UNIVERSITATEA TEHNIC DE CONSTRUCII BUCURETI

Facultatea de Inginerie a Instalaiilor

TEZA DE DOCTORAT
Rezumat

Contribuii la modelarea sistemelor de

conducere automat utiliznd algoritmi
neuro-fuzzy

Conductor de doctorat
Prof.univ.dr.ing. Sorin CALUIANU
Doctorand
Ing. Andreea-Mihaela Roman (cstorit Iftene)

BUCURETI
2014

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

CUPRINS:
INTRODUCERE
Capitolul 1 Introducere.3
Capitolul 2 Modelul fizic si matematic pentru sistemul de nclzire, ventilaie si aer-condiionat (HVAC)..........................3
Capitolul 3. Reele neuronale utilizate in tehnicile de control automat...................................................................................7

Capitolul 4 Sisteme inteligente utiliznd logica fuzzy...................................................................................................................8

Capitolul 5 Controlere fuzzy.8

Capitolul 6 Sisteme inteligente de deducere adaptiv neuro fuzzy..........................................................................................8

Capitolul 7 Sinteza controlului inteligent pentru un sistem HVAC............................................................................................9

7.1 Sinteza controlului utiliznd reele neuronale.9
7.2 Analiza rezultatelor simulrii controlului neuro......................................................................................................10
7.3 Sintetizarea controlului fuzzy-PD...........................................................................................................................13
7.5 Sinteza controlului fuzzy-PID.17
7.7 Sinteza controlerului neuro-fuzzy..........................................................................................................................19
Capitolul 8 Concluzii personale,contributii originale si perspective pentru contiunarea tematicii......................................20
8.1Concluzii personale...................................................................................................................................................................20
8.2.Contributii originale. .............................................................................................................................. ................................20
8.3 Perspective.............................................................................................................................................................................. ..21
Biblografie selectiva.................................................................................................................... ...................................................22

Cuvinte Cheie: HVAC, HVAC model matematic,control intelligent de HVAC, control fuzzy logic, retea perceptron ,
simulare numerica, reele neuronale de control, control PID, PID cu auto-reglare tip de control fuzzy adaptiv.

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

INTRODUCERE
Performana energetic a cldirilor a devenit n zilele noastre extrem de importanta, deoarece din ce n ce mai muli
proprietari de cldiri sunt din ce n ce mai receptivi la costuri. Contextul i motivele sunt multiple: resursele tradiionale limitate,
nclzirea global, poluare etc. Pare incredibil, dar n anii 1990, sa estimat c energia consumata de echipamentele de nclzire,
ventilaie i aer condiionat (HVAC), n cldiri industriale i comerciale constituie 50% din consumul mondial de energie. Din
acest punct de vedere, sistemele HVAC sunt printre cele mai dificile instalaii pentru procesul de control. Este demn de remarcat
faptul c, n 2010 consumul a sczut la aproximativ 20-40%, dar contabilizeaz n jurul valorii de 33% din emisiile globale de
CO2. Prin urmare, este de ateptat ca viitoarele cldiri inteligente sa fie prevzute, cu o eficien energetic i confort ridicat, cu
sisteme de control din ce n ce mai sofisticate.
Cele mai multe sisteme HVAC sunt de obicei proiectate pentru a funciona n condiiile definite de sarcini termice. Fr o
lege de control robusta, sistemul va deveni instabil, deoarece sarcinile termice reale sunt variabile n timp i, prin urmare,
sistemul HVAC ar supra-nclzi sau supra-racii spaiile deservite.
n funcie de aplicaie, sistemele HVAC sunt proiectate i construite, fie ca pachete unitare de sine stttoare sau ca sisteme
centrale. Unitatea HVAC autonoma transform o energie primar (electricitate sau gaz) prin furnizarea de nclzire sau de rcire
ctre spaiul condiionat.
Teza prezint un punct de vedere unitar pentru proiectarea i simularea unui control de tip neuro-fuzzy pentru sisteme
HVAC. Construirea modelului matematic HVAC este efectuat n scopul de a obine un cadru de validare a controlului inteligent
prin simulri numerice. Algoritmul de control are ca parte component un neuro-control proiectat pentru a optimiza un indice de
performan. Ori de cte ori neuro-controlul se satureaz algoritmul comuta pe un control cu logica fuzzy fezabil i de ncredere
(in sensul ca este moderat si mpiedica saturaia). Un control convenional cu logica fuzzy de tip Proporional Derivativ (PD) este
folosit pentru primele ncercri. n cele din urm, este cercetat un control cu logica fuzzy i auto-reglaj de tip ProporionalIntegral-Derivativ (PID). Procedura de ntoarcere la un neuro-control optimizat este esenial i este, de asemenea, descris.
Simulrile numerice ilustreaz buna funcionare a sistemului n prezena perturbaiilor de temperatur i umiditate. Descrierea
modului de operare, reprezint o baz pentru cercetri ulterioare.

Capitolul 1 Introducere
n acest capitol mi-am propus s ofer o imagine ct mai complet asupra literaturii de specialitate cat si motivarea
pentru proiectarea i simularea unui control de tip neuro-fuzzy pentru sisteme de nclzire, Ventilaie i Aer Condiionat
(HVAC).
Am evidentiat faptul ca realizarea climatizarii de camere n cldiri poate fi o problem de control complexa dac sunt
cerute grade ridicate de confort i de economie a energiei.
Am analizat din punct de vedere al automatizrii, ca obiectivul de modelare a cldirii nu este de a calcula cu precizie
temperatura n fiecare punct dintr-o camer, dar s avem informaii care pot duce la proiectarea unui controler de succes este
foarte importanta. n cazul n care camera este bine proiectata arhitectural si sistemele de acionare bine plasate, pot fi obinute
att confortul ct i economia de energie.

Capitolul 2 Modelul fizic si matematic pentru sistemul de nclzire, ventilaie si aer-condiionat (HVAC)
Am evidentiat construirea modelului matematic HVAC cu scopul de a obine un cadru de validare a controlului
inteligent prin simulri numerice.
Am considerat pentru a ilustra tehnica de control HVAC un model fizic de spaiu cu o singura zona descrisa de B.
Argello-Serrano si M. Velez-Reyes.

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Fig. 2.1. Vedere schematica - sistem HVAC cu operare pe modul de rcire, ca sistem de aer condiionat.
Am evidentiat operaiunile efectuate n sistem care au fost reflectate n modelarea matematic (seciunea 2.6). n acest
sistem, aerul proaspt intr i se amesteca cu 75% din aerul recirculat (poziia 5), in mixerul de debit (poziia 1), i aerul rmas
este evacuat. n scopul de confort si igiena sunt luate n considerare n acest sistem rata volumetrica a debitului de aer proaspt.
Apoi, aerul amestecat trece prin componentele schimbtorului de cldur i n cele din urm ctre ventilatorul de alimentare intr
in spaiul termic ca aer de alimentare (poziia 2), pentru a compensa cldura sensibil (cldura actual), i latena (umiditatea) la
acionare a sarcinilor termice asupra sistemului, n mod special, prin schimbarea de sarcin termic, operatorul de sistem variaz
simultan debitul volumetric de aer i de ap, astfel nct valorile de referin dorite de temperatur i umiditate relativ sunt
meninute. n cele din urm, aerul n spaiul termic este aspirat printr-un ventilator (poziia 4), 75% din acest aer este recirculat i
restul este evacuat din sistem.
Modelarea matematic se bazeaz pe principiul conservrii energiei. Pentru simplitate, neglijm pe moment efectele de
umiditate. Sa considerare relaia de baz:
(2.1)

=
privind cantitatea de cldur

Qt absorbit de o mas m cu cldura specific cp a realizat o schimbare de temperatur T n

intervalul de timp t . Fizic, variaia de temperatur implic un regim tranzitoriu i aa, avnd n vedere amestecul de aer asumat
n seciunea 3, dinamica temperaturilor n cele dou locaii cheie 2-3 sunt configurate astfel:

2
= 0.25 + 0.753 2 +

3
= 2 3 +

(2.2)

Apoi, adugam un model simplu dinamic de umiditate a aerului i o completare a sarcinilor termice. Astfel, ecuaiile
difereniale care descriu comportamentul dinamic al sistemului HVAC n Fig. 2.1 poate fi scris dup cum urmeaz:

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

3 =

1
3
2 3 +

3 2
3
3

3 =
2 =

(2.3)

3 +
3 2
3

0.25 + 0.753 2

0.250 + 0.753 2

6000

Entalpia vaporilor de apa generat, anume 2 3 ; atunci, avem un al doilea termen de sarcin termic hwvM, n care este implicat direct masa de umiditate i, n sfrit, un al treilea termen de sarcin termic definit de sarcin
termic sensibila (simplu, cldura sensibil este n legtur cu cantitatea de cldur necesar pentru a mri sau micora
temperatura unui obiect sau spaiu, fr a schimba starea de agregare; cldura latent este cantitatea necesar pentru a schimba
starea sa de agregare). Toi aceti termeni sunt bazai pe principiul suprapunerii efectelor. Acum, este uor pentru a vedea modul
n care celelalte dou ecuaii sunt obinute n mod similar. n ceea ce privete semnele termenilor de sarcin termic, plus sau
minus, aceste semne indic influena asupra variabilelor de stare T2(t), T3(t), W3(t). De exemplu, termenul negativ -hwvM
contribuie la scderea temperaturii T3(t) i aa mai departe.
Vom rescrie sistemul (2.3) prin introducerea variabilelor n form de stare obinut:
1 = 3 , 2 = 3 , 3 = 2
1 = 3 , 2 = 3
(2.4)
1 = , 2 =
1 = , 2 =
Acest lucru nseamn c efortul de a construi un controler se bazeaz pe msurarea celor dou iesiri care caracterizeaz
spaiul termic. Cu notaiile simplificate pentru parametri i constante:

1 =

1
hwv
1
1
1
hw
hw
, =
, =
, =
, =
, =
, =
V3 2 cp V3 3 cp V3 4 V3 1 Vhe 2 cp Vhe 3 cp Vhe

(2.5)

Se obine:

x1 =

60 x3 x1
1047.7 60 W2 x2
d1 1047.7 d2
u1
u1 +
58464
0.24 58464
0.074 0.24 58464
x2 =

x3 =

60
d2
W2 x2 u1 +
58464
0.074 58464

60
15
60 21.78
x x3 u1 +
T x1 u1
0.25 W0 + 0.75 x2 Ws u1
60.75 1
60.75 0
0.24 60.75
6000

u
0.24 0.074 60.75 2

(2.6)

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

d
r

H
n
Fig. 2.2 Configuraia de baz a unui sistem de stabilizare
Pentru motive de conformitate, menionez c sistemele cu reacie sunt caracterizate prin dou paradigme de baz: de
regulator, sau sistemul de rejectie a perturbatiei, precum i sistemul de urmrire. Sistemul HVAC este n esen un regulator:
obiectivul este de controler care s menin temperatura spaiului termic x1 i rata de umiditate x2 la un anumit moment punct de
setare = 1 2

,i.

e., pentru a contracara semnale de eroare = 1 1 2 2

(fig. 2.2) ( aT este notata

transpunerea ntr-un vector / matrice a)

a ) Problema sintezei de control

a HVAC poate fi definita dup cum urmeaz:

S presupunem c variaiile apar n temperatura mediului ambiant T o, rata umiditii mediului nconjurtor Wo,
temperatura aerului de alimentare T2, rata de umiditate a aerului de alimentare W2 i sarcinile termice

Q , M, de la un anumit

punct de echilibru
( , , 2 , 2 , , ), care este n legtur cu o anumit stare de echilibru 1 , 2 , 3 . Asigura o lege de control a
reaciei (feedback) de ieire = care aduce starea(x1(t),x2(t)) la punctul de echilibru 1 , 2 . Mai specific, ieirea
reglementat (msurat, aici), = 1 2

este necesar s se apropie punctului de echilibru 1 , 2 .

Este cunoscut n literatura de specialitate i n practica de teren ca dificultatea de a rezolva problema este mai ales
amplificat n prezena schimbri de sarcin termic (tulburri d) i a zgomotului de msurare inerent (fig. 2.2). Pentru a
specifica, vom scrie sistemul (2.7) ca model n variante prin introducerea punctului de echilibru (x e,ue,de) .
x1 =x1 -xe1 ,x2 =x2 -xe2 ,x3 =x3 -xe3

(2.7)

u1 =u1 -ue1 ,u2 =u2 -ue2 ,d1 =d1 -de1 ,d2 =d2 -de2
Substituii (2.7) in (2.6) si consider definiia punctului de echilibru ca soluia a sistemului (2.6) care anuleaz partea
dreapta in primele trei ecuaii (2.6)
0 = 1 1 3 1 1 2 2 2 + 3 1 2
0 = 1 1 2 2 + 4 2
0=ue1 1 xe1 -xe3 +0.25ue1 1 Teo -xe1 -ue1 3 0.25Weo +0.75xe2 -We2 -ue2 2
Un sistem linear in variaii este obinut in forma de matrice:

(2.8)

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

(2.9)

x A0x xi Bi u B0 u E d , y = C x
i 1

Unde:

1u10
2u10
1u10
A0 0
1u10
0

0
0
0
0.751u1 0.753u1 1u1

1 x30 x10 2 Ws x20

B0
1 Ws x20

B1 =

-1
0
0.751

2
0
0 ,B2 = -1
0
-0.753

(2.9 ')

0
3 h fg 3

4
0 E 0

0
2
0

0
1
0 ,B3 = 0
-1
0

0
0 ,C= 1 0
0 1
0

0
0

Modelul matematic al sistemului, aa cum a fost obinut n (2.9) - (2.9 '), sa dovedit a fi unul, care nu este nici prea
simplu, nici prea complicat, astfel nct n cele din urm credibil. ntr-adevr, modelul este liniar, astfel poziionat ca
complexitate matematic ntre liniaritate i neliniaritate. n ceea ce privete validarea unei strategii de control inteligenta (bazata
pe logica fuzzy, reele neuronala), modelul este de asemenea reprezentativ. Cu toate acestea, trebuie adugat c o strategie
inteligent este n mare parte liber de modelul matematic, ca si validarea sa n proces, on-line, depinde de validarea preliminar
privind modelul doar ntr-o mic msur.

hw qw c pVhe

Termenul analitic

6000gpm c pVhe

din sistem este o generalizare

corespunztoare a termenului analitic-numeric

n modelul original prezentat n (B. Argello-Serrano, M. Velez-Reyes), n care coeficientul 6000 este

fizic dimensional. Datele de (B. Argello-Serrano, M. Velez-Reyes) au fost convertite aici n uniti SI. nlocuind aceste date n
sistemul

x1e

(2.6)

21.2770 C,

Reyes)

x2e

alegerea hw

0.0092,

x3e

50777 J/kg ,

fost

obinut

stare

de

echilibru

12.4226 C foarte aproape de cea prevzut n (B. Argello-Serrano, M. Velez-

x1e 21.66 C (71 F) , x2e 0.0092 , x3e 12.77 C (55 F) .

Capitolul 3. Reele neuronale utilizate in tehnicile de control automat

n acest capitol am prezentat pe larg noiunile de baz ale reelelor neuronale artificiale, principalele proprietile care
stau la baza aplicrii reelelor neuronale n cadrul conducerii proceselor i domeniul calculului evolutiv plecnd de la eliminarea
dezavantajelor i combinarea avantajelor.
Am concluzionat ca in cazul reelelor neuronale, informaiile sunt reprezentate sub form numeric, prin intermediul
ponderilor reelei. Am evidentiat faptul ca reelelor neuronale au capacitatea de a-i adapta ponderile in cazul folosiri unui set de
date de antrenare este unanim recunoscut ca fiind asemntoare procesului de nvare uman. Am concluzionat ca totui, modul
n care reelele neuronale realizeaz transferul intrare-ieire nu este transparent, din acest motiv acestea fiind considerate modele

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

de tip "cutie neagr".
Capitolul 4 Sisteme inteligente utiliznd logica fuzzy
n acest capitol am prezentat noiunile fundamentale ale logicii fuzzy, pentru a nelege mecanismul de inferen al
raionamentului aproximativ folosit n logica fuzzy, n acest capitol sunt prezentate i explicate noiunile: variabile lingvistice,
propoziii fuzzy primare, propoziii fuzzy compuse i proprieti ale acestora, propoziii fuzzy compuse dac-atunci, funcii de
implicaii fuzzy, cu cele mai reprezentative expresii ale acestora. Seturi fuzzy i de control fuzzy au fost introduse cu scopul de a
controla sistemele care sunt structural greu de modelat.
Am prezentat sisteme de conducere automat bazate pe logica fuzzy. Am evidentiat faptul ca la sistemele de conducere
automat intrrile i ieirile sunt mrimi numerice, deci este necesar o transformare a intrrilor numerice n intrri fuzzy,
operaie numit fuzzificare (vaguizare) i o transformare a ieirilor fuzzy n valori numerice, operaie numit defuzzificare
(devaguizare).
Am evidentiat faptul ca ideea de conducere fuzzy se caracterizeaz printr-o strategie de conducere exprimat printr-un
numr de reguli de conducere fuzzy.
Am prezentat avantajele conducerii fuzzy i domeniile de aplicare.
Capitolul 5 Controlere fuzzy
n capitolul 5 am nceput prin a descrie conceptele care stau la baza implementrii controlerelor cu logic fuzzy cat si
funcionarea controlerelor cu logic fuzzy. n continuare am prezentat principalele tipuri de controlerele fuzzy cu comportare tip
P, controlerele fuzzy cu comportare tip PI, controlerele fuzzy cu comportare tip PD i controlerele fuzzy cu comportare tip PID.
Am descris importanta proiectarii de controlerelor fuzzy
n final au fost decsrise controlerele de tip Mamdanii si Sugeno.
Capitolul 6 Sisteme inteligente de deducere adaptiv neuro fuzzy
n acest capitol am rezumat conceptul de sistem inteligent de deducere adaptiv neuro fuzzy. Sistemele neuro-fuzzy
moderne au caracteristici care le fac adecvate controlului unor procese industriale: sunt sisteme fuzzy instruite printr-un algoritm
de nvare euristic, derivate in general din reele neuronale. Presupun folosirea reelelor neuronale pentru optimizarea unor
anumii parametri ai sistemelor fuzzy sau pentru preprocesarea datelor de intrare n sistemele fuzzy. Am realizat o comparatie
intre sistemele fuzzy si reelele neuronale.
Am concluzionat faptul ca pentru reelele neuronale, cunotinele sunt achiziionate automat printr-un algoritm (de
exemplu, back-propagation), dar procesul de nvare este relativ lent iar analiza reelei antrenate este dificil (o reea neuronal
este deseori considerat o cutie neagr", n care avem acces numai la intrri i la ieiri, fr a ti precis ce se ntmpl n interior).
Nu este posibil nici extragerea cunotinelor structurale (reguli) din reeaua antrenat, nici integrarea de informaii speciale
despre problem, pentru a simplifica procedura de nvare.
Am evidentiat faptul ca sistemele fuzzy prezint n principal avantajul explicrii comportamentului pe baza unor reguli
i deci performanele lor pot fi ajustate prin modificarea acestora. Totui, achiziionarea cunotinelor este dificil iar universul de
discurs al fiecrei variabile de intrare trebuie divizat n mai multe intervale i de aceea, aplicaiile sistemelor fuzzy sunt restrnse
la domeniile n care sunt disponibile cunotinele experilor iar numrul variabilelor de intrare este relativ mic. Am concluzionat
faptul ca utilizarea sistemelor neuro-fuzzy minimizeaz dezavantajele i maximizeaz avantajele celor dou tehnici.

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Capitolul 7 Sinteza controlului inteligent pentru un sistem HVAC
7.1 Sinteza controlului utiliznd reele neuronale
n aceast teza am considerat o strategie neuro-fuzzy, pentru sistemul de control HVAC. Aceasta are dou componente: a)
neuro-control i b) control de logica fuzzy, supraveghere neuro-control pentru a contracara saturaia. Pentru a genera cele dou
semnale de control - debitul volumetric de aer i debitul de ap rcit / nclzit, o schema de perceptron elementar, este
considerat suficient de eficient (fig. 7.1).Perceptronul elementar este o reea neuronal unilateral cu un singur neuron. Pentru
simplitate, vom folosi o notaie generic

pentru cele dou semnalele de control

u1

u2 . n figur, [12 ]T este

vectorul de ponderare a reelei neuronale, care este "antrenat" on-line prin metoda de nvare a gradientului de coborre pentru
a reduce costurile J.

e1

v1
u

NC

v2
e2

Fig. 7.1 Neuro-control de tip perceptron

1 n
1 n
2
2
2
q1e1 i e2 i q2unc i :
J i
2n i 1
2n i 1

(7.1)

q1 , q2 sunt ponderi de cost i u : unc este semnalul de neuro-control obinut

u : unc 1e1 2e2
Din punct de vedere al sistemului, intrarea este

(7.2)

unc i ieirea este e e1 , e2 . Din punct de vedere de formare neuro-control,

performana sistemului este evaluat de ctre funcia de cost, un criteriu care presupune un compromis ntre prima intrare
eroarea de urmrire, a doua componenta de intrare e2 - rata de schimbare a erorii de urmrire i controlul

unc .

e1 -

De fapt,

procedura (7.2) genereaz dou semnale de neuro-control bazate pe seturi de erori

e1t : x1ref x1 , e2t e1t

(7.3)

e1h : x2 ref x2 , e2 h e1h

unde

x1ref si x2ref sunt intrri de referina(comenzi); n cazul sistemelor de urmrire, acestea sunt semnale de timp variabile. n

consecin, actualizarea este dat de expresia:

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

(n 1) (n) (n)
(n) : diag(1 , 2 )

n
J (i) e (i) J (i) u (i)
J
diag(1 , 2 )

(n)
u (i) (i)
i n N e (i ) u (i )

n relaia (7.4), matricea

diag(1 , 2 ) introduce vectorul scala de nvare, (n) este vectorul de actualizare greutate i N

(7.4)

marcheaz o memorie din spate (de N pai de timp). Derivatele n (7.4) necesit doar informaii de intrare-ieire despre sistem.

e(i) / u(i) este aproximat on-line prin relaia:

e(i) / u(i) (e(i) e(i 1)) / (u(i) u(i 1))

(7.5)

Pentru a contracara riscul de saturaie neuro-control i pentru a realiza mbuntirea sistemului de nvare, a fost
dezvoltat un supraveghetor fuzzy neuro-control. Ar trebui subliniat faptul c, pentru sistemele rapide, cum ar fi servomecanisme
hidraulice, cu constante de timp, n valoare de zecimi de secund, procedura a dat rezultate bune. De data aceasta avem n vedere
punerea n aplicare a ideii, n cazul unui sistem lent, cum ar fi sistemul HVAC. Acest lucru nseamn c neuro-control comuta la
un control de tip logica fuzzy Mamdani ori tocmai am descris c neuro-controlul este saturat. n acest fel, cele dou componente
completeaz reciproc o strategie cu valene de optimalitate (neuro-control) i de siguran operaional (de control fuzzy).
7.2 Analiza rezultatelor simulrii controlului neuro
Conceptul de control este, dup cum urmeaz: variabila

u2 controleaz starea x1 prin starea x3 , iar variabila u1

controleaz n mod direct starea 2 . Modelul matematic in sine face ca posibilitile de control sa fie atipice.
Simulrile numerice ale sistemului HVAC controlat de o reea neuronala, de tip perceptron elementar (Fig. 7.1), au fost efectuate
folosind Matlab / Simulink Toolbox. Punct de echilibru a fost considerat i sistemul a fost apoi supus la diferite configuraii ale
perturbaiilor

T 0 , W0 , d1 , d2 , cuprinse n tabele. n tabele, sunt prezentate variantele acestor dou valori de control

u1 i

u2 , exprimate n uniti SI, comparate cu valorile de echilibru. Evident, prin definiie, u1 i u2 au valori pozitive. Valorile de
echilibru

pentru

variabilele

de

control

sunt

u1e 17000 ft 3 / min 481.38 m3 / min

u2e 58 gpm 0.21982 m3 / min . n simulrile au fost luate n considerare valori de prag de saturaie
u1 1000 ft 3 / min 28.3168 m3 / min si u2 10 gpm 0.0379 m3 / min .
Din rezultatele rezumate n tabelele avem urmtoarele constatri:
a) controlul

u2 reacioneaz foarte bine pentru a menine temperatura de referin xe : T 71 F 21.66 C ; de

1
3

exemplu, n cazul n care umiditatea

W0 crete cu 10%, o scdere de 0,15% a debitului de ap de rcire este suficient pentru a

menine aproape neschimbat valoarea temperaturii de referin. A se vedea fig.7. 2 asociat cu primele dou rnduri din tabelul 1.
c) Aa cum rezult din modelul matematic (7), de control al autoreglrii are loc numai n cazul unei perturbri. Bineneles,
controlul feedback-ul este, de asemenea, prezent, la un nivel relativ sczut de reacie. A se vedea fig. 7.4 asociat cu rndurile 5 i
6 din tabelul 1.
b) perturbarea de temperatura a aerului exterior

T0e = 85 F= 29.44 C de +10% necesit mult mai mult variaie de

u2 , adica +11.25%. A se vedea fig. 7.3 asociat cu rndurile 3 i 4 din tabelul 1.

u
d
c) Aa cum rezult din modelul matematic (7), controlul de feedback 1 are loc numai n cazul unei perturbri 2 .
u
Bineneles, controlul feedback-ului 2 este, de asemenea, prezent, la un nivel relativ sczut de reacie. A se vedea fig. 7.4
control

asociat cu rndurile 5 i 6 din tabelul 1.

10

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Tabel 1 Primul set de configuraii simulate pe calculator, cu 10% perturbaii
Perturbare pe:

u1 [ft 3 /min]

u2 [gpm]

d1[ Btu/hr ]

d2[ lb/hr ]

T0[

W0, cl. loop

-0.08723

2.898 105

166.1

85

0.0198

W0, op. loop

2.898 105

166.1

85

0.0198

T0, cl. loop

6.258

2.898 105

166.1

93.5

0.018

T0, op. loop

2.898 105

166.1

93.5

0.018

d2, cl. loop

0.0033

-0.05293

2.898 105

182.7

85

0.018

d2, op. loop

2.898 105

182.7

85

0.018

d1, cl. loop

4.712

3.188 105

166.1

85

0.018

d1, op. loop

3.188 105

166.1

85

0.018

T0,d2, cl. loop

0.0033

6.364

2.898 105

182.7

93.5

0.018

T0, d2, op.loop

2.898 105

182.7

93.5

0.018

T0, d1, cl. loop

10.97

3.188 105

166.1

93.5

0.018

T0, d1,op. loop

3.188 105

166.1

93.5

0.018

F]

W0

Tabel 2 Setul 2 de configuraii simulate pe calculator, cu 20% perturbaii

Perturbare pe:

u1 [ft 3 /min]

u2 [gpm]

d1[ Btu/hr ]

d2[ lb/hr ]

T0[

W0, cl. loop

-0.1745

2.898 105

166.1

85

0.0198

W0, op. loop

2.898 105

166.1

85

0.0198

T0, cl. loop

10

2.898 105

166.1

102

0.018

T0, op. loop

2.898 105

166.1

102

0.018

d2, cl. loop

0.0066

-0.06636

2.898 105

199.3

85

0.018

d2, op. loop

-0

2.898 105

199.3

85

0.018

d1, cl. loop

10

3.478 105

166.1

85

0.018

d1, op. loop

3.478 105

166.1

85

0.018

T0, d2, cl. loop

0.0066

10

2.898 105

199.3

102

0.018

T0, d2, op.loop

2.898 105

199.3

102

0.018

T0, d1, cl. loop

10

3.478 105

166.1

102

0.018

T0, d1, op. loop

3.478 105

166.1

102

0.018

11

F]

W0

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

u
Am observat, cu toate acestea, n toate configuraiile de Tabele, eficien remarcabil de control 1 , debitul volumetric de aer, n
x2 .

poziie de control variabil pentru reglarea starii

x1
21.667

21.66

21.6665

x 1 [C]

x 1 [C]

x1
21.68

21.64

21.666

21.62
21.6

21.6655

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

21.665

0.5

1
0
-1

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

0.2196

u2 [m3/min]

u2 [m3/min]

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.2194
0.2192

0.219

0.5

Fig. 7.2 sistem HVAC fara control (stanga), si cu control (dreapta), 1.1 W 0 perturbatia de echilibru
x1
21.8

24

21.75

x 1 [C]

x 1 [C]

x1
26

22
20

21.7

21.65
0

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

u2 [m3/min]

u2 [m3/min]

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

0.26

2
1
0
-1

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.24
0.22
0.2

0.5

Fig. 7.3 sistem HVAC fara control (stanga), si cu control (dreapta), 1.1 T 0 perturbatia de echilibru
x1

x1

21.67

21.7

21.665

x 1 [C]

x 1 [C]

21.6
21.5

21.3

21.66
21.655

21.4

21.65
0

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

u2 [m3/min]

u2 [m3/min]

1
0

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

0.4

-1

0.35

0.4

0.45

0.5

0.3
0.2
0.1
0

12

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

x3

x3

13.7

12.85

13.6
12.8

13.5
12.75

13.4

x 3 [C]

x 3 [C]

13.3
12.7

12.65

13.2
13.1
13

12.6

12.9
12.55

12.8
12.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

12.7

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

Fig. 7.4 sistem HVAC fara control (stanga), si cu control (dreapta), 1.1 d2 perturbatia de echilibru
d) Sistemul nu poate face fa la orice nivel de perturbaii, aa cum se arat n fig.7.5, care este asociata cu rndurile 5 i 6 din
tabelul 3. Este evident faptul c sistemul s-a saturat. Modul propus pentru a contracara o astfel de situaie este cea a controlului de
supraveghere cu logica fuzzy [1].
e) Studiul de fa nu este exhaustiv. Simulri numerice ar trebui s continue, n scopul de a evalua limitele perturbaiilor pe care
acest sistem de control inteligent le poate contracara, inclusiv n cazul prezenei realiste a tuturor perturbaiilor.

x1

x1
21.67
21.66

21.5

x 1 [C]

x 1 [C]

22

21
20.5

21.64

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

21.63

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]
u2

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

0.3
u2 [m3/min]

u2 [m3/min]

2
1
0
-1

21.65

0.05

0.1

0.15

0.2

0.25
0.3
time [hour]

0.35

0.4

0.45

0.5

0.25
0.2

Fig. 7.5 sistem HVAC fara control (stanga), si cu control (dreapta), 1.25 d2 perturbatia de echilibru
7.3 Sintetizarea controlului fuzzy-PD
Controlul fuzzy a fost intens studiat i aplicat, n varianta lingvistic Mamdani.

Fig. 7.6 Funcii de membru pentru : a) Variabile de intrare scalate y1, y2 i b) fuzzy control scalat uf

13

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Cele trei bine-cunoscute componente ale controlului fuzzy: fuzzyficarea, inferena, i defazzificarea - vor fi expuse succint
mai jos. Componenta fuzzy convertete semnalele clare de intrare:

e1k , e2k , k 1, 2, ...

(7.6)

n ordinea lor variabilele relevante fuzzy (sau, funciile de membru, echivalente, MFs) asociate cu urmtorul set de termeni
lingvistici: "zero" (ZE), "pozitiv sau negativ mici" (PS, NS), "mediu pozitiv sau negativ" (PM, NM), "pozitiv sau negativ mare"
(PB, NB) (pentru motive de simplitate, funciile cele mai naturale i imparial de membru sunt alese, de tipul triunghiulare i
singleton, figura 7.6.)..Toate MFs sunt definite pe intervalul comun

1,1 .

Acest lucru nseamn c anterior au fost definii o serie de factori de scal (SFs)
variabilele

e1 , e2 , u f

ke1 , ke2 , ku f respectiv pentru toate

,. Selectarea valorilor adecvate pentru SFs presupune cunotine apriori despre proces, dar, de asemenea,

se poate face prin ncercare i eroare pentru a obine cea mai buna performan de control posibila. n principiu, nu exist nici o
metod bine definit pentru o buna setare a lui SF pentru a FLC. O atenie deosebit ar trebui acordat pentru a calcula on-line
SF-urile efective de control,

(a se vedea mai jos). Astfel, relaiile dintre SF i variabilele de intrare i de ieire ale FLC cu

auto-ajustare sunt dup cum urmeaz:

e1N ke1 e1 , e2N ke2 e2 , u fN ku f u

(7.7)

Raionamentul fuzzy este definit de un set fix de reguli de control (sau, norme de baz, RB), n mod normal, derivate
din cunotinele experilor. De exemplu, n controlul de urmrire, construirea unei baze de norme ntruchipeaz ideea unei
proporii (direct) ntre semnalul de eroare

e1

i de fuzzy control cerut

uf

. n acest caz, de controller de tip adaptiv, abordarea

n construcia bazei de reguli este diferita. Observai c nu exist un consens n literatura de specialitate privind terminologia
utilizat n descrierea diferitelor tipuri de controlere fuzzy. Un controler cu logic fuzzy (FLC) este numit de adaptare n cazul n
care oricare dintre parametrii si acordabili (FS, MFS, i baz de norme), se schimb atunci cnd controlerul este utilizat, n caz
contrar acesta este un FLC non adaptiv sau convenional. Un FLC adaptiv care regleaz un controler deja in lucru prin
modificarea acestuia, fie MFS sau SFs sau ambele dintre ele se numete FLC auto-adaptare. Dac un FLC este reglat prin
schimbarea automat a RB-ului su, atunci aceasta se numete un FLC cu auto-organizare.

14

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

e2

e1

uf

NB

NM

NS

ZE

PS

PM

PB

NB

NB

NB

NB

NM

NS

NS

ZE

NM

NB

NM

NM

NM

NS

ZE

PS

NS

NB

NM

NS

NS

ZE

PS

PM

ZE

NB

NM

NS

ZE

PS

PM

PB

PS

NM

NS

ZE

PS

PS

PM

PB

PM

NS

ZE

PS

PM

PM

PM

PB
a

PB

ZE

PS

PS

PM

PB

PB

PB

e2

e1

NB

NM

NS

ZE

PS

PM

PB

NB

VB

VB

VB

SB

ZE

NM

VB

VB

MB

VS

NS

VB

MB

VB

VS

VS

ZE

SB

MB

ZE

MB

SB

PS

VS

VS

VB

MB

VB

PM

VS

MB

VB

VB

PB

ZE

SB

VB

VB

VB

b)

Fig. 7.7 a)Reguli de baz pentru calcularea u f ; b) Reguli de baz pentru calcularea factorului de actualizare
Un FLC convenional de tip derivativ proporional (PD) va fi descris primul. Aceasta totalizeaz un numr de n = 7x7 reguli
DAC ..., ATUNCI ..., care este numrul de elemente ale produsului cartezian A x B, A = B: = {NB, NM, NS, ZE, PS, PM; PB}.
Aceste seturi sunt asociate cu seturi de termeni lingvistici alei pentru a defini funciile de apartenen pentru variabilele fuzzy e1 i,
respectiv, e2 .

15

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Structura regulilor n este prezentata n Fig. 7.7 a). Fie

T timpul de eantionare discret. Luai n considerare cele dou variabile de

intrare clare scalate (normalizat) e1Nk i e2Nk , la fiecare pas de timp tk

kT (k = 1, 2, ...). Lund n considerare cele dou ordonate

corespunztoare n figura pentru fiecare dintre cele dou variabile clare, un numr de M 22 combinaii de dou ordonate trebuie s fie
investigate. Avnd n vedere aceste combinaii, un numr de M reguli dac ..., atunci ..., vor opera n forma:

if e1Nk is Ai and e2Nk is Bi , then u fNk is Ci , i 1, 2,..., M

(7.8)

(Ai, Bi, Ci sunt termeni lingvistici care aparin Seturilor A, B, C, si A = B = C, a se vedea figura 7.7.a.). Reine c RB n Fig.
7.7a) caracterizeaz cerinele care implic un plan bidimensional de faza, astfel nct FLC convenional conduce sistemul n
modul de aa-numita alunecare. Un FLC cu auto-ajustare se obine prin actualizarea on-line a ctigului de control . Acest
lucru servete pentru a contracara depirile controlerului i pentru a mbunti performana de control general. RB pentru
depinde de fiecare proces, i de fiecare de operare "dura" a RB, n acest caz, prezentat n Fig. 7.7a). RB prezentat n Fig. 7.7b), cu
aplicaii care au dat rezultate bune pe modele teoretice matematice. Noile condiii asociate lingvistic sunt "foarte mici" (VS),
"mici" (S), "mica mare"(SB), "mediu mare" (MB), "mare" (B), "foarte mare" (VB).
Defuzzyficarea se refer doar la transformarea acestor reguli dac ..., apoi.... ntr-o formul matematic oferind o
variabil de control de ieire uf. n ceea ce privete logica fuzzy, fiecare regula de forma (7.8) definete un set fuzzy AiBiCi n
spaiul cartezian intrare-ieire produs R3, a crui funcie de membru poate fi definit n acest mod

u min[ Ai (e1k ), Bi (e2k ), Ci (u)], i 1, ... , M ,(k 1, 2, ...)

i

(7.9)

Pentru simplitate, funcia de membru Singleton-tip C(u) de control variabile a fost preferata, n acest caz C

(u ) , va fi nlocuit

cu ui0 , abscisa Singleton. Prin urmare, folosind:

1) singleton de fuzzyficare pentru uf,
2) defuzzyficator de tip centru-media,
3) inferen min, M, dac ..., atunci ... reguli care pot fi transformate, la fiecare pas de timp k, ntr-o formula data de control clar
M

i 1

i 1

u f ui u i0 / ui

16

(7.10)

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

-3

10.5

x1

x2

x 10

x2, x2ref

x1, x1ref [grad C]

22.4
22.2
22

9.5

21.8
21.6

9
0

0.1

0.2

0.3

0.4

0.5
timp [h]
u2

0.6

0.7

0.8

0.9

u1 [m3/min]

0.4
0.3
0.2
0.1

0.1

0.2

0.3

0.4

0.5
timp [h]

0.1

0.2

0.3

0.4

0.5
0.6
timp [h]
u1

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
0.6
timp [h]

0.7

0.8

0.9

480
475
470
465

485

0.5
u2 [m3/min]

10

0.6

0.7

0.8

0.9

x3
19
18
17

x3 [grd C]

16
15
14
13
12
11
10
9

0.1

0.2

0.3

0.4

0.5
timp [h]

0.6

0.7

0.8

0.9

0.15T0 _ e , 0.1d2 _ e , 0.1W2 _ eperturbaia de echilibru

Fig.7.8 Sistem HVAC FUZZY-PD

7.4 Sinteza controlului fuzzy-PID

Ca un punct de plecare n sinteza de autotuning al FLC relaia bine-cunoscuta, care definete un control Proporional
Integral Derivate (PID)

u k kP e k kI e i kD e k e k 1
k

i 1

Coeficienii

(7.11)

k P , k I , k D sunt, de obicei, reglai n funcie de anumite criterii de sintez clasica.. n S. Soyguder, M. Karakose,

H. Alli, este folosit RB prezentat n Fig. 7.9.

17

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Fig. 7.9 Reguli de baza pentru control PID cu auto-ajustare de tip fuzzy adaptiv: a) k P ; b) k I ; c) k D
-3

x1
10.5

21.9

x2, x2ref

x1, x1ref [grad C]

22

21.8
21.7
21.6

0.1

0.2

0.3

0.4

0.5
timp [h]
u2

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
timp [h]
u1

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
timp [h]

0.6

0.7

0.8

0.9

481.3864

u1 [m3/min]

u2 [m3/min]

0.26
0.24
0.22
0.2

10
9.5
9

x2

x 10

0.1

0.2

0.3

0.4

0.5
timp [h]

0.6

0.7

0.8

0.9

481.3863
481.3862
481.3861

x3
15

x3 [grd C]

14.5

14

13.5

13

12.5

0.1

0.2

0.3

0.4

Fig.7.10 HVAC system FUZZY PID

0.5
timp [h]

0.6

0.7

0.8

0.9

0.15T0 _ e , 0.1d2 _ e , 0.1W2 _ e perturbaie de echilibru

18

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

7.5 Sinteza controlerului neuro-fuzzy

Perturbaii

Performane

J J Y u , u

Sistem fizic/ model

matematic.

u : min J
u

referin X1ref
e1t

X2ref
+

neuro-control

u n Y

un Y

Y , F Y , u

Y , F Y , u
fuzzyficare

fuzzyficare

fuzzy inference

fuzzy inference

un Y

defuzzyficare
unc

Y , F Y , u

Y , F Y , u

u n Y

supervizor fuzzy

Y
supervizor fuzzy

supervizor fuzzy

neuro-control

fuzzy supervised neuro-control

- FSNC
e1h

Expertiz
cunotine

defuzzyficare

preliminare

unc
uf

Selecie / lege de
comutare

uf

.......

u
Fig. 7.11 Schia de supraveghere fuzzy de neuro-control (FSNC)
FSNC funcioneaz ca logica fuzzy de control u f , n cazul n care neuro-controlul
fuzzy, fuzzy neuro-control

un este saturat. n cazul de operare de control

un este concomitent actualizat n cazul aciunii reale a controlului fuzzy u f . Pentru a obine rigoarea

i exactitatea procesului de urmrire reglementat, controlul cu logica fuzzy pornete neuro-controlul ori de cte ori neurocontrolul un reajustat nu este saturat. La timpul ts , atunci cnd trecerea de la logica de control fuzzy la neuro-control are loc,
vectorul de ponderare reajustate r va fi derivat prin luarea n considerare un factor de scala uf u n .

1r u f 2 y2 u f

unc y1 ,2r 2u f

O schi a FSNC este prezentat n Fig. 7.11

19

unc

(7.12)

-3

x1
x2, x2ref

24
22
20

0.1

0.2

0.3

0.4

0.5
timp [h]
u2

0.6

0.7

0.8

0.9

0.4
0.2
0

0.1

0.2

0.3

0.4

0.5
timp [h]
flag2

0.6

0.7

0.8

0.9

9.6

x2

x 10

9.4
9.2

u1 [m3/min]

u2 [m3/min]

x1, x1ref [grad C]

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

0.1

0.2

0.3

0.4

0.5
0.6
timp [h]
u1

0.7

0.8

0.9

481.3862
0

0.1

0.2

0.3

0.4

0.5
0.6
timp [h]
flag1

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
0.6
timp [h]

0.7

0.8

0.9

481.3866
481.3864

0.5

-1

0.1

0.2

0.3

0.4

0.5
timp [h]

0.6

0.7

0.8

0.9

x3
17
16.5
16

x3 [grd C]

15.5
15
14.5
14
13.5
13
12.5

0.1

0.2

0.3

0.4

Fig.7.12 HVAC sistem NEURO-FUZZY

0.5
timp [h]

0.6

0.7

0.8

0.9

0.15T0 _ e , 0.1d2 _ e , 0.1W2 _ e

perturbaie de echilibru

Capitolul 8 Concluzii personale,contributii originale si perspective pentru contiunarea tematicii.

8.1Concluzii personale
Teza de doctorat Contribuii la modelarea sistemelor de conducere automata utiliznd algoritmi neuro-fuzzy propune
o abordare personala a prelucrarii datelor din perspectiva unei simulari numerice a unei strategii de control special numit FSNC
(Supravegherea Fazzy Neuro Control). Am menionat c, dei independent de un model matematic al sistemului controlat,
controlul inteligent necesit o evaluare atent prin simulri numerice, n special cu privire la adoptarea componentei "regulile de
baz" ale controlului fuzzy. Prin urmare, acesta a fost utilizat n studiul validrii complete a controlului neuro-fuzzy.

8.2.Contributii originale .
Teza propune o abordare unitar n proiectarea de control inteligent al sistemelor de Incalzire, Ventilatie si Aeri
Conditionat(HVAC)., pentru a asigura o eficien energetic ridicat i calitatea aerului mbuntita. n prima parte a studiului,
se consider ca sistem de referin un singur spaiu termic cu sistem HVAC, pentru care se atribuie un model matematic al
sistemului controlat i un model matematic de control inteligent. Concepia de control inteligent este de tip comutare, ntre o reea
neuronal simpl, un perceptron, care are scopul de a reduce , un indice de cost, i o component de logica fuzzy, avand rolul de
supraveghere antisaturare pentru neuro-control. Bazat pe simulri numerice, lucrarea se concentreaz pe analiza funcionrii
sistemului, n prezena numai a componentei de control neuronal.
Pentru atingerea obiectivelor propuse n tez, au fost aduse o serie de contribuii, dintre care se pot meniona urmtoarele:

realizarea unui studiu aprofundat al analizei problematicii neuro-fuzzy;

controlul neuronal poate fi instruit pentru a face fa la o gam complex de perturbaii;

stabilizarea n prezena perturbaiilor se realizeaz fr suprascriere observata la controlul clasic descris;

20

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

comparaia intre neuro - fuzzy, PD-fuzzy, PID-neuro-fuzzy, neuro-PD si PID-neuro poate fi favorizat sofisticatului
neuro-fuzzy control.

Am concluzionat ca pentru a contracara riscul de saturaie neuro-control i pentru a realiza mbuntirea sistemului de
nvare, a fost dezvoltat un supraveghetor fuzzy neuro-control (FSNC). Am constata faptul c, pentru sistemele rapide, cum ar
fi servomecanisme hidraulice, cu constante de timp, n valoare de zecimi de secund, procedura a dat rezultate bune. Am avut n
vedere punerea n aplicare a ideii, n cazul unui sistem lent, cum ar fi sistemul HVAC. Am evidentiat faptul ca neuro-control
comuta la un control de tip logica fuzzy Mamdani ori de cate ori neuro-controlul este saturat. n acest fel, cele dou componente
completeaz reciproc o strategie cu valene de optimalitate (neuro-control) i de siguran operaional (de control fuzzy).
Am realizat simularile numerice ale sistemului HVAC controlat de o reea neuronala, de tip perceptron elementar,
simularile au fost efectuate folosind Matlab / Simulink Toolbox.
In prima faza am folosit un control convenional cu logica fuzzy de tip Proporional Derivativ (PD) pentru primele
ncercri. Ulterior am realizat un control cu logica fuzzy i auto-reglaj de tip Proporional-Integral-Derivativ (PID). Am realizat
ca procedura de ntoarcere la un neuro-control optimizat este esenial. Am realizat cu ajutorul simularilor numerice buna
funcionare a sistemului n prezena perturbaiilor de temperatur i umiditate.

8.3 Perspective
Analizele realizate pot constitui o baza pentru studiile viitoare n proiectul Advanced strategies for high performance
indoor Environmental QUAliTy in Operating Rooms EQUATOR, UEFISCDI-CNCS Project No. PN-II-PT-PCCA-20113.2-1212, proiect care are ca scop mbuntirea calitii aerului n slile de operaie din spital (ORs), sistemele HVAC pot
aborda obiective specifice care implic dinamica fluidelor, cum ar fi afectarea strategiei jetului de ventilaie. n alte cazuri,
cum ar fi sistem de metrou sau n zgrie-nori cu sute de etaje, este necesar de a avea un sistem complet de aer condiionat,
care ar putea pstra temperatura, umiditatea sau presiunea n limitele acceptabile.
Data fiind complexitatea problematicii analizate directiile de continuare a cerecetarilor sunt multiple si in continuare pot
fi prezentate cateva din acestea:

extinderea metodologiei de proiectare a controlerelor prezentate n aceast lucrare pentru a putea fi utilizate
pe un sistem termic multizonal;

efectuarea de studii pentru a testa robusteea controlerelor, folosind un schimbator de caldura neliniar mai
precis;

implementarea fizic a perturbrii controlerelor folosind tehnologia microprocesor.

Evolutiile viitoare ale cercetarii,prin urmare, se va concentra pe imbunatatirea modelului de calcul pentru a
simula conditii diferite de functionare.

21

REZUMAT-Contributii la modelarea sistemelor de conducere automata utilizand algoritmi neuro-fuzzy

Bibliografie selectiva:

A. Iftene ,Concepte teoretice privind sistemele BMS utilizate la cldirile individuale a 46 a Conferin Naional de
Instalaii, Instalatii pentru inceputul mileniului trei volumul IISinaia 19-21 Octombrie 2011pag.589

A. Iftene ,Proiectarea sistemelor fuzzy folosind reele neuronale artificiale a 46 a Conferin Naional de Instalaii,
Instalatii pentru inceputul mileniului trei volumul II Sinaia 19-21 Octombrie 2011 pag.597

A. Iftene, Clasificator Neuro - Fuzzy destinat diagnosticrii sistemelor tehnice din cldiri a 45 a Conferin Naional
de Instalaii, Sinaia, 2010

A. Iftene, S. Caluianu, I. Nastase, I. Ursu, G. Tecuceanu, A. Toader, Synthesis and simulation of neuro-fuzzy HVAC
systems, The 35thCaius Iacob Conference on Fluid Mechanics and itsTehnical Applications 2013, November 14-15,
Bucharest, ROMANIA.

A. Iftene, Sistem inteligent de comand ierarhizat A XVI-a Conferin cu participare internaional Confort, eficien,
conservarea energiei i protecia mediului Bucureti, 18-19 mar. 2010

A. Iftene, Sisteme dezvoltate pentru economia de energie a 44 a Conferin Naional de Instalaii, Instalatii pentru
inceputul mileniului trei 2009

A. Iftene, Sisteme hibride neuro-fuzzy articol SIEAR 2008

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader ,Intelligent control of HVAC sysyems. Part II: perceptron
performance analysis, INCAS Bulletin, vol. 5, no. 3, pp. 127-135, 2013.

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader, About the synthesis and simulation of intelligent HVAC systems,
The 5th Romanian Conference on Energy Performance of Buildings (RCEPB-V), 29-30th of May, 2013, Bucharest,
ROMANIA.

I. Ursu, I. Nastase, S. Caluianu, A. Iftene, A. Toader, Intelligent control of HVAC sysyems. Part I: Modeling and
synthesis, INCAS Bulletin, vol. 5, no. 1, pp. 103-118, 2013.

I. Ursu, A. Toader, S. Balea, A. Halanay, New stabilization and tracking control laws for electrohydraulic
servomechanisms, European Journal of Control, vol. 19, no 1, 2013.

I. Ursu, F. Ursu, Airplane ABS control synthesis using fuzzy logic, Journal of Intelligent and Fuzzy Systems, vol. 16,
no. 1, pp. 23-32, 2005

I. Ursu, F. Ursu, L. Iorga, Neuro-fuzzy synthesis of flight controls electrohydraulic servo, Aircraft Engineering and
Aerospace Technology, vol. 73, pp. 465-471, 2001.

I. Ursu, G. Tecuceanu, A. Toader, C., Calinoiu, Switching neuro-fuzzy control with antisaturating logic. Experimental
results for hydrostatic servoactuators, Proceedings of the Romanian Academy, Series A, Mathematics, Physics,
Technical Sciences, Information Science, 12, 3, 231-238, 2011.

I. Ursu, G. Tecuceanu, F. Ursu, R. Cristea, Neuro-fuzzy control is better than crisp control, Acta Universitatis
Apulensis, no. 11, 259-269, 2006.

Larionescu S., Aprecierea robusteii sistemelor automate, Msurri i Automatizri, Nr. 2, 2001, p.55-56

Larionescu S., Teoria sistemelor, Matrix Rom, Buc., 2006

Nastac, I., Bacivarov, A. and Costea, A.: A Neuro-Classification Model for Socio-Technical Systems, Romanian
Journal of Economic Forecasting, Vol. XI, No. 3/ 2009, pp. 100-109. (ISSN 1582-6163). http://www.ipe.ro/rjef.htm

Nastac, I., Dobrescu, E. and Pelinescu, E.: Neuro-Adaptive Model for Financial Forecasting, Romanian Journal of
Economic Forecasting, Vol. VIII, No. 3/ 2007, pp. 19-41. (ISSN 1582-6163). http://www.ipe.ro/rjef.htm

22