KR102175280B1 - 제어 파라미터 학습 기반 제어 시스템 및 방법 - Google Patents

제어 파라미터 학습 기반 제어 시스템 및 방법 Download PDF

Info

Publication number
KR102175280B1
KR102175280B1 KR1020180144956A KR20180144956A KR102175280B1 KR 102175280 B1 KR102175280 B1 KR 102175280B1 KR 1020180144956 A KR1020180144956 A KR 1020180144956A KR 20180144956 A KR20180144956 A KR 20180144956A KR 102175280 B1 KR102175280 B1 KR 102175280B1
Authority
KR
South Korea
Prior art keywords
value
control
membership function
control parameter
learning
Prior art date
Application number
KR1020180144956A
Other languages
English (en)
Other versions
KR20200059796A (ko
Inventor
김도현
Original Assignee
제주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020180144956A priority Critical patent/KR102175280B1/ko
Publication of KR20200059796A publication Critical patent/KR20200059796A/ko
Application granted granted Critical
Publication of KR102175280B1 publication Critical patent/KR102175280B1/ko

Links

Images

Classifications

    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators

Abstract

본 발명은 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하기 위해 학습 알고리즘에 의해 학습된 제어 파라미터를 이용하는 제어 시스템 및 방법에 관한 것이다. 본 학습된 제어 파라미터를 이용하는 제어 시스템은, 실내환경의 소정의 액추에이터를 제어하는 제어기와, 제어 파라미터를 입력받아 상기 액추에이터를 제어하기 위한 제어값을 생성하여 상기 제어기에 출력하는 제어 알고리즘 모듈과, 실내의 특정 환경의 감지값과 사용자 요구값을 입력받아 그 차이값과 미리 설정된 함수에 의해, 현재 제어 파라미터값을 학습한 후 개선된 제어 파라미터를 형성하여 상기 제어 알고리즘 모듈에 입력하는 학습 알고리즘 모듈을 포함하는 것을 특징으로 한다. 이에 의하여, 학습 알고리즘에 의해 학습된 제어 파라미터를 실내 환경의 제어 알고리즘에 입력함으로써, 적은 전력 사용으로 사용자 요구 파라미터값과 실제 환경 파라미터 값의 차이를 최소화할 수 있고, 사용자 요구 파라미터값을 신속하게 만족시킬 수 있다.

