시스템 출력의 퍼지추론결과를 이용한 제어기의 성능 개선

Performance Improvement of Controller using Fuzzy Inference Results of System Output

  • 이우영 (한국전기연구소 전력기기연구부) ;
  • 최홍문 (경북대학교 전자공학과)
  • 발행 : 1995.12.01

초록

퍼지 제어기에 신경회로망을 병렬로 연결시키므로 제어성능 향상을 위해 필요했던 소속함수의 미세조정 과정이 학습으로 대신되게 하는 제어기 구조를 제안하였다. 신경회로망의 학습은 오차 역전파 알고리듬에 의해 수행되고 퍼지 제어기의 출력이 학습에 사용되는 오차량으로 사용된다. 따라서 본 제어기는 전문가의 경험과 지식을 제어기 설계에 이용할 수 있고, 별도의 학습과정 없이 제어과정 중에서 신경회로망 제어기가 학습되어 초기의 제어특성이 개선되어지는 특성이 있다. 그리고 본 구성에서 퍼지 제어기는 사용된 규칙에 의해 형성되는 위상평면상의 슬라이딩 면으로 필요한 제어특성과 신경회로망의 학습기준을 제시하는 한편 신경회로망이 학습되기전 제어 시스템의 제어특성이 안정되도록 하며, 신경회로망은 시스템의 상태궤적이 퍼지제어기에 의해 형성된 슬라이딩 면을 가능한한 근사하게 추종하도록 학습되어져 위상평면상 임의의 위치에 있는 시스템의 상태가 슬라이딩 면을 따라 안정점에 도달하도록 하게한다.

The new architecture that fuzzy logic control(FLC) with difficulties for tuning membership function (MF) is parallel with neural networks(NN) to be learned from the output of FLC is proposed. Therefore proposed scheme has the characteristics to utilize the expert knowledge in design process, to be learned during the operation without any learning mode. In this architecture, the function of the FLC is to supply the sliding surface which is constructed on the phase plane by rule base for giving the desired control characteristics and learning criterion of NN and the stabilization of the control performance before NN is learned, The function of the NN is to let the system trajectory be tracked to the sliding surface and reached to the stable point.

키워드

참고문헌

  1. IEEE Control Systems Automated Calibration of a FLC using a Cell Sate Space Algorithm S.M.Smith;D.J.Comer
  2. IEEE Trans. on Syst, Man Cybern. v.SMC-15 Fuzzy Identification of System and Its Applications to Modeling and Control T.Takagi;M.Sugeno
  3. Proceedings of 4th IFSA Congress Self-Tuning Method of Fuzzy Control by Decent Method H.Nomura;I.Hayashi;N.Wakami
  4. International Journal of Intelligent Systems v.6 A Self-Learning Rule-Based Controller Employing Approximate Reasoning and Neural Net Concepts C.C.Lee
  5. IFES A Study on Fuzzy Modeling using Fuzzy Neural Networks S.Horikawa;T.Furuhashi
  6. IEEE Trans. on Fuzzy Systems v.2 no.1 Reinforcement Structure/Parameter Learning for Neural-Network-Based Fuzzy Logic Control Systems C.T.Lin;C.S.George Lee
  7. Neural Networks v.1 Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator H.Miyamoto;M.Kawato
  8. Proceedings of The IEEE v.83 no.3 Neuro-Fuzzy Modeling and Control R.Jang;C.T.Sun
  9. IEEE Control Systems Magazine A Multilayered Neural Network Controller D.Psaltis
  10. IEEE Trans. on Syst. Man Cybern. v.23 no.3 ANFIS: Adaptive-Network-Based Fuzzy Inference System J.R.Jang
  11. Automatica v.15 A Linguistic Self-Organizing Process Controller T.J.Procyk;E.H.Mamdani
  12. Automatica v.30 no.9 Robust Control by Fuzzy Sliding Mode R.Palm
  13. IEEE Trans. on Syst., Man and Cybern. v.23 no.3 Direct Control and Coordination Using Neural Networks X.Cui;K.G.Shin
  14. IEEE Trans. on Syst. Man Cybern. v.SMC-13 no.5 Neuronlike Adaptive Elements That can Solve Difficult Learning Control Problems A.G.Barto;R.S.Sutton;C.W.Anderson