KR100919572B1 - A velocity type neural controller for speed control of a digital speed regulator - Google Patents
A velocity type neural controller for speed control of a digital speed regulatorInfo
- Publication number
- KR100919572B1 KR100919572B1 KR1020070092302A KR20070092302A KR100919572B1 KR 100919572 B1 KR100919572 B1 KR 100919572B1 KR 1020070092302 A KR1020070092302 A KR 1020070092302A KR 20070092302 A KR20070092302 A KR 20070092302A KR 100919572 B1 KR100919572 B1 KR 100919572B1
- Authority
- KR
- South Korea
- Prior art keywords
- output
- neural network
- controller
- speed
- layer
- Prior art date
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D1/00—Controlling fuel-injection pumps, e.g. of high pressure injection type
- F02D1/02—Controlling fuel-injection pumps, e.g. of high pressure injection type not restricted to adjustment of injection timing, e.g. varying amount of fuel delivered
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D31/00—Use of speed-sensing governors to control combustion engines, not otherwise provided for
- F02D31/001—Electric control of rotation speed
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D1/00—Controlling fuel-injection pumps, e.g. of high pressure injection type
- F02D1/02—Controlling fuel-injection pumps, e.g. of high pressure injection type not restricted to adjustment of injection timing, e.g. varying amount of fuel delivered
- F02D1/04—Controlling fuel-injection pumps, e.g. of high pressure injection type not restricted to adjustment of injection timing, e.g. varying amount of fuel delivered by mechanical means dependent on engine speed, e.g. using centrifugal governors
Abstract
이 발명은 PID 제어에 의해 원만하고 강인하게 제어하기 위해 속도형 신경망 PI 제어기를 구비한 제어 시스템을 사용하여 디지털 조속기 속도를 제어하는 방법에 대한 것이다. 이 발명에 따른 디지털 조속기 속도를 제어하는 방법은, 오차 를 구하여 상기 속도형 신경망 PI 제어기에 입력하는 단계(S10), 상기 속도형 신경망 PI 제어기 출력을 구하여 제어 대상에 입력하는 단계(S20), 및 상기 제어 대상의 출력과 오차를 구하는 단계(S30)를 포함하여 이루어지고, 상기 단계들(S10~S30)을 차례로 반복하는 것이 특징이다.The present invention relates to a method of controlling the digital governor speed using a control system having a speed neural network PI controller for smooth and robust control by PID control. The method for controlling the speed of the digital governor according to the present invention is an error Obtaining and inputting into the speed-type neural network PI controller (S10), Obtaining and inputting the speed-type neural network PI controller output to the control target (S20), and Obtaining the output and error of the control target (S30) It is made, including, characterized in that repeating the steps (S10 ~ S30) in sequence.
Description
이 발명은 기존 PID 제어기와 퍼지 제어기의 단점을 보완하고 디젤기관의 비선형 특성에도 불구하고 우수한 제어성능 및 강인성을 가지는 속도형 신경망 제어기를 이용한 디지털 조속기에 관한 것이다.The present invention relates to a digital governor using a speed neural network controller that compensates for the disadvantages of the existing PID controller and fuzzy controller and has excellent control performance and robustness despite the nonlinear characteristics of diesel engines.
조속기는 디젤발전기의 엔진 등의 회전체 속도를 감지하고 연료 랙의 위치를 조절하여 연료 분사 량을 조절함으로써, 엔진의 회전수가 정해진 설정치와 같아지도록 제어하는 장치로서, 디젤엔진은 연료분사펌프의 랙의 위치를 입력으로 하고 엔진의 회전 속도를 출력으로 하는 시스템이며, 크게 연소계통과 회전계통으로 나눈다Governor is a device that controls the rotation speed of the engine to be equal to a predetermined set value by detecting the speed of the rotor of the diesel generator engine, and adjust the fuel injection amount by adjusting the position of the fuel rack, the diesel engine is a rack of the fuel injection pump It is a system that inputs the position of and inputs the rotation speed of the engine. It is divided into combustion system and rotation system.
