KR20200059796A - Control system based on learning of control parameter and method thereof - Google Patents
Control system based on learning of control parameter and method thereof Download PDFInfo
- Publication number
- KR20200059796A KR20200059796A KR1020180144956A KR20180144956A KR20200059796A KR 20200059796 A KR20200059796 A KR 20200059796A KR 1020180144956 A KR1020180144956 A KR 1020180144956A KR 20180144956 A KR20180144956 A KR 20180144956A KR 20200059796 A KR20200059796 A KR 20200059796A
- Authority
- KR
- South Korea
- Prior art keywords
- control
- value
- learning
- control parameter
- temperature
- Prior art date
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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
Description
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.The present invention relates to a control system, and more particularly, in order to improve the performance of a control system through learning, learns the indoor environment elements and control parameters using a learning algorithm, and controls the environment device using the learned control parameters. It relates to a control parameter learning based control system and method.
실내 환경 제어에 사용되는 제어 알고리즘에는 PID 컨트롤러(비례적 통합 파생 컨트롤러) 또는 퍼지 제어기 등과 같은 제어 알고리즘이 있다.Control algorithms used in indoor environment control include control algorithms such as PID controllers (proportional integrated derivative controllers) or fuzzy controllers.
PID 컨트롤러는 입력에 대한 시스템 응답을 정의하는 하나 이상의 차동 방정식을 사용하여 제어 시스템을 설명하는 수학 모델을 기반으로 한다. The PID controller is based on a mathematical model that describes the control system using one or more differential equations that define the system response to the input.
퍼지 로직 모델에는 많은 유형이 있는데, 가장 흔한 방법은 맘다니 퍼지 로직(Mamdani Fuzzy Logic) 방법이다.There are many types of fuzzy logic models, the most common being the Mamdani Fuzzy Logic method.
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. The Mamandani Fuzzy Logic System includes a fuzzy knowledge base, fuzzy booger, inference engine, and defugerizer. The rule base and the database together are called the knowledge base. There is an IF-THEN rule in the rule base, and the database contains a fuzzy set.
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.Fuzzyizers convert Crispy inputs into language variables using the MF (Membership Function) stored in the Fuzzy Knowledge Base. The inference engine takes a fuzzy value as an input and converts the fuzzy input to a fuzzy output using the IF-THEN fuzzy rule. The defuser receives the fuzzy output from the inference engine and converts it into a crisp MF similar to that used by the fuzzy machine.
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.By the way, in the conventional indoor environment control system, the sensor value of the indoor environment is received, the sensor value of the indoor environment is learned, and the driver (actuator) of the indoor environment is controlled according to the learned sensor value. Techniques for changing the control parameters of the algorithm have not been developed.
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.Therefore, the present invention was devised to solve the above problems, and by inputting a control parameter learned by the learning algorithm into the indoor environment control algorithm, a learning-based control system that adjusts the environment to satisfy the user's needs as much as possible. Is to provide. In addition, it is to provide a control parameter learning-based control system and method capable of quickly satisfying user-required parameter values.
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.The configuration according to the first aspect of the present invention for achieving the above object is in a control parameter learning based control system using a control parameter learned by a learning algorithm to adjust the environment to satisfy the user's needs as much as possible, A controller that controls a predetermined actuator in the indoor environment, a control algorithm module that receives control parameters and generates control values for controlling the actuator, and outputs it to the controller, and detects and user demands of a specific environment in the room. And a learning algorithm module that receives input and learns the current control parameter value by using the difference value and a preset function to form an improved control parameter and inputs it to the control algorithm module.
여기서, 상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것이 바람직하다.Here, it is preferable that the learning algorithm module includes a neural network, the function includes a membership function, and the control algorithm module includes fuzzy logic.
