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

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:102
قالب بندی:word قابل ویرایش

نحوه خرید

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

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

فهرست مطالب

۱ چکیده
۲  مقدمه
فصل اول:کلیات
۶ ۱- ۱هدف :(کنترل پیش بین مبتنی بر مدل و مفاهیم آن) ۶
۷ ۱- ۲تعاریف اولیه ۷
۸ ۱- ۳معرفی اصول کنترل پیش بین مبتنی بر مدل ۸
۹ ۱- ۴مراحل طراحی کنترل پیش بین ۹
۹ ۱- ۵نمودار بلوکی MPCض ۹
۱۰ ۱- ۵- ۱مدل پیش بین ۱۰
۱۰ ۱- ۵- ۲تعیین ورودی کنترلی بهینه ۱۰
۱۱ ۱- ۵- ۲-۱تابع هدف ۱۱
۱۲ ۱- ۶-مزایا و معایب کنترل پیش بین مبتنی بر مدل ۱۲
۱۲ ۱- ۷- کنترل پیش بین مبتنی بر مدل غیرخطی ۱۲
فصل دوم:کنترل پیش بین مبتنی بر مدلهای هوشمند(مدل شبکه عصبی،مدل فازی،مدل فازی-عصبی) و روشهای بهینه سازی درکنترل پیش بین

۱۵ ۲- ۱- مقدمه ۱۵
۱۶ ۲- ۲- مدلسازی ۱۵
۱۶ ۲- ۲- ۱-شبکه های عصبی ۱۶
۱۷ ۲- ۲- ۱-۱-کنترل پیش بین غیرخطی مبتنی بر شبکه عصبی ۱۷
۱۷ ۲- ۲- ۱-۲-مدلسازی سیستم غیرخطی توسط شبکه های عصبی ۱۷
۱۹ ۲- ۲- ۲سیستمهای فازی ۱۹
۲۰ ۱- ۲- ۲-۲نگاهی بر ریاضیات فازی ۲۰
۲۳ ۲- ۲- ۲-۲مدلسازی سیستمهای فازی از روی داده های ورودی-خروجی ۲۳
۲۵ ۲- ۲- ۲-۳-کنترل پیش بین غیرخطی مبتنی بر مدلهای فازی ۲۵
۲۵ ۲- ۲- ۲-۴-مدلسازی سیستم غیرخطی توسط منطق فازی ۲۵
۳۱ ۲- ۲- ۳مدلسازی سیستم غیر خطی توسط شبکه های فازی-عصبی ۳۱
۳۳ ۲- ۲- ۳-۱سیستم فازی- عصبی شبه ARMAX ض ۳۳
۳۳ ۲- ۲- ۳-۲سیستم فازی- عصبی تطبیقی ۳۳
۳۵ ۲- ۳- بهینه سازی ۳۵