디젤엔진의 정속제어를 위해 일반적으로 대부분의 조속기는 PID 제어기를 구현하여 속도제어 루프를 수행하고 있다. 그런데 일반적으로 조속기는 제어구간이 변경될 때 또는 갑작스런 부하의 변동이 일어날 때 제어 량이 점핑되어 발전기가 헌팅되는 현상이 자주 발생한다. 즉, 기존의 PID제어기는 터빈이나 디젤기관 전체의 운전 영역으로 확대하여 적용할 경우, 오차 구간이 넓어져 오차가 큰 범위에서의 응답속도가 늦어지는 단점을 내포하고 있다. 이를 해결하기 위하여 목표치 근처에서는 다양한 제어 알고리즘을 설계하여 오차가 일정범위를 넘으면 PID제어를 적용하여 응답의 속응성을 높이는 방법이 요구된다.In general, for the constant speed control of a diesel engine, most governors implement a PID controller to perform a speed control loop. However, in general, when the governor is changed in the control section or when a sudden load change occurs, the control amount is jumped and the generator is often hunted. In other words, when the existing PID controller is extended to the entire operating area of the turbine or diesel engine, the error range is widened and the response speed in the large error range is slowed. In order to solve this problem, various control algorithms are designed near the target value, and when the error exceeds a certain range, a method of increasing response response by applying PID control is required.
기존 디지털조속기의 제어기는 대체로 PID제어기가 주종을 이루고 있으며, LQ최적제어, H∞제어기법 등을 이용한 속도제어방법이 제안되고 있으나 실시간 제어를 위하여 구현과 가격경쟁 등의 문제로 많은 어려움이 있다. 디젤기관은 그 운전 영역에 따라 시스템의 파라미터가 비선형적으로 변하므로 하나의 PID파라미터로서는 전 운전영역을 만족하게 제어할 수 없어 운전 영역을 다수의 부분으로 나누고 그 운전영역에 적합한 PID파라미터를 사용하는 게인 스케쥴링 방법을 채택하고 있다. 그러나 디젤기관의 종류에 따라 각 운전영역별로 적합한 PID파라미터를 찾는다는 것은 실제적으로 많은 어려움이 있다. 또한, 전 운전영역을 퍼지공간 분할하여 사용하는 퍼지 제어기를 이용한 방법을 사용하고 있지만, 퍼지공간을 분할하고 퍼지 규칙을 생성하며 환산계수를 추정하는데 있어서 매우 많은 어려움이 있다.The controller of the existing digital governor is mainly composed of the PID controller, and the speed control method using the LQ optimal control and the H ∞ control method has been proposed, but there are many difficulties due to implementation and price competition for real time control. In diesel engines, the parameters of the system change nonlinearly according to the operating area, so one PID parameter cannot control the entire operating area satisfactorily, so it divides the operating area into multiple parts and uses PID parameters suitable for the operating area. The gain scheduling method is adopted. However, it is practically difficult to find a suitable PID parameter for each operating area according to the type of diesel engine. In addition, although a method using a fuzzy controller for dividing the entire operation region is used, there are many difficulties in dividing the fuzzy space, generating a fuzzy rule, and estimating a conversion factor.
상기한 종래 기술의 문제점을 해결하기 위해 창안된 이 발명은, PID 제어시 오차 구간이 넓어져 오차가 큰 범위에서의 응답속도가 늦어지는 단점을 해결하기 위하여 목표치 근처에서는 다양한 제어 알고리즘을 설계하여 오차가 일정범위를 넘으면 PID제어를 적용하여 응답의 속응성을 높이는 기술을 제공하는 것을 목적으로 한다.The present invention, which was devised to solve the above-mentioned problems of the prior art, designed various control algorithms near the target value to solve the disadvantage of widening the error interval during PID control and slowing the response speed in a large error range. The purpose is to provide a technique to increase the response speed of the response by applying the PID control if the range exceeds a certain range.
이 발명에 따른 속도형 신경망 제어시스템을 이용한 디지털 조속기 속도 제어 방법의 구성의 일 실시예는,One embodiment of the configuration of a digital governor speed control method using a speed-type neural network control system according to the present invention,
PID 제어에 의해 원만하고 강인하게 제어하기 위해 속도형 신경망 PI 제어기를 구비한 제어 시스템을 사용하여 디지털 조속기 속도를 제어하는 방법에 있어서,A method of controlling a digital governor speed using a control system having a speed neural network PI controller for smooth and robust control by PID control,
오차 를 구하여 상기 속도형 신경망 PI 제어기에 입력하는 단계(S10);error Obtaining and inputting into the speed-type neural network PI controller (S10);
상기 속도형 신경망 PI 제어기 출력을 구하여 제어 대상에 입력하는 단계(S20); 및Obtaining the speed type neural network PI controller output and inputting the same to a control object (S20); And
상기 제어 대상의 출력과 오차를 구하는 단계(S30)를 포함하여 이루어지고,Comprising the step of obtaining the output and the error of the control target (S30),
상기 단계들(S10~S30)을 차례로 반복하는 것이 바람직하다.It is preferable to repeat the steps (S10 ~ S30) in order.