Description

제어 파라미터 학습 기반 제어 시스템 및 방법{CONTROL SYSTEM BASED ON LEARNING OF CONTROL PARAMETER AND METHOD THEREOF}
본 발명은 제어 시스템에 관한 것으로서, 보다 상세하게는 학습을 통한 제어 시스템 성능을 향상시키기 위해, 학습 알고리즘을 이용하여 실내 환경 요소와 제어 파라미터를 학습하고, 학습된 제어 파라미터를 이용하여 환경 장치를 제어하는, 제어 파라미터 학습 기반 제어 시스템 및 방법에 관한 것이다.
실내 환경 제어에 사용되는 제어 알고리즘에는 PID 컨트롤러(비례적 통합 파생 컨트롤러) 또는 퍼지 제어기 등과 같은 제어 알고리즘이 있다.
PID 컨트롤러는 입력에 대한 시스템 응답을 정의하는 하나 이상의 차동 방정식을 사용하여 제어 시스템을 설명하는 수학 모델을 기반으로 한다.
퍼지 로직 모델에는 많은 유형이 있는데, 가장 흔한 방법은 맘다니 퍼지 로직(Mamdani Fuzzy Logic) 방법이다.
맘다니 퍼지 로직 시스템은 퍼지 지식 베이스, 퍼지화기, 추론 엔진 및 디퍼지화기를 포함한다. 규칙 베이스와 데이터베이스를 함께 지식 베이스라 한다. 규칙 베이스에는 IF-THEN 규칙이 있고 데이터베이스는 퍼지 세트(set)를 포함한다.
퍼지화기는 퍼지 지식 베이스에 저장된 MF(Membership Function)를 사용하여 크리스피한 입력을 언어 변수로 변환한다. 추론 엔진은 퍼지 값을 입력으로 취하고 IF-THEN 퍼지 규칙을 사용하여 퍼지 입력을 퍼지 출력으로 변환한다. 디퍼지화기는 추론 엔진의 퍼지 출력을 입력받아, 퍼지화기가 사용하는 것과 유사한 크리스피(crisp)한 MF로 변환한다.
그런데, 종래의 실내 환경 제어 시스템에서는, 실내 환경의 센서값을 입력받아 실내 환경의 센서값을 학습하여 학습된 센서값에 따라 실내 환경의 구동기(액추에이터)를 제어하였을 뿐이며, 실내 환경 제어 시스템의 제어 알고리즘의 제어 파라미터를 변동하는 기술은 개발되어 있지 않다.
특허문헌1 : 한국공개공보특허 제10-2016-0074829호(2016.06.29.공개) 특허문헌2 : 한국공개공보특허 제10-2018-0056361호(2018.05.28.공개)
따라서, 본 발명은 상기한 문제점을 해결하기 위해 창안된 것으로, 학습 알고리즘에 의해 학습된 제어 파라미터를 실내 환경 제어 알고리즘에 입력함으로써, 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하는 학습 기반 제어 시스템을 제공하는 것이다. 또한, 사용자 요구 파라미터값을 신속하게 만족시킬 수 있는 제어 파라미터 학습 기반 제어 시스템 및 방법을 제공하는 것이다.
상기의 목적을 달성하기 위한 본 발명의 제1양태에 따른 구성은, 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하기 위해 학습 알고리즘에 의해 학습된 제어 파라미터를 이용하는 제어 파라미터 학습 기반 제어 시스템에 있어서, 실내환경의 소정의 액추에이터를 제어하는 제어기와, 제어 파라미터를 입력받아 상기 액추에이터를 제어하기 위한 제어값을 생성하여 상기 제어기에 출력하는 제어 알고리즘 모듈과, 실내의 특정 환경의 감지값과 사용자 요구값을 입력받아 그 차이값과 미리 설정된 함수에 의해, 현재 제어 파라미터값을 학습한 후 개선된 제어 파라미터를 형성하여 상기 제어 알고리즘 모듈에 입력하는 학습 알고리즘 모듈을 포함하는 것을 특징으로 한다.
여기서, 상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것이 바람직하다.
상기 신경망은 실내 환경의 현재 감지값과 사용자 요구값 및 멤버쉽 함수 데이터를 기반으로 학습하여 최적의 멤버쉽 함수를 출력하고, 상기 퍼지 로직은 상기 신경망에서 출력되는 최적의 멤버쉽 함수를 입력받는 퍼지화부, 상기 퍼지화부의 출력값을 미리 설정된 규칙 기반으로 추론하는 규칙 추론부, 상기 규칙 추론부의 출력을 디퍼지화하여 상기 제어기에 출력하는 디퍼지화부를 포함하는 것이 바람직하다.
상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되는 것이 효과적이다.
상기의 목적을 달성하기 위한 본 발명의 제2양태에 따른 구성은, 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하기 위해 학습 알고리즘에 의해 학습된 제어 파라미터를 이용하는 제어 파라미터 학습 기반 제어 방법에 관한 것으로서, 제어 알고리즘 모듈이 제어 파라미터를 입력받아 실내환경의 소정의 액추에이터를 제어하기 위한 제어값을 생성하여 출력하는 제1단계와, 학습 알고리즘 모듈이, 실내의 특정 환경의 감지값과 사용자 요구값을 입력받아 그 차이값과 미리 설정된 함수에 의해, 현재 제어 파라미터값을 학습한 후 개선된 제어 파라미터를 형성하여 상기 제어 알고리즘 모듈에 입력하는 제2단계를 포함하는 것을 특징으로 한다.
