KR20170003254A - 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 - Google Patents
인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 Download PDFInfo
- Publication number
- KR20170003254A KR20170003254A KR1020150093669A KR20150093669A KR20170003254A KR 20170003254 A KR20170003254 A KR 20170003254A KR 1020150093669 A KR1020150093669 A KR 1020150093669A KR 20150093669 A KR20150093669 A KR 20150093669A KR 20170003254 A KR20170003254 A KR 20170003254A
- Authority
- KR
- South Korea
- Prior art keywords
- gain value
- value
- control system
- pid controller
- pid
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- -1 and coils Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- 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.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 인공지능 알고리즘을 이용하여 PID 최적값을 구하는 것으로, 보다 구체적으로는 PID 제어기의 입력 및 출력에 따라 최적 이득값을 구하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법에 관한 것이다.
상술한 목적을 달성하기 위해 본 발명은 PID 제어기와 기계 학습기를 포함하고, 상기 기계 학습기는 상기 PID 제어기의 입력값 및 출력값을 입력받는 입력 모듈과 상기 PID 제어기의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산모듈을 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템을 제공한다.
본 발명은 PID 제어기의 최적의 이득값을 찾아내므로, PID 제어기 설계시에 이득값 결정을 위하여 필요한 많은 시간과 인력을 절감할 수 있으며, 각기 다른 기계의 동작 특성차를 해결할 수 있다.
상술한 목적을 달성하기 위해 본 발명은 PID 제어기와 기계 학습기를 포함하고, 상기 기계 학습기는 상기 PID 제어기의 입력값 및 출력값을 입력받는 입력 모듈과 상기 PID 제어기의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산모듈을 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템을 제공한다.
본 발명은 PID 제어기의 최적의 이득값을 찾아내므로, PID 제어기 설계시에 이득값 결정을 위하여 필요한 많은 시간과 인력을 절감할 수 있으며, 각기 다른 기계의 동작 특성차를 해결할 수 있다.
Description
본 발명은 인공지능 알고리즘을 이용하여 PID 최적값을 구하는 것으로, 보다 구체적으로는 PID 제어기의 입력 및 출력에 따라 최적 이득값을 구하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법에 관한 것이다.
과거에는 저항, 캐패시터, 코일 등 대부분 수동소자로 구성된 아날로그 회로를 사용하여 제어기를 제작할 필요가 많았으며, 아날로그 회로의 사용을 위해 적합한 제어기로 진상 및 지상 보상기가 사용되었다. 진상 및 지상 보상기는 위상앞섬(Phase Lead)과 위상 뒤짐(Phase Lag)을 이용하여 시스템 출력의 크기와 위상 특성을 개선 할 목적으로 사용되었고, 이러한 개념으로 인하여 단순히 지상 보상기(Phase Lag Compensator) 및 진상 보상기(Phase Lead Compensator)로 불려왔다.
이후, 마이크로프로세서(Microprocessor)가 개발되고 발전되면서, 이상적인 적분 보상과 미분 보상을 할 수 있는 능동 회로(Active Circuit) 구성이 쉽게 되었으며, 그 중 가장 보편적으로 사용되는 것이 PID 제어기이다.
PID 제어기는 단일 입출력(SISO, Single Input Single Output) 시스템에서 주로 사용되며, 제어기의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 값에 따라 달라지므로, 세 변수를 결정하는 방법이 매우 중요하여 연구가 행해졌다.
기존에 널리 사용되고 있는 시불변 선형 시스템을 위한 PID 제어기는 실시간 비선형 시스템에 적용하기가 어렵다는 단점을 지니고 있다. 또한, 비선형 시스템을 위한 칼만 필터(Kalman filter)와 같은 알고리즘을 적용한 시스템이 개발되어 사용되고 있으나, 시스템을 이해하고 적용하는데 많은 시간, 노력 및 비용이 투입되어야 한다. 또한, 연산량이 많기에 저가의 시스템에는 실시간으로 적용하기가 불가능하며, 프로세스에 대한 수학적 모델링을 하기가 어렵다는 문제를 지니고 있다.
