m - Instytut Maszyn, Napędów i Pomiarów Elektrycznych
Transkrypt
m - Instytut Maszyn, Napędów i Pomiarów Elektrycznych
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 64 Politechniki Wrocławskiej Nr 64 Studia i Materiały Nr 30 2010 układ napędowy, sterowanie adaptacyjne, przedziałowe zbiory rozmyte typu-2 Sebastian KNYCHAS*, Krzysztof SZABAT* NEURONOWO-ROZMYTY REGULATOR PRĘDKOŚCI SILNIKA PRĄDU STAŁEGO OPARTY NA PRZEDZIAŁOWYCH ZBIORACH ROZMYTYCH TYPU-2 W pracy przedstawiono zagadnienia związane z zastosowaniem adaptacyjnej struktury sterowania typu MRAS w układzie napędowym o zmiennym momencie bezwładności. Jako regulator prędkości wykorzystano sieć neuronowo-rozmytą opartą na przedziałowych zbiorach rozmytych typu-2. Po krótkim wprowadzeniu omówiono zbiory rozmyte typu-2 i wskazano na istotne różnice w stosunku do powszechnie używanych zbiorów typu-1. Następnie opisano adaptacyjną strukturę sterowania typu MRAS. Przedstawiono przykładowe wyniki badań symulacyjnych obrazujących pracę układu przy zmiennym momencie bezwładności. Badania te zostały zweryfikowane przez testy wykonane na stanowisku laboratoryjnym. Otrzymane wyniki potwierdzają odporność analizowanej struktury na zmianę parametrów napędu. 1. WPROWADZENIE Od lat osiemdziesiątych XX wieku sterowanie rozmyte jest intensywnie rozwijającą się dziedziną wiedzy [1]–[10]. Podstawową zaletą regulatorów rozmytych, wynikającą z nieliniowej charakterystyki, jest ich duża odporność na zmiany parametrów sterowanego obiektu. Jednakże praktyczne zastosowanie regulatorów rozmytych wymaga wykonania szeregu operacji matematycznych, koniecznych celem przeprowadzenia funkcji rozmywania, wnioskowania i wyostrzania. Dodatkową trudnością ograniczającą zastosowanie regulatorów rozmytych jest brak analitycznych metod doboru ich parametrów. Pomimo istnienia szeregu zaawansowanych metod optymalizacji systemów rozmytych (np. bazujących na algorytmach genetycznych) przeważnie stosuje się metody eksperckie. Jednym z problemów występujących w systemach __________ * Politechnika Wrocławska, Wydział Elektryczny, Instytut Maszyn, Napędów i Pomiarów Elektrycznych, ul. Smoluchowskiego 19, 50-372 Wrocław, [email protected]; [email protected] 243 opartych na zbiorach typu-1 jest konieczność jednoznacznego zdefiniowania kształtu zbiorów rozmytych, co jest dość trudne w układach praktycznych. Stoi to w sprzeczności z założeniem logiki rozmytej bazującej na przetwarzaniu nieprecyzyjnej informacji. Problem jednoznacznego definiowania kształtu zbiorów rozmytych jest rozwiązany w systemach opartych na zbiorach rozmytych typu-2 [11]–[19]. Układy te w sposób naturalny zakładają niedokładności w wyznaczeniu kształtu funkcji przynależności. Matematyka klasycznych zbiorów typu-2 wymaga wysokich nakładów obliczeniowych i jest stosunkowo trudna do analizy. Badania nad zbiorami typu-2 przyniosły rozwiązanie w postaci tzw. przedziałowych zbiorów rozmytych, które wykorzystują operacje przeznaczone dla zbiorów rozmytych typu-1 [11]–[14]. W celu zapewniania bardzo dobrych właściwości dynamicznych układu napędowego o zmiennych parametrach coraz powszechniej stosuje się zaawansowane metody sterowania. Mogą to być struktury bazujące na sterowniu neuronowym, ślizgowym, rozmytym czy adaptacyjnym. Dość często łączy się kilka z wymienionych struktur sterowania uzyskując układy hybrydowe posiadające zalety łączonych metod. W niniejszej pracy przedstawiono zagadnienia związane z zastosowaniem adaptacynej strukury sterowania typu MRAS z regulatorem w postaci rozmytej sieci neuronowej do sterowania prędkością układu napędowego o zmiennym momencie bezwładności. Po krótkim wstępie zawarto opis systemów opartych na zbiorach typu-2. Kolejno przedstawiono analizowaną strukturę sterowania typu MRAS. Następnie omówiono wyniki badań symulacyjnych obrazujących właściwości analizowanej struktury w stanach pracy. Rozważania teoretyczne oraz badania symulacyjne zostały zweryfikowane na stanowisku rzeczywistym z napędem prądu stałego. Rozdział zakończono krótkim podsumowaniem. 2. ZBIORY ROZMYTE TYPU-2 Zbiory typu-2 wprowadzają rozmytość na reguły systemu rozmytego zwiększając obszar ich interpretowalności [11]–[19]. Praktyczna realizacja tej zasady opiera się na określeniu zbioru rozmytego dla każdej wartości funkcji przynależności typu-1. Zbiór wyznaczonych w ten sposób funkcji stanowi funkcję przynależności typu-2. Rysunek 1 przedstawia przykładowy zbiór rozmyty typu-2 dla pierwotnej funkcji przynależności postaci krzywej Gaussa oraz wtórnych funkcji przynależności o kształcie trójkąta. Bardziej złożona funkcja typu-2, gdzie dla każdej wartości funkcji typu-1 przyjmuje się inną wtórną funkcję przynależności jest trudna do interpretacji graficznej. Zbiór rozmyty A typu-1 określony jest następującą zależnością A = {( x, μ A ( x) ) | x ∈ X , μ A (x ) ⊆ [0 1]} gdzie μA oznacza funkcję przynależności typu-1 dla zmiennej x w zbiorze A. (1) 244 fx(u) µ(x, u) u x Rys. 1. Przykładowa funkcja przynależności typu-2 Fig. 1. Example of type-2 MF funcktion Analogicznie do oznaczeń wprowadzonych w (1), zbiór rozmyty à typu-2 można opisać następująco ~ A = {(x, u, μ A~ ( x, u ) ) | x ∈ X , u ∈ J x ⊆ [0 1]} (2) gdzie Jx jest nośnikiem funkcji μÃ. Powyższe wzory mogą być również przedstawione w postaci całkowej: A= ~ A= ∫ x∈ X ∫ ∫ x∈ X x∈ J X μA(X ) / x (3) μ A~ ( x, u ) /( x, u ) (4) Niepewność określona przez funkcję μà nazywana jest śladem niepewności (FOU – footprint of uncentraity) i tworzy go suma nośników Jx. () ∪ ~ FOU A =ˆ x∈ X Jx (5) Praktyczne podejście określa FOU jako przestrzeń nad płaszczyzną XU, dla której wartość μà jest różna od zera. Przyjmując prostokątny kształt wtórnej funkcji przynależności tak, że μà wynosi 1 dla całego zakresu FOU, a poza nim jest zerem, otrzymać można charakterystyczną funkcję typu-2, której kształt zależy od pierwotnej funkcji przynależności (por. przykład na rysunku nr 2) i śladu niepewności. Funkcja ta przyjmuje postać 245 ~ A= ∫ ∫ [ x∈ X u∈ μ A~ ( x ), μ A~ ( x ) ] 1 / (x, u ) J x ⊆ [0 1] (6) Przedstawienie tego rodzaju funkcji jest możliwe w płaszczyźnie dwuwymiarowej, co upraszcza złożoność obliczeniową i ułatwia interpretację. W taki sposób utworzone zbiory nazywane są przedziałowymi (zgodnie z przedziałem Jx) zbiorami rozmytymi typu-2. μ A~ FOU μÃ(x, u) u μ A~ x Rys. 2. Przykładowa przedziałowa funkcja przynależności typu-2 Fig. 2. Example of interval type-2 MF funcktion Przeniesienie wykresu przedziałowego zbioru rozmytego typu-2 na płaszczyznę dwuwymiarową umożliwia w prosty sposób wyznaczenie FOU. Jego górną granicę wyznacza tzw. górna funkcja przynależności μ A~ , a dolną, dolna funkcja przynależności μ A~ . Wartości tych dwóch funkcji stanowią główne informacje w procesie rozmywania i określają przedział niepewności wyznaczenia funkcji przynależności wejść i wyjść regulatora rozmytego. Systemy rozmyte typu-2 głównie wykorzystuje się w układach regulacji. Regulatory rozmyte typu-2 mają charakterystyczną budowę, różniącą się od systemów opartych na zbiorach typu-1 dodatkowym blokiem wyjściowym służącym redukcji typu (rys. 3). Ostre (określone co do wartości) wejścia systemu poddawane są procesowi rozmywania. Należy podkreślić, że w odróżnieniu od systemów opartych na zbiorach typu-1, na wyjściu pojedynczego zbioru wejściowego zamiast wartości skalarnej otrzymuje się wektor odpowiadający dolnej i górnej granicy funkcji przynależności. Następnie wylicza się stopnie spełnienia przesłanek (zgodnie ze zdefiniowaną bazą reguł) dla wektora wartości rozmytych. Dalej następuje wyliczenie wartości zbiorów 246 konkluzji dla wektora stopnia spełnienia przesłanek. W procesie końcowym wykonuje się funkcje wyostrzania i redukcji typu sieci rozmytej. Rys. 3. System rozmyty typu-2 Fig. 3. Type-2 fuzzy system Badania przedstawione w niniejszej pracy przeprowadzono przy następujących parametrach systemu rozmytego: a) Założono wejściowe przedziałowe funkcje przynależności μà typu-2 dla pierwotnej funkcji o kształcie krzywej Gaussa przy σmin = 0.2 oraz σmax = 0.5 (jak na rys. 2) b) Przyjęto dwa wejścia systemu: błąd regulacji e oraz jego pochodną ∆e, oraz jedno wyjście y określające sygnał sterujący. c) Zdefiniowano wejścia i wyjścia systemu w postaci znormalizowanej. Wejścia w zakresie [–1, 1] a wyjście w zakresie [–3, 3]. d) Przyjęto dziewięć reguł wnioskowania w bazie systemu postaci: ~ Ri: Jeżeli x1 jest Ãi1 i x2 jest Ãi2 to yi jest Bi (7) e) Przyjęto operacje wyostrzania i redukcji typu jako rozszerzoną metodę wysokości: y= ∑ M f i yi + f i yi i =1 2 (8) gdzie f i oraz f i wyznaczane są jako górny i dolny stopień spełnienia przesłanki w i-tej regule. 247 Na rysunku 4 przedstawiono schemat rozmytej sieci neuronowej realizującej zadanie regulatora neuronowo-rozmytego wykorzystywanego w strukturze regulacji. Rys. 4. Struktura przedziałowego regulatora neuronowo-rozmytego typu-2. Fig. 4. Stucture of interval type-2 neuro-fuzzy controller 3. STRUKTURA STEROWANIA Schemat blokowy struktury sterowania z modelem odniesienia typu MRAS, wykorzystywany w niniejszej pracy przedstawiony jest na rys. 5. Składa się on z klasycznej kaskadowej struktury sterowania silnika napędowego, modelu odniesienia, mechanizmu adaptacji oraz strojonego w czasie rzeczywistym rozmytego regulatora prędkości. Parametry regulatora w pętli wymuszenia momentu dobiera się w sposób zapewniający szybką regulację momentu elektromagnetycznego, zwykle przy użyciu kryterium modułu. Parametry regulatora prędkości dobierane są w czasie pracy układu tak, aby minimalizować uchyb pomiędzy wyjściem modelu wzorcowego a obiektem rzeczywistym. Jako regulator prędkości można zastosować klasyczny regulator typu PI. Jednakże ze względu na możliwość uzyskania nieliniowej powierzchni sterowania, a tym samym zapewnienia lepszych właściwości dynamicznych sterowanego obiektu w niniejszym rozdziale użyto rozmytego regulatora prędkości [2]. 248 Rys. 5. Neuronowo-rozmyty przedziałowy regulator prędkości w strukturze sterowania adaptacyjnego z modelem odniesienia Fig. 5. Model reference adaptive system with interval type-2 neuro-fuzzy speed controller Algorytm adaptacji bazujący na lokalnym gradiencie jest użyty w celu adaptacji (zmian) parametrów (wag) w1, …, wM 4-tej warstwy sieci rozmyto-neuronowej przedstawionej na rys. 4. Funkcja celu zdefiniowana jest w następująco: J= 1 1 (ω 1 − ω m ) 2 = em2 . 2 2 (9) Zmiana wartości określonej wagi opisana jest przez poniższe równanie: w j (k + 1) = w j ( k ) + Δw j . (10) Adaptacja wektora parametrów regulatora rozmytego wymaga obliczenia gradientu funkcji (10) w odniesieniu do danej wartości wagi wj. Jest on wyznaczany zgodnie z poniższą zależnością: Δw j = −γ ⎛ ∂J ⎞ ⎡ ∂yo ⎤ ∂J ⎟⎢ = γ ⎜⎜ − ⎥ = γδ ou j , ⎟ ∂w j ⎝ ∂yo ⎠ ⎣⎢ ∂w j ⎦⎥ (11) gdzie: uj jest stopniem zapłonu danej (j-tej) reguły a γ – jest współczynnikiem uczenia, yo – wyjściem regulatora rozmytego natomiast δo jest określone następująco: δ0 = − ∂J ∂em ∂ω1 ∂J ∂em ∂J =− =− ∂em ∂ω1 ∂yo ∂em ∂yo ∂yo (12) 249 Wyrażenie (12) wymaga obliczenia wartości gradientu prędkości kątowej ω1 w odniesieniu do zmiennej wyjściowej regulatora rozmytego yo(mez). Dokładne obliczenie wartości tego gradientu jest utrudnione ze względu na niedokładność identyfikacji parametrów układu napędowego bądź ich zmiany w trakcie pracy, jak również ze względu na możliwość wystąpienia dodatkowych elementów nieliniowych np. tarcia czy luzu. Z tego względu wprowadza się następujące uproszczenia. Mianowicie zakłada się, że stosunek zmiany prędkości silnika do momentu elektromagnetycznego jest funkcją monotonicznie rosnącą. W związku z tym gradient ten może być aproksymowany przez dodatnią stałą liczbę. W przypadku optymalizacji metodą gradientu tylko znak gradientu ma decydujący wpływ na zbieżność iteracyjnego procesu optymalizacji. W związku z powyższym, po uwzględnieniu (9) i (12) iteracyjny algorytm adaptacji parametrów wj może być przedstawiony w następującej postaci: w j ( k + 1) = w j ( k ) + γ δ o u j ≅ w j ( k ) + γ em u j (13) Ze względu na małą szybkość algorytmu opartego na (13), w niniejszej pracy zastosowano zmodyfikowany algorytm optymalizacji, polegający na wprowadzeniu do (13) sygnału proporcjonalnego do zmiany błędu Δem: δo ≅ em + Δem (14) Wprowadzenie sygnału proporcjonalnego do zmiany błędu Δem, zapewnia większą swobodę w kształtowaniu właściwości zastosowanego algorytmu. Również rozbicie współczynnika uczenia γ na dwie niezależne składowe kp i kd ułatwia uzyskanie korzystniejszych właściwości dynamicznych sterowanego obiektu. Uwzględniając powyższe modyfikacje, wyrażenie (13) można przedstawić następująco [2]: ( w j ( k + 1) ≅ w j ( k ) + u j k p em + k d Δem ) (15) 4. BADANIA SYMULACYJNE Właściwości dynamiczne adaptacyjnego układu regulacji sprawdzono w badaniach symulacyjnych. Przyjęty przedział niepewności w zbiorach rozmytych dla każdego znormalizowanego wejścia regulatora rozmytego (e, ∆e) przedstawiono na rys. 6. Mechaniczna stała czasowa TM układu napędowego zmieniała się w granicach (0.25 TMN do 4 TMN) zgodnie z zależnością przedstawioną na rys. 7d (gdzie 1 oznacza nominalną stałą czasową). Wartości parametrów warstwy wyjściowej regulatora rozmytego ustawiono jako zerowe. Oznacza to przyjęcie 250 całkowitej nieznajomości parametrów obiektu. Przebiegi zmiennych stanu układu napędowego dla tak zdefiniowanych parametrów napędu zamieszczono na rys. 7. Układ napędowy pracuje z następującym cyklem pracy. Prostokątny sygnał referencyjny o amplitudzie 0,2ωN (wartość ta jest przyjęta w celu uniknięcia wchodzenia układu w zakres ograniczenia momentu elektromagnetycznego) i częstotliwości 0,5 Hz podawany jest na wejście układu. Poczynając od pierwszego nawrotu, po ustaleniu się prędkości na wartości zadanej, następuje przyłożenie do napędu znamionowego momentu obciążenia. Moment ten jest zdejmowany po upływie 200 ms. Rys. 6. Przedział niepewności zbioru rozmytego typu-2 dla wejść regulatora Fig. 6. Footprint of uncertaity for inputs of the controller Jak wynika z przebiegów zmiennych układu przedstawionych na rys. 7 układ napędowy pracuje poprawnie. Pomimo przyjęcia zerowych parametrów regulatora w warstwie wyjściowej, prędkość obiektu bardzo dokładnie podąża za prędkością modelu odniesienia już od pierwszego cyklu pracy. Zmiany mechanicznej stałej czasowej nie wpływają znacząco na jakość pracy analizowanej struktury. Największe błędy śledzenia powstają w chwili przyłożenia/zdjęcia momentu obciążenia do układu napędowego (rys.7b). Moment elektromagnetyczny dokładnie śledzi wartość zadaną, co świadczy o poprawnej pracy pętli wewnętrznej (wymuszenia momentu elektromagnetycznego – rys. 7c). Przebiegi wybranych wag wyjściowych regulatora rozmytego dla sygnałów odpowiadających górnemu i dolnemu poziomowi niepewności zaprezentowano odpowiednio na rys. 7e i rys. 7f. Jak wynika z przedstawionych przebiegów wagi z rys. 7e powoli zwiększają swoje wartości. Wagi odpowiadające dolnemu poziomowi niepewności (rys. 7f) zmieniają się w znacznie większym stopniu – ulegają one zwiększeniu lub zmniejszeniu w zależności od bieżącej wartości mechanicznej stałej czasowej. 251 a) b) c) d) e) f) Rys. 7. Przebiegi zmiennych układu: prądkości silnika i modelu (a), błędu regulacji (b), momentów zadanego i rzeczywistego (c), wybranych wag wi regulatora (e, f), zmian stałej czasowej TM (d) Fig. 7. Transients of the drive system: speeds of the motor and reference model (a), tracking error (b), reference and real torques (c), selected weights (e, f) changes of the time constant TM (d) 252 5. BADANIA EKSPERYMENTALNE Badania eksperymentalne wykonano na stanowisku laboratoryjnym z obcowzbudnym silnikiem prądu stałego o mocy 500 W. Silnik napędowy zasilano z przekształtnika pracującego w konfiguracji mostka H. Mostek ten sterowano przez sprzętowy modulator szerokości impulsów o częstotliwości kluczowania 10kHz. Prędkość silnika napędowego mierzono za pomocą enkodera inkrementalnego o rozdzielczości 36000 impulsów na obrót. Prąd mierzono za pomocą przetworników typu LEM. Algorytm zaimplementowany został na karcie DS1104 z procesorem sygnałowym. Za obciążenie służył identyczny silnik prądu stałego. Przyłożenie momentu obciążenia było realizowane przez załączenie rezystora hamowania za pomocą klucza półprzewodnikowego. Algorytm sterowania pracą napędu został zaimplementowany na karcie dSpace DS1104. Zmianę momentu bezwładności uzyskiwano przez dokładanie dodatkowych tarcz na wał silnika. W badaniach laboratoryjnych przyjęto inną koncepcję testów dowodzących odporności analizowanej struktury sterowania. Jako pierwszy przebadano układ o znamionowej mechanicznej stałej czasowej Tm = 406 ms. Podobnie jak w badaniach symulacyjnych ustawiono wartości wag regulatora rozmytego na zerowe. Na rys. 8a, c, e przedstawiono przebiegi zmiennych stanu badanego układu napędowego. Podobnie jak w testach symulacyjnych sygnał referencyjny o amplitudzie 0,2ωN posiadał okres 2 s. Do zestawu przykładany był zmienny moment obciążenia zakłócający pracę układu. Jak wynika z analizy przebiegów przedstawionych na rys. 8a, prędkość układu napędowego podąża za sygnałem modelu referencyjnego z niewielkim błędem. Największe błędy występują w momentach zmiany prędkości zadanej oraz zmiany momentu obciążenia (rys. 8c). Moment rzeczywisty śledzi moment zadany z niewielkim błędem, co świadczy o poprawnej pracy pętli wymuszania momentu elektromagnetycznego (rys. 8e). Następnie poddano testom układ o zwiększonym momencie bezwładności. Przebiegi zmiennych stanu badanego obiektu przedstawiono na rys. 8b, d, f. Jak wynika z ich analizy, układ pomimo zwiększenia mechanicznej stałej czasowej pracuje poprawnie. Prędkość układu napędowego podąża za sygnałem z modelu odniesienia z niewielkim błędem (rys. 8b). Błędy śledzenia prędkości przyjmują mniejsze wartości przy większym momencie bezwładności (rys. 8d). Moment elektromagnetyczny śledzi moment zadany występujący w układzie z nieznacznym błędem (rys. 8f). Badany układ pracuje poprawnie pomimo zmian momentu bezwładności zestawu napędowego. 253 a) b) c) d) e) f) Rys. 8. Przebiegi zmiennych układu: prędkości silnika i modelu (a, b), błędu regulacji (c, d), momentów zadanego i rzeczywistego (e, f) w układzie o znamionowej (a, c, e) i zwiększonej (b, d, f) mechanicznej stałej czasowej Fig. 8. Transients of the drive system: speeds of the motor and reference model (a, b), tracking error (c, d), reference and real torques (e, f) for the system with nominal (a, c, e) and incresed (b, d, f) value of the mechnical time constant 254 6. PODSUMOWANIE W pracy przedstawiono zagadnienia związane z zastosowaniem adaptacyjnej struktury regulacji typu MRAS z przestrajalnym przedziałowym regulatorem neuronowo-rozmytym opartym na zbiorach rozmytych typu-2 do sterowania prędkością układu napędowego o zmiennym momencie bezwładności. Analizowana struktura sterownia charakteryzuje się bardzo dobrymi właściwościami dynamicznymi. Błąd śledzenia sygnału z modelu odniesienia jest bardzo mały pomimo zmiany parametrów układu napędowego. Układ pracuje poprawnie od pierwszego cyklu pracy pomimo zerowych wartości wag regulatora rozmytego. W kolejnych pracach planowane jest zastosowanie analizowanej struktury sterowania w układzie napędowym z połączeniem sprężystym. Przewidziane jest również wprowadzenie do struktury sterownia dodatkowych kompensatorów poprawiających właściwości dynamiczne układu. LITERATURA [1] ŁĘSKI J., Systemy neuronowo-rozmyte, WNT, Warszawa 2008. [2] SZABAT K., Struktury sterowania elektrycznych układów napędowych z połączeniem sprężystym, Wydawnictwo Politechniki Wrocławskiej, Wrocław 2008. [3] DOTE Y., STREFEZZA M., SUYITNO A., Neuro Fuzzy robust controllers for drive system, Industrial Electronics, Conference Proceedings, ISIE ‘93, 1993, s. 229–242. [4] ORŁOWSKA-KOWALSKA T., SZABAT K, JASZCZAK K., Robustness of fuzzy-logic control with simple parameter adaptation for DC motor drive system, EPE-PEMC 2000, s. 82–86. [5] KAMIŃSKI M., SZABAT K., Rozmyte sterowanie ślizgowe układu napędowego z silnikiem prądu stałego, Zagadnienia Maszyn, Napędów i Pomiarów Elektrycznych, nr 59, Wrocław 2006. [6] TOPOLOV A.V., CASCELLA G.L., GIORDANO V., CUPERTINO F., KAYNAK O., Sliping Mode Neuro-Adaptive Control of Electric Drives, IEEE Transaction on Industrial Electronics, Vol. 54, No. 1, pp. 671–679, 2007. [7] WAI R.J., CHU C.C., Motion Control of Linear Induction Motor via Petri Fuzzy Neural Network, IEEE Transaction on Industrial Electronics, Vol. 54, No. 1, pp. 281–295, 2007. [8] LIN F.J., CHEN S.Y., CHOU P.H., SHIEH P.H., Interval type-2 fuzzy neural network control for X–Y–Theta motion control stage using linear ultrasonic motors, Neurocomputing, Vol. 72, No. 4–6, pp. 1138–1151, 2009. [9] ER M.J., LOW Ch.B., NAH K.H., LIM M.H., NG S.Y., Real-time implementation of a dynamic fuzzy neural networks controller for a SCARA, Microprocessors and Microsystems, Vol. 26, No. 9– 10, pp. 449–461, 2002. [10] ER M.J., GAO Y., Robust adaptive control of robot manipulators using generalized fuzzy neural networks, IEEE Transactions on Industrial Electronics, Vol. 50, No. 3, pp. 620–628, 2003. [11] KARNIK N.N., MENDEL J.M., Introduction to Type-2 Fuzzy Logic Systems, Fuzzy Systems Proceedings, IEEE World Congress on Computational Intelligence, 1998. [12] KARNIK N.N., MENDEL J.M., LIANG Q., Type-2 Fuzzy Logic Systems, IEEE Transactions on Fuzzy Systems, Vol. 7, s. 643–658, 1999. [13] MENDEL J.M., BOB JOHN R.I., Type-2 Fuzzy Sets Made Simple, IEEE Transactions on Fuzzy Systems, Vol. 10, 2002, s. 117–127. 255 [14] QILIAN L., MENDEL J.M., Interval type-2 fuzzy logic systems: theory and design, IEEE Transactions on Fuzzy Systems, Vol. 8, No. 5, 2002, pp. 535–550. [15] HAGRAS H.A., A Hierarchical Type-2 Fuzzy Logic Control Architecture For Autonomous Mobile Robots, IEEE Transactions on Fuzzy Systems, Vol. 12, No. 4, 2004, pp. 524–539. [16] CHI-HSU WANG, CHUN-SHENG CHENG, TSU-TIAN LEE, Dynamical Optimal Training for Interval Type-2 Fuzzy Neural Network (T2FNN), IEEE Transaction on Systems, Man and Cybernetics, Part B: Cybernetics, Vol. 34, No. 3, 2004, pp. 1462–1477. [17] JOHN R., COUPLAND S., Type-2 Fuzzy Logic: A Historical View, IEEE Computational Intelligence Magazine, Vol. 2, No. 1, 2007, pp. 57–62. [18] HAGRAS H., Type-2 FLCs: A New Generation of Fuzzy Controllers, Vol. 2, No. 1, 2007, pp. 30–43. [19] ZHI LIU, YUN ZHANG, YAONAN WANG, A Type-2 Fuzzy Switching Control System for Biped Robots, Vol. 37, No. 6, 2007, pp. 1202–1213. NEURO-FUZZY SPEED CONTROLLER BASED ON THE TYPE-2 FUZZY SETS FOR DC DRIVE In the paper issues related to the application of the adaptive control structure with a neuro-fuzzy controller based on the 2nd -type fuzzy sets to the drive system with a changeable moment of inertia are presented. After a short introduction the adaptive control structure based on the MRAS concept is introduced; the characteristic futures of the 2-type fuzzy sets are described. A simulation study showing the properties of the drive system with changeable parameters is followed by experimental tests confirming the theoretical considerations. The obtained results testify for very good properties of the analyzed structure.