그리고 이 구성의 상기 속도형 신경망 PI 제어기 내부에서는,,And inside the velocity neural network PI controller of this configuration,
시각이 일 때 오차 과 제어대상의 입력값인 조작량 이 신경망 PI 제어기로 입력되는 단계;Vision Error when Manipulated value that is an input value Inputting into the neural network PI controller;
상기 신경망 PI 제어기에 의해 조작량의 변화분인 동조된 을 출력하는 단계; 및Tuned by the neural network PI controller Outputting; And
과 제어대상의 출력값을 변환하여 상기 과 합하여 제어대상의 입력값을 출력하는 단계;를 순차적으로 수행하며, 상기 신경망 PI 제어기는 입력층, 은닉층, 출력층을 구비하여 이루어지고, 입력층은 적어도 각각값을 입력하는 제1 뉴런 및 제2 뉴런을 구비하고 있고, 은닉층은 상기 제1 뉴런 및 제2 뉴런과 각각 특정 가중치를 갖고 연결되는 다수의 뉴런을 구비하고 있고,출력층은 상기 은닉층의 각 뉴런과 특정 가중치를 갖고 연결되는 뉴런을 구비하여 이루어지는 것이 바람직하다. And the output value of the control target Convert to above And outputting an input value of a control target in combination with the above, wherein the neural network PI controller includes an input layer, a hidden layer, and an output layer. A first neuron and a second neuron for inputting a value, and the hidden layer includes a plurality of neurons connected with the first neuron and the second neuron with a specific weight, respectively, and the output layer is connected to each neuron of the hidden layer. It is preferable to have neurons connected with a specific weight.
또한 이 구성에 있어서,In this configuration,
, ,
의 관계가 성립하며, Relationship is established,
이때, At this time,
은 오차, Is an error,
은 오차의 변화율, Is the rate of change of the error,
는 입력층의 입력, Is the input of the input layer,
는 입력층의 출력, Is the output of the input layer,
는 입력층과 은닉층 사이의 연결가중치, Is the connection weight between the input layer and the hidden layer,
는 은닉층의 입력, Enters the hidden layer,
는 은닉층의 출력, Is the output of the hidden layer,
는 입력층과 은닉층 사이의 연결가중치, Is the connection weight between the input layer and the hidden layer,
는 은닉층과 출력층 사이의 연결가중치, Is the connection weight between the hidden and output layers,
는 출력층의 입력, Is the input of the output layer,
는 출력층의 출력, Is the output of the output layer,
는 시그모이드 활성함수, Is the sigmoid activity function,
은 신경망 출력의 오차, Is the error of neural network output,
는 오차를 최소화 하기 위한 연결가중치의 변화량, Is the amount of change in connection weight to minimize the error,
는 학습률, Is the learning rate,
는 모멘텀이고, Is momentum,
는 경사 하강법을 이용하여 구해지는 것이 바람직하다. Is preferably obtained using the gradient descent method.
이 발명의 실시에 의해 기대되는 효과는 다음과 같다.The effect expected by the practice of this invention is as follows.
첫째, 디젤기관의 비선형 특성에도 불구하고 우수한 제어성능 및 강인성을 갖는 속도형 신경망 제어기를 이용한 디지털 조속기의 구현이 가능하다.First, despite the nonlinear characteristics of diesel engines, it is possible to implement a digital governor using a speed neural network controller having excellent control performance and robustness.
그리고 이 발명에 의해 회전수 변동이나 운전영역 또는 부하변동에 따라 만족스러운 제어 성능을 얻을 수 있다.By this invention, satisfactory control performance can be obtained according to the rotational speed variation, the operating range or the load variation.
또한 실시간 제어가 가능하다.Real-time control is also possible.