이러한 한계점을 극복하고자 PID 제어기의 이득값을 조정하는 연구들이 진행되었으며, 그 중 가장 많이 사용되는 방법으로는 Ziegler-Nichols-Method, Astrom-Hagglund-Method와 같은 방법들이 있으나, 실시간으로 변화하는 시스템에 적용하기에 적절치 못할 뿐만 아니라, 제어하고자 하는 시스템에 대한 정확한 정보가 있어야만 제어가 가능하다는 문제가 야기되었다.
본 발명의 목적은 시스템의 정확한 정보를 가지고 있지 않아도, PID 제어기의 이득값을 연산 가능한 인공지능 알고리즘을 이용하여 실시간으로 이득값을 조정하고, 최적의 이득값을 찾아 내어 PID 제어기 설계 시에 이득값 결정을 위해 필요한 많은 시간과 인력을 절감 할 수 있는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 이를 이용한 실시간 적응 제어 방법을 제공하는 것이다.
상술한 목적을 달성하기 위해 본 발명은 PID 제어기와 상기 PID 제어기의 입력값 및 출력값을 입력받는 입력 모듈 및 상기 PID 제어기의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산 모듈을 가지는 기계 학습기를 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템을 제공한다.
상기 기계 학습기의 계산 모듈은 심층 신념망(Deep Belief Network)을 이용하여 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환 모듈을 포함한다.
상기 탐욕 알고리즘 방식은 주기(1 Cycle)마다 학습하여, 상기 비례 이득값(Kp), 상기 적분 이득값(Ki), 상기 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정한다.
PID 제어기의 PID 제어 단계와 기계 학습기에서 상기 PID 제어 단계의 입력 값 및 출력 값을 입력받는 입력 단계와 상기 PID 제어 단계의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산 단계를 가지는 기계 학습 단계를 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 방법을 제공한다.
상기 기계 학습 단계에서 계산 단계는 심층 신념망을 이용하여 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환 단계를 포함한다.
상기 탐욕 알고리즘 방식은 주기(1 cycle)마다 학습하여, 상기 비례 이득값(Kp), 상기 적분 이득값(Ki), 상기 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정한다.
본 발명은 PID 제어기의 최적의 이득값을 찾아내므로, PID 제어기 설계시에 이득값 결정을 위하여 필요한 많은 시간과 인력을 절감할 수 있으며, 각기 다른 기계의 동작 특성차를 해결할 수 있다.
서보 모터의 제어, 자동 항법 장치, 온도 조절 장치, 당뇨 환자를 위한 혈당량 제어 및 전력 제어 등과 같은 산업에서 일반적으로 사용되었던 기존의 PID 제어기를 대체할 수 있을 것이며, 로봇 및 기계 항공 산업, 디스플레이 및 반도체 산업, 자동차 산업, 정유 공정 등과 같은 고도의 정밀도가 필요로 하는 산업과 우주 산업 및 방위 산업과 같은 외부 환경에 따른 변화가 예측 불가능한 사업에서도 사용할 수 있다.
또한, 본 발명은 기존의 연구들이 시뮬레이터나 고가의 장비에서만 이론상으로 구현되던 연구를 가격 경쟁력이 있는 마이크로 컨트롤러 유닛(Micro Controller Unit)에서도 동작이 가능하게 개발하므로, 이론에서 벗어나 실시간 적응 제어기를 범용 및 상용화 할 수 있다.
도 1은 본 발명의 제 1 실시예에 따른 PID 제어 시스템의 개념도.
도 2는 본 발명의 제 1 실시예에 따른 PID 제어 시스템의 개념도.
도 3은 본 발명의 제 2 실시예에 따른 PID 제어 시스템의 개념도.
도 4는 본 발명의 제 2 실시예에 따른 PID 제어 시스템의 개념도.
도 5는 본 발명에 따른 PID 제어 방법의 순서도
도 6는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 회로도
도 7는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 디지털 필터의 구현도
도 8는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 파형 비교도.
도 9는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 최대 부하(3.3kW) 파형 비교도.
도 10는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한시작 파형 비교도.
도 11는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 8.7A에서 4.3A로의 부하 변동 파형 비교도.
도 12는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 4.1A에서 8.7A로의 부하 변동 파형 비교도.
