Anda di halaman 1dari 16

ABSTRAK

Makalah ini menyajikan desain sistem kontrol fuzzy untuk mengontrol posisi DC
bermotor. Motor dimodelkan dan diubah menjadi subsistem dalam Simulink. Pertama, renyah
proporsional-derivatif (PD) controller dirancang dan disetel menggunakan blok Simulink
bukan metode penalaan konvensional seperti tangan-tuning atau Ziegler-Nichols
frekuensi metode response. Kemudian proporsional-derivatif fuzzy (FPD) controller adalah
dirancang dan sistem respon FPDs dengan metode defuzzifikasi yang berbeda adalah
diselidiki. Sebuah sinyal gangguan juga diterapkan pada masukan dari sistem kontrol.
FPD kontroler berhasil untuk menolak gangguan sinyal tanpa penyetelan lebih lanjut dari
parameter dimana garing PD kontroler gagal.
LATAR BELAKANG
Karena reliabilitas tinggi, fleksibilitas dan biaya rendah, motor DC secara luas
digunakan dalam aplikasi industri, manipulator robot dan peralatan rumah dimana kecepatan
dan kontrol posisi motor yang diperlukan. Kontroler PID biasanya digunakan untuk aplikasi
kontrol motor karena struktur mereka yang sederhana dan algoritma kontrol intuitionally
dipahami. Parameter kontroler umumnya disetel menggunakan hand-tuning atau Ziegler-
Nichols metode respon frekuensi. Kedua metode ini memiliki hasil yang sukses tapi lama dan
usaha yang diperlukan untuk mendapatkan respon sistem yang memuaskan. Dua masalah
utama yang dihadapi dalam kontrol motor adalah sifat waktu yang bervariasi parameter motor
dalam kondisi operasi dan adanya kebisingan di loop sistem.
Analisis dan kontrol sistem yang kompleks, nonlinier dan / atau berubah terhadap
waktu adalah tugas yang menantang menggunakan metode konvensional karena
ketidakpastian. Teori himpunan fuzzy (Zadeh, 1965) yang menyebabkan metode kontrol baru
yang disebut Kontrol Fuzzy yang mampu mengatasi ketidakpastian sistem. Salah satu
keuntungan paling penting dari kontrol fuzzy adalah dapat berhasil diterapkan untuk
mengontrol sistem yang kompleks nonlinier menggunakan pengalaman operator atau
pengetahuan teknik kontrol tanpa model matematika dari tanaman (Assilian, 1974), (Kickert,
1976).
Ada banyak makalah tentang kontrol desain DC kabur sistem motor. Lin et. al.
dibandingkan PID dan FLC untuk kontrol posisi dan mengamati bahwa FLC dilakukan lebih
baik dari PID (Lin, 1994). Azevedo et. al. telah menunjukkan bahwa FLC kurang sensitif
dibandingkan PID untuk beban variasi (Azevedo, 1993). Bal et. al. dirancang suatu FLC
untuk motor ultrasonik yang memiliki prinsip operasi yang berbeda dari motor
elektromagnetik (Bal, 2004). Mishra et. al. membuat perbandingan antara PID dan FLC untuk
kontrol servomotor dan dijelaskan bahwa PID parameter harus disetel lagi di bawah variasi
tanaman parameter atau parameter kebisingan dimanapun FLC tidak (Mishra, 1998). Kwon
et. al. dirancang suatu PI untuk brushless DC motor dan membangun penyetelan fuzzy
adaptif sistem untuk mengubah parameter kontroler di bawah variasi beban selama operasi
(Kwon, 2003). M.H. Zadeh et. al. menjelaskan bahwa salah satu metode terbaik untuk kontrol
dari Motor DC dengan waktu bervariasi parameter adalah kabur sliding mode kontrol (Zadeh,
2006). Namazov et. al. dirancang suatu tipe relay fuzzy dalam pengendalian integrator ganda
sistem yang dapat digunakan untuk model banyak mekanik, benda hidrolik dan listrik seperti
motor DC dan mengamati bahwa kontroler fuzzy mampu menolak sinyal kebisingan
diterapkan ke input sistem (Namazov, 2007).
Motor DC kontrol umumnya menyadari dengan mengatur tegangan terminal diterapkan
pada metode angker tapi lain seperti menyesuaikan resistensi bidang, memasukkan sebuah
resistor secara seri dengan rangkaian armature juga tersedia (Chapman, 2005).
Ziegler-Nichols metode respon frekuensi biasanya digunakan untuk mengatur
parameter PID controller. Namun, diperlukan untuk mendapatkan sistem ke mode osilasi
menyadari prosedur tuning. Tapi itu tidak selalu mungkin untuk mendapatkan sebagian besar
dari tanaman teknologi ke dalam osilasi. Pendekatan yang diusulkan menggunakan kedua
pengendali fuzzy dan metode respon optimasi untuk mendapatkan nilai-nilai perkiraan
parameter kontroler. Maka parameter dapat sedikit bervariasi untuk mendapatkan user-
defined kinerja sistem kontrol real-time. Dengan demikian, ini merupakan masalah yang
sebenarnya untuk merancang pengendali PID adaptif tanpa mendapatkan sistem ke mode
osilasi.

Sisa dari makalah ini diorganisasikan sebagai berikut. Pada bagian berikutnya, model
matematika dari motor dc digunakan untuk memperoleh fungsi transfer antara posisi poros
angker dan tegangan diterapkan. Model ini kemudian dibangun di MATLAB Simulink. Pada
Bagian 3, desain dan tuning proporsional-integral-derivatif (PID) pengendali diperiksa dan
sistem kontrol PD garing dirancang dalam Simulink dengan prosedur desain yang diusulkan.
Pada Bagian 4, itu disebutkan tentang masalah desain logika fuzzy controller dan pengontrol
proporsional-derivatif fuzzy dirancang dengan pendekatan yang diusulkan. Beberapa metode
defuzzifikasi yang umum digunakan akan dibahas dan sistem respon dengan metode
defuzzifikasi yang berbeda dibandingkan. Akhirnya kemampuan penolakan gangguan
pengendali dirancang diselidiki.
1. MODEL MOTOR DC
Dalam pengendalian armature dari motor DC tereksitasi terpisah, tegangan diterapkan
pada armature dari motor disesuaikan tanpa mengubah tegangan yang diberikan ke medan.
Gambar 1 menunjukkan model Motor DC tereksitasi terpisah.
Gambar 1



Dimana :
Va = Tegangan Jangkar (V)
Ra = Resistansi Jangkar ()
La = Induktasni Jangkar (H)
Ia = Arus Jangkar (A)
Eb = Back emf (V)
W = Kecepatan Sudut (rad/s)
Tm = Torsi motor (Nm)
= angular position of rotor shaft (rad)
Jm = inersia rotor (kgm
2
)
Bm = viscous friction coefficient ( Nms / rad )
K
T
= Konstanta Torsi (Nm/A)
Kb = Konstanta back emf (Vs/rad)

Mari kita kombinasikan persamaan bagian atas bersama-sama:


Transformasikan dari persamaan (5) dan (6) :


Jika berlaku diperoleh dari (8) dan disubstitusikan di (7) yang kita punya

Kemudian hubungan antara kecepatan poros rotor dan tegangan dinamo diterapkan diwakili
oleh fungsi transfer:

Hubungan antara posisi dan kecepatan adalah:
Maka fungsi transfer antara posisi poros dan tegangan jangkar tanpa beban adalah:
Gambar 2 menunjukkan model motor DC dibangun di Simulink. Motor model dikonversi
menjadi subsistem 2-in 2-out. Port input tegangan jangkar (Va) dan torsi beban (tload) dan
port output kecepatan sudut dalam (w) dan posisi (Teta).
Gambar 2. Model Simulik
Sebuah 3,70 kW, 240V, 1750 rpm motor DC dengan parameter di bawah ini
digunakan:
Ra = 11.2
La = 0.1215 H
Jm = 0.022515 kgm
2

Bm = 0.002953 Nms/rad
Ki = 1.28 Nm/A
Kb = 1.28 Vs/rad

2. Proporsional-integral-derivatif (PID) Controller

PID kontroler banyak digunakan dalam aplikasi kontrol industri karena strukturnya
sederhana, kontrol algoritma dipahami dan biaya rendah. Gambar 3 menunjukkan
skema model sistem kontrol dengan kontroler PID.









Gambar 3. PID Controller
Sinyal kontrol adalah kombinasi linear dari kesalahan, integral dan derivatif.

Dimana :
Kp = Proportional gain
K
1
= Integral gain
K
D
= Derivative gain
T
1
= Integral Time
T
D
= Integral Derivative

Jika controller adalah digital, maka istilah derivatif dapat digantikan dengan
perbedaan mundur dan istilah terpisahkan dapat digantikan dengan penjumlahan. Untuk
waktu pengambilan sampel kecil yang konstan Ts, (14) dapat diperkirakan sebagai:



3.1 Parameter Turning PID

Kontroler PID biasanya disetel menggunakan metode hand-tuning atau Ziegler-
Nichols (Jantzen, 2007).
Hand-tuning umumnya digunakan oleh para insinyur berpengalaman, kontrol
berdasarkan aturan ditunjukkan pada Tabel 1. Tapi aturan ini tidak selalu berlaku. Sebagai
contoh jika integrator ada di pabrik, kemudian meningkatkan hasil dalam kontrol yang lebih
stabil.
Tabel 2. Ziegler-Nicholas rules



Ziegler-Nichols metode respon frekuensi memberikan hasil yang buruk terutama untuk
sistem dengan jeda waktu yang jauh lebih besar daripada waktu yang mendominasi konstan
(Jantzen, 2007). Damping umumnya miskin. Aturan bekerja lebih baik untuk PID controller
dari pengendali PI dan tidak disebutkan bagaimana menghitung parameter untuk controller
PD.

Metode lain yang diusulkan oleh Ziegler dan Nichols adalah kurva reaksi atau respon step
mana respon unit-langkah dari tanaman ini digunakan untuk mengatur parameter. Tapi
tanaman tidak harus melibatkan integrator atau dominan kutub konjugat kompleks untuk
metode untuk menerapkan (Ogata, 1997).

3.2 PD Kontrol Design

Sebuah controller PD dirancang untuk mengendalikan motor DC. Mengontrol sinyal dari PD
kontroler adalah sebagai berikut:

Parameter kontroler yang disetel menggunakan sinyal blok Kendala Respon Simulink
Optimasi Toolbox bukan metode konvensional.
Kendala Sinyal adalah sebuah blok di mana sinyal tanggapan dapat grafis dibatasi dan
parameter model harus secara otomatis dioptimalkan untuk mendapatkan kinerja
persyaratan (Mathworks, 2008).

Kriteria kinerja yang ditentukan sebagai:
Rise time (t
r
) 1 s
Settling time (t
s
) 2 s
Maximun Overshoot (Mp) 10 %
Steady state error (e) 1%
Tujuan dalam perancangan sistem kontrol adalah untuk menemukan sinyal kontrol yang
memenuhi persyaratan kinerja (Veremey).

Asumsikan bahwa model matematik plant dapat diwakili oleh sebuah diferensial
persamaan:

Dimana p =

operator diferensial
G = Transfer matrix kontrol
Asumsikan bahwa struktur matriks transfer dikenal dan vektor parameter kontroler untuk
disetel (h) juga termasuk dalam struktur ini.

Tentukan satu set x yang wajar yang mewakili perilaku sistem loop tertutup pada
setiap waktu instan. Jelas bahwa himpunan ini hanya boleh didapatkan dengan pilihan
vektor.

Kemudian tujuannya adalah menemukan vektor yang memenuhi persyaratan kinerja.



3.3 Simulik Pelaksanaan

Gambar 4 menunjukkan sistem kontrol PD dirancang dalam MATLAB Simulink mana
koefisien kontroler disesuaikan menggunakan blok Kendala Sinyal. Integral koefisien PID
kontroler ini diatur ke nol (yakni i.e K
1
= 0 ).

Gambar 4. Crisp PD control system

Gambar 5 menunjukkan proses optimasi parameter controller di mana Kp dan K
D
diperoleh
masing masing Kp = 5 , K
D
= 0.4156

Gambar 5. Optimization of PD parameters

Overshoot tidak diinginkan terutama dalam sistem kontrol posisi. Hal ini dapat dilihat dari Gambar 5
yang Sinyal blok Kendala menyesuaikan parameter seperti bahwa overshoot sangat kecil terjadi.
Tabel 3 menunjukkan nilai dari kriteria kinerja yang diperoleh dengan parameter kontroler
disesuaikan.

Tabel 3. Kinerja spesifikasi crisp sistem kontrol PD

Gambar 6 menunjukkan output dan sinyal kontrol dari sistem kontrol PD dengan disesuaikan
parameter.

4. Fuzzy Logika Kontroler

Sebuah kontroler logika fuzzy memiliki empat komponen utama seperti yang ditunjukkan
pada Gambar 7: fuzzifikasi antarmuka, mekanisme inferensi, rule base dan antarmuka
defuzzifikasi.

FLCs sangat kompleks, pengendali nonlinier. Oleh karena itu sulit untuk memprediksi
bagaimana rise time, settling time atau error steady state dipengaruhi ketika controller
parameter atau aturan kontrol berubah. Sebaliknya, pengendali PID yang sederhana,
pengendali linier yang terdiri dari kombinasi linear dari tiga sinyal.

Gambar 6. Output dan sinyal kontrol untuk sistem kontrol crisp PD
Gambar 7. Fuzzy logic controller

Pelaksanaan suatu FLC membutuhkan pilihan empat faktor kunci (Mamdani, 1977):
jumlah set fuzzy yang merupakan variabel linguistik, pemetaan dari pengukuran ke dukungan
set protokol, kontrol yang menentukan perilaku controller dan bentuk fungsi keanggotaan.
Dengan demikian, FLCs dapat disetel bukan hanya dengan menyesuaikan parameter
kontroler tetapi juga dengan mengubah aturan kontrol, fungsi keanggotaan dll

Aturan dasar, mekanisme inferensi dan metode defuzzifikasi sumber nonlinier di FLC. Tapi
itu mungkin untuk membangun sebuah rule base dengan linear input-output karakteristik.
Untuk FLC untuk menjadi pengendali linier dengan sinyal kontrol di mana adalah
"kesalahan" dan "perubahan error", beberapa kondisi harus puas (Jantzen, 2007):
1. Dukungan set variabel input linguistik harus cukup besar sehingga masukan
nilai tinggal di batas.
2. Nilai-nilai linguistik harus terdiri dari simetris fuzzy set segitiga yang mencegat
dengan tetangga set dengan nilai keanggotaan = 0.5 sehingga untuk setiap instan
waktu, nilai-nilai keanggotaan menambah 1.
3. Peraturan dasar harus terdiri dari kombinasi-dari semua fuzzy set.
4. Variabel output linguistik harus terdiri dari fuzzy set ( S
1
, 1 ) tunggal diposisikan
pada jumlah dari posisi puncak set masukan fuzzy.
5. ^ harus perkalian dan metode defuzzifikasi harus "pusat
gravitasi "(HPP).

4. 2 FPD Controller Design

Gambar 8 menunjukkan controller FPD yang bekerja pada sinyal yang sama dengan
kontroler PD tetapi strategi kontrol dibangun sebagai aturan fuzzy (Jantzen, 2007).

Gambar 8. FPD controller

Sinyal kontrol U (n) merupakan fungsi nonlinier dari "kesalahan" dan "perubahan dari
kesalahan". Dengan demikian,
dimana f merupakan algoritma kontrol. Sebuah pendekatan linier harus diperoleh
dengan pilihan yang sesuai:
lalu
Ketika kita membandingkan persamaan ini dengan sinyal kontrol dari kontroler PD garing,
hubungan antara keuntungan dari kontroler PD dan dari controller FPD adalah:

Akibatnya, nilai parameter kontroler FPD linier dapat ditentukan dari
tuned PD controller.

Gambar 9 menunjukkan sistem kontrol dengan controller FPD.
Gambar 9. Control system with an FPD controller

4.2 Defuzzifikasi metode

Antarmuka defuzzifikasi menggunakan fuzzy set tersirat atau himpunan fuzzy secara
keseluruhan tersirat untuk mendapatkan nilai output renyah. Ada beberapa metode
defuzzifikasi banyak tetapi metode yang paling umum adalah sebagai berikut:
1) Center of gravity (COG)
2) Bisector of area (BOA)
3) Smallest of maximum (SOM)
4) Mean of maximum (MOM)
5) Largest of maximum (LOM)

Untuk set diskrit COG disebut pusat gravitasi untuk lajang (HPP) di mana kontrol garing nilai
U
COGS
adalah absis dari pusat gravitasi dari himpunan fuzzy. U
COGS
dihitung sebagai berikut:
mana x
i
adalah titik di alam semesta kesimpulan (i = 1,2, ...) dan
c
(x
i
) adalah nilai
keanggotaan dari himpunan kesimpulan yang dihasilkan. Untuk set terus menerus
penjumlahan diganti dengan integral.

Garis-bagi daerah (BOA) metode defuzzifikasi menghitung absis dari
vertikal garis yang membagi daerah fungsi keanggotaan dihasilkan menjadi dua sama
daerah. Untuk set diskrit, U
BOA
adalah absis x
j
yang meminimalkan



Di sini I
max
adalah indeks dari absis X
i max
terbesar. BOA adalah komputasi yang kompleks
metode.

