ترکیب کنترل کننده های PID مقاوم و عصبی- فازی برای بهینه سازی چند هدفه سیستم ترمز ضد قفل
رسول حسینی
1
(
گروه مهندسي برق، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ايران
)
جواد مشایخی فرد
2
(
دانشگاه آزاد اسلامی واحد سبزوار
)
سپهر سلطانی
3
(
گروه مهندسي برق، واحد سبزوار، دانشگاه آزاد اسلامی، سبزوار، ايران
)
کلید واژه: توابع وزنی, سیستم ترمز ضدقفل, کنترل چند هدفه, PID مقاوم, عصبی- فازی. ,
چکیده مقاله :
در مسائل بهينه سازي چند هدفه، چند هدف بطور همزمان بهينه می‌گردند. یک راه آن است که برای هر هدف یک کنترل کنننده طراحی گردد. سپس ترکیب کنترل کننده‌ها با وزن مشخص منجر به پاسخ بهینه می‌شود. در سيستم هاي صنعتي به علت وجود خطاي مدل سازي يا تغييرات پارامترهای سيستم همواره عدم‌قطعیت در سيستم وجود خواهد داشت. عدم‌قطعیت باعث مي شود يک سيستم واقعي را نتوان توسط يک مدل رياضي توصيف نمود. در این مقاله ابتدا دو کنترل‌کننده PID مقاوم و عصبی- فازی برای رسیدن به اهداف عملکرد مقاوم و پایداری مقاوم در سیستم ترمز ضدقفل طراحی شده اند. سیستم مذکور که یک سیستم مرتبه 4، غیرخطی و چند متغیره است توسط کنترل غیرمتمرکز به 4 سیستم تک ورودی- تک خروجی تبدیل می‌شود. دو رویکرد جدید برای ترکیب کنترل کننده‌ها و طراحی توابع وزنی ارائه شده است. در رویکرد اول یک تابع وزنی برای سیگنال خطای سیستم با کنترل‌کننده PID و تابع وزنی دیگر برای سیگنال خطای سیستم با کنترل‌کننده عصبی- فازی با شرط پایداری مقاوم طراحی می‌شود. رویکرد دوم توسط فلوچارتی، دو فیلتر پایین گذر و بالا گذر ارائه می‌دهد که سه شرط خطای حالت ماندگار، حداکثر فراجهش و زمان نشست مطلوب برآورده شوند. نتایج شبیه سازی نشان می‌دهند رویکرد اول بهترین عملکرد در کاهش زمان و مسافت توقف و کاهش حداکثر لغزش در دو جاده خشک و لغزنده را در مقایسه با کنترل‌کننده های PID، عصبی- فازی، سوئیچینگ و رویکرد دوم دارد.
چکیده انگلیسی :
In multi-objective optimization problems, several objectives are optimized simultaneously. One way is to design a controller for each purpose. Then the combination of controllers with specific weights leads to the optimal response. There will always be uncertainty in industrial systems due to modeling errors or changes in system parameters. Uncertainty makes an actual system that a mathematical model cannot describe. In this paper, two robust PID and neuro-fuzzy controllers are designed to achieve the objectives of robust performance and robust stability in the anti-lock braking system. The mentioned system, which is a 4th order, nonlinear, and multivariable system, is transformed into 4 single-input-single-output systems by decentralized control. Two new approaches for combining controllers and designing weight functions are presented. In the first approach, a weight function is designed for the system error signal with the PID controller, and another weight function for the system error signal with the neuro-fuzzy controller with robust stability conditions is designed. The second approach by flowchart provides two low-pass and high-pass filters that satisfy the three conditions of steady-state error, maximum overshoot, and optimal settling time. The simulation results show that the first approach has the best performance in reducing the stopping time and distance and reducing the maximum slip on both dry and slippery roads compared to PID, neuro-fuzzy, switching, and the second approach.
در رویکرد اول تابع وزنی سیگنال خطای سیستم با کنترل‌کننده PID و کنترل‌کننده عصبی- فازی طراحی می‌شود.
رویکرد دوم دو فیلتر پایین گذر و بالا گذر ارائه می‌دهد که سه شرط برآورده شوند.
ترکیب کنترل‌کننده‌ها می‌تواند در تمام زمانها و فرکانسها پاسخ مناسب داشته باشد.