도 2는 본 발명의 제 1 실시예에 따른 PID 제어 시스템의 개념도.
도 3은 본 발명의 제 2 실시예에 따른 PID 제어 시스템의 개념도.
도 4는 본 발명의 제 2 실시예에 따른 PID 제어 시스템의 개념도.
도 5는 본 발명에 따른 PID 제어 방법의 순서도
도 6는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 회로도
도 7는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 디지털 필터의 구현도
도 8는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 파형 비교도.
도 9는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 최대 부하(3.3kW) 파형 비교도.
도 10는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한시작 파형 비교도.
도 11는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 8.7A에서 4.3A로의 부하 변동 파형 비교도.
도 12는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 4.1A에서 8.7A로의 부하 변동 파형 비교도.
이하, 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 도면상의 동일 부호는 동일한 요소를 지칭한다.
도 1 및 도 2는 본 발명의 제 1 실시예에 따른 PID 제어 시스템의 개념도이다.
본 발명의 제 1 실시예에 따른 따른 PID 제어 시스템은 도 1 및 도 2에 도시된 바와 같이, 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례항, 정상 상태의 오차를 없애는 작용을 하는 적분항 및 출력값의 급격한 변화에 제동을 걸어 오버슛(Overshoot)을 줄이고 안전성을 향상시키는 미분항으로 구성된다.
PID 제어기(100)는 제어하고자 하는 대상의 출력값을 측정하여 이를 원하고자 하는 참조값(Reference Value) 혹은 설정값(Set Point)과 비교하여 오차를 계산하고, 이 오차값을 이용하여 제어에 필요한 제어값을 계산하는 구조이다.
여기서, Kp는 PID 제어기의 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례 제어기에 대한 비례 이득값이고, Ki는 정상 상태의 오차를 없애는 작용을 하는 적분 제어기에 대한 적분 이득값이며, Kd는 출력값의 급격한 변화에 제동을 걸어 오버슛을 줄이고 안전성을 향상시키는 미분 제어기에 대한 미분 이득값이다.
경우에 따라, 비례항만을 가지는 비례항(P) 제어기, 비례-적분항만을 가지는 비례-적분항(PI) 제어기, 비례-미분항만을 가지는 비례-미분(PD) 제어기의 형태로 단순화하여 사용할 수 있다.
또한, 계산된 제어값이 실제 구동기가 작동할 수 있는 값의 한계보다 커서 구동기의 포화가 발생하게 되는 경우, 오차의 적분값이 큰 값으로 누적되어, 출력값이 설정값에 가까워질 경우, 제어값이 작아져야 함에도 불구하고 계속 큰 값을 출력하게 되어 시스템이 설정값에 도달하기까지 오랜 시간이 걸리는 적분기의 와인드업(Windup)을 방지하기 위한 안티 와인드업(Anti-Windup) 기법을 이용할 수 있다.
또한, 위의 수식에서 비례 제어기(110), 적분 제어기(120), 미분 제어기(130)의 이득값은 실험적 또는 경험적 방법을 통해 튜닝 과정을 거친다. 대표적으로 지글러-니콜스 방법(Ziegler-Nichols Tuning)에 의하여 결정될 수 있으며, 그 외에 다른 방법에 제한을 두지 않는다.
도 3 및 도 4는 본 발명의 제 2 실시예에 따른 PID 제어 시스템의 개념도이다.
본 발명의 제 2 실시예에 따른 PID 제어 시스템은 도 3 및 도 4에 도시된 바와 같이, PID 제어기(100)에 이와 별도로 부착된 기계 학습기(200)를 포함하고, 상기 기계 학습기(200)는 PID 제어기(100)로 들어가는 입력값과 PID 제어기(100)에서 나오는 출력값을 입력으로 받는 입력 모듈(210)을 구비하고 있으며, 상기 PID 제어기(100)의 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례 제어기(110)에 대한 비례 이득값(Kp), 정상 상태의 오차를 없애는 작용을 하는 적분 제어기(120)에 대한 이득값(Ki) 및 출력값의 급격한 변화에 제동을 걸어 오버슛(Overshoot)을 줄이고 안전성을 향상시키는 미분 제어기(130)에 대한 미분 이득값(Kd)의 최적에 가까운 이득을 도출하는 계산 모듈(220)을 포함한다.