도 1은 이 발명에 따른 속도형 신경망 PI 제어 시스템 구성도.1 is a configuration of a speed neural network PI control system according to the present invention.
도 2는 이 발명에 따른 속도형 신경망 PI 제어기 구성도.2 is a block diagram of a speed neural network PI controller according to the present invention;
도 3은 이 발명에 따른 신경망 PI 제어기 구조도.3 is a structural diagram of a neural network PI controller according to the present invention;
도 4는 이 발명에 사용되는 은닉층의 각 뉴런 구조도.4 is a structural diagram of each neuron of the hidden layer used in the present invention.
도 5는 이 발명에 사용되는 출력층의 뉴런 구조도.5 is a neuronal structure diagram of the output layer used in the present invention.
도 6은 이 발명에 사용되는 시그모이드 함수의 예시도.6 is an exemplary diagram of a sigmoid function used in the present invention.
일반적으로 디젤기관의 출력은 비선형 특성이 강하므로 하나의 고정된 PID제어기의 파라미터만으로서는 회전수 변동이나 운전영역 또는 부하변동에 따라 만족스러운 제어 성능을 얻을 수가 없다. 뿐만 아니라 기관의 종류와 부하의 종류에 따라 제어기의 파라미터를 선정하기 위하여 많은 실험이 필요하고 경우에 따라서는 제어사양을 만족할 수 없게 된다. 또한 전 운전영역을 운전영역별로 제어하는 퍼지 제어기의 경우 퍼지 입출력 공간을 다수의 멤버쉽함수로 분할하고 퍼지 제어 규칙을 생성하는 것은 전문가의 시행착오에 의한 방법에 의존하고 있다.In general, the output of a diesel engine has a strong non-linear characteristic, and therefore, it is not possible to obtain satisfactory control performance due to rotational speed variation, operating range or load variation using only one fixed PID controller parameter. In addition, many experiments are required to select the parameters of the controller according to the type of engine and the type of load, and in some cases, the control specification cannot be satisfied. In addition, in the case of the fuzzy controller that controls the entire operation area by the operation area, it is dependent on the method of expert trial and error to divide the fuzzy input / output space into a plurality of membership functions and generate the fuzzy control rules.
1. 속도형 신경망 PI제어 시스템1. Speed Neural Network PI Control System
따라서 실시간 제어가 가능하고 여러 가지 비선형 요소에 대해 강인한 제어가 가능하도록 속도형 신경망PI 제어 시스템을 구성한다. 도 1은 속도형 신경망 PI 제어 시스템의 구성을 보여주며 그 과정은 다음과 같다. Therefore, a speed neural network PI control system is constructed to enable real-time control and robust control of various nonlinear elements. Figure 1 shows the configuration of the speed neural network PI control system, the process is as follows.
[단계 10] 오차를 구하여 속도형 신경망PI 제어기 입력으로 준다.[Step 10] Obtain the error and give it to the speed type neural network PI controller input.
[단계 20] 속도형 신경망PI 제어기 출력을 구하여 제어 대상의 입력으로 준다.[Step 20] Obtain the speed type neural network PI controller output and give it to the control target.
[단계 30] 제어 대상의 출력을 구한 후 오차를 구한다.[Step 30] After calculating the output of the control target, the error is obtained.
[단계 40] 위 단계를 반복한다.[Step 40] Repeat the above steps.
2. 속도형 신경망 PI 제어기2. Velocity Neural Network PI Controller
속도형 신경망PI 제어기를 설계하기 위하여 제어기 입력은 오차와 오차의 변화분을 사용하고 제어기 출력은 제어대상의 입력이 되는 조작량의 변화분과 이전 시각의 조작량의 합을 사용한다. 속도형 제어기를 사용함으로써 적분동작기능을 넣어 정상상태 성능이 떨어지지 않도록 한다.In order to design the speed type neural network PI controller, the controller input uses the error and the change of the error, and the controller output uses the sum of the manipulated variable that is the input of the control object and the manipulated value of the previous time. By using the speed controller, the integral operation function is inserted to prevent the steady state performance from dropping.
도 2는 속도형 신경망PI 제어기를 보여주며 그 과정은 다음과 같다.Figure 2 shows a speed neural network PI controller and the process is as follows.
[단계 110] 오차를 신경망PI 제어기의 입력으로 준다.Step 110 gives the error to the input of the neural network PI controller.
