MRAC and FMRLC for a plant with time varying parameters

Oltean, Stelian-Emilian; Abrudean, Mihail; Gligor, Adrian

doi:10.1109/aqtr.2006.254498

Cited by 7 publications

(7 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…3, utilizes a learning mechanism that observes data from a fuzzy control system, characterizes its current performance, and automatically adjusts the knowledge base of the fuzzy controller so that the closed-lop system performans according to the specifications given by the reference Bulut M., (2021) model . There are four components in this system: the plant, reference model, fuzzy controller that will be tuned, and fuzzy inverse model [19].…”

Section: Fuzzy Model Reference Learning Controlmentioning

confidence: 99%

Speed Control of Seperately Excited DC motor for Electric Vehicles (EVs) By Inverse Model Based Fuzzy Learning Controller

Bulut¹

2021

Preprint

View full text Add to dashboard Cite

The adaptation mechanism, which adjusts the controller coefficients according to the parameter changes in the system, ensures that the controller is adaptable. Fuzzy logic can be used to calculate the gain coefficients of the controller in the system by using the adaptive fuzzy method instead of a traditional algorithm for the adaptation mechanism. Normally, the rules of a fuzzy controller system are derived from the system's internal structure and system behavior using expert knowledge that has experienced the system. However, it is not possible to derive fuzzy rules based on expert human knowledge for all systems in this way. It is necessary to use different methods to derive fuzzy rules in highly variable behavior and nonlinear systems. In this study, an adaptive fuzzy controller design for dc motor was made using a learning-based reference model learning algorithm using fuzzy inverse model; It has been shown that it is applicable for dc motors with the results obtained. Simulation of the designed system was carried out using the Matlab program, and the behavior of the system was investigated by using constant and variable loads. The results showed that it is satisfactory to drive a dc motor with adaptive fuzzy controller in terms of system stability.

show abstract

Section: Fuzzy Model Reference Learning Controlmentioning

confidence: 99%

Speed Control of Seperately Excited DC motor for Electric Vehicles (EVs) By Inverse Model Based Fuzzy Learning Controller

Bulut¹

2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Motorlardaki ani büyük yük değişimi ve atalet değişimlerinde olduğu gibi, sabit parametreli denetleyiciler birçok sistemin kontrolünde yeterli gelmemektedir [2][3][4]. Model referans uyarlamalı denetleyici yaklaşımı, kendini düzenleyen (self-tuning) ve diğer uyarlamalı denetleyici teknikleri ile karşılaştırıldığında daha az hesaplama süresi gerektirmekte ve genel olarak performans, karmaşıklık anlamında daha iyi bir uyum gösterirler [5]. Bulanık kontrol ise, modern kontrol teorisinde bulanık kümeler üzerine kurulmuş, dilsel kurallara ve bulanık muhakemeye dayalı bir kontrol teorisidir.…”

Section: Gi̇ri̇ş (Introduction)unclassified

“…Bulanık model referans öğrenme kontrolü yönteminde, geleneksel adaptif kontrol yapısından farklı olarak "uyarlanabilir" yerine "öğrenme" terimi kullanılmaktadır. Özellikle, doğrudan model referanslı uyarlamalı denetleyici olan bu yöntemde bulanık kural tabanı model raferansa göre yeniden öğrenilmektedir [24,25]. Bu makale kapsamında yapılan çalışmada ise geleneksel uyarlamalı ve doğrudan kontrol yönetmleri yerine öğrenmeye dayalı bir bulanık model referans öğrenme algoritması kullanılarak doğru akım motorunun hız kontrolünü gerçekleştiren uyarlamalı bulanık denetleyici tasarımı yapılmıştır.…”

Section: Gi̇ri̇ş (Introduction)unclassified

Bulanık Ters Model Kullanılarak Doğru Akım Motor Sürücüsü için Referans Model Temelli Uyarlanabilir Bulanık Denetleyici