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.The neural network learns based on the current sensing values of the indoor environment, user demand values, and membership function data to output an optimal membership function, and the fuzzy logic is a fuzzy unit that receives an optimal membership function output from the neural network, the It is preferable to include a rule inference unit that infers the output value of the fuzzy unit based on a preset rule, and a defurification unit that defuses the output of the rule inference unit and outputs it to the controller.
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.It is effective to input a current temperature, a user-required temperature, a temperature difference between the current temperature and the user-requested temperature, a current membership function, and a current membership function value into the input layer of the neural network.
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.The configuration according to the second aspect of the present invention for achieving the above object relates to a control parameter learning-based control method using a control parameter learned by a learning algorithm to adjust the environment so as to satisfy the user's needs as much as possible. , A first step of the control algorithm module receiving control parameters and generating and outputting control values for controlling a predetermined actuator in the indoor environment, and the learning algorithm module inputs a detection value and a user request value of a specific environment in the room And receiving the difference value and a preset function, learning a current control parameter value, and then forming an improved control parameter and inputting it to the control algorithm module.
여기서, 상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것이 바람직하다.Here, it is preferable that the learning algorithm module includes a neural network, the function includes a membership function, and the control algorithm module includes fuzzy logic.
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.In addition, it is effective to input a current temperature, a user requested temperature, a temperature difference between the current temperature and the user requested temperature, a current membership function, and a current membership function value into the input layer of the neural network.
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. According to the control parameter learning-based control system and method having the above-described configuration, by inputting the control parameters learned by the learning algorithm into the control algorithm for controlling the indoor environment, the difference between the user required parameter value and the actual environment parameter value with less power Can be minimized. In addition, by the control parameter learning-based control system according to the present invention, it is possible to quickly satisfy user demand parameter values.
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,1 is a conceptual diagram of a control parameter learning based control system according to the present invention,
FIG. 2 is an exemplary block diagram of the control parameter learning based control system of FIG. 1;
3 is a detailed block diagram of the control parameter learning based control system of FIG. 2;
Figure 4 is an internal configuration of the neural network of Figure 3,
5 is an operation explanatory diagram of the rule inference unit of the fuzzy logic of FIG. 3,
6 is a setting screen of rules applied to the fuzzy logic rule inference unit of FIG. 3;
7 is a graph of membership functions at the input and output stages of the fuzzy logic module of the control parameter learning based control system according to the present invention;
8 and 9 are a comparison graph of a predicted temperature and a user requested temperature following a control result of a control parameter learning based control system according to the present invention
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.Advantages and features of the present invention, and a method of achieving the same will be described through embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. However, the present embodiments are provided to explain in detail that the technical spirit of the present invention can be easily carried out to a person having ordinary knowledge in the technical field to which the present invention pertains.
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.In the drawings, the embodiments of the present invention are not limited to the specific form shown and are exaggerated for clarity. In addition, parts indicated by the same reference numerals throughout the specification represent the same components. In this specification, the expression "and / or" is used to mean including at least one of the components listed before and after. In addition, the singular form also includes the plural form unless otherwise specified in the phrase. Also, components, steps, operations and elements referred to as “comprising” or “comprising” as used herein mean the presence or addition of one or more other components, steps, operations, elements and devices.
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.Hereinafter, the present invention will be described in detail with reference to the accompanying drawings, preferred embodiments of the present invention. In the description of the present invention, when it is determined that detailed descriptions of related known functions or configurations may unnecessarily obscure the subject matter of the present invention, detailed descriptions thereof will be omitted.
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.The control parameter learning-based control system according to the present invention includes a learning module, a control module, a controller provided at an output terminal of the control module, an actuator in an external environment receiving a control signal of the controller, and a sensor providing a sensing signal to the learning module. Includes.
본 발명은 제어 모듈에서 출력되는 전력값을 최소화하면서, 사용자 요구값을 맞춰주기 위해, 제어 모듈로 입력되는 제어 파라미터를 변경하는 것을 특징으로 한다.The present invention is characterized in that, while minimizing the power value output from the control module, to adjust the user request value, the control parameter input to the control module is changed.