۳۵ ۲- ۳- ۱بهینه سازی به روش گرادیان کاهشی ۳۵
۳۶ ۲- ۳- ۱-۱-روش گرادیان کاهشی با باقیمانده ۳۶
۳۸ ۲- ۳- ۱-۲-روش گرادیان نزولی بدون باقیمانده ۳۸
۳۸ ۲- ۳- ۲تأثیرη بر سرعت همگرایی وناپایداری سیستم ۳۸
۳۹ ۲- ۳- ۳-عیب روش گرادیان کاهشی ۳۹
۳۹ ۲- ۳- ۴-راه حلهای پیشنهادی برای خروج از مینیمم های محلی ۳۹
۴۳ ۲- ۳- ۵-حل مسأله بهینه سازی توسط شبکه های عصبی ۴۳
فصل سوم:شبیه سازی کنترل پیش بین مبتنی بر مدل فازی-عصبی بر روی یک فرآیند سه تانکه تنظیم ارتفاع مایع
۴۶ ۳- ۱- مقدمه ۴۶
۴۶ ۳- ۲- توصیف فرآیند ۴۶
۴۷ ۳- ۳تعیین مدلی برای سیستم تحت کنترل،جهت کنترل پیش بین خروجیهای آینده سیستم و استفاده از آنها در کمینه سازی تابعی ۴۷
۴۷ ۳- ۳- ۱-مدلسازی سیستم با استفاده از شبکه عصبی ۴۷
۴۹ ۳-۳-۱-۱-ایجاد داده های آموزش،داده های درستی وداده های امتحان ۴۹
۵۴ ۳- ۳- ۲-مدلسازی سیستم با استفاده از شبکه فازی-عصبی ۵۴
۵۴ ۳- ۴- طراحی کنترل پیش بین مبتنی بر مدل عصبی- فازی برای فرآیند تنظیم ارتفاع مایع در سه تانک ۵۴
۵۹ ۳- ۴- ۱-بررسی اثر افقهای پیش بین و کنترل در عملکرد ردیابی مسیرمرجع NMPCص ۵۹
۶۰ ۳- ۴- ۲-بررسی اثر ضرایب وزنی در عملکرد ردیابی مسیرمرجع NMPC ص ۶۰
۶۵ ۳- ۵- طراحی کنترل پیش بین مبتنی بر مدل عصبی- فازی برروی فرآیند دوم ۶۵
فصل چهارم:نتیجه گیری و ارائه پیشنهادات
۷۲ ۴- ۱- جمع بندی و نتیجه گیری ۷۲
۷۳ ۴- ۲- پیشنهادات برای کارهای آینده ۷۳
۷۵ ۷۶ منابع و مآخذ ۷۵
فهرست منابع فارسی۷۵

فهرست منابع لاتین ۷۶
چکیده انگلیسی ۷۷

چکیده:
در این پروژه،کنترل پیش بین غیرخطی بر پایه مدل عصبی-فازی جهت کنترل فرآیندهای چند ورودی-چندخروجی ارائه شده است .بخش عصبی از شبکه المان بازگشتی اصلاح شده و بخش فازی-عصبی از مدلفازی-عصبی تطبیقیANFIS برای مدلسازی استفاده کرده است.بـرای جمـع آوری داده هـا جهـت شناسـاییمدل،۲۰۰۰۰ داده از دستورrandgen نرم افزارMATLAB به دست آمده است.این روش شـامل خـصوصیاتجالب کنترل پیش بین کلاسیک است .به علت اینکه از روش گرادیان کاهشی ،که یـک الگـوریتم روشـن وساده است؛ برای حل مسأله بهینه سازی استفاده می کند، با همگرایی بیشتری به نقطه بهینه تلاش کنترلـی مـیرســیم.مــشکلات ایــن روش بهینــه ســ ازی را بــا الگوریتمهــای اثبــات شــده (مــدل وارونه،انــدازه حرکــت وηخودتنظیم) به میزان قابل توجهی برطرف نمـوده ایـم. جهـت بررسـی عملکـرد ایـن روش کنترلـی بـررویفرآیندهای چند ورودی-چند خروجی ازفرآیند تنظیم ارتفاع مایع در سه تانک که به مخزن جمع آوری مایع متصل اند،استفاده شده است.نتایج شبیه سازیها نشان می دهندکه مدل فـازی-عـصبی ارائـه شـده در شناسـاییفرآیندهای غیرخطی بسیار توانا بوده و یک مدل مناسب از فرآیندرا شناسایی می کنـد.همچنـین کنتـرل پـیشبین مبتنی بر این مدل (فازی-عصبی) در میزان فراجهش و زمان نشست،دارای عملکرد بهتری است.

کلیــد واژه:کنتــرل پــیش بــین غیرخطــی چندمتغیره،مــدل فــازی-عــصبی،بهینه ســازی بــه روش گرادیــانکاهشی،فرآیند تنظیم ارتفاع مایع در تانک.