여기서, 상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것이 바람직하다.
또한, 상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되는 것이 효과적이다.
상기의 구성으로 이루어진 제어 파라미터 학습 기반 제어 시스템 및 방법에 따르면, 학습 알고리즘에 의해 학습된 제어 파라미터를 실내 환경을 제어하는 제어 알고리즘에 입력함으로써, 적은 전력으로 사용자 요구 파라미터값과 실제 환경 파라미터 값의 차이를 최소화할 수 있다. 또한, 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템에 의해, 사용자 요구 파라미터값을 신속하게 만족시킬 수 있다.
도 1은 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 개념도,
도 2는 도 1의 제어 파라미터 학습 기반 제어 시스템의 예시 블록도,
도 3은 도 2의 제어 파라미터 학습 기반 제어 시스템의 상세 블록도,
도 4는 도 3의 신경망의 내부 구성도,
도 5는 도 3의 퍼지 로직의 규칙 추론부의 동작 설명도,
도 6은 도 3의 퍼지 로직 규칙 추론부에 적용되는 규칙의 설정 화면,
도 7은 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 퍼지 로직 모듈의 입력단 및 출력단에서 멤버쉽 함수 그래프,
도 8 및 도 9는 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 제어 결과 다음 온도 예측값과 사용자 요구 온도의 비교 그래프,
본 발명의 이점 및 특징, 그리고 그것을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 통해 설명될 것이다. 그러나 본 발명은 여기에서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 단지, 본 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여 제공되는 것이다.
도면들에 있어서, 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니며 명확성을 기하기 위하여 과장된 것이다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소를 나타낸다. 본 명세서에서 "및/또는"이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 또한, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 명세서에서 사용되는 "포함한다" 또는 "포함하는"으로 언급된 구성요소, 단계, 동작 및 소자는 하나 이상의 다른 구성요소, 단계, 동작, 소자 및 장치의 존재 또는 추가를 의미한다.
이하에서, 본 발명의 바람직한 실시 예가 첨부된 도면들을 참조하여 본 발명을 구체적으로 설명한다. 본 발명을 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
본 발명에 따른 제어 파라미터 학습 기반 제어 시스템은, 학습 모듈, 제어 모듈, 제어 모듈의 출력단에 마련되는 제어기, 제어기의 제어신호를 수신하는 외부 환경의 액추에이터와, 학습 모듈에 센싱 신호를 제공하는 센서를 포함한다.
본 발명은 제어 모듈에서 출력되는 전력값을 최소화하면서, 사용자 요구값을 맞춰주기 위해, 제어 모듈로 입력되는 제어 파라미터를 변경하는 것을 특징으로 한다.
제어 모듈에는 PID, 퍼지 제어기 등과 같은 다른 모듈 제어 알고리즘을 적용할 수 있고, 학습 모듈에는 ANN(인공 신경망)과 같은 다양한 시스템 학습 알고리즘을 사용할 수 있다.
센서는 환경으로부터 온도, 습도 등과 같은 다른 환경 매개변수에 대한 데이터를 수집하기 위해 다른 센서를 포함할 수 있다.
먼저 데이터가 환경에서 센서로부터 수집되고 학습 알고리즘 모듈 및 알고리즘 모듈을 제어하기 위해 공급된다.
본 발명은, 제어 알고리즘 모듈에 입력되는 제어 파라미터(이하 실시예에서 '멤버쉽 함수')를 변경해주는 것이다.
도 1은 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 개념도이고, 도 2는 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 일예로 퍼지 로직 모듈과 신경망 모듈을 이용하는 경우의 블록도이다.
