A fuzzy learning algorithm is developed in order to construct the useful control rules and tune the membership functions in the fuzzy logic controller used for water level control of nuclear steam generator. The fuzzy logic controllers have shown to perform better than conventional controllers for ill-defined or complex processes such as nuclear steam generator. Whereas the fuzzy logic controller does not need a detailed mathematical model of a plant to be controlled, its structure is to be made on the basis of the operator's linguistic information experienced from the plant operations. It is not an easy work and also there is no systematic way to translate the operator's linguistic information into quantitative information. When the linguistic information of operators is incomplete, tuning the parameters of fuzzy controller is to be performed for better control performance. It is the time and effort consuming procedure that controller designer has to tune the structure of fuzzy logic controller for optimal performance. And if the number of control inputs is many and the rule base is constructed in multidimensional space, it is very difficult for a controller designer to tune the fuzzy controller structure. Hence, the difficulty in putting the experimental knowledge into quantitative (or numerical) data and the difficulty in tuning the rules are the major problems in designing fuzzy logic controller.
In order to overcome the problems described above, a learning algorithm by gradient descent method is included in the fuzzy control system such that the membership functions are tuned and the necessary rules are created automatically for good control performance. For stable learning in gradient descent method, the optimal range of learning coefficient not to be trapped and not to provide too slow learning speed is investigated. With the optimal range of learning coefficient, the optimal value of learning coefficient is suggested and with this value, the gradient descent learning algorithm can provide the stable learning and fast learning speed. For more fast learning speed, the modified momentum is applied to the learning scheme. Fuzzy logic controller with learning algorithm described above is applied to water level control of nuclear steam generator through two learning patterns; one is the off-line learning and the other the on-line learning.
Fuzzy logic controller trained off-line is useful in the situation that the controller designer is over-burdened with the tuning works for the fuzzy controller structure and the recorded data from plant operation is rich. In the off-line learning, the desired data is required from the control actions of the plant operator or other controllers such as PI controller. The gradient descent learning algorithm extracts the useful rules among total 343 rules which are generated from the relational product of three controller inputs (7×7×7) and tunes membership functions for controller input domain. In practice, it is almost impossible to tune 343 rules constructed in three input dimensions by trial-and-error method of a human designer. The fuzzy logic controller trained off-line shows the good general mapping capability of controller's input-output relationships and also shows excellent robustness to sudden, large load disturbances.
Fuzzy logic controller with on-line learning algorithm, which is called Self-Organizing Fuzzy Logic Controller, constructs the controller structure with no control rules at initial in such a way that it creates control rules and tunes controller input membership functions based on the performance criterion as control action goes on and modifies its control structure when uncertain disturbance is suspected during plant operation. Selected tuning parameters of fuzzy logic controller are updated on-line in the learning algorithm. This control algorithm is divided into two types based on the two performance criteria, i.e., performance index table and performance cost function. After single control run is completed by use of this control algorithm, the fuzzy logic controller which is designed optimally by on-line learning algorithm may be used for the same plant control in the next time, which is the original objective of the self-organizing controllers in the past researches, or it's learning function may continue to organize the structure of fuzzy logic controller in the next control run so that the tuning parameters are updated slightly in order to give the better performance for the unexpected situation than the so called "trained" fuzzy logic controller. Both types show good tracking and regulation performances when they are applied to linear and nonlinear steam generator models in computer simulations. Also, the fuzzy logic controller trained by on-line learning algorithm shows the acceptable tracking performance and good regulation performance.
본 논문에서는 원자력발전소 증기발생기의 수위제어에 쓰일 퍼지제어기의 제어규칙을 자동으로 생성하고, 아울러 소속함수도 자동으로 조정해 주는 기능을 가진 퍼지학습 제어기를 개발하였다. 퍼지제어기는 복잡하고, 불확실한 시스템에 대해서 우수한 제어성능을 보이나, 이 제어기를 구현할 때에는 운전자의 운전경험을 토대로 지식베이스를 구축하여야 하며, 이러한 작업은 제어기 설계자의 시간과 노력을 상당히 요한다. 특히 제어입력 갯수가 많아 지식베이스가 다차원(multi-dimension) 상에서 구성되어야 할 때에는 퍼지제어기 구조의 완벽한 조정(tuning)은 수작업으로는 거의 불가능 하다. 따라서 이러한 문제를 덜기위해서, 기울기 하향법을 이용한 학습 알고리듬을 퍼지제어기에 넣어서 제어규칙의 자동생성 및 조정 그리고 이미 설정된 소속함수의 형태도 자동조정이 가능하게 하여 퍼지제어기 구조를 자동으로 생성하게 하였다. 학습과정시, 최적 학습계수 값을 연구, 제시하여 어떠한 상황에서도 학습이 안전하게 그리고 비교적 빠른 속도를 가지고 이루어지도록 하였고, 변형된 운동량을 개발하여 학습시 매우 빠른 학습속도를 가지도록 하였다. 학습 알고리듬을 가진 퍼지제어기를 증기발생기 수위제어 문제에 적용할때 두가지 유형 즉, 온라인 유형과 오프라인 유형에 따라서 각각 적용하여 보았다.
먼저 오프라인 유형에 의한 퍼지학습 제어기를 적용해 보았는데, 이러한 방법이 유용할 때에는 제어기의 설계자가 복잡한 구조를 가진 퍼지제어기의 설계에 많은 시간과 노력을 기울여야 하고, 한편 증기발생기 운전에 대해서 기록된 데이터들이 많이 쌓여 있을때 이 방법을 사용하여 퍼지제어기를 구성하면 훨씬 수월하고 좋은 결과를 얻을 수가 있다. 오프라인 학습 알고리듬을 작동시키려면 기준이 되는 학습 데이타가 있어야 하며 이것은 운전자의 운전 기록 데이타 혹은 다른 제어기(보통 비례적분 제어기)가 작동한 기록된 데이타로부터 얻어진다. 본 알고리듬의 수위제어 적용시, 제어규칙은 총 343개로 3차원 영역에서 구현된 것으로 이러한 영역에서 퍼지 제어기 구조의 수동조정은 거의 불가능하다. 따라서 먼저 비례적분 제어기로 일부 영역의 작동점에서라도 우수한 성능을 보이는 데이타를 기록해서 이로부터 학습 테이타를 선별해서 학습 알고리듬이 이러한 데이타를 토대로 퍼지제어기를 구성하도록 한다. 이렇게 구성된 퍼지제어기를 가지고 모사실험을 해본 결과 전 출력영역에 걸쳐서 우수한 수위제어 성능을 보였고, 예측지 못한 외란이 존재할 때에도 퍼지제어기가 잘 대처함을 볼 수 있었다.
또한 온라인 상으로 퍼지제어기를 자동으로 구성하기 위한 방법-이러한 방법을 자기구성 퍼지제어기라고 부른다-을 개발하였다. 이 방법은 상위구조인 자기구성 영역의 구조에 따라 두 가지로 나뉘고, 또한 학습 알고리듬도 비선형 유형과 선형 유형의 두 가지로 나누어 진다. 보통은 비선형 학습 알고리듬이 우수하나 선형 유형도 퍼지 지식베이스 안의 제어규칙을 충분히 많이 넣어서 제어 영역을 세분화하면 비선형 유형 만큼의 성능을 얻을 수 있음을 알게 되었고, 또 선형 학습 알고리듬은 간단한 형태로 인해서 온라인 학습 알고리듬에 사용이 편리함으로 모사실험에 퍼지 제어기 적용시 대부분 선형 유형의 학습 알고리듬을 사용하였다. 두 종류의 자기 구성 퍼지제어기-성능지표에 의한 자기구성 퍼지제어기, 성능함수에 의한 자기구성 퍼지제어기-모두 다 그 자체로써도 우수한 제어 성능을 나타내었고, 이로 인해 얻어진 퍼지제어기도 차후 모사실험에 적용해 본 결과 수위제어 조절(regulation) 문제에는 만족할 만한 결과를 보임을 알 수 있었다.
따라서 자기구성 퍼지제어기는 온라인 상으로 퍼지제어기를 자동적으로 구성-과거 자기구성 제어기들의 원래 목적임-하는데 쓰일 수 있고, 또한 증기발생기 전출력영역에 걸친 수위제어 시스템에 직접 사용되어도 좋은 결과를 얻을 수 있음을 알 수 있었다.
