Reguli de baza pentru control PID cu auto-ajustare de tip fuzzy adaptiv: a) Pk ; b) Ik ; c) Dk

Fig.7.10 HVAC system FUZZY PID perturbaţie de echilibru

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 121.6

21.7

21.8

21.9

22x1

timp [h]

x1, x

1 ref [g

rad

C]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10.2

0.22

0.24

0.26u2

timp [h]

u2 [m

3 /min

]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 19

9.5

10

10.5x 10

-3 x2

timp [h]

x2,

x2ref

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1481.3861

481.3862

481.3863

481.3864u1

timp [h]

u1 [

m3 /m

in]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 112.5

13

13.5

14

14.5

15x3

timp [h]

x3 [g

rd C]

0 _ 2 _ 2 _0.15 , 0.1 , 0.1e e eT d W

Page 19: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

19

7.5 Sinteza controlerului neuro-fuzzy

Fig. 7.11 − Schiţa de supraveghere fuzzy de neuro-control (FSNC)

FSNC funcţionează ca logica fuzzy de control fu , în cazul în care neuro-controlul nu este saturat. În cazul de operare de control

fuzzy, fuzzy neuro-control nu este concomitent actualizat în cazul acţiunii reale a controlului fuzzy fu . Pentru a obţine rigoarea

şi exactitatea procesului de urmărire reglementat, controlul cu logica fuzzy porneşte neuro-controlul ori de câte ori neuro-

controlul nu reajustat nu este saturat. La timpul st , atunci când trecerea de la logica de control fuzzy la neuro-control are loc,

vectorul de ponderare reajustate r va fi derivat prin luarea în considerare un factor de scala nf uu .

1r 2 2 1 2r 2,f f nc f ncu y u u y u u (7.12)

O schiţă a FSNC este prezentată în Fig. 7.11

Performanţe

Sistem fizic/ model

matematic.

Perturbaţii

supervizor fuzzy

fuzzy supervised neuro-control

- FSNC

u

Expertiză

cunoştinţe

preliminare

fuzzy inference

defuzzyficare

fuzzyficare

u

uf

. . . . . . .

unc

Selecţie / lege de

comutare

e1t e1h

referinţă X1ref

+

Y Y

u

Ju

uuYJJ

umin:

,

, ,Y F Y u

uYFY ,,

u

X2ref

+

Yu

J

Yu

n

n

Yu

J

Yu

n

n

neuro-control neuro-control

supervizor fuzzy

supervizor fuzzy

fuzzy inference

defuzzyficare

fuzzyficare

, ,Y F Y u

uYFY ,,

uf

unc

Page 20: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

20

Fig.7.12 HVAC sistem NEURO-FUZZY perturbaţie de echilibru

Capitolul 8 Concluzii personale,contributii originale si perspective pentru contiunarea tematicii.

8.1Concluzii personale

Teza de doctorat „Contribuţii la modelarea sistemelor de conducere automata utilizând algoritmi neuro-fuzzy” propune

o abordare personala a prelucrarii datelor din perspectiva unei simulari numerice a unei strategii de control special numit FSNC

(Supravegherea Fazzy Neuro Control). Am menţionat că, deşi independent de un model matematic al sistemului controlat,

controlul inteligent necesită o evaluare atentă prin simulări numerice, în special cu privire la adoptarea componentei "regulile de

bază" ale controlului fuzzy. Prin urmare, acesta a fost utilizat în studiul validării complete a controlului neuro-fuzzy.

8.2.Contributii originale .

Teza propune o abordare unitară în proiectarea de control inteligent al sistemelor de Incalzire, Ventilatie si Aeri

Conditionat(HVAC)., pentru a asigura o eficiență energetică ridicată și calitatea aerului îmbunătățita. În prima parte a studiului,

se consideră ca sistem de referință un singur spațiu termic cu sistem HVAC, pentru care se atribuie un model matematic al

sistemului controlat și un model matematic de control inteligent. Concepția de control inteligent este de tip comutare, între o rețea

neuronală simplă, un perceptron, care are scopul de a reduce , un indice de cost, și o componentă de logica fuzzy, avand rolul de

supraveghere antisaturare pentru neuro-control. Bazat pe simulări numerice, lucrarea se concentrează pe analiza funcționării

sistemului, în prezența numai a componentei de control neuronal.