본 발명에 따른 제어 파라미터 학습 기반 제어 시스템은 센서와 상기 센서와 관련하여 환경을 변화시키도록 동작하는 구동기(52)를 포함하는 실내 환경(5)과, 제어기(4)에 제어값을 입력하는 제어 알고리즘 모듈(2)과, 사용자 요구값과 실내 환경의 센서값을 입력받아 학습하고 그 결과로서 제어 파라미터를 제어 알고리즘 모듈(2)에 출력하는 학습 알고리즘 모듈(3), 제어기(4)의 제어신호에 따라 실내 환경을 변화시키도록 동작하는 구동기(액추에이터)(52)를 포함한다.
도 2는 도 1의 제어 파라미터 학습 기반 제어 시스템(1)의 예시 블록도이다. 도 3에 보인 바와 같이, 학습 알고리즘 모듈(3)은 신경망 모듈(30)로 구성되고, 제어 알고리즘 모듈(2)은 퍼지 로직 모듈(20)로 구성된다.
학습 알고리즘 모듈(3)인 신경망 모듈(3)은 실내 환경(5)의 온도 센서(51)로부터 현재 실내 온도 값을 입력받는다. 보다 구체적으로 학습 알고리즘 모듈(3)은 현재 환경 파라미터값과 사용자 요구 파라미터값 간의 차이를 입력받는다.
본 발명의 제어 파라미터 학습 기반 제어 시스템에서 퍼지 로직 모듈(20)의 제어는 학습된 제어 파라미터를 기반으로 한다. 이를 위해, 제어 알고리즘 모듈(퍼지 로직 모듈)(2)에 제어 파라미터로서 최적화된 멤버쉽 함수 세트(set)를 할당하기 위하여, 기존의 맘다니 퍼지 논리 모듈에 학습 모듈(신경망)을 추가했다.
또한, 본 발명에서는 멤버쉽 함수 배분이 정확도에 높은 영향을 미치기 때문에, 퍼지 로직 모듈(20)의 정확성을 향상시키기 위해, 퍼지 로직 모듈(20)에 멤버쉽 함수 세트를 할당한다.
사용자 요구 온도 값은 퍼지 로직 모듈(20)과 신경망 모듈(30)에 입력된다.
신경망 모듈(30)은 현재 환경 온도값과 사용자 요구 온도 값을 입력받는다.
신경망 모듈(30)은 기존의 과거 데이터에 대해 신경망을 학습한 후, 현재 온도값과 사용자 요구 온도값, 멤버쉽 함수, 멤버쉽 함수값을 입력받아, 최적의 멤버쉽 함수(MFk+1)를 출력한다. 신경망 모듈(30)의 출력(최적의 멤버쉽 함수)은 퍼지 로직 모듈(20)로 입력된다.
퍼지 로직 모듈(20)은 또한 사용자뿐만 아니라 환경으로부터 현재 온도 값을 얻고 신경망에 의해 최적의 멤버쉽 함수를 얻는다.
퍼지 로직 모듈(20)의 출력에서 요구 전력이 출력되고, 요구 전력이 제어기(4)에 입력되고 제어기(4)는 전력에 따라 팬 속도를 생성하여 팬구동기(52)에 출력한다.
팬구동기(52)에 의해 팬이 일정 시간 동안 구동된 후에 상기 프로세스가 반복된다.
제어 알고리즘 모듈인, 퍼지 로직 모듈(20)은 다음과 같다. 퍼지 로직 모듈(20)의 입력은 환경 온도와 사용자 설정 온도 사이의 오차 차이이다.
퍼지 로직 모듈(20)은 멤버쉽 함수를 입력받아 퍼지화하는 퍼지화부(21)와, 퍼지화부(21)의 퍼지 입력을 규칙 기반으로 처리하는 규칙 추론부(23), 규칙 추론부(23)의 퍼지 출력을 디퍼지화하는 디퍼지화부(25)를 포함한다.
퍼지 로직 모듈(20)에는 규칙 기반으로 5개의 규칙(rule)이 정의되고, 디퍼지화부(25)에는 무게 중심 방법(centroid method)이 적용되고, 디퍼지화부의 출력은 요구 전력이다.
퍼지화부(21)는 입력으로서 환경 온도와 요구 온도 간에 차이를 얻어서, 멤버쉽 함수(MF)를 사용하여 입력을 퍼지(fuzzy)화한다. 일반적으로 퍼지화는 입력변수를 멤버쉽 함수로 처리하는 과정이다. 멤버쉽 함수는 가우시안 분포, 시그모이드 곡선, 범종형, 삼각형 등의 형태가 있다. 멤버쉽 함수의 형태를 정하면 중앙값과 변역을 선정한다. 본 실시예에서 멤버쉽 함수는 삼각형 형태이다.
규칙 추론부(23)는 퍼지 값을 입력으로 취하고 IF-THEN 퍼지 규칙을 사용하여 퍼지 입력을 퍼지 출력으로 변환한다.
디퍼지화부(25)는 규칙 추론부(23)의 퍼지 출력을 입력받아, 퍼지화부(21)가 사용하는 것과 유사한 크리스피한 MF로 변환한다.
디퍼지화는 퍼지 세트(집합)과 대응 멤버십 등급에 주어진 크리스피한 로직에서 정량화할 수 있는 결과를 생성하는 과정으로, 퍼지 세트를 크리스피한 세트로 매핑하는 프로세스이다. 여기에는 많은 변수를 퍼지 결과로 변환하는 많은 규칙이 있다. 즉, 퍼지 세트의 멤버십 측면에서 결과가 기술된다. 예를 들어 적용할 압력의 양을 결정하도록 설계된 규칙으로 인해 "압력(15%), 압력 유지(34%), 압력 증가(72%)"가 발생할 수 있다. 이와 같이, 디퍼지화는 퍼지 세트의 멤버쉽 등급을 특정 결정 또는 실제 값으로 해석하는 것이다.
