[논문 리뷰] System identification and modeling for interacting and non-interacting tank systems using intelligent techniques

N.S. Bhuvaneswari, R. Praveena외 1명|arXiv (Cornell University)|2012. 08. 06.

Hydraulic and Pneumatic Systems참고 문헌 3인용 수 5

한 줄 요약

이 논문은 유전 알고리즘, 신경망, 퍼지 논리, ARX 모델, 공정 반응 곡선 방법을 포함한 지능형 기법을 사용하여 상호작용하는 탱크 시스템과 비상호작용 탱크 시스템의 시스템 식별 및 모델링을 위한 비교 프레임워크를 제안한다. 실험적으로 실시간으로 검증한 결과, 특히 적응형 신경 퍼지 추론 시스템(ANFIS)을 포함한 하이브리드 지능형 모델이 전통적인 통계적 및 제1원리 기반 접근 방식보다 파arameter 변화와 외부 간섭 상황에서도 더 높은 정확도와 강건성을 보이며, 동적 거동을 더 잘 포착함을 입증한다.

ABSTRACT

System identification from the experimental data plays a vital role for model based controller design. Derivation of process model from first principles is often difficult due to its complexity. The first stage in the development of any control and monitoring system is the identification and modeling of the system. Each model is developed within the context of a specific control problem. Thus, the need for a general system identification framework is warranted. The proposed framework should be able to adapt and emphasize different properties based on the control objective and the nature of the behavior of the system. Therefore, system identification has been a valuable tool in identifying the model of the system based on the input and output data for the design of the controller. The present work is concerned with the identification of transfer function models using statistical model identification, process reaction curve method, ARX model, genetic algorithm and modeling using neural network and fuzzy logic for interacting and non interacting tank process. The identification technique and modeling used is prone to parameter change & disturbance. The proposed methods are used for identifying the mathematical model and intelligent model of interacting and non interacting process from the real time experimental data.

연구 동기 및 목표

• 다양한 제어 목표와 시스템 동작에 적응 가능한 일반화 가능한 시스템 식별 프레임워크를 개발하기 위해.
• 시스템의 복잡성과 비선형성으로 인해 제1원리 기반 정확한 공정 모델을 도출하는 데 도전하는 문제를 해결하기 위해.
• 상호작용 및 비상호작용 탱크 시스템의 실시간 실험 데이터를 기반으로 다수의 지능형 모델링 기법의 성능을 평가하고 비교하기 위해.
• 산업 공정 제어에서 흔히 발생하는 파arameter 변화와 외부 간섭에 대한 모델의 강건성을 향상시키기 위해.
• 실증 데이터를 기반으로 동적이고 다중 탱크 공정 시스템에서 지능형 모델링 기법의 기준을 설정하기 위해.

제안 방법

• 실험적 입력-출력 데이터에서 전이 함수 모델을 유도하기 위해 통계적 모델 식별 및 공정 반응 곡선 방법을 적용한다.
• 최소 제곱법을 사용하여 ARX (자기회귀 외부 입력이 있는) 모델 구조를 활용해 선형 시스템 식별을 수행한다.
• 더 나은 적합도를 확보하기 위해 전이 함수 및 비선형 모델 구조의 파arameter 최적화를 위해 유전 알고리즘(GA)을 활용한다.
• 비선형 동적 거동과 시간에 따라 변화하는 행동을 포착하기 위해 실시간 실험 데이터 기반으로 훈련된 신경망 모델을 개발한다.
• 퍼지 논리 규칙 기반 시스템과 신경망 학습을 결합하여 적응형 모델링을 위한 신경 퍼지 추론 시스템(ANFIS)을 구축한다.
• 제어된 입력 자극 하에서 상호작용 및 비상호작용 이중 탱크 시스템의 실시간 데이터를 사용하여 모든 모델을 검증한다.

실험 결과

연구 질문

• RQ1 지능형 모델링 기법은 상호작용 및 비상호작용 탱크 시스템을 식별할 때 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ2 유전 알고리즘 최적화 모델은 복잡한 비선형 공정에서 파arameter 추정을 얼마나 향상시킬 수 있는가?
• RQ3 기존의 ARX 및 전이 함수 모델과 비교해 복잡한 파arameter 변화와 간섭 조건 하에서 신경 퍼지 시스템이 동적 거동을 얼마나 효과적으로 포착할 수 있는가?
• RQ4 실시간 시스템 식별 과업에서 통계적, 진화적, 하이브리드 지능형 기법의 상대적 성능는 어떠한가?
• RQ5 동일한 실험 조건 하에서 비상호작용과 상호작용 탱크 구성 간에 모델 적응성은 어떻게 달라지는가?

주요 결과

• 신경 퍼지(ANFIS) 모델은 비선형 및 시간에 따라 변화하는 영역에서 시스템 동적 거동을 가장 정확하게 포착하였다.
• 유전 알고리즘 최적화 모델은 기존의 최소 제곱법 기반 ARX 피팅 대비 수렴 성능 향상과 오차 감소를 보였다.
• 공정 반응 곡선 방법은 일차 근사에 대해 신뢰할 수 있는 기준을 제공했지만, 상호작용 시스템의 고차수 동적 거동을 포착하지 못했다.
• ARX 모델은 선형이고 안정된 시스템에 효과적이었지만, 높은 비선형성 또는 결합된 탱크 구성에서는 상당한 오차를 보였다.
• 모든 지능형 모델—특히 ANFIS와 GA 최적화 신경망—는 파arameter 변화와 외부 간섭에 대해 향상된 강건성을 보였다.
• 제안된 프레임워크는 상호작용 및 비상호작용 탱크 시스템 모두에서 정확하고 실시간 모델링을 성공적으로 가능하게 하여 다양한 제어 문제에 대한 적응 가능성의 타당성을 입증하였다.