مقدمه:
امروزه لزوم کنترل بهینه سیستمهای غیر خطی چند متغیره به منظور رسیدن به پایداری و پاسخمطلوب بیشتر احساس می شود . با توجه به گـسترش روز افـزون و پیـشرفت تکنولـوژی در زمینـه پیـادهسازی محاسبات حجیم و پیچیـده,امکـان اسـتفاده از الگوریتمهـای غیـر خطـی مربـوط بـه سیـستمهایچندورودی/چند خروجی ایجاد شده است.این امر باعث شده است که در سالهای اخیر محققـین بـسیاریدر این زمینه تحقیقات زیادی انجام داده و الگوریتمهای مناسب تری ارائه دهند.تکنیکهای طراحی بـسیارکمی وجود دارند که می توانند پایداری پروسه را در حضور مشخصات غیـر خطـی و محـدودیتها تـضمینکنند.کنترل پـیش بـین مبتنـی بـر مـدل١ (MPC) یکـی از ایـن تکنیکهاسـت[۶] . MPCبـه دسـته ایازالگوریتمهای کامپی وتری اشاره دارد که رفتار آینده پروسه را از طریق استفاده از یـک مـدل صـریح از آن فرآیند کنترل می کند.الگوریتمMPC در هر بازه کنترلی یک دنبالـه حلقـه بـاز از تنظیمـات متغیرهـایدستکاری شونده (MV) را جهت بهینه سازی رفتار آینده پروسه محاسبه می کنـد.اولـین ورودی دنبالـهبهینه به پروسه اعمال گردیده و عملیات بهینه سازی در بازه های کنترلی دیگـر تکـرار مـی شـود[۶] . بـاتوجه به خواص بسیار مطلوب کنترل کننده های پیش بین مبتنی بـر مـدل ،ایـن کنتـرل کننـده هـا بـهسرعت در محدوده وسیعی از صنایع مختلف به کار گرفته شدند.طوری که تا سـال ۱۹۹۶ بـیش از ۲۲۰۰ مورد پیاده سازی عملی از این کنترل کننده ها که مدل خطی را به کار برده اند،گزارش شده است.این درحالیست که حدود ۸۰ درصد این پیاده سازی ها در صنایع پتروشیمی مـی باشـد [۷و۸]. امـروزه ،کـاربردکنترل کننده هایMPC بر اساس مدلهای دینامیک خطی ،محدوده وسیعی از کاربردهـا را پوشـش مـیدهدو 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 چـشمپوشی 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 طور متوالی در معرض اغتشاشات بزرگقرار دارد(کنترل pHو….).
۲-مسائل کنترل تعقیبی که نقاط کار عملیاتی به تناوب تغییر می کندو محدوده وسـیعی از دینامیکهـایفرایند 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 غیـرخطی بایستی مورد استفاده قرار گیرند.کنترل پیش بـین غیرخطـی (NMPC) توسـعه خـوبی از کنتـرلپیش بین خطی به جهان غیرخطی است. NMPCاز نظر مفهومی شبیه همتای خطی خـود اسـت بـا ایـنتفاوت که برای بهینه سازی و پیش بینی فرایند از مدلهای دینامیک غیر خطی استفاده می گردد[۹].
مدلسازی سیستمهای غیر خطی از سه راه عمـده قابـل انجـام اسـت.راه اول اسـتفاده از مـدلهایمختلف برای نقطه ها ی گوناگون کار سیستم است.راه دوم استفاده از معادلات پایه ای مانند تبدیلات جرمو انرژی است که در اکثر کاربردها به علت پیچیدگی فرآیند این کار مـشکل اسـت.راه سـوم و بهتـرین راهاستفاده از مدلهای جعبه سیاه و تنها براساس داده های ورودی-خروجی یا به عبارتی شناسایی فرایند میباشد.در واقع مدلسازی تجربی پروسه ، تبدیل داده های ورودی وخروجی موجود بـه یـک رابطـه ورودی-خروجی است که می توان برای پیش بینی رفتار آینده سیستم از آن استفاده کرد[۹].مدلهای مختلفی بـراساس مدلسازی تجربی ارائه شده اند.مدلهای ارائه شده را می توان به ۲ دسته کلاسیک و هوشمند تقسیمبندی کرد .از مدلهای کلاسـیک مـی تـوان بـه مـدلهای ولتـرا١ ، چنـد جملـه ایNARMAX ، مـدلهایهمرشتاین و وینر٢ اشاره کردو برای مدلهای هوشمند می توان مدلهای عصبی،عصبی-فازی و فازی را نـامبرد[۱۰].
به طور خاص مدلهای عصبی و فازی دارای ساختار ساده ای هستند که کاربردشان را درNMPC آسان می کند.شبکه ها ی 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 عصب ی برای مسائ ل کنترل به خصوص سیستمهای پیچیده که مدلـسازی آنهـا یـا میـسرنیست و یا به سختی انجام می شود،بسیار مناسب می باشد.
مدلهای فازی را م ی توان بـه عنـوان یـک سیـستم دینـامیکی غیرخطـی در نظـر گرفـت کـه قادرنـدسیستمهای 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 بـاالگوریتم های MPC خطی،جزء روشهای مناسب مدلسازی غیر خطی می باشند[۹و۱۰].
دومین بخش در کنترل پیش بین غیر خطی ، بخش بهینه سازی و کنترل است.کنترل پیش بینغیر خطی یک استراتژی کنترلی است که کاربرد روشهای بهینه سازی در آن ضروری است.بهینـه سـازیدر NMPCنسبت به حالتهای خطی نیازمند محاسبات طولانی و وقت گیرتری اسـت [۱۹].در حالـت کلـیودر اغلب حالات ،مسائل کنترل بهینه NMPCبه یک مسأله برنامه ریزی غیر خطی٣ (NLP) ابعاد محدود منجر می گردند.این مسأله برنامه ریزی غیر خطی ، با استفاده از برنامه ریزی مربعی ترتیبی۴ (SQP) قابلحل اس ت[۲۰و۲۱].با توجه به مقالات و منابع موجود، بیشتر مسائل بهینه سازی توسط روشهای کلاسیکمانند روشQP،SQP حل می شوند[۲۲و۲۳]. همچنین روشهای هوشمند ماننـد الگـوریتم هـای ژنتیـک[۲۴] و شبکه های عصبی [۲۵]و منطق فاز ی وعصب ی- فازی [۲۶] نیز در حل مسأله مـورد اسـتفاده قـرارگرفته اند.
در این پایان نامه،کنترل پیش بـین مبتنـی بـر مـدل عـصبی- فـاز ی جهـت کنتـرل فراینـدهای چندورودی-چند خروج ی ارائه شده است.دربخش مدلسازی از مدلسازی عصب ی-فازی استفاده م ی شودکه بر رو ی سیستمها ی MIMO تعمیم زده شده است.سیستم ابتدا با این روش مدلـسازی و سـپس بـا روشپیش بین جهت رسیدن به خروجیهای مطلوب،ورود ی کنترلی تعیین وبدین ترتیب سیـستم کنتـرل مـی شود. ثابت می شودکه مدل فازی به دلیل سـازگاری بـا منطـق انـسان،جزء روشـهای مناسـب مدلـسازی