학습된 신경망 모듈(30)의 출력에서 현재 온도와 요구 온도 및 온도차의 변화에 따른 최적 멤버쉽 함수 폭의 출력을 얻어, 퍼지 로직 모듈(20)의 퍼지화부(21)에 입력되는 멤버쉽 함수 폭에 적용시킨다.
본 실시예에서는 FIS(퍼지 추론 시스템)을 응용하여, 출력 전력을 계산하기 위해 다음 단계가 적용된다. 우선 일련의 크리스피한 규칙들을 결정한다. 퍼지화 처리는 입력으로서 환경 온도와 요구 온도 간에 차이를 입력받아, MF를 사용하여 입력을 퍼지(fuzzy)화한다. 그런 다음 규칙 강도를 확립하기 위해 퍼지 규칙을 사용하여 퍼지화된 입력을 결합한다. 그런 다음 규칙 강도와 출력 MF를 결합하여 규칙의 결과를 확립한다. 그 다음 결과를 결합하여 출력 분포를 얻는다. 마지막 단계에서는 출력 분포를 디퍼지화하여 원하는 전력을 얻는다.
본 실시예에서, 신경망 모듈(30)을 구현하기 위해 입력층(31) 뉴런, 은닉층(32) 뉴런 및 출력층(33) 뉴런을 지정하기 위해 신경망 툴박스를 사용했다. 먼저 신경망을 훈련하기 위해 입력 데이터를 생성한다. 신경망에 대한 입력은 현재 온도 값, 다음 온도 값, 현재 멤버쉽 함수 및 다음 멤버쉽 함수, 현재 온도와 다음 온도 사이의 차이이다.
도 4는 도 2의 신경망 모듈(30)의 내부 구성도이다. 도 4에 보인 바와 같이, 본 실시예에서 신경망을 훈련시키기 위해 입력과 출력 변수에 대해 유사한 다섯 가지 멤버쉽 함수를 정의했다. 신경망 모듈(30)의 출력층(33)은 가장 적합한 MF 세트(MFk+1)를 제공한다.
신경망 모듈(30)에서, 5개의 뉴런이 입력층(31)에서 정의되고, 10개의 뉴런이 은닉층(32)에서 정의되며, 1개의 뉴런은 출력층(33)에서 정의된다.
본 실시예에서, 신경망 모듈(30)의 입력층(31)의 5개의 뉴런은 현재 온도(Tk), 요구 온도(Tr), 오류 차이(D), 현재 멤버십 함수(MFk), 현재 멤버십 함수 값이다. 오류 차이(D)는 현재 온도(Tk)와 요구 온도(Tr)의 차이이다.
본 발명의 모든 구현은 퍼지 로직 멤버쉽 함수, 규칙 기반, 규칙 뷰어를 구현하기 위해 퍼지 논리 도구 상자를 사용하여 예를 들어, Matlab R2015aSP1(버전 8.5.1)에서 수행될 수 있다. 또한, 신경망 모듈을 구현하기 위해 입력층, 은닉층 뉴런 및 출력층 뉴런의 입력 신경학을 지정하기 위해 신경망 도구 상자를 사용할 수 있다. 퍼지 멤버쉽 함수의 결정은 다소 시행착오형(trial and error type) 연습이다. 입력과 출력 간의 경험적 관계가 만족스러운 정확도 수준으로 표현되는 MF 세트(set)은 이러한 MF를 최종 MF로 간주할 수 있으며, 이는 다른 데이터와 함께 예측 목적으로도 추가로 사용할 수 있다. 멤버십 함수의 정확한 배분은 시스템 정확도에 큰 영향을 미치기 때문에 매우 중요하다.
도 6은 도 3의 퍼지 로직 모듈(20)의 규칙 추론부(23)에 적용되는 규칙의 설정 화면이다. 도 6은 현재 환경 온도와 요구 온도 간에 다른 입력을 갖는 제안된 퍼지 로직 방법에 대해 정의된 규칙을 보이며, 출력은 요구 전력이다.
도 6에 보인 바와 같이, 5개의 규칙이 설정된다. 첫째, 사용자 요구값과 현재 온도값의 차이가 VL(Very Low)이면 요구 전력은 VL이다. 둘째, 사용자 요구값과 현재 온도값의 차이가 M(Medium)이면 요구 전력은 M이다. 셋째, 사용자 요구값과 현재 온도값의 차이가 VH(Very High)이면 요구 전력은 VL이다. 넷째, 사용자 요구값과 현재 온도값의 차이가 V이면 요구 전력은 V이다. 다섯째, 사용자 요구값과 현재 온도값의 차이가 L(Low)이면 요구 전력은 L이다.
한편, 학습 기반 퍼지 제어 모듈에 의해 환경 제어시, 팬의 출력 전력을 계산하기 위해 환경 온도와 요구 온도 간의 차이를 고려했다. 따라서, 퍼지 논리 모듈(20)의 출력은 전력이다.
본 실시예에서는 최적화된 팬 속도가 필요하다. 따라서, 전력을 이용한 팬 속도 계산을 위한 수학적인 작업을 수행한다. 아래 방정식(1) 내지 (3)에 표시된 수학 공식은 퍼지 제어 모듈에서 출력되는 전력으로부터의 속도를 계산하는 데 사용된다.
Figure 112018116424528-pat00001
Di는 현재 온도와 요구 온도 사이의 차이를 나타낸다.
Fi는 퍼지 로직을 나타내고, Pi는 퍼지 로직을 통해 생성되는 전력을 나타낸다.
Si는 팬 속도를 나타내고, Ci는 소정 상수이다.
Tk는 현재 온도를 나타내고, C2는 최대값 Pi와 최대값 Di값의 차이를 나타낸다.
Eli는 환경 영향(environment impact)을 나타내고, 아래 방정식 (4)에 의해 계산된다.
