Wykład 25 Regulatory dyskretne

Slides:



Advertisements
Podobne prezentacje
System lingwistyczny - wnioskowanie
Advertisements

Metody Sztucznej Inteligencji 2012/2013Zastosowania systemów rozmytych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Zastosowania.
Równanie różniczkowe zupełne i równania do niego sprowadzalne
Mechanizm wnioskowania rozmytego
Układ sterowania otwarty i zamknięty
Badania operacyjne. Wykład 2
KNW- Wykład 8 Wnioskowanie rozmyte.
Model lingwistyczny – wnioskowanie Mamdani’ego
Model Takagi – Sugeno – Kang’a - TSK
Systemy dynamiczne 2010/2011Odpowiedzi – macierze tranzycji Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 System ciągły;
Metody matematyczne w Inżynierii Chemicznej
Opis matematyczny elementów i układów liniowych
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów regulacji.
Teoria sterowania Wykład 3
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów, elementów i układów.
Automatyka Wykład 7 Regulatory.
Automatyka Wykład 6 Regulacja napięcia generatora prądu stałego.
Podstawy układów logicznych
Wykład 6 Charakterystyki czasowe obiektów regulacji
Wykład 5 Charakterystyki czasowe obiektów regulacji
Podstawy automatyki 2012/2013Transmitancja widmowa i charakterystyki częstotliwościowe Mieczysław Brdyś, prof. dr hab. inż.; Kazimierz Duzinkiewicz, dr.
Rozważaliśmy w dziedzinie czasu zachowanie się w przedziale czasu od t0 do t obiektu dynamicznego opisywanego równaniem różniczkowym Obiekt u(t) y(t) (1a)
Wykład 21 Regulacja dyskretna. Modele dyskretne obiektów.
Automatyka Wykład 9 Transmitancja operatorowa i stabilność układu regulacji automatycznej.
Wykład 10 Regulacja dyskretna (cyfrowa i impulsowa)
Karol Rumatowski Automatyka
Wykład 11 Jakość regulacji. Regulator PID
Automatyka Wykład 27 Linie pierwiastkowe dla układów dyskretnych.
Karol Rumatowski d1.cie.put.poznan.pl Sterowanie impulsowe Wykład 1.
Stabilność dyskretnych układów regulacji
Automatyka Wykład 26 Analiza układu regulacji cyfrowej z regulatorem PI i obiektem inercyjnym I-go rzędu.
Sterowanie impulsowe Wykład 2.
Wykład 4 Modele matematyczne obiektów, elementów i układów regulacji.
Wykład 22 Modele dyskretne obiektów.
Regulacja trójpołożeniowa
Modele dyskretne obiektów liniowych
Wykład 23 Modele dyskretne obiektów
Wykład 12 Regulator dyskretny PID. Regulacja dyskretna.
Teoria sterowania Wykład 13 Modele dyskretne obiektów regulacji.
Metody uzyskiwania równania wejścia-wyjścia obiektu sterowania.
Wykład 9 Regulacja dyskretna (cyfrowa i impulsowa)
Wnioskowanie w stylu Takagi - Sugeno.
SW – Algorytmy sterowania
ISS – Synteza regulatora cyfrowego (minimalnoczasowego)
Schematy blokowe i elementy systemów sterujących
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Przykład 1: obiekt - czwórnik RC
Zagadnienia AI wykład 4.
Zagadnienia AI wykład 6.
Zagadnienia AI wykład 5.
Wnioskowanie Mamdani’ego
Metody Sztucznej Inteligencji – technologie rozmyte i neuronowe Wnioskowanie Mamdani’ego - rozwinięcia  Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii.
Modelowanie i identyfikacja 2014/2015Modele rozmyte  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Systemy rozmyte są modelami.
 Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody sztucznej inteligencji – Technologie rozmyte i neuronoweSystemy.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modelowanie rozmyte – podstawy,
Wykład 3,4 i 5: Przegląd podstawowych transformacji sygnałowych
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
Etapy procesu sterowania rozmytego
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego I © Kazimierz Duzinkiewicz, dr hab.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie Mamdani’ego II © Kazimierz Duzinkiewicz, dr hab.
Modele nieliniowe sprowadzane do liniowych
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Systemy rozmyte – wnioskowanie formalne © Kazimierz Duzinkiewicz, dr hab. inż.
Odporne sterowanie napędami elektrycznymi z wykorzystaniem algorytmów niecałkowitego rzędu Krzysztof Oprzędkiewicz Wydział EAIiIB Katedra Automatyki i.
Podstawowe rodzaje modeli rozmytych
Systemy neuronowo – rozmyte
Podstawy automatyki I Wykład /2016
Metody sztucznej inteligencji
Sterowanie procesami ciągłymi
Obiekty dyskretne w Układach Regulacji Automatycznej
Zapis prezentacji:

Wykład 25 Regulatory dyskretne Automatyka Wykład 25 Regulatory dyskretne

Równanie regulatora analogowego typu P Regulator dyskretny P Równanie regulatora analogowego typu P Równanie regulatora dyskretnego P uzyskujemy z dyskretyzacji równania regulatora analogowego: (1) Tp u(0) u(Tp) u(2Tp) u(3Tp) u 2Tp 3Tp t e 0 Tp 2Tp 3Tp e(0) e(Tp) e(2Tp) e(3Tp) e Regulator dyskretny P u t (2)