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.Other module control algorithms such as PID and fuzzy controller may be applied to the control module, and various system learning algorithms such as an artificial neural network (ANN) may be used as the learning module.
센서는 환경으로부터 온도, 습도 등과 같은 다른 환경 매개변수에 대한 데이터를 수집하기 위해 다른 센서를 포함할 수 있다.Sensors can include other sensors to collect data about other environmental parameters, such as temperature, humidity, and the like, from the environment.
먼저 데이터가 환경에서 센서로부터 수집되고 학습 알고리즘 모듈 및 알고리즘 모듈을 제어하기 위해 공급된다.First, data is collected from sensors in the environment and supplied to control the learning algorithm module and algorithm module.
본 발명은, 제어 알고리즘 모듈에 입력되는 제어 파라미터(이하 실시예에서 '멤버쉽 함수')를 변경해주는 것이다.The present invention is to change the control parameter ('membership function' in the following embodiment) input to the control algorithm module.
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. 1 is a conceptual diagram of a control parameter learning-based control system according to the present invention, and FIG. 2 is a block diagram when a fuzzy logic module and a neural network module are used as an example of a control parameter learning-based control system according to the present invention.
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. The control parameter learning-based control system according to the present invention includes a sensor and a
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.FIG. 2 is an exemplary block diagram of the control parameter learning based
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.The
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. In the control parameter learning based control system of the present invention, the control of the
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. In addition, in the present invention, since the distribution of the membership function has a high influence on accuracy, to improve the accuracy of the
사용자 요구 온도 값은 퍼지 로직 모듈(20)과 신경망 모듈(30)에 입력된다.User-required temperature values are input to the
신경망 모듈(30)은 현재 환경 온도값과 사용자 요구 온도 값을 입력받는다. The
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. The
퍼지 로직 모듈(20)은 또한 사용자뿐만 아니라 환경으로부터 현재 온도 값을 얻고 신경망에 의해 최적의 멤버쉽 함수를 얻는다. The
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. The required power is output from the output of the
팬구동기(52)에 의해 팬이 일정 시간 동안 구동된 후에 상기 프로세스가 반복된다.The above process is repeated after the fan is driven by the
제어 알고리즘 모듈인, 퍼지 로직 모듈(20)은 다음과 같다. 퍼지 로직 모듈(20)의 입력은 환경 온도와 사용자 설정 온도 사이의 오차 차이이다. The control algorithm module, the
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.The
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.Five rules are defined in the
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.The
규칙 추론부(23)는 퍼지 값을 입력으로 취하고 IF-THEN 퍼지 규칙을 사용하여 퍼지 입력을 퍼지 출력으로 변환한다. The
디퍼지화부(25)는 규칙 추론부(23)의 퍼지 출력을 입력받아, 퍼지화부(21)가 사용하는 것과 유사한 크리스피한 MF로 변환한다.The
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.Defuzzification is the process of generating a quantifiable result from the crispy logic given to a fuzzy set (set) and its corresponding membership level, which is the process of mapping a fuzzy set to a crispy set. There are many rules for converting many variables into fuzzy results. That is, the results are described in terms of membership of the fuzzy set. For example, "pressure (15%), pressure maintenance (34%), pressure increase (72%)" may occur due to rules designed to determine the amount of pressure to be applied. As such, defuzzification is interpreting the membership level of a fuzzy set as a specific decision or actual value.
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. From the output of the learned
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.In this embodiment, applying the FIS (Fuzzy Inference System), the following steps are applied to calculate the output power. First, a series of crispy rules are decided. The fuzzy processing receives the difference between the environmental temperature and the required temperature as an input, and fuzzys the input using MF. The fuzzy inputs are then combined using fuzzy rules to establish rule strength. The rule strength is then combined with the output MF to establish the result of the rule. The results are then combined to obtain an output distribution. In the last step, the output distribution is deferred to obtain the desired power.