[단계 120] 신경망PI 제어기 출력을 구하여 이전 출력과 더하여 출력한다.[Step 120] The neural network PI controller output is obtained and added to the previous output.
시각 ｎ에서 △Ｕn은 신경망PI 제어기에 의해 동조된 출력으로 조작량의 변화분을 나타내며, △Ｕn-1은 이전 시각 ｎ-1의 조작량을 나타낸다. 따라서, 제어 대상의 입력 값, 즉 조작량 Ｕn은 다음과 같다.At time n △ U n represents a change of operation amount to the output tuned by the neural network PI controller, △ U n-1 represents the amount of operation of the previous time n-1. Therefore, the input value to be controlled, that is, the manipulated variable n is as follows.
제어 대상의 입력 Ｕn이 인가되면 제어 대상의 출력 Yn이 발생하며, 출력은 기준입력 R과의 차이, 즉 오차를 발생하게 된다. 이때 오차를 En으로 정하면 오차는 다음과 같이 된다.When the input X n of the control target is applied, the output Y n of the control target is generated, and the output generates a difference, that is, an error, from the reference input R. If the error is set to E n , the error is as follows.
또한, 오차의 변화분 △En은 시각 n에서 이전 시각 n-1의 차이가 된다. 즉Also, the change ΔE n of the error becomes the difference from the time n to the previous time n-1. In other words
오차와 오차의 변화분은 신경망 PI 제어기의 입력으로 들어가게 되며 신경망PI 제어기에서 △Ｕn이 출력하게 되고 앞선 과정을 반복하게 된다. 이때 신경망 PI 제어기는 오류역전파 알고리즘을 통해 학습을 하게 되고 각 층의 연결가중치를 조정하게 된다.The error and the change of error enter the input of the neural network PI controller, and △ Ｕ n is output from the neural network PI controller and the above process is repeated. At this time, the neural network PI controller learns through the error backpropagation algorithm and adjusts the connection weight of each layer.
3. 신경망 PI 제어기3. Neural network PI controller
도 3은 신경망 PI 제어기 구조를 보여주며 그 과정은 다음과 같다.Figure 3 shows the neural network PI controller structure, the process is as follows.
[단계 210] 오차와 오차의 변화분으로 입력을 구한다.[Step 210] The input is obtained by the error and the variation of the error.
[단계 220] 입력층, 은닉층, 출력층을 구하여 조작량의 변화분을 출력한다.[Step 220] The input layer, the hidden layer, and the output layer are obtained, and the change amount of the manipulated variable is output.
[단계 230] 신경망 출력 오차를 구한다.[Step 230] Find the neural network output error.
[단계 240] 조작량 변화분을 구하여 출력한다.[Step 240] The manipulated variable amount is calculated and output.
[단계 250] 조작량 변화분에 제1 연결가중치를 조절하여 출력층에 피드백한다.[Step 250] The first connection weight is adjusted to the manipulated variable change and fed back to the output layer.
[단계 260] 제1 연결가중치가 조절된 조작량 변화분에 제2 연결가중치를 조절하여 은닉층에 피드백한다.[Step 260] The second connection weight value is adjusted and fed back to the hidden layer at the manipulated variable change in which the first connection weight value is adjusted.
신경망 구조는 입력층(i), 은닉층(j), 출력층(k)의 3층으로 구성되며 입력층은 두 개의 뉴런, 은닉층은 다섯 개의 뉴런, 출력층은 한 개의 뉴런으로 구성된 신경망 구조를 갖는다.The neural network structure is composed of three layers of an input layer ( i ), a hidden layer ( j ), and an output layer ( k ). The neural network structure consists of two neurons, an input layer of five neurons, and an output layer of one neuron.
입력층은 제어기의 입력, 즉 오차 En와 오차의 변화분 △En이 되고, 입력층 뉴런의 출력은 입력을 그대로 사용한다. 따라서, 입력층의 입력 와 출력 와의 관계는 다음과 같다.Input layer are the input, that is, errors E n and E n △ minute change of the error of the controller, the output of the input layer neurons are used as the input. Thus, the input of the input layer And output The relationship with is as follows.
여기서, , 이다.here, , to be.