مقایسه دو کنترل کننده، دو رویکرد و کنترل سوئیچینگ بر روی سیستم ترمز ضد قفل انجام شده است.
[1] Y. Cui, Z. Geng, Q. Zhu, and Y. Han,” Review: Multi-objective optimization methods and application in energy saving,” Energy, vol. 125, pp. 681-704, 2017, doi: 10.1016/j.energy.2017.02.174.
[2] V. Palakonda, and R. Mallipeddi, "An Evolutionary Algorithm for Multi and Many-Objective Optimization With Adaptive Mating and Environmental Selection," in IEEE Access, vol. 8, pp. 82781-82796, 2020, doi: 10.1109/ACCESS.2020.2991752.
[3] R. Miranda-Colorado, and L. T. Aguilar, “Robust PID control of quadrotors with power reduction analysis,” ISA Trans., vol. 98, pp. 47-62, 2020, doi:10.1016/j.isatra.2019.08.045.
[4] M. Martell, F. Rodríguez, M. Castilla, and M. Berenguel, “Multiobjective control architecture to estimate optimal set points for user comfort and energy saving in buildings,” ISA transactions, vol. 99, pp. 454–464, 2020, doi: 10.1016/j.isatra.2019.10.006.
[5] V. Raissi Dehkordi, and B. Boulet, “Frequency-Domain Robust Performance Condition for Controller Uncertainty in SISO LTI Systems: A Geometric Approach,” Journal of Control Science and Engineering, 2009, doi: 10.1155/2009/746762.
[6] S. Sarath, “Automatic Weight Selection Algorithm for Designing H Infinity controller for Active Magnetic Bearing,” International Journal of Engineering Science and Technology, vol. .3, no.1, pp.122-138, 2011.
[7] B.Boukhobza, N. Taleb, A. Taleb-Ahmed, and A. Bounoua, “Design of orthogonal filter banks using a multi-objective genetic algorithm for a speech coding scheme,” Alexandria Engineering Journal, vol. 61, Issue. 10, pp. 7649-7657, 2022, doi: 10.1016/j.aej.2022.01.017.
[8] R. V. Ravi et al., “Optimization algorithms, an effective tool for the design of digital filters; a review,” J Ambient Intell Human Comput., 2019, doi: 10.1007/s12652-019-01431-x.
[9] T. Mittal, “Design of Optimal FIR Filters Using Integrated Optimization Technique,” Circuits Syst Signal Process, vol. 40, pp. 2895–2925, 2021, doi: 10.1007/s00034-020-01602-8.
[10] S. Yadav, R. Yadav, A. Kumar, and M. Kumar, “Design of Optimal Two-Dimensional FIR Filters with Quadrantally Symmetric Properties Using Vortex Search Algorithm,” Journal of Circuits, Systems and Computers, vol. 29, no. 10, 2020, doi: 10.1142/S0218126620501558.
[11] E. Dincel, and M. T. Söylemez, “Robust PID controller design via dominant pole assignment for systems with parametric uncertainties,” Asian journal of control, vol. 24, no. 2, pp. 834-844, 2022, doi: 10.1002/asjc.2484.
[12] A. Wahyudie et al., “Simple Robust PID Tuning for Magnetic Levitation Systems Using Model-free Control and H∞ Control Strategies,” Int. J. Control Autom. Syst., vol. 19, pp. 3956–3966, 2021, doi: 10.1007/s12555-020-0253-8.
[13] C. Chen, C. Wang, Y. T. Wang, and P. T. Wang, “Fuzzy Logic Controller Design for Intelligent Robots,” Mathematical Problems in Engineering, 2017, doi: 10.1155/2017/8984713.
[14] M. Anthony et al., “Autonomous Fuzzy Controller Design for the Utilization of Hybrid PV-Wind Energy Resources in Demand Side Management Environment”, Electronics, vol. 10, 2021, doi: 10.3390/electronics10141618.
[15] H. Espitia, I. Machón, and H. López, “Design and Optimization of a Neuro-Fuzzy System for the Control of an Electromechanical Plant,” Applied ciences, vol. 12, no. 2, 2022, doi: 10.3390/app12020541.
[16] Z. Pezeshki, and S.M. Mazinani, “Comparison of artificial neural networks, fuzzy logic and neuro fuzzy for predicting optimization of building thermal consumption: a survey,” Artifical Intelligence Review, vol. 52, pp. 495–525, 2019, doi: 10.1007/s10462-018-9630-6.
[17] D. Somwanshi, M. Bundele, G. Kumar, and G. Parashar, “Comparison of Fuzzy-PID and PID Controller for Speed Control of DC Motor using LabVIEW,” Procedia Computer Science, vol. 152, pp. 252-260, 2019, doi: 10.1016/j.procs.2019.05.019.
[18] A. H. Haroun, and Y.Y Li, “A novel optimized hybrid fuzzy logic intelligent PID controller for an interconnected multi-area power system with physical constraints and boiler dynamics,” ISA transactions, vol. 71(Pt 2), pp. 364–379, 2017, doi: 10.1016/j.isatra.2017.09.003.
[19] N. Choug, S. Benaggoune, and S. Belkacem, “Hybrid Fuzzy Reference Signal Tracking Control of a Doubly Fed Induction Generator,” International Journal of Engineering, vol. 33, no. 4, pp. 567-574, 2020, doi: 10.5829/ije.2020.33.04a.08.
[20] M. Ghanamijaber, and M. “A hybrid fuzzy-PID controller based on gray wolf optimization algorithm in power system,” Evolving Systems, vol. 10, pp. 273–284, 2019, doi: 10.1007/s12530-018-9228-x.
[21] P. Sharma and J. Ohri, "ANFIS Based PID Control of Antilock Braking System Model," 7th International Conference on Computer Applications in Electrical Engineering-Recent Advances (CERA), Roorkee, India, 2023, pp. 1-6, doi: 10.1109/CERA59325.2023.10455135.
[22] A. J. Abougarair , N.A.A. Shashoa, and M.K.I. Aburakhis, “Performance of Anti-Lock Braking Systems Based on Adaptive and Intelligent Control Methodologies,” Indonesian Journal of Electrical Engineering and Informatics (IJEEI), vol. 10, no. 3, pp. 626-643, 2022, doi: 10.52549/ijeei.v10i3.3794.
[23] F. Xu, X. Liang, M. Chen, and W. Liu, ”Robust Self-Learning PID Control of an Aircraft Anti-Skid Braking System,” Mathematics, vol. 10, 2022, doi: 10.3390/math10081290.
[24] N. Shiza, and A. K. Singh, “A Study on control strategies utilized for performance enhancement of antilock braking system,” Materials Today: Proceedings, vol. 80(Pt. 1), pp. 128-133, 2023, doi: 10.1016/j.matpr.2022.10.287.
[25] J. MashayekhiFard, A. Khaki-Sedigh, and M.A.Nekoui, “Modelling and Control of Four-Wheel Anti-lock Braking System,” Majlesi Journal of Electrical Engineering, vol. 6, no.2, 2012.
[26] Z. Zhao et al., “Integrated Active Suspension and Anti-Lock Braking Control for Four-Wheel-Independent-Drive Electric Vehicles,” Chin. J. Mech. Eng., vol. 37, 2024, doi: 10.1186/s10033-024-00997-8.
[27] E. C. goud, S. Rao, and M. Chidambaram, “Improved Decentralized PID Controller design for MIMO Processes,” IFAC-PapersOnLine, vol. 53, no. 1, pp. 153-158, 2020, doi: 10.1016/j.ifacol.2020.06.026.
[28] I. Ahmadianfar et al., “An improved adaptive neuro fuzzy inference system model using conjoined metaheuristic algorithms for electrical conductivity prediction,” Sci Rep., vol. 12, 2022, doi: 10.1038/s41598-022-08875-w.
[29] L. Ouada, S. Benaggoune, and S. Belkacem, “Neuro-fuzzy sliding mode controller based on a brushless doubly fed induction generator,” Int J Eng., vol. 33, no. 2, pp. 248–256, 2020, doi: 10.5829/IJE.2020.33.02B.09.
[30] I. Abbas, and M. Mustafa, ”A review of adaptive tuning of PID-controller: Optimization techniques and applications,” Int J Nonlinear Anal Appl., vol. 15, no. 2, pp. 29–37, 2024, doi: 10.22075/ijnaa.2023.21415.4024.
[31] R. Hosseini, J. Mashayekhi Fard, and S. Soltani, “Active filter design and synthesis for hybrid neuro-fuzzy and robust PID controllers,” Int. J. Dynam. Control., 2024, doi: 10.1007/s40435-024-01457-w.
