عنوان : طراحی و شبیه سازی کنترل کننده پیش بین مبتنی برمدل فازی-عصبی سیستم های غیرخطی چند متغیره با بهره گیری ازبهینه سازی گرادیان کاهشی

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

پایان نامه برای دریافت درجه کارشناسی ارشد

“M.Sc”

مهندسی برق-کنترل

عنوان:

طراحی و شبیه سازی کنترل کننده پیش بین مبتنی برمدل فازی-عصبی سیستم های غیرخطی چند متغیره با بهره گیری ازبهینه سازی گرادیان کاهشی

استاد راهنما:

دکترمحمد رضا جاهد مطلق

استاد مشاور:

دکترنیما محمدی طبری

بهمن ماه1387

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد
(در فایل دانلودی نام نویسنده موجود می باشد)
تکه هایی از متن پایان نامه به عنوان نمونه :
فهرست مطالب
 

عنوان مطالب شماره صفحه
   
   
چکیده ۱
مقدمه ۲
فصل اول:کلیات  
۱-۱هدف :(کنترل پیش بین مبتنی بر مدل و مفاهیم آن) ۶
۱-۲تعاریف اولیه ۷
۱-۳معرفی اصول کنترل پیش بین مبتنی بر مدل ۸
۱-۴مراحل طراحی کنترل پیش بین ۹
۱-۵نمودار بلوکی MPC ۹
۱-۵-۱مدل پیش بین ۰۱
۱-۵-۲تعیین ورودی کنترلی بهینه ۰۱
۱-۵-۲-۱تابع هدف ۱۱
۱-۶-مزایا و معایب کنترل پیش بین مبتنی بر مدل ۲۱
۱-۷-کنترل پیش بین مبتنی بر مدل غیرخطی ۲۱
فصل دوم:کنترل پیش بین مبتنی بر مدلهای هوشمند(مدل شبکه عصبی،مدل فازی،مدل
فازی-عصبی) و روشهای بهینه سازی درکنترل پیش بین  
۲-۱-مقدمه ۵۱
۲-۲-مدلسازی ۶۱
۲-۲-۱-شبکه های عصبی ۶۱
۲-۲-۱-۱-کنترل پیش بین غیرخطی مبتنی بر شبکه عصبی ۷۱
۲-۲-۱-۲-مدلسازی سیستم غیرخطی توسط شبکه های عصبی ۷۱
۲-۲-۲سیستمهای فازی ۹۱
۱-۲-۲-۲نگاهی بر ریاضیات فازی ۰۲
۲-۲-۲-۲مدلسازی سیستمهای فازی از روی داده های ورودی-خروجی ۳۲
۲-۲-۲-۳-کنترل پیش بین غیرخطی مبتنی بر مدلهای فازی ۵۲
۲-۲-۲-۴-مدلسازی سیستم غیرخطی توسط منطق فازی ۵۲
۲-۲-۳مدلسازی سیستم غیر خطی توسط شبکه های فازی-عصبی ۱۳
۲-۲-۳-۱سیستم فازی-عصبی شبه ARMAX ۳۳
۲-۲-۳-۲سیستم فازی-عصبی تطبیقی ۳۳
۲-۳-بهینه سازی ۵۳

 