Pentru atingerea obiectivelor propuse în teză, au fost aduse o serie de contribuţii, dintre care se pot menţiona următoarele:

realizarea unui studiu aprofundat al analizei problematicii neuro-fuzzy;

controlul neuronal poate fi instruit pentru a face faţă la o gamă complexă de perturbaţii;

stabilizarea în prezenţa perturbaţiilor se realizează fără suprascriere observata la controlul clasic descris;

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 120

22

24x1

timp [h]

x1,

x1ref

[gr

ad C

]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.2

0.4u2

timp [h]

u2 [

m3 /m

in]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.5

1flag2

timp [h]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 19.2

9.4

9.6x 10

-3 x2

timp [h]

x2,

x2 re

f

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1481.3862

481.3864

481.3866u1

timp [h]

u1 [

m3/m

in]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-1

0

1flag1

timp [h]

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 112.5

13

13.5

14

14.5

15

15.5

16

16.5

17x3

timp [h]

x3 [g

rd C

]

0 _ 2 _ 2 _0.15 , 0.1 , 0.1e e eT d W

Page 21: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

21

comparaţia intre neuro - fuzzy, PD-fuzzy, PID-neuro-fuzzy, neuro-PD si PID-neuro poate fi favorizat sofisticatului

neuro-fuzzy control.

Am concluzionat ca pentru a contracara riscul de saturaţie neuro-control şi pentru a realiza îmbunătăţirea sistemului de

învăţare, a fost dezvoltat un supraveghetor fuzzy neuro-control (FSNC). Am constata faptul că, pentru sistemele rapide, cum ar

fi servomecanisme hidraulice, cu constante de timp, în valoare de zecimi de secundă, procedura a dat rezultate bune. Am avut în

vedere punerea în aplicare a ideii, în cazul unui sistem lent, cum ar fi sistemul HVAC. Am evidentiat faptul ca neuro-control

comuta la un control de tip logica fuzzy Mamdani ori de cate ori neuro-controlul este saturat. În acest fel, cele două componente

completează reciproc o strategie cu valenţe de optimalitate (neuro-control) şi de siguranţă operaţională (de control fuzzy).

Am realizat simularile numerice ale sistemului HVAC controlat de o rețea neuronala, de tip perceptron elementar,

simularile au fost efectuate folosind Matlab / Simulink Toolbox.

In prima faza am folosit un control convenţional cu logica fuzzy de tip Proporţional Derivativ (PD) pentru primele

încercări. Ulterior am realizat un control cu logica fuzzy şi auto-reglaj de tip Proporţional-Integral-Derivativ (PID). Am realizat

ca procedura de întoarcere la un neuro-control optimizat este esenţială. Am realizat cu ajutorul simularilor numerice buna

funcţionare a sistemului în prezenţa perturbaţiilor de temperatură şi umiditate.

8.3 Perspective

Analizele realizate pot constitui o baza pentru studiile viitoare în proiectul Advanced strategies for high performance

indoor Environmental QUAliTy in Operating Rooms – EQUATOR, UEFISCDI-CNCS Project No. PN-II-PT-PCCA-2011-

3.2-1212, proiect care are ca scop îmbunătăţirea calităţii aerului în sălile de operaţie din spital (ORs), sistemele HVAC pot

aborda obiective specifice care implică dinamica fluidelor, cum ar fi afectarea strategiei jetului de ventilaţie. În alte cazuri,

cum ar fi sistem de metrou sau în zgârie-nori cu sute de etaje, este necesar de a avea un sistem complet de aer condiţionat,

care ar putea păstra temperatura, umiditatea sau presiunea în limitele acceptabile.

Data fiind complexitatea problematicii analizate directiile de continuare a cerecetarilor sunt multiple si in continuare pot

fi prezentate cateva din acestea:

• extinderea metodologiei de proiectare a controlerelor prezentate în această lucrare pentru a putea fi utilizate

pe un sistem termic multizonal;

• efectuarea de studii pentru a testa robustețea controlerelor, folosind un schimbator de caldura neliniar mai

precis;

• implementarea fizică a perturbării controlerelor folosind tehnologia microprocesor.

Evolutiile viitoare ale cercetarii,prin urmare, se va concentra pe imbunatatirea modelului de calcul pentru a

simula conditii diferite de functionare.