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. In this embodiment, a neural network toolbox was used to designate the
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. 4 is an internal configuration diagram of the
신경망 모듈(30)에서, 5개의 뉴런이 입력층(31)에서 정의되고, 10개의 뉴런이 은닉층(32)에서 정의되며, 1개의 뉴런은 출력층(33)에서 정의된다.In the
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. In this embodiment, the five neurons of the
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. All implementations of the invention can be performed, for example, in Matlab R2015aSP1 (version 8.5.1) using a fuzzy logic toolbox to implement a fuzzy logic membership function, rule-based, rule viewer. In addition, the neural network toolbox can be used to specify input neurology of input layer, hidden layer neurons, and output layer neurons to implement the neural network module. Determination of fuzzy membership functions is somewhat trial and error type practice. A set of MFs in which the empirical relationship between inputs and outputs is expressed at a satisfactory level of accuracy can be considered as the final MF, which can be used in addition to other data for prediction purposes. Accurate allocation of membership functions is important because it greatly affects system accuracy.
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. 6 is a screen for setting a rule applied to the
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. As shown in Fig. 6, five rules are set. First, if the difference between the user demand value and the current temperature value is VL (Very Low), the required power is VL. Second, if the difference between the user request value and the current temperature value is M (Medium), the required power is M. Third, if the difference between the user demand value and the current temperature value is VH (Very High), the required power is VL. Fourth, if the difference between the user demand value and the current temperature value is V, the required power is V. Fifth, if the difference between the user request value and the current temperature value is L (Low), the required power is L.
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. On the other hand, when controlling the environment by the learning-based fuzzy control module, the difference between the environmental temperature and the required temperature was considered to calculate the output power of the fan. Therefore, the output of the
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.In this embodiment, an optimized fan speed is required. Therefore, a mathematical operation for calculating the fan speed using power is performed. The mathematical formulas shown in equations (1) to (3) below are used to calculate the velocity from the power output from the fuzzy control module.
Di는 현재 온도와 요구 온도 사이의 차이를 나타낸다. D i represents the difference between the current temperature and the required temperature.
Fi는 퍼지 로직을 나타내고, Pi는 퍼지 로직을 통해 생성되는 전력을 나타낸다. F i represents the fuzzy logic, and P i represents the power generated through the fuzzy logic.
Si는 팬 속도를 나타내고, Ci는 소정 상수이다. S i represents the fan speed, and Ci is a predetermined constant.
Tk는 현재 온도를 나타내고, C2는 최대값 Pi와 최대값 Di값의 차이를 나타낸다. T k represents the current temperature, and C 2 represents the difference between the maximum value P i and the maximum value D i .
Eli는 환경 영향(environment impact)을 나타내고, 아래 방정식 (4)에 의해 계산된다. El i represents the environmental impact and is calculated by equation (4) below.
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.Here, Ci is a predetermined constant. Ci actually changes the environmental impact when the fan is running. Similarly, in the case of the summer season, the above equations (1) to (3) can be used, but in the case of the equation (3), it should be modified as in the above equation (5).
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.The root mean square error was used to evaluate the performance of the control parameter learning based control system of the present invention. RMSE can be expressed mathematically as in equation (6) below.
여기서, N은 관측 수, A는 실제값, E는 예상값이다.Here, N is the number of observations, A is the actual value, and E is the expected value.
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. According to the present embodiment, to measure the performance of the control parameter learning based control system, a root mean square error (RMSE) performance evaluator may be used. The result of the control parameter learning based control system of the present invention is compared to a conventional fuzzy logic controller. It uses the same data and procedures used in the existing fuzzy logic controller.
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.The RMSE value of the control parameter learning-based control system according to the present invention is 2.5852, and the RMSE value of the conventional fuzzy logic controller is 2.85642. The smaller the value of RMSE, the higher the performance. Thus, the results show that the performance of the control parameter learning based control system according to the present invention is better than conventional fuzzy logic controllers.