Bulut

2023

Politeknik Dergisi

View full text Add to dashboard Cite

Sistemdeki parametre değişimlerine göre denetleyici katsayılarını ayarlayan uyarlama mekanizması, denetleyicinin uyarlanabilir olmasını sağlamaktadır. Uyarlama mekanizması için geleneksel bir algoritma yerine uyarlanabilir bulanık metodu kullanılarak, sistemdeki denetleyicinin kazanç katsayıların hesaplanması için bulanık mantık kullanılabilir. Normalde bir bulanık denetleyici sistemine ait kurallar, sistemi deneyimlemiş olan uzman bilgisi kullanılarak sistemin içyapısından ve sistem davranışlarından çıkarılmaktadır. Ancak tüm sistemler için bu şekilde uzman insan bilgisine dayanan bulanık kuralların çıkarılması mümkün değildir. Çok değişken davranış gösteren ve doğrusal olmayan sistemlerde bulanık kurallarının çıkarılması için farklı yöntemlerin kullanılması ihtiyacı ortaya çıkmaktadır. Bu çalışmada, bulanık ters model kullanılarak öğrenmeye dayalı referans model öğrenme algoritması kullanılarak dc motor için uyarlanabilir bulanık denetleyici tasarımı yapılmış; elde edilen sonuçlar ile dc motor için uygulanabilir olduğu gösterilmiştir. Tasarlanan sistemin benzetimi Matlab programı kullanılarak gerçekleştirilmiş, sabit ve değişken yükler kullanılarak sistemin davranışı incelenmiştir. Elde edilen sonuçlar, sistem kararlılığı açısından uyarlanabilir bulanık denetleyici ile dc motoru sürmek için tatmin edici olduğunu göstermiştir.

show abstract

“…It should be noted that, similar to the fuzzy controller, as shown in Figure 1, the fuzzy inverse model contains normalizing scaling factors, namely N ye , N yc , and N p , for each space of discourse of the inputs and output. Selection of the normalizing gains, N ye , N yc , and N p , can affect the overall performance of the system [13]. In this study, the input scaling factors of the fuzzy inverse model (N ye and N yc ) are conventionally defined as constants.…”

Section: Fuzzy Inverse Model With Variable Adaptation Gain ( N P )mentioning

confidence: 99%

“…Hence, if the performance is met, i.e. y e (kT ) ≈ 0, then no significant modifications are performed by the learning mechanism to the adaptive fuzzy controller [13]. The learning mechanism, which is the most important part of the controller, consists of 2 parts: a fuzzy inverse model and a knowledge-base modifier.…”

Section: Design Of the Fmrlc With Variable Adaptation Gain (N P )mentioning

confidence: 99%

Adaptive control of a time-varying rotary servo system using a fuzzy model reference learning controller with variable adaptation gain

Aydoğdu¹,

Alkan²

2013

Turk J Elec Eng & Comp Sci

View full text Add to dashboard Cite

Abstract:The constant parameters in a conventional fuzzy controller lead to a poor performance for time-varying systems. In this study, a fuzzy model reference learning controller (FMRLC) with a newly defined variable adaptation gain is designed and implemented in the adaptive fuzzy control of a time-varying rotary servo (TVRS) system. In the design of the FMRLC, a knowledge-base modification algorithm with variable adaptation gain is used instead of a fuzzy relation table. Hence, it is provided that the learning and adaptation mechanism continuously updates the knowledge base of the adaptive fuzzy controller against any parameter variations, such as changing loads. By means of the learning and adaptation mechanism, the TVRS system behaves as a defined reference model in the desired performance in time.The initial parameters of the FMRLC are easily determined by trial and error because of the variable adaptation gain.Using the designed controller, the adaptive fuzzy control of the TVRS system performs successfully in the simulation and practical implementation. The simulation of the system is executed in a MATLAB-Simulink environment and the practical application is implemented in a Quanser Q3 experimental servo module based on MATLAB-Simulink. The simulation and experimental results are given to demonstrate the effectiveness of the proposed control structure.

show abstract

MRAC and FMRLC for a plant with time varying parameters

Cited by 7 publications

References 5 publications

Speed Control of Seperately Excited DC motor for Electric Vehicles (EVs) By Inverse Model Based Fuzzy Learning Controller

Speed Control of Seperately Excited DC motor for Electric Vehicles (EVs) By Inverse Model Based Fuzzy Learning Controller

Bulanık Ters Model Kullanılarak Doğru Akım Motor Sürücüsü için Referans Model Temelli Uyarlanabilir Bulanık Denetleyici

Adaptive control of a time-varying rotary servo system using a fuzzy model reference learning controller with variable adaptation gain

Contact Info

Product

Resources

About