При розробці систем автоматичного регулювання важливе питання вибору оператора для керуючого впливу на об’єкт можна вирішити за допомогою стандартних ПІ- чи ПІД-регуляторів або навчання штучної нейронної мережі, що потребує порівняльного аналізу їхніх переваг і недоліків. Мета роботи полягала у проведенні порівняльного аналізу роботи ПІ-регулятора та нейрорегулятора за комплексом оціночних показників для об’єктів регулювання другого та третього порядків. Таке порівняння проводилось із застосуванням єдиного підходу щодо синтезу обох регуляторів, який передбачав мінімізацію складної цільової функції. Остання отримана у результаті зведення задачі оптимального регулювання із обмеженнями до задачі безумовної оптимізації. Результати аналізу показали, що за показником швидкодії (критерій оптимізації) нейрорегулятор на модельованих об’єктах регулювання має перевагу на 6,1…96,2 %. Разом з тим, за іншими показниками якості регулювання переважає ПІ-регулятор. Синтез нейрорегулятора у плані відшукування мінімуму цільової функції є складнішою задачею, для вирішення якої необхідна більша кількість ітерацій оптимізаційного алгоритма VCT-PSO. При цьому раціонально задавати кількість ітерацій більше 1000 та розмірність рою 30…50 частинок. Порівняльний аналіз швидкодії нейрорегулятора та ПІ-регуляторів, які налаштовані за інженерними методиками показав значні резерви покращення цього показника. Таким чином, якщо вимоги максимізації швидкодії регулювання є досить жорсткими, то доцільно застосовувати нейрорегулятор. Отримані результати дадуть змогу виконати раціональний вибір оператора регулювання при вирішенні практичних задач синтезу систем регулювання
об’єкт регулювання, цільова функція, порівняння, нейрорегулятор, оціночні показники регулювання.
[1] Åström, K.J., & Hägglund, T. (1995). PID controllers: Theory, design and tuning. North Carolina: Research Triangle Park.
[2] Åström, K.J., & Hägglund, T. (2004). Revisiting the Ziegler-Nichols step response method for PID control. Journal of Process Control, 14(6), 635-650. doi: 10.1016/j.jprocont.2004.01.002.
[3] Beladjine, D.E., Boudana, D., Moualdia, A., Hallouz, M., & Wira, P. (2021). A comparative study of BLDC motor speed control using PI and ANN Regulator. In 2021 18th International Multi-Conference on Systems, Signals & Devices (SSD) (pp. 1291-1295). Monastir: IEEE. doi: 10.1109/ssd52085.2021.9429474.
[4] Brand, Z., & Cole, M.O. (2022). Piezo-based flexural vibration suppression for an annular rotor via rotating-frame H2 control optimization. Journal of Intelligent Material Systems and Structures, 33(4), 572-589. doi: 10.1177/1045389x211023585.
[5] Chien, K.L., Hrones, J.A., & Reswick, J.B. (1952). On the automatic control of generalized passive systems. Journal of Fluids Engineering, 74(2), 175-185. doi: 10.1115/1.4015724.
[6] Cohen, G.H., & Coon, G.A. (1953). Theoretical consideration of retarded control. Journal of Fluids Engineering, 75(5), 827-834. doi: 10.1115/1.4015451.
[7] Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems, 2, 303-314. doi: 10.1007/BF02551274.
[8] Dhandapani, M., Ravichandran, P., Shanmugam, A., & Pachaivanan, N. (2024). Performance evaluation of bridgeless isolated SEPIC-Luo converter for EV battery charging using PI and ANN controller. International Journal of Power Electronics and Drive Systems, 15(2), 935-946. doi: 10.11591/ijpeds.v15.i2.
[9] Eriksson, L. (2008). PID controller design and tuning in networked control systems. (PhD thesis, Helsinki University of Technology, Helsinki, Finland).
[10] Ghahramani, M., Qiao, Y., Zhou, M.С., O’Hagan, A., & Sweeney, J. (2020). AI-based modeling and data-driven evaluation for smart manufacturing processes. IEEE/CAA Journal of Automatica Sinica, 7(4), 1026-1037. doi: 10.1109/jas.2020.1003114.
[11] Luyben, M.L, & Luyben, W.L. (1997). Essentials of process control. Michigan: McGraw-Hill.
[12] Nouri, A., Lachheb, A., & Amraoui, L.E. (2023). A comparative study of the performances of the LQR regulator versus the PI regulator for the control of a battery storage system. Recent Advances in Electrical & Electronic Engineering, 16(8), 884-894. doi: 10.2174/2352096516666230427142102.
[13] O’Dwyer, A. (2009). Handbook of PI and PID controller tuning rules (3rd ed.). London: Imperial College Press. doi: 10.1142/p575.
[14] Romasevych, Y., Loveikin, V., & Loveikin, Y. (2022). Development of a PSO modification with varying cognitive term. In 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek) (pp. 1-5). Kharkiv: IEEE. doi: 10.1109/KhPIWeek57572.2022.9916413.
[15] Romasevych, Y., Loveikin, V., & Usenko, S. (2019) PI-controller tuning optimization via PSO-based technique. Przegląd Elektrotechniczny, 7, 33-37. doi: 10.15199/48.2019.07.08.
[16] Skogestad, S. (2003). Simple analytic rules for model reduction and PID controller tuning. Journal of Process Control, 13(4), 291-309. doi: 10.1016/S0959-1524(02)00062-8.
[17] Sridhar, H.S., Hemanth, P., Pavitra, Soumya, H.V., & Joshi, B.G. (2020). Speed control of BLDC motor using soft computing technique. In 2020 International Conference on Smart Electronics and Communication (ICOSEC) (pp. 1162-1168). Trichy: IEEE. doi: 10.1109/ICOSEC49089.2020.9215417.
[18] Tong, S., Min, X., & Li, Y. (2020). Observer-based adaptive fuzzy tracking control for strict-feedback nonlinear systems with unknown control gain functions. IEEE Transactions on Cybernetics, 50(9), 3903-3913. doi: 10.1109/TCYB.2020.2977175.
[19] Yessef, M., Bossoufi, B., Taoussi, M., Lagrioui, A., & Chojaa, H. (2022). Overview of control strategies for wind turbines: ANNC, FLC, SMC, BSC, and PI controllers. Wind Engineering, 46(6), 1820-1837. doi: 10.1177/0309524X221109512.
[20] Ziegler, J.G., & Nichols, N.B. (1942). Optimum settings for automatic controllers. Transaction of the ASME, 64(8), 759-765. doi: 10.1115/1.4019264.