Figure 112018116424528-pat00002
여기서, Ci는 소정 상수이다. Ci는 팬 작동 시 실제로 환경의 영향을 변화시킨다. 마찬가지로 여름 시즌의 경우 위의 방정식(1) 내지 (3)을 사용할 수 있으나, 방정식(3)의 경우에는, 위의 방정식 (5)와 같이 수정해야 한다.
본 발명의 제어 파라미터 학습 기반 제어 시스템의 성능 평가를 위해 루트 평균 제곱 오류가 사용되었다. RMSE는 아래 방정식 (6)과 같이 수학적으로 나타낼 수 있다.
Figure 112018116424528-pat00003
여기서, N은 관측 수, A는 실제값, E는 예상값이다.
본 실시예에 따라, 제어 파라미터 학습 기반 제어 시스템의 성능을 측정하기 위해, RMSE(Root Mean Square Error: 루트 평균 제곱 오류) 성능 평가기를 사용할 수 있다. 본 발명의 제어 파라미터 학습 기반 제어 시스템의 결과는 종래의 퍼지 로직 제어기와 비교된다. 기존의 퍼지 로직 제어기에서 사용한 것과 동일한 데이터와 절차를 사용한다.
본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 RMSE 값은 2.5852이고, 종래의 퍼지 로직 제어기의 RMSE 값은 2.85642이다. RMSE 는 그 값이 작을수록 성능이 높은 것이다. 따라서, 그 결과는 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 성능이 종래의 퍼지 로직 제어기에 비해 더 좋다는 것을 보여준다.
도 7은 도 3의 퍼지 로직 모듈(20)의 입력단 및 출력단에서 멤버쉽 함수 그래프이다.
도 7의 (a) 및 (b)는 퍼지 로직 모듈(20)에서 출력되는 멤버쉽 함수(MF)로서, 온도차에 따른 멤버쉽 정도(전력)가 삼각형 그래프로 표시된다.
본 발명에 의하면, 도 7의 입력 멤버쉽 함수의 삼각파형의 폭(d)을 줄일 수 있다. 삼각파형의 폭(d)은 요구 전력을 나타낸다. 삼각파형의 폭(d)가 클수록 요구 전력이 크다는 것이다. 본 발명에 따른 학습 기반 퍼지 로직 모듈 제어를 수행하면, 요구 전력이 작아진다.
도 8은 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템의 제어 결과, 다음 예측 온도와 사용자 요구 온도의 비교 그래프이다. 도 8에 보인 바와 같이, 제어 파라미터 학습 기반 제어 시스템의 현재 온도와 요구 온도차에 따른 요구 전력 그래프에서 알 수 있는 바와 같이, 보통, 현재 온도와 요구 온도의 차이가 커짐에 따라 팬을 구동하기 위한 요구 전력이 증가하게 된다.
또한, 도 9(a) 및 도 9(b)를 참조하여, 현재 온도와 요구 온도를 비교한다. 먼저 도 9(a)는 15분 간격으로 팬을 가동할 때 환경 온도와 요구 온도를 비교한 것이다. 도 9(b)는 1시간 간격으로 팬을 가동할 때 요구 온도와 환경 온도를 비교한 것을 나타낸다.
본 발명은 적은 요구 전력으로 현재 온도와 요구 온도차가 감소되게 하는 것이다. 즉, 본 발명의 제어 파라미터 학습 기반 제어 시스템에 의하면, 도 8의 사용자 요구 온도 그래프(91)와 다음 예측 온도 그래프(92)와, 도 9(a) 및 도 9(b)에서 알 수 있는 바와 같이, 기존의 환경 데이터와 멤버쉽 함수를 기반으로 학습된 제어 파라미터에 의해, 비교적 작은 전력으로 다음 예측 온도 온도가 사용자 요구 온도에 근접하게 된다.
상술한 본 발명을 정리하면 다음과 같다. 종래의 퍼지 논리 제어에서 적절한 멤버쉽 함수 배분은 시스템의 성능에 영향을 미치는 중요한 문제이다. 본 발명에 따른 제어 파라미터 학습 기반 제어 시스템에서, 멤버쉽 함수 조정을 위해 학습 모듈이라는 새로운 모듈을 종래의 퍼지 로직 제어기에 추가했다. 따라서 적절한 멤버쉽 함수 배분이 시스템 성능을 개선시키는 값에 할당된다.
이러한 구성에 의하여, 신경망-퍼지 로직을 적용하여 최적의 멤버쉽 함수 폭을 학습하여 적용하기 때문에 최소전력으로 요구 온도에 도달할 수 있게 된다. 즉, 학습 알고리즘에 의해 학습된 제어 파라미터를 실내 환경 제어 알고리즘에 입력함으로써, 적은 전력으로 사용자 요구 파라미터값과 실제 환경 파라미터 값의 차이를 최소화하고, 사용자 요구 파라미터값을 신속하게 만족시킬 수 있는 제어 파라미터 학습 기반 제어 시스템을 제공할 수 있다.
1 : 제어 파라미터 학습 기반 제어 시스템
2 : 제어 알고리즘 3 : 학습 알고리즘
4 : 제어기 20 : 퍼지 로직 모듈
21 : 퍼지화부 23 : 규칙 추론부
25 : 디퍼지화부 30:　신경망 모듈
31 : 입력층 32 : 은닉층
33 : 출력층 50 : 실내 환경
51 : 온도 센서 52 : 팬 구동기