۱ Voltera Models
۲ Hammerstein and Wiener models
۳Nonlinear Programming
۴ Sequntial Quadratic Programming
سیستمهای غیرخط ی م ی باشد .در نرم افزارMATLAB،روش پیش بین عصب ی- فاز ی به منظور مقایـسه ونتیجه گیر ی بهترنسبت به روش پیش بین عصبی انجام شده است و نتایج حاصـل از هـردو روش بـا هـممقایسه شده است.پس از این مقدمه،مباحث 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 فـصلارائه خواهدشد .در فصل دوم،کنترل پیش بین مبتنی بر مدلهای هوشمند (مدل عصبی،مدل فـازی و مـدلعصبی- فاز ی)ارائه م ی گردد [۳۷].بخشهای مدلساز ی سیستمها ی غیرخط ی توسط شـبکه هـای عـصبی ومنطق فاز ی و مدل عصبی- فاز ی و نحوه کار هر یک در این فصل خواهد آمـد.در ادامـه ،روشـهای بهینـهسازی 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 مقایـسهروشهای بهینه سازی گرادیان کاهشی و فانکشنال) بر روی دو سیستمMIMO (۲ ورودی /۲ خروجی )،اولی شامل یک فرایند با ۳ تانک مایع،که هدف رسـیدن ارتفـاع مـایع در ایـن تانکهـا بـه مقـدار مطلـوب مـیباشد[۳۷]،ودومی شامل یک سیستم دو ورودی دو خروجی که معادلات حالت آن موجود مـی باشـد و درمرجع شماره [۳۶] معرفی گردیده،انجام شده است و نتایج با یکدیگر مقایـسه شـده انـد.نتیجـه گیـری وپیشنهادات برای کارهای بعدی نیز در قسمت پایانی پایان نامه ارائه خواهدشد.