Regulator dyskretny PI Równanie regulatora analogowego typu PI Przez dyskretyzację równania regulatora analogowego otrzymujemy równanie regulatora dyskretnego PI: (3) Obliczanie jako sumy pól prostokątów e 0 Tp 2Tp 3Tp (n–1)Tp nTp t

Transmitancja dyskretna regulatora PI (4) Transmitancja dyskretna (4) wynika również z transmitancji operatorowej regulatora analogowego PI po podstawieniu do wzoru

Jeżeli równanie regulatora dyskretnego zapiszemy w postaci: (5) to transmitancję dyskretną regulatora PI określa wzór (6) e Tp 2Tp 3Tp (n-3)Tp (n-2)Tp (n-1)Tp nTp

Obliczanie jako sumy pól trapezów e 0 Tp 2Tp 3Tp (n–1)Tp nTp t (7)

Transformata Z sygnału sterującego: Stąd (8) Wzór (8) otrzymamy również po zastosowaniu metody Tustina do regulatora analogowego o transmitancji operatorowej

Regulator dyskretny PID Równanie regulatora analogowego PID Przez dyskretyzację równania regulatora analogowego otrzymujemy równanie regulatora dyskretnego PI reprezentujące algorytm pozycyjny regulatora: (9) Transmitancja dyskretna: (10)

Algorytm pozycyjny (metoda trapezów): W przypadku regulatora dyskretnego do sterowania obiektem można również wykorzystać przyrost sygnału sterującego:

Regulator rozmyty Proces regulacji w układzie z regulatorem rozmytym opiera się na bazie reguł, której elementami są zmienne lingwistyczne, charakteryzowane na przykład słowami „ujemny”, „zerowy”, „dodatni” lub „mały ujemny”, „średni ujemny” , „duży ujemny”, „bliski zera”, „mały dodatni”, „średni dodatni”, „duży dodatni” itp. Każda wartość zmiennej lingwistycznej opisywana jest za pomocą zbioru rozmytego (ang. fuzzy set). Pojęcie zbioru rozmytego zostało wprowadzone w roku 1965 przez L. Zadeha i jest uogólnieniem matematycznego pojęcia zbioru. Uogólnienie to polega na przypisaniu elementowi zbioru pewnej liczby μ z przedziału [0, 1], będącej wartością tzw. funkcji przynależności. Wartość μ funkcji przynależności informuje w jakim stopniu dany element (zmienna lingwistyczna) przynależy do podanego zbioru. Funkcje przynależności mogą mieć różne kształty. Najbardziej rozpowszechnione są funkcje trójkątne, trapezowe i Gaussa (slajd 11 ) Na regulację rozmytą składają się trzy następujące procesy: proces rozmywania (fuzyfikacji) danych podawanych na wejście regulatora, określający stopień ich przynależności do danego zbioru rozmytego, proces wnioskowania, w którym na podstawie zbioru reguł i rozmytych danych wejściowych, obliczana jest wynikowa funkcja przynależności i proces wyostrzania (defuzyfikacji), w którym na podstawie wynikowej funkcji przynależności obliczana jest ostra wartość wyjściowa regulatora.

Funkcje przynależności: trójkątne (a), trapezowe (b), Gaussa (c) μ e b) c) e μ Funkcje przynależności: trójkątne (a), trapezowe (b), Gaussa (c)

W regulatorze rozmytym przedstawionym na rysunku poniżej rozmywaniu podlega zbiór wartości błędu regulacji e, podawanych na wejście regulatora. Rozmywanie zbioru wartości błędu regulacji polega na przyporządkowaniu tych wartości do poszczególnych zbiorów rozmytych, których liczba zależy od liczby terminów lingwistycznych określających wartości błędu regulacji. Baza reguł Wnioskowanie Wyostrzanie Rozmywanie e μ(e) μ(u) Na rysunku poniżej przedstawiono przykładowo rozmywanie zbioru wartości błędu regulacji w przypadku trzech zbiorów rozmytych odpowiadających terminom lingwistycznym: ujemny, zerowy i dodatni.

JEŻELI e JEST ujemny, TO u JEST ujemny 1 błąd regulacji e ujemny dodatni zerowy Uzyskane w procesie rozmywania zbiory rozmyte wykorzystuje się w bazie reguł wnioskowania o postaci JEŻELI e JEST ujemny, TO u JEST ujemny JEŻELI e JEST zerowy, TO u JEST zerowy JEŻELI e JEST dodatni, TO u JEST dodatni. W wyniku procesu wnioskowania dla każdej z reguł przypisana zostaje jedna wartość funkcji przynależności sygnału sterującego u do danego zbioru μ(u). Wyostrzanie prowadzi do uzyskania ściśle zdeterminowanej wartości sygnału sterującego u. Jedną z najpopularniejszych metod obliczeniowych jest metoda średniej ważonej z centrów odpowiedzi uzyskanych ze wszystkich reguł, gdzie wagami są wyznaczone stopnie przynależności μ(u) poszczególnych sygnałów sterujących u.