Điều khiển trượt cải tiến kết hợp với kỹ thuật cuốn chiếu và mạng nơ-ron nhân tạo cho hệ thống bồn kép
9 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.112.2026.20-28Từ khóa:
Hệ thống bồn đôi; Điều khiển trượt; Cuốn chiếu; Mạng nơ-ron hàm cơ sở xuyên tâm; MATLAB/Simulink.Tóm tắt
Nghiên cứu này đề xuất một giải pháp thiết kế bộ điều khiển bám mức chất lỏng cho hệ thống bồn kép (C-TS) sử dụng phương pháp điều khiển trượt (SMC) dựa trên mặt trượt tích phân tỷ lệ (PI) kết hợp với kỹ thuật cuốn chiếu và mạng nơ-ron hàm cơ sở xuyên tâm (RBFNNs). Bộ điều khiển trượt dựa trên mặt trượt tích phân tỷ lệ (còn gọi là điều khiển trượt cải tiến - PISMC) cung cấp nhiều tham số hơn để điều chỉnh bộ điều khiển trượt. Phương pháp cuốn chiếu đảm bảo tính ổn định tiệm cận toàn cục của các hệ thống hồi tiếp nghiêm ngặt. Điều khiển trượt cuốn chiếu cải tiến được sử dụng để nâng cao hiệu suất của điều khiển trượt truyền thống và hoạt động như một chiến lược điều khiển bền vững. Mạng RBFNNs được sử dụng để xấp xỉ các hàm phi tuyến chưa biết trong điều khiển trượt cuốn chiếu cải tiến. Tính ổn định của hệ thống được chứng minh thông qua lý thuyết Lyapunov. Kết quả mô phỏng trong MATLAB/Simulink chứng minh tính hiệu quả, sự phù hợp và tính bền vững của phương pháp điều khiển đề xuất so với điều khiển mờ, điều khiển thích nghi sử dụng mạng nơ-ron RBF, điều khiển trượt dựa vào quan sát nhiễu và chế độ Quasi và điều khiển trượt dựa vào các điều kiện tích phân, với thời gian tăng đạt 0,1295 (s), thời gian xác lập là 0,2233 (s), không có vọt lố và sai số xác lập hội tụ về 0.
Tài liệu tham khảo
[1]. M. Changela and A. Kumar, “Designing a Controller for Two Tank Interacting System,” International Journal of Science and Research, Vol. 4, Issue 5, pp. 589 – 593, (2013).
[2]. M. Saad et al., “Performance Comparison between PI and MRAC for Coupled-Tank System,” Journal of Automation and Control Engineering, Vol. 2, No. 3, pp. 316–321, (2014).
[3]. F. Zeng, “A sufficient condition producing 16-qam golay complementary sequences,” IEEE Communications Letters, Vol. 18, no. 11, pp. 1875–1878, (2014).
[4]. A. Yadav et al., “Sliding Mode Control with RBF Neural Network for Two Link Robot Manipulator,”International Journal of Computer Applications, Vol. 178, No. 52, pp. 31 – 36, (2019).
[5]. P. T. Tung and N. C. Ngon, “Adaptive sliding mode control based on RBF neural network for two tanks interacting system,” TNU Journal of Science and Technology, Vol. 226, No. 11, pp. 323–331, (2021).
[6]. P. T. Tung and N. C. Ngon, “Sliding mode control based on disturbance observer and Quasi-sliding mode for two_tank interacting system,” TNU Journal of Science and Technology, Vol. 227, No. 02, pp. 87–95, (2022).
[7]. Sains and Kej, “Intergral time absoluts error minimization for PI controller on coupled-tank liquid level control system based on stochastic search techniques,” Faculty of Electrical Engineering, Universiti Teknologi Malaysia, Vol. 54, pp. 316–321, (2011).
[8]. S. N. Engin et al., “Modeling of a Coupled Industrial Tank System with ANFIS,” Springer-Verlag Berlin Heidelberg, Vol. 2972, pp. 804-812, (2004).
[9]. D. Mursyitah et al., “Level Control in Coupled Tank System Using PID-Fuzzy Tuner Controller,” 2018 Electr. Power, Electron. Commun. Control. Informatics Semin. EECCIS 2018, pp. 293–298, (2018).
[10]. K. Narwekar and V. A. Shah, “Level control of coupled tank using higher order sliding mode control,” Proc. 2017 IEEE Int. Conf. Intell. Tech. Control. Optim. Signal Process. INCOS 2017, Vol. 2018, No. 1, pp. 1–5, (2017).
[11]. Jinkun Liu, “Radial basis function (RBF) neural network control for mechanical systems,” Springer-Verlag Berlin Heidelberg, (2013).
[12]. M. A. M. Basri, “Design and application of an adaptive backstepping sliding mode controller for a six-DOF quadrotor aerial robot,” Robotica, Vol. 36, No. 11, pp. 1680–1700, (2018).
[13]. Y. Tao et al., “A Sliding Mode Control-Based on a RBF Neural Network for Deburring Industry Robotic Systems,” International Journal of Advanced Robotic Systems, Vol. 13, No. 8, pp. 1-10, (2016).
[14]. Z. A. Khan et al., “RBF neural network based backstepping terminal sliding mode MPPT control technique for PV system,” PLoS ONE, Vol. 16, No. 4, pp. 1-23, (2021).
[15]. H. Zhang and Y. Liu, “Adaptive RBF neural network based on sliding mode controller for active power filter,” Int. J. Power Electronics, 2020. Vol. 11, No. 4, pp. 460-481, (2020).
[16]. C. H. Lin and F.-Y. Hsiao, “Proportional-Integral Sliding Mode Control with an Application in the Balance Control of a Two-Wheel Vehicle System,” Applied Sciences, Vol. 10, No. 15, pp. 1-27, (2020).
[17]. L. Xu et al., “A combined backstepping and fractional-order PID controller to trajectory tracking of mobile robots,” Systems Science and Control Engineering, Vol. 10, No. 1, pp. 133–140, (2022).
[18]. S. B. Prusty et al., “Sliding Mode Control of Coupled Tank Systems Using Conditional Integrators,” IEEE/CAA Journal of Automatica Sinica, Vol. 7, No. 1, pp. 118-125, (2020).