جمع بندی ونتیجه گیری:
در این پایان نامه ،یک کنترل کننده پیش بین غیرخطی بر پایه مدل فازی-عصبی جهت کنترل فرآیندهای چند ورودی- چندخروجی ارائه شد.دربخش عصبی از شبکه المان بازگشتی اصلاح شده و بخش فازی-عصبی از مدل فازی-عصبی تطبیقی ANFIS برای مدلسازی استفاده شده است.برای جمع آوری داده ها جهت شناسایی هر دو مدل،۲۰۰۰۰ داده از دستورrandgen نرم افزار MATLAB به دست آمد.استفاده ازجعبه ابزار randgenبرای v1,v2این مشکل را بوجود می آورد که هر دو ورودی با هم برابر می شدند،لذا با اعمال تأخیرزمانی وثابت کردن هرکدام از ورودیها در بازه های زمانی که نسبت به هم اول می باشند، باعث ایجاد توابع اتفاقی کاملاﹰ مستقل از هم شدیم.برای ایجاد داده های درستی آموزش نیز ازهمان روش استفاده کردیم.تعداد داده های درستی آموزش را ۱۰۰۰ عدد انتخاب نمودیم.داده های امتحان آموزش به طریق مشابه ۴۰۰ داده انتخاب شدند.در فصل دوم به بحث مدلسازی برای کنترل پیش بین هوشمند پرداخته وشبکه های عصبی و منطق فازی و شبکه های فازی- عصبی را معرفی کردیم.همانطور که دیدیم شبکه های عصبی پیچیدگی معادلات دیفرانسیل حاکم بر فرآیندها که در روشهای مدلسازی مبتنی بر اصول اولیه وجود دارندرا حذف می کنند.نکته قابل توجه در خصوص این مدلها این است که برونیابی شبکه های عصبی به خوبی روشهای مبتنی بر اصول اولیه نیست.منطق فازی هم جزء روشهای غیرخطی مناسب می باشد.اما نیاز به فرد خبره برای استخراج و انتخاب مجموعه های فازی از محدودیتهای این روش مدلسازی است.گفتیم که شبکه های فازی-عصبی مزایای مدلسازی فازی و عصبی را دارند. شبکه های عصبی در مدل فازی-عصبی قادر به ساختن قوانین زیاد و منطق فازی قادر به ساختن خروجی قطعی برای مدلسازی سیستمهای غیرخطی چند متغیره می باشند،اما پیچیدگی آنها بیشتر از روشهای فازی و عصبی می باشدو روز به روزکاربردعمومی تری یافته اند.در این فصل ابتدا شبکه های عصبی و سپس شبکه عصبی المان اصلاح شده را توصیف کردیم.سپس چگونگی کنترل پیش بین غیرخطی مبتنی بر شبکه های عصبی را بیان کردیم.در ادامه سیستمهای فازی و مدلسازی فازی از روی داده های ورودی-خروجی و انواع روشهای مدلسازی فازی(مدل تاکاگی- سوگنو و مدل کانولوشن فازی) را به طور کامل تشریح کردیم. بدلیل آنکه تعداد قوانین فازی در مسأله ما زیاد می باشدوبدست آوردن قوانین فازی از طریق مدلسازی فازی ،امری غیر ممکن می نماید، به همین دلیل از شبکه فازی- عصبی استفاده نمودیم.ابتدا مدلسازی فازی- عصبی و روشهای مدلسازی را تشریح و از روش مدلسازی فازی- عصبی تطبیقی ANFIS جهت مدلسازی فرآیند مورد نظربهره گرفتیم.دربخش بهینه سازی نیزانواع روشهای کلاسیک و هوشمند ذکرشد.روش گرادیان کاهشی یا سریعترین سقوط،یک الگوریتم روشن و صریح برای حل مسأله بهینه سازی تابع هزینه است،که به دلیل سرعت همگرایی نسبتاﹰ بالاوسادگی پیاده سازی،که فقط ۲ گام در آن بایدمشخص باشد(یکی جهت گام که همان حرکت در جهت عکس گرادیان است و دیگری اندازه گام یعنی همانη)،در این پایان نامه مورد استفاده قرار گرفت. مزایا و معایب روش گرادیان کاهشی ونیز روشهای پیشنهادی اثبات شده ای جهت حل مشکل گیر کردن در مینیمم های محلی بیان گردید.روشهای مدل وارونه،اندازه حرکت وη خود تنظیم به عنوان روشهای پیشنهادی ارائه شد.تأثیر روشهای فوق در تخمین بهترین نقطه اولیه، به وضوح در محاسبه تلاش کنترلی ورودی u و حداقل کردن تابعی معیار در شکلهای فصل ۳ قابل مشاهده است.در فصل ۳ و بخش اصلی پایان نامه،برای بررسی عملکرد روش کنترلی ارائه شده برروی فرآیندهای MIMO، شبیه سازی حاصل از اعمال این روشهای کنترلی(پیش بین مبتنی بر شبکه های عصبی و پیش بین مبتنی بر مدل عصبی- فازی و مقایسه روشهای بهینه سازی گرادیان کاهشی و فانکشنال) بر روی دو سیستم MIMO(۲ ورودی/۲ خروجی)،اولی شامل یک فرایند با ۳ تانک مایع،که هدف رسیدن ارتفاع مایع در این تانکها به مقدار مطلوب می باشد،ودومی شامل یک سیستم دو ورودی دو خروجی که معادلات حالت آن موجود می باشد و در مرجع شماره [۳۶] معرفی گردیده،انجام شد. به دلیل وجود محدودیتهاروی ورودی،خروجی و متغیرهای حالت و خاصیت غیرخطی بودن آنها،به نظر می رسد که روش کنترل پیش بین غیرخطی ،یک روش مناسب جهت کنترل این فرآیندها بوده و کنترل کننده های خطی ،عملکرد مناسبی ندارند.ابتدا با استفاده از مدل عصبی وسپس مدل فازی-عصبی فرآیندها شناسایی شدند ودر ادامه کنترل پیش بین مبتنی بر مدل فازی-عصبی بر مبنای بهینه سازی گرادیان کاهشی روی آنها طراحی شد.در فرآیند اول با توجه به نتایج به دست آمده از اعمال این روش کنترلی ومقایسه نتایج این کنترل کننده با کنترل کننده مدل عصبی نشان داد که هر دوی آنها عملکرد مشابهی دارند.با این تفاوت که خروجی مدل فازی-عصبی نسبت به خروجی مدل عصبی،برخروجی واقعی سیستم منطبق تراست ونیزدر کنترل پیش بین مبتنی بر مدل فازی-عصبی ردیابی بهتری انجام شده است و درزمان نشست ومیزان فراجهش نیز بهترعمل می کند.متذکر می شوم که در فرآیندهای چند متغیره تنظیم ضرایب وزنی و افقهای کنترل و پیش بینی،عملیاتی زمان بر است.در این فرآیند نیز جهت دستیابی به بهترین تنظیمات برای کنترل کننده زمان زیادی صرف شد.البته این روش در نهایت برای فرآیندهایی که رفتار غیرخطی شدید دارند یا نقاط کار آنها به تناوب تغییرمی کند(مانند فرآیندهای خنثی سازی pH،فرآیندهای پلیمری،سنتز آمونیاک)می تواند یک روش موثر باشد.در فرآیند دوم،از مقایسه نتایج مدلسازی عصبی، مدلسازی فازی- عصبی و مدلسازی فازی که درمقاله[۳۶] به آن اشاره شده، نتیجه می گیریم که مدلسازی فازی-عصبی بهتراز بقیه مدلسازیها سیستم را مدل کرده است و ردیابی مسیرمرجع نیزخوب است.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت

آخرین مطالب

مطالب مرتبط