Claims (7)

  1. 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하기 위해 학습 알고리즘에 의해 학습된 제어 파라미터를 이용하는 제어 파라미터 학습 기반 제어 시스템에 있어서,
    실내환경의 소정의 액추에이터를 제어하는 제어기와,
    제어 파라미터를 입력받아 상기 액추에이터를 제어하기 위한 제어값을 생성하여 상기 제어기에 출력하는 제어 알고리즘 모듈과,
    실내의 특정 환경의 감지값과 사용자 요구값을 입력받아 그 차이값과 미리 설정된 함수에 의해, 현재 제어 파라미터값을 학습한 후 개선된 제어 파라미터를 형성하여 상기 제어 알고리즘 모듈에 입력하는 학습 알고리즘 모듈을 포함하고;
    상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하고;
    상기 신경망은 실내 환경의 현재 감지값과 사용자 요구값 및 멤버쉽 함수 데이터를 기반으로 학습하여 최적의 멤버쉽 함수를 출력하고, 상기 퍼지 로직은 상기 신경망에서 출력되는 최적의 멤버쉽 함수를 입력받는 퍼지화부, 상기 퍼지화부의 출력값을 미리 설정된 규칙 기반으로 추론하는 규칙 추론부, 상기 규칙 추론부의 출력을 디퍼지화하여 상기 제어기에 출력하는 디퍼지화부를 포함하고,
    상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되는 것을 특징으로 하는, 제어 파라미터 학습 기반 제어 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 사용자의 요구를 최대한 만족할 수 있도록 환경을 조절하기 위해 학습 알고리즘에 의해 학습된 제어 파라미터를 이용하는 제어 파라미터 학습 기반 제어 방법에 있어서,
    상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하고,
    상기 신경망은 실내 환경의 현재 감지값과 사용자 요구값 및 멤버쉽 함수 데이터를 기반으로 학습하여 최적의 멤버쉽 함수를 출력하고, 상기 퍼지 로직은 상기 신경망에서 출력되는 최적의 멤버쉽 함수를 입력받는 퍼지화부, 상기 퍼지화부의 출력값을 미리 설정된 규칙 기반으로 추론하는 규칙 추론부, 상기 규칙 추론부의 출력을 디퍼지화하여 상기 제어기에 출력하는 디퍼지화부를 포함하고,
    상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되고;
    제어 알고리즘 모듈이 제어 파라미터를 입력받아 실내환경의 소정의 액추에이터를 제어하기 위한 제어값을 생성하여 출력하는 제1단계와,
    상기 학습 알고리즘 모듈이, 실내의 특정 환경의 감지값과 사용자 요구값을 입력받아 그 차이값과 미리 설정된 함수에 의해, 현재 제어 파라미터값을 학습한 후 개선된 제어 파라미터를 형성하여 상기 제어 알고리즘 모듈에 입력하는 제2단계를 포함하는 것을 특징으로 하는, 제어 파라미터 학습 기반 제어 방법.
  6. 삭제
  7. 삭제
KR1020180144956A 2018-11-22 2018-11-22 제어 파라미터 학습 기반 제어 시스템 및 방법 KR102175280B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180144956A KR102175280B1 (ko) 2018-11-22 2018-11-22 제어 파라미터 학습 기반 제어 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180144956A KR102175280B1 (ko) 2018-11-22 2018-11-22 제어 파라미터 학습 기반 제어 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20200059796A KR20200059796A (ko) 2020-05-29
KR102175280B1 true KR102175280B1 (ko) 2020-11-06