Pendekatan lain untuk mendapatkan nilai garing adalah memilih titik dengan tertinggi
keanggotaan. Mungkin ada beberapa titik dalam himpunan fuzzy secara keseluruhan tersirat
yang memiliki nilai keanggotaan maksimum. Oleh karena itu praktek umum untuk
menghitung nilai rata-rata titik-titik ini. Metode ini disebut rata-rata maksimum (MOM) dan
nilai crisp dihitung sebagai berikut:
Di sini I adalah (Crisp) set indeks i mana (xi) mencapai
max
maksimum, dan |I | adalah kardinalitas
(jumlah anggota).

Satu juga dapat memilih titik paling kiri di antara poin yang memiliki maksimum
keanggotaan ke himpunan fuzzy secara keseluruhan tersirat. Metode ini disebut terkecil
maksimum (SOM) atau maksimum (LM) metode defuzzifikasi paling kiri. Nilai Crisp adalah
dihitung sebagai berikut:
Kemungkinan lain adalah memilih titik paling kanan di antara titik-titik yang memiliki
keanggotaan maksimal kepada himpunan fuzzy secara keseluruhan tersirat. Metode ini
disebut terbesar maksimum (LOM) atau metode maksimum (RM) paling kanan defuzzifikasi
dimana nilai crips dihitung sebagai:

4.3 Simulink implementation

Masukan dari FPD adalah "kesalahan" dan "perubahan kesalahan" mana output adalah
"kontrol". Input dan output variabel FPD terdiri dari tujuh fuzzy set yaitu NB (besar negatif),
NM (medium negatif), NS (negatif kecil), Z (zero), PS (positif kecil), PM (positif sedang)
dan PB (positif besar) seperti yang ditunjukkan pada Gambar 10 (a) dan (b). Tabel 4
menunjukkan aturan fuzzy.
(a) Fuzzy input variables kesalahan and perubahan kesalahan



(b) Fuzzy output variable output

Figure 10. Fuzzy input-output variables

Table 4. Fuzzy rules



Gambar 11 menunjukkan sistem kontrol fuzzy PD dirancang dalam Simulink.


Figure 11. Fuzzy PD control system

Metode defuzzifikasi berbeda digunakan untuk mendapatkan sinyal kontrol. Tabel 5
menunjukkan nilai tuned parameter controller untuk metode defuzzifikasi yang berbed

Tabel 5. Pengontrol parameter untuk metode defuzzifikasi yang berbeda

Gambar 12 (a) - (d) menunjukkan respon sistem dan sinyal kontrol untuk kontrol fuzzy
sistem dengan metode defuzzifikasi yang berbeda.
Tabel 6 menunjukkan nilai-nilai dari kriteria kinerja untuk defuzzifikasi yang berbeda
metode dengan parameter kontroler disetel.

Gangguan penolakan adalah penting dalam desain kontroler. Controller harus mampu
meredam keluar efek dari sinyal gangguan yang ada di loop sistem. Oleh karena itu sinyal
gangguan (noise Gaussian jenis dengan mean nol dan varians 0,05) diaplikasikan ke input
dari sistem kontrol seperti yang ditunjukkan pada Gambar 13.

Gambar 14 menunjukkan sinyal gangguan diterapkan dan Gambar 15 menunjukkan sistem
respon dan sinyal kesalahan.

5 Kesimpulan dan pekerjaan di masa depan

Parameter pengendali PD dan FPD yang disetel menggunakan blok Simulink bukan
konvensional tala metode. Nilai awal parameter didefinisikan sebagai K
p
= K
D
= 1

dan nilai-
nilai parameter baru yang disesuaikan hanya dalam beberapa iterasi seperti yang ditunjukkan
pada Gambar 5. Dengan demikian waktu dan usaha untuk parameter penalaan berkurang.

Gambar 12 dan Tabel 6 menunjukkan bahwa hasil defuzzifikasi metode yang berbeda di
berbagai kinerja dan parameter serta sinyal kontrol yang berbeda. SOM defuzzifikasi
metode memiliki kinerja terbaik dalam aplikasi tertentu.

FPD kontroler menolak sinyal gangguan tanpa penyetelan lebih lanjut dari controller
parameter. Namun, PD kontroler tidak dapat menolak gangguan sinyal dan gagal untuk
memenuhi persyaratan kinerja.

Makalah ini menyajikan optimalisasi parameter controller melalui blok Simulink
bukan metode penalaan konvensional. Kriteria kinerja didefinisikan dalam waktu domain di
mana respon transien sistem untuk input step dianggap. Sebagai pekerjaan di masa depan,
sistem kontrol fuzzy tersebut, akan dirancang menggunakan kinerja berbagai langkah-
langkah biasa ditemui dalam teori kontrol optimal (waktu yang optimal, optimal konsumsi
energi dll). Setelah mendapatkan parameter controller, "lunak-tuning" kabur kontroler akan
dirancang untuk memvariasikan parameter dalam interval fuzzy. Dengan demikian, variasi
dari parameter kontroler antara nilai maksimum dan minimum akan dianggap sebagai fuzzy.


(a) Bisector (b) SOM
(c) MOM (d) LOM

Gambar 12. Output dan sinyal kontrol untuk metode defuzzifikasi yang berbeda

Tabel 6. Kinerja spesifikasi untuk sistem kontrol PD fuzzy




Gambar 13. FPD kontrol sistem dengan sinyal gangguan pada masukan


Gambar 14. gangguan sinyal


Gambar 15. Sistem respon dan kesalahan

Referensi

Assilian, S. and Mamdani, E.H., An Experiment in Linguistic Synthesis with a Fuzzy
Logic Controller. International Journal of Man-Machine Studies, 7(1), 1-13, 1974.

Azevedo, H.R., Brandao, S.F.M. and Mota Alves, J.B., A Fuzzy Logic Controller for dc
Motor Position Control. IEEE 2nd International Workshop on Emerging Technologies
and Factory Automation. Design and Operations of Intelligent Factories. Workshop
Proceedings, 18-27, 1993.
Bal, G., Bekiroglu, E., Demirbas, S. and Colak, I., Fuzzy logic based DSP controlled
servo position control for ultrasonic motor. Energy Conversion and Management, 45,
31393153, 2004.

Chapman, S.J., Electric Machinery Fundamentals, 4th edition, New York: McGraw
Hill, 2005.

Jantzen, J., Foundations of Fuzzy Control, WS: John Wiley & Sons, Ltd., 2007.

Kickert, W. J. M. and van Nauta Lemke, H. R., Application of a Fuzzy Controller in a
Warm Water Plant. Automatica, 12(4), 301-308, 1976.

Kwon, C.J., Han, W.Y., Kim, S.J. and Lee C.G., Speed controller with adaptive fuzzy
tuning for BLDC motor drive under load variations. SICE Annual Conference,
3118-3121, 2003.

Lin, P.H., Hwang, S. and Chou, J., Comparison on Fuzzy Logic and PID Controls for a
DC Motor Position Controller. Conference Record of the 1994 IEEE Industry
Applications Society Annual Meeting, 1930-1935, 1994.

Mamdani, E. H., Application of Fuzzy Logic to Approximate Reasoning Using
Linguistic Synthesis. IEEE Transactions on Computers, 26(12), 1182-1191, 1977.

Mathworks Inc., Simulink Response Optimization Getting Started Guide, 3rd
printing, 2008.

Mishra, M.K., Kothari, A.G., Kothari, D.P. and Ghosh, A., Development of a Fuzzy
Logic Controller for Servo Systems. IEEE Region 10 International Conference on
Global Connectivity in Energy, Computer, Communication and Control (TENCON
'98),
204-207, 1998.

Namazov, M., Samet, R. and Huseynov, R., Modelling and Simulation of the Fuzzy
Relay Type Controller for Solving the Double Integrator Control Problems.
Proceedings
of 9th WSEAS International Conference on Automatic Control, Modeling&Simulation,
7-11, 2007.

Ogata, K., Modern Control Engineering, 3rd edition, NJ: Prentice Hall, 1997.

Veremey, E.I. and Pogojev, S.B., Nonlinear Control Design Blockset [Online]
Available: http://matlab.exponenta.ru/nonlinecondes/book1/preface.php

Zadeh, L. A., Fuzzy Sets. Information and Control, 8, 338-353, 1965.

Zadeh, M. H., Yazdian, A. and Mohamadian, M., Robust Position Control in DC Motor
by Fuzzy Sliding Mode Control. International Symposium on Power Electronics,
Electrical Drives, Automation and Motion (SPEEDAM 2006), 1413-1418, 2006.