عنوان مطالب شماره  
  صفحه  
     
۲-۳-۱بهینه سازی به روش گرادیان کاهشی ۵۳  
۲-۳-۱-۱-روش گرادیان کاهشی با باقیمانده ۶۳  
۲-۳-۱-۲-روش گرادیان نزولی بدون باقیمانده ۸۳  
۲-۳-۲تأثیر η بر سرعت همگرایی وناپایداری سیستم ۸۳  
۲-۳-۳-عیب روش گرادیان کاهشی ۹۳  
۲-۳-۴-راه حلهای پیشنهادی برای خروج از مینیمم های محلی ۹۳  
۲-۳-۵-حل مسأله بهینه سازی توسط شبکه های عصبی ۳۴  
فصل سوم:شبیه سازی کنترل پیش بین مبتنی بر مدل فازی-عصبی بر روی یک فرآیند سه    
تانکه تنظیم ارتفاع مایع    
۳-۱-مقدمه ۶۴  
۳-۲-توصیف فرآیند ۶۴  
۳-۳تعیین مدلی برای سیستم تحت کنترل،جهت کنترل پیش بین خروجیهای آینده سیستم و بهره گیری ۷۴  
از آنها در کمینه سازی تابعی    
۳-۳-۱-مدلسازی سیستم با بهره گیری از شبکه عصبی ۷۴  
۳-۳-۱-۱-ایجاد داده های آموزش،داده های درستی وداده های امتحان ۹۴  
۳-۳-۲-مدلسازی سیستم با بهره گیری از شبکه فازی-عصبی ۴۵  
۳-۴-طراحی کنترل پیش بین مبتنی بر مدل عصبی-فازی برای فرآیند تنظیم ارتفاع مایع در سه تانک ۴۵  
۳-۴-۱-مطالعه اثر افقهای پیش بین و کنترل در عملکرد ردیابی مسیرمرجع NMPC ۹۵  
۳-۴-۲-مطالعه اثر ضرایب وزنی در عملکرد ردیابی مسیرمرجع NMPC ۰۶  
۳-۵- طراحی کنترل پیش بین مبتنی بر مدل عصبی-فازی برروی فرآیند دوم ۵۶  
فصل چهارم:نتیجه گیری و ارائه پیشنهادات    
۴-۱-جمع بندی و نتیجه گیری ۲۷  
۴-۲-پیشنهادات برای کارهای آینده ۳۷  
منابع و مآخذ ۵۷  
فهرست منابع فارسی  
فهرست منابع لاتین ۶۷  
چکیده انگلیسی ۸۷  

 
فهرست شکلها
 

عنوان شماره صفحه
   
شکل ۱-۱:اصل کنترل پیش بین مبتنی بر مدل-تعیین ورودی مناسب با در نظر داشتن ورودی ها و ۸
خروجیهای قبلی و خروجیهای پیش بینی شده سیستم به مقصود حفظ خروجیها در محدوده  
مسیرمرجع  
شکل۱-۲-نمودار بلوکی ساختارMPC ۰۱
شکل۲-۱- ساختار کنترل کننده پیش بین عصبی ۷۱
شکل ۲-۲-مدل NARMAX عصبی ۷۱
شکل ۲-۳-ساختار شبکه عصبی تأخیرزمان ۷۱
شکل ۲-۴-روشهای شناسایی سری-موازی و موازی ۸۱
شکل۲-۵-شبکه عصبی پیش خورد FNN ۹۱
شکل ۲-۶-شبکه عصبی بازگشتی RNN ۹۱
شکل۲-۷-ساختار یک کنترل کننده فازی ۰۲
شکل۲-۸-دی فازی ساز میانگین مراکز ۳۲
شکل ۲-۹-نمایش تبدیل دانش خبره به سیستمهای فازی ۳۲
شکل۲-۰۱-نمایش مدلسازی فازی به روش تاکاگی-سوگنو ۶۲
شکل۲-۱۱-رفتار یک سیستم غیر خطی و تفکیک آن به چند زیر سیستم ۰۳
شکل ۲-۲۱- ساختار مدل ANFIS ۴۳
شکل ۲-۳۱- نمایش چگونگی عملکرد روش گرادیان کاهشی ۶۳
شکل ۲-۴۱-نمایش اثرات ضریب یادگیری η در رسیدن به نقطه مینیمم کلی ۹۳
شکل۲-۵۱- تابع هزینه برحسب ورودیهای v1,v2ونمایش مینیمم های محلی و کلی ۰۴
شکل۲-۶۱- نمایش بهره گیری از مدل وارونه برای تخمین نقطه شروع ۱۴
شکل۲-۷۱- تاثیر روش اندازه حرکت بر عبور از مینیمم های محلی ۲۴
شکل۲-۸۱-تاثیر روش ηخود تنظیم بر عبور از مینیمم های محلی ۳۴
شکل۲-۹۱- بلوک دیاگرام حل مسأله بهینه سازی به وسیله شبکه های عصبی ۳۴
شکل۳-۱- ساختار سیتم سه تانکه ۷۴
شکل۳-۲- توپولوﮊی شبکه المان ۸۴
شکل ۳-۳-:شبکه المان اصلاح شده با اضافه شدن فیدبک با گین a ۸۴
شکل ۳-۴: بهره گیری از شبکه mlp برای مدل کردن شبکه المان ۹۴
شکل ۳-۵- داده های ورودی v1,v2 برای آموزش ۰۵
شکل ۳-۶-داده های ورودی اول و دوم برای تعیین درستی آموزش ۱۵
شکل۳-۷-داده های ورودی اول و دوم برای امتحان آموزش ۱۵