Family

ID=70911780

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180144956A KR102175280B1 (ko) 2018-11-22 2018-11-22 제어 파라미터 학습 기반 제어 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102175280B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308140A (zh) * 2020-10-30 2021-02-02 上海市建筑科学研究院有限公司 室内环境质量监控方法和终端
CN114779864A (zh) * 2022-06-20 2022-07-22 中建八局第二建设有限公司 一种基于灰狼算法优化pid参数的教室温湿度控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06259109A (ja) * 1993-03-09 1994-09-16 Toshiba Corp 間欠ファジィｐｉｄ制御装置
KR100200677B1 (ko) * 1997-01-29 1999-06-15 윤종용 퍼지-신경망을 이용한 교통신호 주기결정 장치 및 방법
JPH1091209A (ja) * 1997-10-24 1998-04-10 Hitachi Ltd システム制御方法および装置
KR19990039873U (ko) * 1998-04-21 1999-11-15 오상수 차량용 에어컨의 블로우어 모터 rpm 조절 장치
KR20040097021A (ko) * 2004-10-12 2004-11-17 순천대학교 산학협력단 유도전동기의 고성능 제어를 위한 적응 fnn 제어 시스템
KR20160074829A (ko) 2014-12-18 2016-06-29 재단법인 다차원 스마트 아이티 융합시스템 연구단 실내 주거 환경 센싱 및 로깅 방법 및 시스템과 실내 주거 환경 제어를 위한 어플리케이션 구동 방법 및 시스템
KR101972227B1 (ko) 2016-11-18 2019-04-24 가톨릭대학교 산학협력단 지능학습기반의 스마트홈 에너지 기기 제어 장치 및 그 방법
KR101920469B1 (ko) * 2017-04-03 2018-11-20 포항공과대학교 산학협력단 쿡 컨버터 기반의 계통 연계형 단일단 인버터

Also Published As

Publication number Publication date
KR20200059796A (ko) 2020-05-29

Similar Documents

Publication Publication Date Title
JP5183732B2 (ja) 技術システムをコンピュータ支援により制御および／または調整するための方法
Fereidouni et al. A new adaptive configuration of PID type fuzzy logic controller
US8554707B2 (en) Method for the computer-assisted control and/or regulation of a technical system where the dynamic behavior of the technical system is modeled using a recurrent neural network
JP2539540B2 (ja) プロセス制御装置
US8160978B2 (en) Method for computer-aided control or regulation of a technical system
US10353351B2 (en) Machine learning system and motor control system having function of automatically adjusting parameter
Torra et al. The interpretation of fuzzy integrals and their application to fuzzy systems
KR102175280B1 (ko) 제어 파라미터 학습 기반 제어 시스템 및 방법
Akram et al. Intuitionistic fuzzy logic control for heater fans
CN112292642A (zh) 用于控制技术系统的控制装置和用于配置控制装置的方法
Cho et al. Novel fuzzy logic control based on weighting of partially inconsistent rules using neural network
CN113614743A (zh) 用于操控机器人的方法和设备
Rao et al. Study of defuzzification methods of fuzzy logic controller for speed control of a DC motor
CN113885324A (zh) 一种建筑智能用电控制方法及系统
Hammer et al. How to process uncertainty in machine learning?.
Kanagaraj et al. Fuzzy coordinated PI controller: application to the real-time pressure control process
Ikemoto et al. Continuous deep Q-learning with a simulator for stabilization of uncertain discrete-time systems
Thakur et al. Neuro-fuzzy: artificial neural networks & fuzzy logic
Srinivasan et al. Level control of three-tank system using intelligent techniques
JP2000339005A (ja) 制御対象の最適化制御方法及び制御装置
Nürnberger et al. A neuro-fuzzy development tool for fuzzy controllers under MATLAB/SIMULINK
Srivastava et al. Choquet fuzzy integral based modeling of nonlinear system
Kadri et al. Fuzzy relational control of an uncertain system
Nürnberger et al. Neuro-fuzzy control based on the nefcon-model under matlab/simulink
Nauck et al. The evolution of neuro-fuzzy systems

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant