SYNTHESIS OF AN ADAPTIVE FUZZY CONTROL SYSTEM FOR THE WARPING PROCESS
Authors/Creators
- 1. Tashkent institute textile and light industry
- 2. Tashkent State Technical University
Description
The article discusses the synthesis of a fuzzy control system for the warping process. It considers the synthesis of an adaptive fuzzy control system designed to stabilize the yarn tension during the warping process. A mathematical model has been developed in the state-space form, explicitly defining the vectors of state variables, control inputs, and disturbances. The parameters for fuzzy rule inference are determined for various values of the process model’s time constant.
A Sugeno-type fuzzy inference system is proposed to compensate for the parametric uncertainties of the control object. The Gaussian curve was chosen as the membership function since analysis shows that it provides a more accurate representation of the input signals. A comparative analysis of the efficiency of fuzzy and LQR controllers was carried out under varying dynamic characteristics of the object.
A software package for the automated synthesis of fuzzy controllers has been developed, featuring the capability to analyze the system’s response surfaces. It should be noted that the program interface not only allows for the synthesis of such controllers but also enables the export of the fuzzy control system to Simulink for control quality analysis.
Abstract (Russian)
В статье рассматриваются вопросы синтеза нечеткой системы управления процессом снования.
Рассматривается синтез адаптивной системы нечеткого управления для стабилизации натяжения нити в процессе снования. Разработана математическая модель в пространстве состояний с явным выделением векторов переменных состояния, управляющих воздействий и возмущений. Определены параметры
вывода нечетких правил при различных значениях постоянной времени модели процесса снования.
Предложена система нечеткого логического вывода типа Сугено для компенсации параметрических неопределенностей объекта управления. В качестве функции принадлежности была выбрана гауссовою кривая, поскольку анализ показывает, что она позволяет более точно представлять входные сигналы.
Проведен сравнительный анализ эффективности нечеткого и LQR-регуляторов при изменении динамических характеристик объекта.
Разработан программный комплекс автоматизированного синтеза нечетких регуляторов с возможностью анализа поверхностей отклика системы. Следует отметить, что интерфейс программы не только позволяет синтезировать такие регуляторы, но и обеспечивает экспорт нечеткой системы управления в Simulink для анализа качества регулирования.
Files
DIZZW #115_October_jornal-42-48.pdf
Additional details
Additional titles
- Alternative title (Russian)
- АДАПТИВНАЯ СИСТЕМА НЕЧЕТКОГО УПРАВЛЕНИЯ ДЛЯ ПРОЦЕССА ПЕРЕКРУЧИВАНИЯ
References
- 1. Iskandarov Z.E., Avezov T.X. (2025) Postroyeniye i issledovaniye robastno-nechyotkoy sistemi upravleniya protsessom snovaniY. Avtomati zatsiya protsessov upravleniya № 2 (80). https://doi.org/10.35752/1991-2927_2025_2_80_30 2. Avezov T.H., Iskandarov Z.E. Research of the Fuzzy Control System for Adjusting Thread Tension During the Warping process// Chemical Technology. Control and Management. 2024. ISS. 3. pp.59 – 65. 3. Iskandarov Z.E., Avezov T.H., Jurayev J.B. System Analysis of the Automatic Control System of a Warping Machine // Textile Journal of Uzbekistan. 2024. Vol. 1. pp. 33 – 40. 4. Avezov T.H. Fuzzy Control System for Tech nological Process Parameters // Web of Technology Multidimensional Research Journal. 2024. Vol. 2, ISS. 10. pp. 1 – 7. 5. Saki, S., & Bolandi, H. (2022). Robustness anal ysis of adaptive model predictive control for uncertain non-linear dynamic systems using S-gap metric con cepts. ISA Transactions, 130, 582–597. https://doi.org/10.1016/j.isatra.2022.03.004 6. Ghaffari, V. (2022). A robust predictive ob server-based integral control law for uncertain LTI sys tems under external disturbance. Journal of the Franklin Institute, 359(13), 6915–6938. https://doi.org/10.1016/j.jfranklin.2022.06.037 7. Siddikov, I., Khalmatov, D., Khushnazarova, D., & Khujanazarov, U. (2024). Neural network control of a nonlinear dynamic plant with a predictive model. International Journal of Electrical and Computer Engi neering (IJECE), 14(5), 5131–5138. https://doi.org/10.11591/ijece.v14i5.pp5131-5138 8. Pelusi, D., & Mascella, R. (2013). Optimal con trol algorithms for second order systems. Journal of Computer Science, 9(2), 183–197. https://doi.org/10.3844/jcssp.2013.183.197 9. Siddikov, I., Khalmatov, D., Khushnazarova, D., & Khujanazarov, U. (2024). Nonlinear systems control algorithm with backstepping method. E3S Web of Conferences, 508, 4004. https://doi.org/10.1051/e3sconf/202450804004 10. Tu, L., Guo, M., Wang, J., & Gao, W. (2024). Warp yarn tension coupling models and fuzzy PID con trol for enhancing warp beam unwinding tension stabil ity in sizing machines. Journal of Industrial Textiles, 54. https://doi.org/10.1177/15280837241301709