본 논문에서는 항만 자동화를 위해 새로이 제안된 리니어 모터 기반 컨테이너 이송시스템에 지능제어기법을 이용하여 그 정밀도를 향상시키고자 한다. LMCTS(Linear Motor-based Container Transfer System)는 스케일의 거대함 때문에 일반 리니어 모터에서 중요시 되지 않는 정지마찰력과 디텐트럭(detent force)이 정밀제어에 큰 문제가 된다. 특히, 컨테이너 적제유무에 따라 시스템 자체가 급격히 변하므로 기존의 PID형 제어기로는 좋은 성능을 얻기 어렵다. 따라서 본 논문에서는 같은 구조를 갖는 두 개의 DR-FNN(Dynamically- constructed Recurrent FuzzyNeural Network)를 제어기와 에뮬레이터로 구성하여 이러한 문제를 해결하고자 하였다.
본 논문에서는 항만 자동화를 위해 새로이 제안된 리니어 모터 기반 컨테이너 이송시스템에 지능제어기법을 이용하여 그 정밀도를 향상시키고자 한다. LMCTS(Linear Motor-based Container Transfer System)는 스케일의 거대함 때문에 일반 리니어 모터에서 중요시 되지 않는 정지마찰력과 디텐트럭(detent force)이 정밀제어에 큰 문제가 된다. 특히, 컨테이너 적제유무에 따라 시스템 자체가 급격히 변하므로 기존의 PID형 제어기로는 좋은 성능을 얻기 어렵다. 따라서 본 논문에서는 같은 구조를 갖는 두 개의 DR-FNN(Dynamically- constructed Recurrent Fuzzy Neural Network)를 제어기와 에뮬레이터로 구성하여 이러한 문제를 해결하고자 하였다.
In the maritime container terminal. LMCTS (Linear Motor-based Container Transfer System) is horizontal transfer system for the yard automation, which In., been proposed to take the place of AGV (Automated Guided Vehicle). The system is based on PMLSM (Permanent Magnetic Linear Synchronous Motor) tha...
In the maritime container terminal. LMCTS (Linear Motor-based Container Transfer System) is horizontal transfer system for the yard automation, which In., been proposed to take the place of AGV (Automated Guided Vehicle). The system is based on PMLSM (Permanent Magnetic Linear Synchronous Motor) that is consists of stator modules on the rail and shuttle car (mover). Because of large variant of mover's weight by loading and unloading containers, the difference of each characteristic of stator modules, and a stator module's trouble etc. LMCTS is considered as that the system is changed its model suddenly and variously. In this paper, we will introduce the softcomputing method of a multi-step prediction control for LMCTS using DR- FNN (Dynamically-constructed Recurrent Fuzzy Neural Network). The proposed control system is used two networks for multi step prediction Consequently, the system has an ability to adapt for external disturbance, detent force, force ripple, and sudden changes by loading and unloading the container.
In the maritime container terminal. LMCTS (Linear Motor-based Container Transfer System) is horizontal transfer system for the yard automation, which In., been proposed to take the place of AGV (Automated Guided Vehicle). The system is based on PMLSM (Permanent Magnetic Linear Synchronous Motor) that is consists of stator modules on the rail and shuttle car (mover). Because of large variant of mover's weight by loading and unloading containers, the difference of each characteristic of stator modules, and a stator module's trouble etc. LMCTS is considered as that the system is changed its model suddenly and variously. In this paper, we will introduce the softcomputing method of a multi-step prediction control for LMCTS using DR- FNN (Dynamically-constructed Recurrent Fuzzy Neural Network). The proposed control system is used two networks for multi step prediction Consequently, the system has an ability to adapt for external disturbance, detent force, force ripple, and sudden changes by loading and unloading the container.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 항만의 변화에 대처하기 위한 방안으로 항만 컨테이너 터미널 자동화의 중요성이 대두되고 있으며, 하역 및 이송 장비의 성능향상을 위한 연구가 활발히 진행되고 있다. 본 논문에서는 -1 중에서노 대형 리니어 모터를 이용한 컨테이너 이송장비의 정밀 위치제어에 대한 내용을 다루고자 한다.
본 논문에서는 이 러흐}' 문제들을 해결하고자, LMCTS에 적합하도록 시스템 및 주변 환경에 대한 모델링을 수행하고, 셔틀카의 속도 및 위치 제어를 위한 위치제어시스템을 구성하였다. 제어시스템에는 퍼지와 신경회로망의 각 장점을 갖는 DR-FNN (Dynamically constructed Recurrent Fuzzy Neural Network)를 이용하였다.
큰 방해요소로 작용한다. 본 논문에서는 이와 함께 드라이버를 모델에 포함하여 제안 제어방법의 성능을 보고자 하였다. 특히, 마찰력은 셔틀카의 중량 및 속도 관계까지 고려하였으며, 데드존 영향을 갖도록 하였다.
따라서 LMCTS의 거대한 정지마찰력에 의한 데드 존(dead-zone) 영향 및 디텐트력 등의 외란이 존재 할 경우에도 ±3mm이하 정밀 위 치제어 가 가능하다. 이를 통해 양하역 이 전 위치 제어 시 소요되는 시간을 최소화하고자 하였으며, 나아가 LMCTS가 차세대 컨테이너 터미널의 이송 장치로서의 타당성 검증 및 항만 생산성 향상에 도움이 되고자 한다.
이때 발생하는 제어시스템 측면의 네 가지 오차를 줄이도록 하였다. 즉, 이들을 이용한 안정화 조건으로 제안하는 비용함수를 설정하고 이를 감소시키는 방향으로 네트워크를 조절함으로써 동적 마찰력에 대한 데드존 보상 및 주기적 외란인 디텐트력 영향을 줄이고자 하였다. 주행시 정확도는 ±1~3mm에 미치지 못했지만, 감속구간 및 정지시 그 요구조건을 만족시킬 수 있었다.
가설 설정
이때 레일과 바퀴들 사이의 굴림정지마찰을 중량의 1%로 가정하고, 셔틀카의 중량을 10~60ton으로 변화시켰을 경우의마찰력은 Fig. 2와 같다. 이때, ® 및 ⑧부분은 추력 및 외부힘에 대한 데드존 구간을 나타낸다.
제안 방법
제어시스템에는 퍼지와 신경회로망의 각 장점을 갖는 DR-FNN (Dynamically constructed Recurrent Fuzzy Neural Network)를 이용하였다. 또한, 두 개의 DR FNN을 제어 기와 에뮬레이터 역할을 하도록 하기 위해, 반대 방향이며 같은 구조로 구성하여 다단예측이 가능하도록 하였다. 따라서 LMCTS의 거대한 정지마찰력에 의한 데드 존(dead-zone) 영향 및 디텐트력 등의 외란이 존재 할 경우에도 ±3mm이하 정밀 위 치제어 가 가능하다.
나타낸다. 모의실험을 위한 전체 진행방법은 33m 지점을 왕복하고, 50초에서 40ton의 컨테이너를 적재한 후 50m 지점을 왕복하도록 하였다.
시스템에 사용된 외란은 마찰력과 디텐트력이며, 시스템 특성을 보기위하여 개루프로 반주기의 정현파 입력에 대하여 이동위치, 디텐트력, 마찰력 변화, 및 시스템에 실제 영향을 미치는 실효 입력 등을 나타내었다. Fig.
이러한 시스템에서 강인하며, 적응성을 갖도록 하기 위해 DR-FNW을 제안하였으며, 제어기와 역모델 역할의 두 DR-FNN을 이용하여 제어시스템을 구성하였다. 이때 발생하는 제어시스템 측면의 네 가지 오차를 줄이도록 하였다. 즉, 이들을 이용한 안정화 조건으로 제안하는 비용함수를 설정하고 이를 감소시키는 방향으로 네트워크를 조절함으로써 동적 마찰력에 대한 데드존 보상 및 주기적 외란인 디텐트력 영향을 줄이고자 하였다.
특히, 마찰력은 셔틀카의 중량 및 속도 관계까지 고려하였으며, 데드존 영향을 갖도록 하였다. 이러한 시스템에서 강인하며, 적응성을 갖도록 하기 위해 DR-FNW을 제안하였으며, 제어기와 역모델 역할의 두 DR-FNN을 이용하여 제어시스템을 구성하였다. 이때 발생하는 제어시스템 측면의 네 가지 오차를 줄이도록 하였다.
제어방식은 제어기와 에뮬레이터를 사용하여 간접제어 형식의 적응제어 방식이며, 사용될 장치(unit)은 일반적 퍼지신경회로망(Fuzzy Neural Network) 에서 Wai and Liu(2001) 와 Froymau and Wang(2002)의 장점을 이용한 DR, FNN을 제안하며, 에뮬레이터 역할의 DR-FNN unit 하나를 Fig. 5에 나타내었다. 이는 제어기 역할의 DR-FNN과 같은 구조를 가진다.
본 논문에서는 이와 함께 드라이버를 모델에 포함하여 제안 제어방법의 성능을 보고자 하였다. 특히, 마찰력은 셔틀카의 중량 및 속도 관계까지 고려하였으며, 데드존 영향을 갖도록 하였다. 이러한 시스템에서 강인하며, 적응성을 갖도록 하기 위해 DR-FNW을 제안하였으며, 제어기와 역모델 역할의 두 DR-FNN을 이용하여 제어시스템을 구성하였다.
이론/모형
제어시스템에는 퍼지와 신경회로망의 각 장점을 갖는 DR-FNN (Dynamically constructed Recurrent Fuzzy Neural Network)를 이용하였다. 또한, 두 개의 DR FNN을 제어 기와 에뮬레이터 역할을 하도록 하기 위해, 반대 방향이며 같은 구조로 구성하여 다단예측이 가능하도록 하였다.
참고문헌 (10)
Franke, K. P.(2001), 'Boosting Efficiency of Split Mahne Container Terninals by Innovative Technology,' IEEE Intelligent Transportation Systems Conference Proc., Oakland, USA, August, pp. 774-779
Tan, K. K. Huang, S. N. and Lee, T. H.(2002), 'Robust Adaptive Numerical Compensation for Friction and Force Ripple in Permanent-Magnet Linear Motors,' IEEE Trans. on Magnetics, Vol. 38, No. 1, pp.221-228
Lin, F. J., Wai, R. J, and Hong, C. M.(2002), 'Hybrid Supervisory Control Usins Recurrent Fuzzy Neural Network for Tracking Periodic Inputs,' IEEE Trans. on Neural Networks, Vol. 12, No. 1, January.
Wai, R. J., Lin, F. J.(2001), 'Adaptive Recurrent Neural-Network Control for Linear Induction Motor,' IEEE Trans. on Aerospace and Electronic Systems, Vol. 37, No. 4, pp. 1176-1192
Yoshida, K., Takarni, H., Kong, X. and Sonoda, A.(2001), 'Mass Reduction and Propulsion Control for a Permanent-Magnet Linear Synchronous Motor Vehicle,' IEEE Trans. on Industry Applications, Vol.37, No. 1, pp. 67-72
Yoshida, K., Kong, X. and Takami, H.(2000), 'Network Transport Automation Study of PM LSM Vehicle on Orthogonally Switching-Guideway,' Industry Applications Conference, Vol. 2, pp. 1109-1114
Frayman, Y. and Wang, L.(2002), 'A Dynamically constructed Fuzzy Neural Controller for Direct Model Reference Adaptive Control of Multi-input-multi output Nonlinear,' Soft Computing, Vol. 6, pp. 244-253
Widrow B. and Walach, E.(1996), Adaptive Inverse Control, Upper Saddle River, Prentice Hall
Kecman, V. Vlacic, L. and Salman, R.(1999), 'Learning in and performance of the new neural network based adaptive backthrough control structure,' Proceedings of the 14-th IFAC Trienniad World Congress, Beijing, PR Chaina, Vol. K, pp. 133-140
Seng, T. L. Khalid, M. B. and Yusof, R. Y.(1999),'Tuning of a Neuro Fuzzy Controller by GeneticAlgohthm,' IEEE Trans. on Systerns, Man, and Cybernetics, Part B: Cybernetics, Vol. 29, No. 2, pp.226-236
※ AI-Helper는 부적절한 답변을 할 수 있습니다.