Page 22: Contribuţii la modelarea sistemelor de conducere automată ...sd.utcb.ro/_upload/content/docs/589_roman_a__andreea_mihaela... · Capitolul 6 Sisteme inteligente de deducere adaptivă

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

22

Bibliografie selectiva:

A. Iftene ,Concepte teoretice privind sistemele BMS utilizate la clădirile individuale a 46 a Conferinţă Naţională de

Instalaţii, Instalatii pentru inceputul mileniului trei volumul IISinaia 19-21 Octombrie 2011pag.589

A. Iftene ,Proiectarea sistemelor fuzzy folosind reţele neuronale artificiale a 46 a Conferinţă Naţională de Instalaţii,

Instalatii pentru inceputul mileniului trei volumul II Sinaia 19-21 Octombrie 2011 pag.597

A. Iftene, Clasificator Neuro - Fuzzy destinat diagnosticării sistemelor tehnice din clădiri a 45 a Conferinţă Naţională

de Instalaţii, Sinaia, 2010

A. Iftene, S. Caluianu, I. Nastase, I. Ursu, G. Tecuceanu, A. Toader, Synthesis and simulation of neuro-fuzzy HVAC

systems, The 35th”Caius Iacob” Conference on Fluid Mechanics and itsTehnical Applications 2013, November 14-15,

Bucharest, ROMANIA.

A. Iftene, Sistem inteligent de comandă ierarhizat A XVI-a Conferinţă cu participare internaţională “Confort, eficienţă,

conservarea energiei şi protecţia mediului” Bucureşti, 18-19 mar. 2010

A. Iftene, Sisteme dezvoltate pentru economia de energie a 44 a Conferinţă Naţională de Instalaţii, Instalatii pentru

inceputul mileniului trei 2009

A. Iftene, Sisteme hibride neuro-fuzzy articol SIEAR 2008

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader ,Intelligent control of HVAC sysyems. Part II: perceptron

performance analysis, INCAS Bulletin, vol. 5, no. 3, pp. 127-135, 2013.

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader, About the synthesis and simulation of intelligent HVAC systems,

The 5th “Romanian Conference on Energy Performance of Buildings” (RCEPB-V), 29-30th of May, 2013, Bucharest,

ROMANIA.

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader, Intelligent control of HVAC sysyems. Part I: Modeling and

synthesis, INCAS Bulletin, vol. 5, no. 1, pp. 103-118, 2013.

I. Ursu, A. Toader, S. Balea, A. Halanay, New stabilization and tracking control laws for electrohydraulic

servomechanisms, European Journal of Control, vol. 19, no 1, 2013.

I. Ursu, F. Ursu, Airplane ABS control synthesis using fuzzy logic, Journal of Intelligent and Fuzzy Systems, vol. 16,

no. 1, pp. 23-32, 2005

I. Ursu, F. Ursu, L. Iorga, Neuro-fuzzy synthesis of flight controls electrohydraulic servo, Aircraft Engineering and

Aerospace Technology, vol. 73, pp. 465-471, 2001.

I. Ursu, G. Tecuceanu, A. Toader, C., Calinoiu, Switching neuro-fuzzy control with antisaturating logic. Experimental

results for hydrostatic servoactuators, Proceedings of the Romanian Academy, Series A, Mathematics, Physics,

Technical Sciences, Information Science, 12, 3, 231-238, 2011.

I. Ursu, G. Tecuceanu, F. Ursu, R. Cristea, Neuro-fuzzy control is better than crisp control, Acta Universitatis

Apulensis, no. 11, 259-269, 2006.

Larionescu S., Aprecierea robusteţii sistemelor automate, Măsurări şi Automatizări, Nr. 2, 2001, p.55-56

Larionescu S., Teoria sistemelor, Matrix Rom, Buc., 2006

Nastac, I., Bacivarov, A. and Costea, A.: “A Neuro-Classification Model for Socio-Technical Systems”, Romanian

Journal of Economic Forecasting, Vol. XI, No. 3/ 2009, pp. 100-109. (ISSN 1582-6163). http://www.ipe.ro/rjef.htm

Nastac, I., Dobrescu, E. and Pelinescu, E.: “Neuro-Adaptive Model for Financial Forecasting”, Romanian Journal of

Economic Forecasting, Vol. VIII, No. 3/ 2007, pp. 19-41. (ISSN 1582-6163). http://www.ipe.ro/rjef.htm