도 4는 은닉층의 각 뉴런 구조를 보여준다. 은닉층은 하나의 층에 다섯 개의 뉴런으로 구성된다. 입력층과 은닉층 사이의 연결가중치는 wji이고, 은닉층의 입력 xj와 출력 oj와의 관계는 다음과 같다.4 shows each neuron structure of the hidden layer. The hidden layer consists of five neurons in one layer. The connection weight between the input layer and the hidden layer is w ji , and the relationship between the input layer x j and the output o j of the hidden layer is as follows.
도 5는 출력층의 뉴런 구조를 보여준다. 출력층은 은닉층의 다섯개의 뉴런으로부터 입력을 받아 하나로 출력한다. 은닉층과 출력층 사이의 연결가중치는 wkj이다. 출력층의 입력 xk와 출력 ok와의 관계는 다음과 같다.5 shows the neuron structure of the output layer. The output layer receives input from five neurons of the hidden layer and outputs it as one. The connection weight between the hidden and output layers is w kj . Input relationship between x k and the output o k of the output layer are as follows.
도 6은 시그모이드 함수를 보여준다. 은닉층과 출력층의 각 뉴런의 활성함수는 시그모이드 함수를 사용한다. 는 활성함수를 나타낸다.6 shows a sigmoid function. The active function of each neuron in the hidden and output layers uses the sigmoid function. Represents an active function.
신경망 출력의 오차는 다음과 같이 정의한다.The error of neural network output is defined as
각 층의 연결가중치는 오류역전파알고리즘을 이용하여 오차를 최소화하도록 학습하며, 모멘텀을 추가하여 각 층의 연결가중치에 관성을 줌으로써 학습 시간을 단축하고 학습 성능을 향상시킨다.The link weights of each layer are trained to minimize errors using error backpropagation algorithms, and the momentum is added to give inertia to the link weights of each layer to shorten the learning time and improve the learning performance.
은닉층과 출력층 사이의 연결가중치 는 기존의 연결가중치 값에 오차로부터 구해진 조절량 만큼의 변화를 더해줌으로써 구하여진다.Connection weight between hidden and output layers Is obtained by adding the change in the existing connection weight value by the amount of adjustment obtained from the error.
오차를 최소화하기 위한 연결가중치의 변화량 은 경사 하강법을 이용하여 구한다.Change in connection weights to minimize errors Is obtained using the gradient descent method.
또한, 모멘텀을 추가하면 다음과 같다.In addition, adding momentum is as follows.
입력층과 은닉층 사이의 연결가중치 도 같은 방법으로 조절된다.Connection weight between input layer and hidden layer Is adjusted in the same way.
마찬가지로, 오차를 최소화하기 위한 연결가중치의 변화량 은 경사 하강법을 이용하여 구한다.Similarly, the amount of change in connection weights to minimize errors Is obtained using the gradient descent method.
또한, 모멘텀을 추가하면 다음과 같다.In addition, adding momentum is as follows.
여기서, 와 는 각각 학습률과 모멘텀이다.here, Wow Are the learning rate and momentum respectively.
이상으로, 디젤기관의 속도를 제어하기 위하여 기존의 PID 제어기 및 퍼지 제어기는 디젤기관의 비선형 때문에 원만한 속도제어를 위해서는 운전영역에 따라 제어기의 파라미터의 선택이 불가피하고, 또 적합한 제어파라미터를 구하기 위하여 많은 실험이 필요하다. 운전영역별로 적합한 PID파라미터를 찾는다거나 퍼지공간을 분할하고 퍼지 규칙을 생성하며 환산계수를 추정하는데 있어서 매우 많은 어려움이 있다.In order to control the speed of the diesel engine, the conventional PID controller and the fuzzy controller are inevitable to select the parameters of the controller according to the operating area for smooth speed control due to the nonlinearity of the diesel engine, and to obtain suitable control parameters. Experiment is necessary. There are many difficulties in finding suitable PID parameters for each operation area, dividing the fuzzy space, generating fuzzy rules, and estimating conversion factors.
따라서, 이 발명에서는 앞서 언급된 문제점을 해결하여 강인하게 속도를 제어할 수 있으며, 정상상태에서 오차를 줄이기 위해 속도형 제어기를 적용한 속도형 신경망PI 제어기를 창안하였다. 따라서, 전 영역에 걸쳐서 오차를 줄이고 환경이나 부하에 따라 학습에 의한 적응 제어를 할 수 있는 디지털 조속기를 구현가능하다.Therefore, the present invention solves the above-mentioned problems and can control the speed robustly, and has created a speed type neural network PI controller using a speed type controller to reduce the error in the steady state. Therefore, it is possible to implement a digital governor that can reduce the error over the entire area and can be adaptively controlled by learning according to the environment or load.
이 발명에 의해 강인하게 속도를 제어할 수 있으며, 정상상태에서 오차를 줄이기 위해 속도형 제어기를 적용한 속도형 신경망 PI 제어기의 구현이 가능하다.The present invention can robustly control the speed, and it is possible to implement the speed neural network PI controller using the speed controller to reduce the error in the steady state.
그리고 이 발명에 따라 전 영역에 걸쳐서 오차를 줄이고 환경이나 부하에 따라 학습에 의한 적응 제어를 할 수 있는 디지털 조속기의 구현이 가능하다.According to the present invention, it is possible to implement a digital governor capable of reducing errors over the entire area and adaptively controlling by learning according to the environment or load.
이 발명에 의해 디젤기관의 원만한 속도 제어가 가능하다.This invention enables a smooth speed control of the diesel engine.
Claims (3)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070092302A KR100919572B1 (en) | 2007-09-11 | 2007-09-11 | A velocity type neural controller for speed control of a digital speed regulator |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020070092302A KR100919572B1 (en) | 2007-09-11 | 2007-09-11 | A velocity type neural controller for speed control of a digital speed regulator |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20090027096A KR20090027096A (en) | 2009-03-16 |
| KR100919572B1 true KR100919572B1 (en) | 2009-10-01 |
Family
ID=40694848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020070092302A KR100919572B1 (en) | 2007-09-11 | 2007-09-11 | A velocity type neural controller for speed control of a digital speed regulator |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100919572B1 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
| US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
| US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
| US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
| US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
| US11372378B2 (en) | 2020-01-20 | 2022-06-28 | Doosan Heavy Industries & Construction Co., Ltd. | Apparatus and method for automatically tuning fluid temperature PID controller having physical property of process as constraint condition |
| US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
| US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
| US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
| US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
| US11874900B2 (en) | 2020-09-29 | 2024-01-16 | Hailo Technologies Ltd. | Cluster interlayer safety mechanism in an artificial neural network processor |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101373814B1 (en) * | 2010-07-31 | 2014-03-18 | 엠앤케이홀딩스 주식회사 | Apparatus of generating prediction block |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070016116A (en) * | 2004-02-10 | 2007-02-07 | 인터내셔널 엔진 인터렉츄얼 프로퍼티 캄파니, 엘엘씨 | Engine speed stabilization using fuel rate control |
-
2007
- 2007-09-11 KR KR1020070092302A patent/KR100919572B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070016116A (en) * | 2004-02-10 | 2007-02-07 | 인터내셔널 엔진 인터렉츄얼 프로퍼티 캄파니, 엘엘씨 | Engine speed stabilization using fuel rate control |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11514291B2 (en) | 2017-04-04 | 2022-11-29 | Hailo Technologies Ltd. | Neural network processing element incorporating compute and local memory elements |
| US11544545B2 (en) | 2017-04-04 | 2023-01-03 | Hailo Technologies Ltd. | Structured activation based sparsity in an artificial neural network |
| US11354563B2 (en) | 2017-04-04 | 2022-06-07 | Hallo Technologies Ltd. | Configurable and programmable sliding window based memory access in a neural network processor |
| US11238334B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method of input alignment for efficient vector operations in an artificial neural network |
| US11675693B2 (en) | 2017-04-04 | 2023-06-13 | Hailo Technologies Ltd. | Neural network processor incorporating inter-device connectivity |
| US11238331B2 (en) | 2017-04-04 | 2022-02-01 | Hailo Technologies Ltd. | System and method for augmenting an existing artificial neural network |
| US11615297B2 (en) | 2017-04-04 | 2023-03-28 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network compiler |
| US11263512B2 (en) | 2017-04-04 | 2022-03-01 | Hailo Technologies Ltd. | Neural network processor incorporating separate control and data fabric |
| US11551028B2 (en) | 2017-04-04 | 2023-01-10 | Hailo Technologies Ltd. | Structured weight based sparsity in an artificial neural network |
