Наукові доповіді Національного університету біоресурсів і природокористування України

Керування рухом перевернутого маятника: розробка установки, ідентифікація системи та синтез оптимального регулятора її руху

Юрій Ромасевич, Вячеслав Ловейкін, Олександр Зарівний, О. Олексійко
Завантажити статтю
Анотація

У роботі розвинений підхід, який дає змогу виконати синтез оптимальних регуляторів динамічних систем. Він полягає у ідентифікації фізичної моделі динамічної системи (у розглядуваному випадку типу "перевернутий маятник”). Це дало підстави для постановки задачі синтезу регулятора. Такий підхід не вимагає математичної моделі системи у вигляді системи диференціальних рівнянь, що є його перевагою. Однак, для того, щоб скористатись цієї перевагою необхідно на етапі ідентифікації системи виконувати оцінку її якості. Такі розрахунки показали обґрунтованість розробленого підходу. Синтез оптимального регулятора було проведено на основі відомої методології, яка передбачає зведення вихідної задачі до задачі безумовної оптимізації функції зі складною топологією. Для цього було використано модифікований метод рою часточок. Експериментальна валідація результатів регулювання показала практично повне досягнення мети регулювання – стабілізації системи із наявністю незначних залишкових коливань фазових координат системи

Ключові слова

керування, маятник, оптимізація, регулятор, ідентифікація

ЦИТУВАТИ
Romasevych, Yu., Loveikin, V., Zarivny, O., & Oleksiyiko, A. (2022). Motion control of the inverted pendulum: Development of the installation, identification of the system and synthesis of the optimal motion controller. Scientific Reports of the National University of Life and Environmental Sciences of Ukraine, 18(1). https://doi.org/10.31548/dopovidi2022.01.016
Використані джерела
  1. Fliess, M., & Join, C. Model-free control. Retrieved from https://arxiv.org/pdf/1305.7085.pdf
  2. Zhong, Y., Huang, X., Meng, P., & Li, F. (2014). PSO-RBF neural network PID control algorithm of electric gas pressure regulator. Abstract and Applied Analysis, article number 731368. https://doi.org/10.1155/2014/731368.
  3. Kennedy, J., & Eberhart, R.C. (1995). Particle swarm optimization. Proceedings of the 1995 IEEE International Conference on Neural Networks, 1942-1948. https://doi.org/10.1109/ICNN.1995.488968.
  4. Yudong, Z., Shuihua, W., & Genlin, J. (2015). A comprehensive survey on particle swarm optimization algorithm and its applications. Mathematical Problems in Engineering, article number 931256. https://doi.org/10.1155/2015/931256.
  5. Romasevych, Yu., & Loveikin, V. (2018). A novel multi-epoch particle swarm optimization technique. Cybernetics and Information Technologies, 18(3), 62-74. https://doi.org/10.2478/cait-2018-0039.
  6. Romasevych, Y., Loveikin, V., & Makarets, V. (2020). Optimal constrained tuning of PI-controllers via a new PSO-based technique. International Journal of Swarm Intelligence Research, 11(4), 87-105. https://doi.org/10.4018/IJSIR.2020100104.
  7. Savitzky, A., & Golay, M.J.E. (1964). Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1627-1639. https://doi.org/10.1021/ac60214a047.
  8. Kingma, D.P., & Ba, J. (2014). Adam: A method for stochastic optimization. Retrieved from https://arxiv.org/abs/1412.6980.