각 비례 제어기(110), 적분 제어기(120), 미분 제어기(130)의 이득값은 실험적 또는 경험적 방법을 통해 튜닝 과정을 거치며, 대표적으로 지글러-니콜스 방법(Ziegler-Nichols Tuning)에 의하여 결정될 수 있으며, 그 외에 다른 방법에 제한을 두지 않는다.
또한, 상기 계산 모듈은 심층 신념망(250)(Deep Belief Network)을 이용하여, 기존의 볼츠만 머신(Boltzmann Machine)과는 다른, 표현층(Visible Layer) 및 은닉층(Hidden Layer) 각 층에 대한 엣지가 사라진, 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환 모듈(225)을 포함한다.
탐욕 알고리즘 방식은 주기(1 cycle)마다 심층 신념망(250)을 통한 학습을 통해, PID 제어기(100)의 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례 제어기(110)에 대한 비례 이득값(Kp), 정상 상태의 오차를 없애는 작용을 하는 적분 제어기(120)에 대한 적분 이득값(Ki), 출력값의 급격한 변화에 제동을 걸어 오버슛을 줄이고 안전성을 향상시키는 미분 제어기(130)에 대한 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정한다.
도 5는 본 발명에 따른 PID 제어 방법의 순서도이다.
본 발명에 따른 PID 제어 방법은 도 5에 도시된 바와 같이, PID 제어 단계 동시에 별도로 부착된 기계 학습기에서 실시하는 기계 학습 단계와 상기 기계 학습 단계는 상기 PID 제어 단계의 PID 제어기로 들어가는 입력 값 및 PID 제어기에서 나오는 출력 값을 입력으로 받는 입력 단계와, 상기 PID 제어 단계의 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례 제어기에 대한 비례 이득값(Kp), 정상 상태의 오차를 없애는 작용을 하는 적분 제어기에 대한 적분 이득값(Ki) 및 출력값의 급격한 변화에 제동을 걸어 오버슛을 줄이고 안전성을 향상시키는 미분 제어기에 대한 미분 이득값(Kd)의 최적에 가까운 이득을 도출하는 계산한다.
상기 계산 단계는 심층 신념망을 이용하여, 기존의 볼츠만 머신(Boltzmann Machine)과는 다른, 표현층(Visible Layer) 및 은닉층(Hidden Layer) 각 층에 대한 엣지가 사라진, 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환한다.
상기 탐욕 알고리즘 방식은 주기(1 cycle)마다 심층 신념망을 통한 학습을 통해, PID 제어기의 현재 상태에서의 오차값의 크기에 비례한 제어 작용을 하는 비례 제어기에 대한 비례 이득값(Kp), 정상 상태의 오차를 없애는 작용을 하는 적분 제어기에 대한 적분 이득값(Ki), 출력값의 급격한 변화에 제동을 걸어 오버슛을 줄이고 안전성을 향상시키는 미분 제어기에 대한 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정한다.
도 6는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 회로도이다.
본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 회로도는 도 6에 도시된 바와 같고, 이의 성능 점검을 위한 조건은 다음과 같다.
| 전력(Power) | 3.3kW |
| 입력전압(Vin) | 380V |
| 출력전압(Vout) | 380V |
| 선택 주파수(Switching Frequency) | 50kHz |
| 권수비(Turn Ratio) | 24:24 |
| 누설 인덕턴스(Leakage Inductance) | 105uH |
| 자화 인덕턴스(Magnetizing Inductance) | 457uH |
| 입출력 캐패시터(Input&Output Capacitor) | 1,360uF |
| 시뮬레이션 소프트웨어(Simulation Software) | PSIM, Matlab |
| 필터 타입(Filter Type) | Hann Window - Low Pass Filter |
| 필터 차수(Filter Order) | 30 |
| 샘플링 주파수(Sampling Frequency) | 50kHz |
| 차단 주파수(Cutting Frequency) | 2kHz |
도 7은 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 디지털 필터의 구현도이다.