도 7은 도 3의 퍼지 로직 모듈(20)의 입력단 및 출력단에서 멤버쉽 함수 그래프이다. 7 is a graph of membership functions at the input and output terminals of the
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. 7 (a) and 7 (b) are the membership functions MF output from the
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. According to the present invention, the width d of the triangular waveform of the input membership function of FIG. 7 can be reduced. The width d of the triangular wave represents the required power. The larger the width d of the triangular waveform, the greater the required power. When the learning-based fuzzy logic module control according to the present invention is performed, the required power is reduced.
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. 8 is a comparison graph of a control result of a control parameter learning based control system according to the present invention, a next predicted temperature and a user requested temperature. As shown in FIG. 8, as can be seen from the graph of the required power according to the difference between the current temperature and the required temperature of the control parameter learning-based control system, usually, the demand for driving the fan increases as the difference between the current temperature and the requested temperature increases. The power increases.
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.9 (a) and 9 (b), the current temperature and the required temperature are compared. First, FIG. 9 (a) compares the environmental temperature and the required temperature when the fan is operated at 15-minute intervals. 9 (b) shows a comparison of the required temperature and the environmental temperature when the fan is operated at intervals of 1 hour.
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.The present invention is to reduce the difference between the current temperature and the required temperature with a small required power. That is, according to the control parameter learning-based control system of the present invention, the user required
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. In summary, the present invention described above is as follows. In conventional fuzzy logic control, proper membership function allocation is an important problem affecting the performance of the system. In the control parameter learning-based control system according to the present invention, a new module called a learning module is added to a conventional fuzzy logic controller to adjust membership functions. Therefore, proper membership function allocation is assigned to values that improve system performance.
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.With this configuration, the neural network-fuzzy logic is applied to learn and apply the optimal membership function width, so that the required temperature can be reached with minimum power. That is, by inputting the control parameters learned by the learning algorithm into the indoor environment control algorithm, control parameters capable of minimizing the difference between the user demand parameter value and the actual environment parameter value with low power and quickly satisfying the user demand parameter value. It is possible to provide a learning-based control system.
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 1: Control parameter learning based control system
2: Control algorithm 3: Learning algorithm
4: Controller 20: Fuzzy logic module
21: fuzzy part 23: rule reasoning part
25: deferred section 30: neural network module
31: input layer 32: hidden layer
33: output layer 50: indoor environment
51: temperature sensor 52: fan driver
Claims (7)
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 하는, 제어 파라미터 학습 기반 제어 시스템.In the control parameter learning-based control system using a control parameter learned by a learning algorithm to adjust the environment to meet the needs of the user as much as possible,
A controller for controlling a predetermined actuator in the indoor environment,
A control algorithm module that receives control parameters and generates control values for controlling the actuator and outputs them to the controller;
A learning algorithm module that receives a detection value and a user request value of a specific environment in the room, learns the current control parameter value by using the difference value and a preset function, and then forms an improved control parameter and inputs it to the control algorithm module. Characterized in that, comprising a control parameter learning based control system.
상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것인, 제어 파라미터 학습 기반 제어 시스템.According to claim 1,
The learning algorithm module includes a neural network, the function includes a membership function, and the control algorithm module includes fuzzy logic.
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, 제어 파라미터 학습 기반 제어 시스템.According to claim 2,
The neural network outputs an optimal membership function by learning based on the current detection values of the indoor environment, user demand values, and membership function data,
The fuzzy logic is a fuzzy unit that receives the optimal membership function output from the neural network, a rule inference unit that infers the output value of the fuzzy unit based on a preset rule, and defuses the output of the rule inference unit and outputs it to the controller A control system based on learning of control parameters, including a de-fuzzy unit.