 

عنوان شماره
  صفحه
   
شکل۳-۸-نمودارعملکردشبکه عصبی برای ۰۰۰۰۲نقطه در روی هرورودی به همراه خروجی حالـت ۲۵
قبل و مشتق خروجی ها وورودی حالت قبل تر  
شکل۳-۹- نمودارورودیها و خروجیهای سیستم((h1,h2 و خروجیهای مدل عصبی سیستم ۳۵
شکل ۳-۰۱-تطبیق خروجی اول (خروجی h1 )و خروجی مدل عصبی ۳۵
شکل۳-۱۱-تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی ۴۵
شکل۳-۲۱- تطبیق خروجی اول(خروجیh1 )و خروجی مدل عصبی-فازی ۴۵
شکل۳-۳۱- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی-فازی ۵۵
شکل۳-۴۱-نمایش سطح سه بعدی تغییرات v1,v2,h1در مدلسازی عصبی-فازی ۵۵
شکل۳-۵۱-نمایش سطح سه بعدی تغییرات v1,v2,h2 در مدلسازی عصبی-فازی ۶۵
شکل۳-۶۱- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده –سطر ۷۵
دوم کوشش کنترلی ورودی( (η = 0.05  
شکل۳-۷۱- سطر اول نموداراثرافزایش ضریب یادگیری( (η = 0.3بر ناپایداری سیستم کنترل شده- ۸۵
سطر دوم ناپایداری کوشش کنترلیu  
شکل۳-۸۱- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده-سـطر دوم ۸۵
کوشش کنترلی ورودی( (η = 0.1شرط پایان محاسبه ورودی:uالف) ∆u = 0.001 ب)- ∆u = 0.0001  
شکل۳-۹۱- عملکرد تعقیب نقطه تنظیم اول(خروجی NMPC (h1 به ازای افق های پیش بین ۹۵
مختلف  
شکل۳-۰۲- عملکرد تعقیب نقطه تنظیم دوم(خروجی NMPC (h2 به ازای افق های پیش بین ۰۶
مختلف  
شکل۳-۱۲- عملکرد ردیابی نقطه تنظیم اول(خروجی NMPC (h1 به ازای تغییرات ضرایب وزنی R ۱۶
شکل۳-۲۲- عملکرد ردیابی نقطه تنظیم دوم(خروجی NMPC (h2 به ازای تغییرات ضرایب وزنیR ۱۶
شکل۳-۳۲- سیگنالهای کنترلی ورودیNMPC) v1 )به ازای تغییرات R ۲۶
شکل۳-۴۲- سیگنالهای کنترلی ورودیNMPC) v2 )به ازای تغییرات R ۲۶
شکل۳-۵۲- عملکرد ردیابی نقطه تنظیم اول(خروجی NMPC (h1 به ازای تغییرات ضرایب وزن Q ۳۶
شکل ۳-۶۲-عملکرد ردیابی نقطه تنظیم دوم(خروجی NMPC (h2 به ازای تغییرات ضرایب وزن Q ۳۶
شکل۳-۷۲- سیگنالهای کنترلی ورودیNMPC) v1 )به ازای تغییرات Q ۴۶

 