본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 디지털 필터의 구현은 도 7에 도시된 바와 같고, Matlab에 의해 설계되며, Hann FIR 로우 패스 필터에 의해 정의한다. 또한, 그룹 지연은 15.5이며, 위상 지연은 모든 주파수 영역에서 0.001947787이다.
도 8은 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 파형 비교도이다.
본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 파형 비교는 도 8에 도시된 바와 같으며, 시뮬레이션에서, Load가 각각 T=0.05일 때 -8.7A, T=0.1일 때 8.7A이며, 매 0.02초마다 PID 제어기의 이득이 업데이트된다. 결과적으로, 스텝 부하응답은 0.02sec마다 향상됨을 알 수 있다.
도 9는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 최대 부하(3.3kW) 파형 비교도이다.
본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 최대 부하(3.3kW) 파형 비교는 도 9에 도시된 바와 같으며, 기존의 PID 제어기는 위상 이동이 -32.227%이나, 본 발명에 따른 PID 제어기의 위상 이동은 -29.74059%로 약 3%의 차이가 나는 것을 알 수 있다. 이는 에러를 감소시킨 다는 것을 의미한다.
도 10은 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 시작 파형 비교도, 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 8.7A에서 4.3A로의 부하 변동 파형 비교도, 도 12는 본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 4.3A에서 8.7A로의 부하 변동 파형 비교도이다.
본 발명에 따른 PID 제어 시스템 및 방법을 설명하기 위한 시작 파형 및 부하 변동 파형은 도 10, 도 11 및 도 12에 도시된 바와 같으며, 과도현상(Transient)이 기존의 PID 제어기보다 본 발명의 PID 제어기가 우수함을 알 수 있으며, 정상 상태에서 저주파를 제거함으로써 안정성이 있는 것을 확인할 수 있다.
100: PID 제어기
210: 입력 모듈
110: 비례 제어기 220: 계산 모듈
120: 적분 제어기 225: 변환 모듈
130: 미분 제어기 250: 심층 신념망
200: 기계 학습기
110: 비례 제어기 220: 계산 모듈
120: 적분 제어기 225: 변환 모듈
130: 미분 제어기 250: 심층 신념망
200: 기계 학습기
Claims (6)
- PID 제어기;
상기 PID 제어기의 입력값 및 출력값을 입력받는 입력 모듈; 및 상기 PID 제어기의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산 모듈; 을 가지는 기계 학습기; 를 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템. - 제 1항에 있어서,
상기 기계 학습기의 계산 모듈은 심층 신념망을 이용하여 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환 모듈; 을 포함하는 것을 특징으로 하는 실시간 적응 제어 시스템. - 제 2항에 있어서,
상기 탐욕 알고리즘 방식은 주기(1 cycle)마다 학습하여, 상기 비례 이득값(Kp), 상기 적분 이득값(Ki), 상기 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템. - PID 제어기의 PID 제어 단계;
기계 학습기에서 상기 PID 제어 단계의 입력 값 및 출력 값을 입력받는 입력 단계; 와 상기 PID 제어 단계의 비례 이득값(Kp), 적분 이득값(Ki) 및 미분 이득값(Kd)의 최적값을 도출하는 계산 단계; 를 가지는 기계 학습 단계; 를 포함하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 방법. - 제 4항에 있어서,
상기 기계 학습 단계에서 계산 단계는 심층 신념망을 이용하여 제한 볼츠만 머신(Restricted Boltzmann Machine)을 층층이 쌓아올리고, 탐욕 알고리즘(Greedy Algorithm) 방식을 기반으로, 데이터를 가지고 역전파 방식(Back-propagation)과 미세조정(Fine-tuning)을 통하여 표현층(Visible Layer), 은닉층(Hidden Layer), 출력층(Output Layer) 간의 연결 노드의 가중치를 변화시키는 변환 단계; 를 포함하는 것을 특징으로 하는 실시간 적응 제어 방법. - 제 5항에 있어서,
상기 탐욕 알고리즘 방식은 주기(1 cycle)마다 학습하여, 상기 비례 이득값(Kp), 상기 적분 이득값(Ki), 상기 미분 이득값(Kd)의 변화량을 결정하거나, 상기 PID 제어기의 사용에 최적에 가까운 이득값을 결정하는 것을 특징으로 하는 인공지능 알고리즘을 이용한 실시간 적응 제어 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150093669A KR20170003254A (ko) | 2015-06-30 | 2015-06-30 | 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150093669A KR20170003254A (ko) | 2015-06-30 | 2015-06-30 | 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20170003254A true KR20170003254A (ko) | 2017-01-09 |
Family
ID=57811201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020150093669A KR20170003254A (ko) | 2015-06-30 | 2015-06-30 | 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20170003254A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190054541A (ko) * | 2017-11-14 | 2019-05-22 | 한국 천문 연구원 | Pid 제어기를 이용한 인공지능 시스템 |