상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되는 것인, 제어 파라미터 학습 기반 제어 시스템.According to claim 3,
The input layer of the neural network, the current temperature, the user required temperature, the temperature difference between the current temperature and the user requested temperature, the current membership function, the current membership function value is input, control parameter learning based control system.
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 하는, 제어 파라미터 학습 기반 제어 방법.In a control parameter learning-based control method using a control parameter learned by a learning algorithm to adjust the environment to satisfy the user's needs as much as possible,
A first step of the control algorithm module receiving control parameters and generating and outputting control values for controlling a predetermined actuator in the indoor environment;
The learning algorithm module receives a detection value and a user request value of a specific environment in the room, learns the current control parameter value by using the difference value and a preset function, forms an improved control parameter, and inputs it to the control algorithm module Characterized in that it comprises a second step, control parameter learning based control method.
상기 학습 알고리즘 모듈은 신경망을 포함하고, 상기 함수는 멤버쉽 함수를 포함하고, 상기 제어 알고리즘 모듈은 퍼지 로직을 포함하는 것인, 제어 파라미터 학습 기반 제어 방법.The method of claim 5,
The learning algorithm module includes a neural network, the function includes a membership function, and the control algorithm module includes fuzzy logic.
상기 신경망의 입력층에는 현재 온도, 사용자 요구 온도, 상기 현재 온도와 상기 사용자 요구 온도의 온도차이, 현재 멤버쉽 함수, 상기 현재 멤버쉽 함수값이 입력되는 것인, 제어 파라미터 학습 기반 제어 방법.The method of claim 6,
A control parameter learning-based control method in which a current temperature, a user requested temperature, a temperature difference between the current temperature and the user requested temperature, a current membership function, and the current membership function value are input to the input layer of the neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180144956A KR102175280B1 (en) | 2018-11-22 | 2018-11-22 | Control system based on learning of control parameter and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180144956A KR102175280B1 (en) | 2018-11-22 | 2018-11-22 | Control system based on learning of control parameter and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200059796A true KR20200059796A (en) | 2020-05-29 |
| KR102175280B1 KR102175280B1 (en) | 2020-11-06 |
Family
ID=70911780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180144956A KR102175280B1 (en) | 2018-11-22 | 2018-11-22 | Control system based on learning of control parameter and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102175280B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308140A (en) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | Indoor environment quality monitoring method and terminal |
| CN114779864A (en) * | 2022-06-20 | 2022-07-22 | 中建八局第二建设有限公司 | Classroom temperature and humidity control method for optimizing PID (proportion integration differentiation) parameters based on wolf algorithm |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06259109A (en) * | 1993-03-09 | 1994-09-16 | Toshiba Corp | Intermittent fuzzy pid controller |
| JPH1091209A (en) * | 1997-10-24 | 1998-04-10 | Hitachi Ltd | System control method and device therefor |
| KR19980066886A (en) * | 1997-01-29 | 1998-10-15 | 김광호 | An apparatus and method for determining traffic signal period using fuzzy-neural network |
| KR19990039873U (en) * | 1998-04-21 | 1999-11-15 | 오상수 | Blower motor RPM control device for vehicle air conditioner |
| KR20040097021A (en) * | 2004-10-12 | 2004-11-17 | 순천대학교 산학협력단 | Adaptive FNN Control System for High Performance of Induction Motor |
| KR20160074829A (en) | 2014-12-18 | 2016-06-29 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | Method and System for Logging and Sensing of Indoor Environments and Method and System for Application Control for Sensing of Indoor Environments |
| KR20180056361A (en) | 2016-11-18 | 2018-05-28 | 가톨릭대학교 산학협력단 | Smart home controlling apparatus based intellect learning and method thereof |
| KR20180112361A (en) * | 2017-04-03 | 2018-10-12 | 포항공과대학교 산학협력단 | Grid connected single-stage inverter based on cuk converter |
-
2018
- 2018-11-22 KR KR1020180144956A patent/KR102175280B1/en active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06259109A (en) * | 1993-03-09 | 1994-09-16 | Toshiba Corp | Intermittent fuzzy pid controller |
| KR19980066886A (en) * | 1997-01-29 | 1998-10-15 | 김광호 | An apparatus and method for determining traffic signal period using fuzzy-neural network |
| JPH1091209A (en) * | 1997-10-24 | 1998-04-10 | Hitachi Ltd | System control method and device therefor |
| KR19990039873U (en) * | 1998-04-21 | 1999-11-15 | 오상수 | Blower motor RPM control device for vehicle air conditioner |
| KR20040097021A (en) * | 2004-10-12 | 2004-11-17 | 순천대학교 산학협력단 | Adaptive FNN Control System for High Performance of Induction Motor |
| KR20160074829A (en) | 2014-12-18 | 2016-06-29 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | Method and System for Logging and Sensing of Indoor Environments and Method and System for Application Control for Sensing of Indoor Environments |
| KR20180056361A (en) | 2016-11-18 | 2018-05-28 | 가톨릭대학교 산학협력단 | Smart home controlling apparatus based intellect learning and method thereof |
| KR20180112361A (en) * | 2017-04-03 | 2018-10-12 | 포항공과대학교 산학협력단 | Grid connected single-stage inverter based on cuk converter |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308140A (en) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | Indoor environment quality monitoring method and terminal |
| CN114779864A (en) * | 2022-06-20 | 2022-07-22 | 中建八局第二建设有限公司 | Classroom temperature and humidity control method for optimizing PID (proportion integration differentiation) parameters based on wolf algorithm |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102175280B1 (en) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2539540B2 (en) | Process control equipment | |
| Chiu | Fuzzy model identification based on cluster estimation | |
| JP5183732B2 (en) | Method for controlling and / or adjusting a technical system with computer assistance | |
| EP3722894B1 (en) | Control and monitoring of physical system based on trained bayesian neural network | |
| US10353351B2 (en) | Machine learning system and motor control system having function of automatically adjusting parameter | |
| CN111433689B (en) | Generation of control systems for target systems | |
| Lin et al. | Observer-based indirect adaptive fuzzy-neural tracking control for nonlinear SISO systems using VSS and H∞ approaches | |
| Zhou et al. | A new type of recurrent fuzzy neural network for modeling dynamic systems | |
| KR102175280B1 (en) | Control system based on learning of control parameter and method thereof | |
| CN113614743A (en) | Method and apparatus for operating a robot | |
| Rao et al. | Study of defuzzification methods of fuzzy logic controller for speed control of a DC motor | |
| Kanagaraj et al. | Fuzzy coordinated PI controller: application to the real-time pressure control process | |
| Srinivasan et al. | Level control of three-tank system using intelligent techniques | |
| Wang et al. | Using B-spline neural network to extract fuzzy rules for a centrifugal pump monitoring | |
| Boussabaine et al. | A neurofuzzy model for predicting cost and duration of construction projects | |
| Słoń | The use of fuzzy numbers in the process of designing relational fuzzy cognitive maps | |
| Kadri et al. | Fuzzy relational control of an uncertain system | |
| KR100310609B1 (en) | Coefficient adjusting apparatus of proportional integral derivative(pid) controller | |
| He et al. | Big data stream learning based on hybridized Kalman filter and backpropagation through time method | |
| Nauck et al. | The evolution of neuro-fuzzy systems | |
| Shafi et al. | Prediction of the Attention Area in Ambient Intelligence Tasks | |
| Liang et al. | Freeway ramp control based on genetic PI and fuzzy logic | |
| Nauck | Neuro-fuzzy methods | |
| Sujatha et al. | Hybrid deep learning neuro-fuzzy networks for industrial parameters estimation | |
| Mehrabian et al. | A real-time neuro-adaptive controller with guaranteed stability |
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 |