عنوان شماره
  صفحه
   
شکل۳-۸۲- سیگنالهای کنترلی ورودیNMPC) v2 )به ازای تغییرات Q ۴۶
شکل ۳-۹۲-سطر اول نمونه ای از گیر کردن سیستم در مینیمم های محلی(عدم ردیابی خروجی) ۵۶
شکل۳-۰۳- نمودار ورودیها و خروجیها((h1,h2 و خروجیهای مدل عصبی سیستم دوم ۶۶
شکل ۳-۱۳- تطبیق خروجی اول(خروجیh1 )و خروجی مدل عصبی سیستم دوم ۷۶
شکل۳-۲۳- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل عصبی سیستم دوم ۷۶
شکل ۳-۳۳- تطبیق خروجی اول و دوم و خروجی مدل فازی سیستم دوم- مرجع ]۶۳[ ۸۶
شکل۳-۴۳- تطبیق خروجی اول(خروجیh1 )و خروجی مدل فازی-عصبی سیستم دوم ۸۶
شکل۳-۵۳- تطبیق خروجی دوم(خروجی h2 )و خروجی مدل فازی-عصبی سیستم دوم ۸۶
شکل۳-۶۳-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین بر مدل فازی-عصبی وروش گرادیان ۹۶
کاهشی  
شکل۳-۷۳-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین بر مدل فازی-عصبی وروش گرادیان ۹۶
کاهشی  
شکل۳-۸۳-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین مبتنی بر مدل فازی وروش ۰۷
فانکشنال-مرجع ]۶۳[  
شکل۳-۹۳-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین مبتنی بر مدل فازی وروش ۰۷
فانکشنال-مرجع ]۶۳[  

 
چکیده:
 
در این پروﮊه،کنترل پیش بین غیرخطی بر پایه مدل عصبی-فازی جهت کنترل فرآیندهای چند ورودی-
 
چندخروجی ارائه شده می باشد .بخش عصبی از شبکه المان بازگشتی اصلاح شده و بخش فازی-عصبی از مدل فازی-عصبی تطبیقی ANFIS برای مدلسازی بهره گیری کرده می باشد.بـرای جمـع آوری داده هـا جهـت شناسـایی مدل،۰۰۰۰۲ داده از دستورrandgen نرم افزار MATLAB به دست آمده می باشد.این روش شـامل خـصوصیات جالب کنترل پیش بین کلاسیک می باشد .به علت اینکه از روش گرادیان کاهشی ،که یـک الگـوریتم روشـن و ساده می باشد؛ برای حل مسأله بهینه سازی بهره گیری می کند، با همگرایی بیشتری به نقطه بهینه کوشش کنترلـی مـی رســیم.مــشکلات ایــن روش بهینــه ســازی را بــا الگوریتمهــای اثبــات شــده(مــدل وارونه،انــدازه حرکــت و
 
ηخودتنظیم) به اندازه قابل توجهی برطرف نمـوده ایـم. جهـت بررسـی عملکـرد ایـن روش کنترلـی بـرروی فرآیندهای چند ورودی-چند خروجی ازفرآیند تنظیم ارتفاع مایع در سه تانک که به مخزن جمع آوری مایع متصل اند،بهره گیری شده می باشد.نتایج شبیه سازیها نشان می دهندکه مدل فـازی-عـصبی ارائـه شـده در شناسـایی فرآیندهای غیرخطی بسیار توانا بوده و یک مدل مناسب از فرآیندرا شناسایی می کنـد.همچنـین کنتـرل پـیش بین مبتنی بر این مدل (فازی-عصبی) در اندازه فراجهش و زمان نشست،دارای عملکرد بهتری می باشد.
 
کلیــد واﮊه:کنتــرل پــیش بــین غیرخطــی چندمتغیره،مــدل فــازی-عــصبی،بهینه ســازی بــه روش گرادیــان کاهشی،فرآیند تنظیم ارتفاع مایع در تانک.
 
مقدمه:
 
امروزه لزوم کنترل بهینه سیستمهای غیر خطی چند متغیره به مقصود رسیدن به پایداری و پاسخ مطلوب بیشتر احساس می گردد. با در نظر داشتن گـسترش روز افـزون و پیـشرفت تکنولـوﮊی در زمینـه پیـاده سازی محاسبات حجیم و پیچیـده,امکـان اسـتفاده از الگوریتمهـای غیـر خطـی مربـوط بـه سیـستمهای چندورودی/چند خروجی ایجاد شده می باشد.این امر باعث شده می باشد که در سالهای اخیر محققـین بـسیاری در این زمینه تحقیقات زیادی انجام داده و الگوریتمهای مناسب تری ارائه دهند.تکنیکهای طراحی بـسیار کمی وجود دارند که می توانند پایداری پروسه را در حضور مشخصات غیـر خطـی و محـدودیتها تـضمین کنند.کنترل پـیش بـین مبتنـی بـر مـدل١ (MPC) یکـی از ایـن تکنیکهاسـت]۶MPC . [بـه دسـته ای ازالگوریتمهای کامپیوتری تصریح دارد که رفتار آینده پروسه را از طریق بهره گیری از یـک مـدل صـریح از آن فرآیند کنترل می کند.الگوریتم MPC در هر بازه کنترلی یک دنبالـه حلقـه بـاز از تنظیمـات متغیرهـای دستکاری شونده (MV)2 را جهت بهینه سازی رفتار آینده پروسه محاسبه می کنـد.اولـین ورودی دنبالـه بهینه به پروسه اعمال گردیده و عملیات بهینه سازی در بازه های کنترلی دیگـر تکـرار مـی شـود]۶. [ بـا در نظر داشتن خواص بسیار مطلوب کنترل کننده های پیش بین مبتنی بـر مـدل ،ایـن کنتـرل کننـده هـا بـه سرعت در محدوده وسیعی از صنایع مختلف به کار گرفته شدند.طوری که تا سـال ۶۹۹۱ بـیش از ۰۰۲۲ مورد پیاده سازی عملی از این کنترل کننده ها که مدل خطی را به کار برده اند،گزارش شده می باشد.این در حالیست که حدود ۰۸ درصد این پیاده سازی ها در صنایع پتروشیمی مـی باشـد]۷و۸.[ امـروزه ،کـاربرد کنترل کننده های MPC بر اساس مدلهای دینامیک خطی ،محدوده وسیعی از کاربردهـا را پوشـش مـی دهدو MPC خطی به حد کمال رسیده اسـت ]۹[ .بـا ایـن وجـود ،تعـدادی از فرآینـدهای تولیـدی ذاتـاﹰ غیرخطی هستندو حالتهایی وجود دارند که در آنها اثرات غیر خطی اهمیت زیادی می یابد و قابـل چـشم پوشی نیست.اینها حداقل دو دسته وسیع از کاربردها را در بر می گیرند]۶: [
 
۱-مسائل کنترل تنظیمی که فرایند به شدت غیرخطی بوده و به گونه متوالی در معرض اغتشاشات بزرگ قرار دارد(کنترل pHو….).
۲-مسائل کنترل تعقیبی که نقاط کار عملیاتی به تناوب تغییر می کندو محدوده وسـیعی از دینامیکهـای فرایند غیر خطی را پوشش می دهد(صنایع پلیمری،سنتز آمونیاک و…..).
 
در اینگونه مسائل اغلب مدلهای خطی برای توصیف دینامیکهای فراینـد نامناسـب اسـت و مـدلهای غیـر خطی بایستی مورد بهره گیری قرار گیرند.کنترل پیش بـین غیرخطـی (NMPC)3 توسـعه خـوبی از کنتـرل پیش بین خطی به جهان غیرخطی می باشد.NMPC از نظر مفهومی شبیه همتای خطی خـود اسـت بـا ایـن تفاوت که برای بهینه سازی و پیش بینی فرایند از مدلهای دینامیک غیر خطی بهره گیری می گردد]۹.[
 
مدلسازی سیستمهای غیر خطی از سه راه عمـده قابـل انجـام اسـت.راه اول اسـتفاده از مـدلهای مختلف برای نقطه های گوناگون کار سیستم می باشد.راه دوم بهره گیری از معادلات پایه ای مانند تبدیلات جرم و انرﮊی می باشد که در اکثر کاربردها به علت پیچیدگی فرآیند این کار مـشکل اسـت.راه سـوم و بهتـرین راه
بهره گیری از مدلهای جعبه سیاه و تنها براساس داده های ورودی-خروجی یا به تعبیری شناسایی فرایند می باشد.در واقع مدلسازی تجربی پروسه ، تبدیل داده های ورودی وخروجی موجود بـه یـک رابطـه ورودی-
 
خروجی می باشد که می توان برای پیش بینی رفتار آینده سیستم از آن بهره گیری نمود]۹.[مدلهای مختلفی بـر اساس مدلسازی تجربی ارائه شده اند.مدلهای ارائه شده را می توان به ۲ دسته کلاسیک و هوشمند تقسیم بندی نمود.از مدلهای کلاسـیک مـی تـوان بـه مـدلهای ولتـرا١ ، چنـد جملـه ای NARMAX ، مـدلهای همرشتاین و وینر٢ تصریح کردو برای مدلهای هوشمند می توان مدلهای عصبی،عصبی-فازی و فازی را نـام برد]۰۱.[
 
به گونه خاص مدلهای عصبی و فازی دارای ساختار ساده ای هستند که کاربردشان را در NMPC
 
آسان می کند.شبکه های عـصبی مـصنوعی ابزارهـای مناسـبی جهـت سـاختن مـدل فرآینـد غیرخطـی هستند.زیرا نسبت به روشهای کلاسیک،توسعه آسانتری یافته اند،پیچیدگی معادلات دیفرانـسیل معمـولی را ندارنـد،حجم محاسـبات NMPCدر آنهـا کـم و قابلیـت تقریـب پروسـه هـا را بـا هـر دقـت دلخـواهی دارند]۷و۸.[مدل عصبی برای مسائل کنترل به خصوص سیستمهای پیچیده که مدلـسازی آنهـا یـا میـسر نیست و یا به سختی انجام می گردد،بسیار مناسب می باشد.
 
مدلهای فازی را می توان بـه عنـوان یـک سیـستم دینـامیکی غیرخطـی در نظـر گرفـت کـه قادرنـد سیستمهای واقعی را هر چقدر پیچیده ،از روی داده های تجربی و براساس محاسبات عددی با دقت خاص تقریب بزنند. همچنین مدلهای فازی بدلیل سازگاری بـا منطـق بـشری و اسـتفاده از آنهـا در ترکیـب بـا الگوریتم های MPC خطی،جزﺀ روشهای مناسب مدلسازی غیر خطی می باشند]۹و۰۱.[
 
دومین بخش در کنترل پیش بین غیر خطی ، بخش بهینه سازی و کنترل می باشد.کنترل پیش بین غیر خطی یک استراتژی کنترلی می باشد که کاربرد روشهای بهینه سازی در آن ضروری می باشد.بهینـه سـازی درNMPC نسبت به حالتهای خطی نیازمند محاسبات طولانی و وقت گیرتری اسـت]۹۱.[در حالـت کلـی ودر اغلب حالات ،مسائل کنترل بهینهNMPC به یک مسأله برنامه ریزی غیر خطی٣ (NLP) ابعاد محدود منجر می گردند.این مسأله برنامه ریزی غیر خطی ، با بهره گیری از برنامه ریزی مربعی ترتیبی۴ (SQP) قابل حل می باشد]۰۲و۱۲.[با در نظر داشتن مقالات و منابع موجود، بیشتر مسائل بهینه سازی توسط روشهای کلاسیک مانند روش SQP،QP حل می شوند]۲۲و۳۲.[ همچنین روشهای هوشمند ماننـد الگـوریتم هـای ﮊنتیـک
 
]۴۲[ و شبکه های عصبی ]۵۲[و منطق فازی وعصبی- فازی]۶۲[ نیز در حل مسأله مـورد اسـتفاده قـرار گرفته اند.
 
در این پایان نامه،کنترل پیش بـین مبتنـی بـر مـدل عـصبی- فـازی جهـت کنتـرل فراینـدهای چندورودی-چند خروجی ارائه شده می باشد.دربخش مدلسازی از مدلسازی عصبی-فازی بهره گیری می شودکه بر روی سیستمهای MIMO تعمیم زده شده می باشد.سیستم آغاز با این روش مدلـسازی و سـپس بـا روش پیش بین جهت رسیدن به خروجیهای مطلوب،ورودی کنترلی تعیین وبدین ترتیب سیـستم کنتـرل مـی گردد. ثابت می شودکه مدل فازی به دلیل سـازگاری بـا منطـق انـسان،جزﺀ روشـهای مناسـب مدلـسازی
 
سیستمهای غیرخطی می باشد.در نرم افزارMATLAB،روش پیش بین عصبی- فازی به مقصود مقایـسه و نتیجه گیری بهترنسبت به روش پیش بین عصبی انجام شده می باشد و نتایج حاصـل از هـردو روش بـا هـم مقایسه شده می باشد.پس از این مقدمه،موضوعات اصلی پایان نامه با ساختاربندی زیر ارائه خواهدشد.
 
در فصل اول،کنترل پیش بین مبتنی بر مدل و مفاهیم آن مورد بررسـی قـرار مـی گیـرد.بخـشهای مختلف این کنترل کننده ها،مزایا، معایب و همچنین مفاهیم کنترل پیش بـین غیرخطـی در ایـن فـصل ارائه خواهدشد.در فصل دوم،کنترل پیش بین مبتنی بر مدلهای هوشمند(مدل عصبی،مدل فـازی و مـدل عصبی- فازی)ارائه می گردد]۷۳.[بخشهای مدلسازی سیستمهای غیرخطی توسط شـبکه هـای عـصبی و منطق فازی و مدل عصبی- فازی و چگونگی کار هر یک در این فصل خواهد آمـد.در ادامـه ،روشـهای بهینـه سازی در کنترل پیش بین ارائه مـی شـود.در فـصل بعـد شـبیه سـازی حاصـل از اعمـال ایـن روشـهای کنترلی(پیش بین مبتنی بر شبکه های عصبی و پـیش بـین مبتنـی بـر مـدل عـصبی- فـازی و مقایـسه روشهای بهینه سازی گرادیان کاهشی و فانکشنال) بر روی دو سیستم )MIMO۲ ورودی/۲ خروجی)،اولی شامل یک فرایند با ۳ تانک مایع،که هدف رسـیدن ارتفـاع مـایع در ایـن تانکهـا بـه مقـدار مطلـوب مـی باشد]۷۳[،ودومی شامل یک سیستم دو ورودی دو خروجی که معادلات حالت آن موجود مـی باشـد و در مرجع شماره ]۶۳[ معرفی گردیده،انجام شده می باشد و نتایج با یکدیگر مقایـسه شـده انـد.نتیجـه گیـری و پیشنهادات برای کارهای بعدی نیز در قسمت پایانی پایان نامه ارائه خواهدشد.
 
فصل اول:
 
کلیات
 
۱۱-هدف(کنترل پیش بین مبتنی برمدل و مفاهیم آن):
 
وجود تأخیر زمانی در دینامیک بسیاری از فرایندهای صنعتی مشکل عمده و شناخته شده در سیـستم های کنترل حلقه بسته می باشد. چنانچه تأخیر زمانی در مقایسه با ثابت زمانی های مـوثر سیـستم قابـل توجه باشد،نیاز به یک کنترل کننده پیش بین پیشرفته اجتنـاب ناپـذیر اسـت. کنتـرل پـیش بین،شـکل خاصی از کنترل می باشد که در آن پیش بینی رفتار آینده سیستم در فرمول بندی آن تأثیر دارد. زمانی کـه کارائی بهتری نسبت به آن چیز که از کنترل غیر خطی بدست مـی آیـد،مورد نیـاز باشـد،از ایـن روش کنترلـی بهره گیری می گردد.این حالت سیستمهایی را شامل می گردد که رفتارآینده آنها متفاوت از رفتار فعلـی شـان می باشد.به عنوان مثال سیستم های با تاخیر زمانی،سیستم های مرتبه بالا،سیستم های با میرائـی ضـعیف و غیر مینیمم فاز از این نوع سیستم ها هستند.
 
تلاشهایی که در دهه های ۰۶۹۱و۰۷۹۱ در ارتباط با کنترل پـیش بـین صـورت گرفـت ،زمینـه مساعدی را برای ظهور کنترل کننده های پیش بین مبتنی بر مدل فـراهم آورد. در ایـن سـالها بـه طـور پراکنده روشهای ابتدائی توسط شرکتهای مختلف به کار گرفته شده بودند.اما اولین ارائه یک نمونه عملـی و علمی کنترل کننده های پیش بین مبتنی بر مدل، توسط ریچالت١ در سـال ۶۷۹۱ و بـا معرفـی روش کنترل پیش بین مبتنی بر مدل ضربه MAC ٢در یک کنفرانس صورت گرفت که اولین پیاده سازی عملی
 
MPC هانیز به شمار می آید.بعد از آن نیزبـه سـرعت روشـهای مختلـف دیگـری در کاربردهـای مختلـف صنعتی ارائه شدند]۷.[
 
تا اوائل دهه ۰۹۹۱ غالباﹰ مدلهای خطی به دلیل سادگی مورد اسـتفاده قـرار مـی گرفتنـد.بـر ای بهره گیری از این کنتر ل کننده ها در سیستمهای غیر خطی،نیاز به شناسـایی مـدل بـه صـورت پیوسـته و آنلاین٣ می باشد تا خاصیت غیر خطی سیستم در نظر گرفته گردد.به گونه ایده آل یک سیستم غیرخطـی برای کارایی بهینه نیازمند یک کنترل کننده پیش بین مبتنی برمدل غیرخطی مـی باشـد.]۷.[بـه همـین جهت تحقیقات در زمینه کنترل پیش بین مبتنی بر مدل غیـر خطـی در دهـه ۰۹۹۱ شـروع شـد.بهینـه سازی دینامیکی زمان واقعی با به کار بردن یک مدل غیر خطی و روش بهینه سازی غیر خطی یـک سیاق کاملاﹰ پیچیده و از نظر محاسباتی بسیار سنگین می باشد.با پیـشرفت پردازنـده هـا و ابـداع الگوریتمهـای جدید ، این مشکل تا حدی مرتفع گردید. این تلاشها در نهایت منجر بـه پیـاده سـازی عملـی الگوریتمهـای کنترل پیش بین مبتنی بر مدل غیر خطی در میانه دهه ۰۹۹۱ گردید.ایـن زمینـه، امـروزه حجـم زیـادی از تحقیقات علمی و تلاشهای صنعتی را به خود اختصاص داده می باشد.به عنوان مثال در فاصله سالهای ۵۹۹۱ تا ۸۹۹۱ تعداد ۳۹ مورد پیـاده سـازی عملـی از ایـن الگوریتمهـا گـزارش شـده اسـت کـه غالبـاﹰ صـنایع پتروشیمی و شیمیایی بوده اند.همانگونه که تصریح شـد،MPC ابتـدا در صـنایع پتروشـیمی و شـیمیایی و همچنین نیروگاهها طراحی و پیاده سازی گردید،اما امروزه در رنـج وسـیعی از محیطهـای مختلـف صـنعتی مانند انواع صنایع فرایندی مثل صنایع غذایی،صنایع متالورﮊی،خودروسازی ،صنایع چوب و کاغذ و صنایع سیمان به کار می رود]۶.[پیاده سازیهای متعدد صنعتی بخصوص در صنایع پتروشیمی وبـسته هـای نـرم
 
افزاری گوناگون که توسط شرکتهای معتبر کنترل و اتوماسیون عرضه شده می باشد و نیز موردها متعدد تعریف پایان نامه های کارشناسی ارشد و دکتری در دانشگاههای معتبر، موید اهمیت کنترل کننـده هـای پـیش بین مبتنی بر مدل می باشد .
 
به جهت اهمیت این کنترل کننده ها پس از اظهار تاریخچـه مختـصر فـوق ،بـه معرفـی اصـول و تعاریف اولیه این کنترل کننده ها می پردازیم.سپس ضمن مطالعه نمودار بلـوکی ،بخـشهای مختلـف ایـن کنترل کننده ها و مزایا و معایب آنها مورد مطالعه قرار می گیرد.
(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)
تعداد صفحه : 106
قیمت : چهارده هزار تومان

این مطلب رو هم توصیه می کنم بخونین:   تشخیص چهره انسان : پایان نامه کارشناسی ارشد رشته مهندسی برق

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :               serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***

دسته‌ها: مهندسی برق