| US11216717B2 (en) | 2017-04-04 | 2022-01-04 | Hailo Technologies Ltd. | Neural network processor incorporating multi-level hierarchical aggregated computing and memory elements |
| US11461615B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | System and method of memory access of multi-dimensional data |
| US11461614B2 (en) | 2017-04-04 | 2022-10-04 | Hailo Technologies Ltd. | Data driven quantization optimization of weights and input data in an artificial neural network |
| US10387298B2 (en) | 2017-04-04 | 2019-08-20 | Hailo Technologies Ltd | Artificial neural network incorporating emphasis and focus techniques |
| US11372378B2 (en) | 2020-01-20 | 2022-06-28 | Doosan Heavy Industries & Construction Co., Ltd. | Apparatus and method for automatically tuning fluid temperature PID controller having physical property of process as constraint condition |
| US11874900B2 (en) | 2020-09-29 | 2024-01-16 | Hailo Technologies Ltd. | Cluster interlayer safety mechanism in an artificial neural network processor |
| US11221929B1 (en) | 2020-09-29 | 2022-01-11 | Hailo Technologies Ltd. | Data stream fault detection mechanism in an artificial neural network processor |
| US11263077B1 (en) | 2020-09-29 | 2022-03-01 | Hailo Technologies Ltd. | Neural network intermediate results safety mechanism in an artificial neural network processor |
| US11237894B1 (en) | 2020-09-29 | 2022-02-01 | Hailo Technologies Ltd. | Layer control unit instruction addressing safety mechanism in an artificial neural network processor |
| US11811421B2 (en) | 2020-09-29 | 2023-11-07 | Hailo Technologies Ltd. | Weights safety mechanism in an artificial neural network processor |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20090027096A (en) | 2009-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR100919572B1 (en) | A velocity type neural controller for speed control of a digital speed regulator | |
| Park et al. | Adaptive neural control for strict-feedback nonlinear systems without backstepping | |
| US5781700A (en) | Trained Neural network air/fuel control system | |
| Shi et al. | Robust design of integrated feedback and iterative learning control of a batch process based on a 2D Roesser system | |
| Xiaofang et al. | RBF networks-based adaptive inverse model control system for electronic throttle | |
| US20030158709A1 (en) | Method and apparatus for parameter estimation, parameter estimation control and learning control | |
| CN107608209A (en) | The feedforward of piezoelectric ceramic actuator and closed loop composite control method, system | |
| JP2010514986A (en) | Method for computer-aided closed-loop control and / or open-loop control of technical systems, in particular gas turbines | |
| JP2010524104A (en) | Method for controlling and / or adjusting a technical system with computer assistance | |
| Lin et al. | An H/sub/spl infin//design approach for neural net-based control schemes | |
| CN108757192A (en) | A kind of speed governing of diesel engine Electrical Control and test method based on fuzzy variable structure | |
| EP0519501B1 (en) | A control method using neural networks and a voltage/reactive power controller for a power system | |
| US6282884B1 (en) | Mode blending and tuning system for turbine engines | |
| EP1484654A2 (en) | Plant control system with disturbance compensation | |
| JP3362053B2 (en) | Device for controlling automobile actuators | |
| CN108089442B (en) | PI controller parameter self-tuning method based on prediction function control and fuzzy control | |
| CN116300422A (en) | Hydropower unit control optimization method and terminal | |
| Pandey et al. | Analysis of self tuning fuzzy PID internal model control | |
| Prokhorov | Training recurrent neurocontrollers for robustness with derivative-free Kalman filter | |
| Qiu et al. | Pressure Control of fuel pressure regulator based on BP neural network PID | |
| Lian et al. | Variable structure neural network based direct adaptive robust control of uncertain systems | |
| Ghosh et al. | Neuro-fuzzy design of a fuzzy PI controller with real-time implementation on a speed control system | |
| Özer et al. | Observer-based stabilization of time-delay systems: An application to diesel engine | |
| Karray et al. | Design of intelligent controllers for electronic speed regulation of a diesel engine | |
| Dang et al. | Discrete-Time Takagi–Sugeno Tracking Control Design for the Motor Torque of a Hydrostatic Transmission |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20120806 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20130802 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20150806 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20160905 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20170905 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20190909 Year of fee payment: 11 |