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120030526A (ko) | 2009-06-05 | 2012-03-28 | 더 매쓰웍스 인코포레이티드 | 자동화된 ｐｉｄ 제어기 설계 |
-
2015
- 2015-06-30 KR KR1020150093669A patent/KR20170003254A/ko active Search and Examination
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120030526A (ko) | 2009-06-05 | 2012-03-28 | 더 매쓰웍스 인코포레이티드 | 자동화된 ｐｉｄ 제어기 설계 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190054541A (ko) * | 2017-11-14 | 2019-05-22 | 한국 천문 연구원 | Pid 제어기를 이용한 인공지능 시스템 |
| 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 |
| CN112497216A (zh) * | 2020-12-01 | 2021-03-16 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
| CN112497216B (zh) * | 2020-12-01 | 2022-02-11 | 南京航空航天大学 | 一种基于深度学习的工业机器人位姿精度补偿方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Maamar et al. | IMC-PID-fractional-order-filter controllers design for integer order systems | |
| EP2111569B1 (de) | Regelverfahren und regelvorrichtung mit mehrkanaliger rückführung | |
| Ahmad et al. | Unified disturbance-estimation-based control and equivalence with IMC and PID: Case study on a DC–DC boost converter | |
| CN101986564B (zh) | 基于Backlash算子和神经网络的自适应滤波器 | |
| EP1938156A1 (en) | On demand auto tuner for plant control system | |
| KR20170003254A (ko) | 인공지능 알고리즘을 이용한 실시간 적응 제어 시스템 및 방법 | |
| CN110943613B (zh) | 一种含干扰和电流约束的直流升压变换器控制方法 | |
| Liu et al. | Extended state observer-based IMC-PID tracking control of PMLSM servo systems | |
| CN104734532A (zh) | 一种Buck-Boost矩阵变换器的复合控制方法及其装置 | |
| WO2018173654A1 (ja) | 遅れ補償器のフィルタの設計方法、及びそれを用いたフィードバック制御方法、モータ制御装置 | |
| Shah et al. | Design of fractional order controller for undamped control system | |
| Adapa et al. | Virtual resistor based active damping of LC filter in standalone voltage source inverter | |
| Liang et al. | System identification and model predictive control using CVXGEN for electro-hydraulic actuator | |
| Huba et al. | Noise attenuation motivated controller design. Part I: Speed control | |
| Kanagaraj et al. | Design of an enhanced fractional order PID controller for a class of second-order system | |
| Peng et al. | Model reference fuzzy adaptive PID control and its applications in typical industrial processes | |
| Abbas et al. | Comparative analysis of analog controllers for DC-DC buck converter | |
| Silveira et al. | GMV-PID controller design with gradient method for the energy weighting factor in nonlinear plants | |
| Huba | Robustness versus performance in PDO FPI Control of the IPDT plant | |
| Dong et al. | A nonsmooth IMC method for mechanical systems with backlash | |
| Solouki et al. | Fuzzy model reference adaptive control based on PID for fundamental and typical industrial plants | |
| Euzébio et al. | Optimal integral gain for smooth PI control | |
| Huba et al. | Combining model based and data-driven approaches: First order nonlinear plants control | |
| Hsu et al. | Fuzzy based directional tuning controller for a wireless power pick-up | |
| CN204597785U (zh) | 一种Buck-Boost矩阵变换器的复合控制装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |