دانلود متن کامل پایان نامه: برق

طراحي و شبيه سازي کنترل کننده پيش بين مبتني برمدل فازي -عصبي سيستم هاي غيرخطي چند متغيره با استفاده ازبهينه سازي گراديان کاهشي

دانشگاه آزاد اسلامي

واحد تهران جنوب

دانشکده تحصيلات تکميلي

 

پايان نامه براي دريافت درجه کارشناسي ارشد

 “M.Sc”

مهندسي برق -کنترل

 

عنوان :

طراحي و شبيه سازي کنترل کننده پيش بين مبتني برمدل فازي -عصبي سيستم هاي غيرخطي چند متغيره با استفاده ازبهينه سازي گراديان کاهشي

 

استاد راهنما:

دکترمحمد رضا جاهد مطلق

 

استاد مشاور:

دکترنيما محمدي طبري

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

(در فایل دانلودی نام نویسنده موجود است)

تکه هایی از متن پایان نامه به عنوان نمونه :

فهرست مطالب

عنوان مطالب                                                                                                          شماره صفحه

چکيده                                                                                                   ۱

مقدمه                                                                                                    ۲

فصل اول :کليات

۱-۱هدف :(کنترل پيش بين مبتني بر مدل و مفاهيم آن )                                            ۶

۱-۲تعاريف اوليه                                                                                       ۷

۱-۳معرفي اصول کنترل پيش بين مبتني بر مدل                                                    ۸

۱-۴مراحل طراحي کنترل پيش بين                                                                  ۹

۱-۵نمودار بلوکي MPC                                                                             ۹

۱-۵-۱مدل پيش بين                                                                                   ۱۰

۱-۵-۲تعيين ورودي کنترلي بهينه                                                                    ۱۰

۱-۵-۲-۱تابع هدف                                                                                    ۱۱

۱-۶-مزايا و معايب کنترل پيش بين مبتني بر مدل                                                  ۱۲

۱-۷-کنترل پيش بين مبتني بر مدل غيرخطي                                                       ۱۲

فصل دوم :کنترل پيش بين مبتني بر مدلهاي هوشمند(مدل شبکه عصبي ،مدل فازي ،مدل فازي -عصبي ) و روشهاي بهينه سازي درکنترل پيش بين

 

۲-۱-مقدمه                                                                                             ۱۵

۲-۲-مدلسازي                                                                                         ۱۶

۲-۲-۱-شبکه هاي عصبي                                                                            ۱۶

۲-۲-۱-۱-کنترل پيش بين غيرخطي مبتني بر شبکه عصبي                                       ۱۷

۲-۲-۱-۲-مدلسازي سيستم غيرخطي توسط شبکه هاي عصبي                                   ۱۷

۲-۲-۲سيستمهاي فازي                                                                                ۱۹

۱-۲-۲-۲نگاهي بر رياضيات فازي                                                                  ۲۰

۲-۲-۲-۲مدلسازي سيستمهاي فازي از روي داده هاي ورودي -خروجي                       ۲۳

۲-۲-۲-۳-کنترل پيش بين غيرخطي مبتني بر مدلهاي فازي                                       ۲۵

۲-۲-۲-۴-مدلسازي سيستم غيرخطي توسط منطق فازي                                           ۲۵

۲-۲-۳مدلسازي سيستم غير خطي توسط شبکه هاي فازي -عصبي                              ۳۱

۲-۲-۳-۱سيستم فازي -عصبي شبه ARMAX                                                     ۳۳

۲-۲-۳-۲سيستم فازي -عصبي تطبيقي                                                               ۳۳

۲-۳-بهينه سازي                                                                                       ۳۵

عنوان مطالب                                                                                                                 شماره

                    صفحه

۲-۳-۱بهينه سازي به روش گراديان کاهشي                                                        ۳۵

۲-۳-۱-۱-روش گراديان کاهشي با باقيمانده                                                        ۳۶

۲-۳-۱-۲-روش گراديان نزولي بدون باقيمانده                                                     ۳۸

۲-۳-۲تأثير η بر سرعت همگرايي وناپايداري سيستم                                              ۳۸

۲-۳-۳-عيب روش گراديان کاهشي                                                                 ۳۹

۲-۳-۴-راه حلهاي پيشنهادي براي خروج از مينيمم هاي محلي                                   ۳۹

۲-۳-۵-حل مسأله بهينه سازي توسط شبکه هاي عصبي                                           ۴۳

فصل سوم :شبيه سازي کنترل پيش بين مبتني بر مدل فازي -عصبي بر روي يک فرآيند سه تانکه تنظيم ارتفاع مايع

۳-۱-مقدمه                                                                                             ۴۶

۳-۲-توصيف فرآيند                                                                                   ۴۶

۳-۳تعيين مدلي براي سيستم تحت کنترل ،جهت کنترل پيش بين خروجيهاي آينده سيستم و استفاده       ۴۷

از آنها در کمينه سازي تابعي

۳-۳-۱-مدلسازي سيستم با استفاده از شبکه عصبي                                                ۴۷

۳-۳-۱-۱-ايجاد داده هاي آموزش ،داده هاي درستي وداده هاي امتحان                          ۴۹

۳-۳-۲-مدلسازي سيستم با استفاده از شبکه فازي -عصبي                                        ۵۴

۳-۴-طراحي کنترل پيش بين مبتني بر مدل عصبي -فازي براي فرآيند تنظيم ارتفاع مايع در سه تانک           ۵۴

۳-۴-۱-بررسي اثر افقهاي پيش بين و کنترل در عملکرد رديابي مسيرمرجع NMPC        ۵۹

۳-۴-۲-بررسي اثر ضرايب وزني در عملکرد رديابي مسيرمرجع NMPC                   ۶۰

۳-۵- طراحي کنترل پيش بين مبتني بر مدل عصبي -فازي برروي فرآيند دوم                  ۶۵

فصل چهارم :نتيجه گيري و ارائه پيشنهادات

۴-۱-جمع بندي و نتيجه گيري                                                                        ۷۲

۴-۲-پيشنهادات براي کارهاي آينده                                                                   ۷۳

منابع و مآخذ

فهرست منابع فارسي                                                                                  ۷۵

فهرست منابع لاتين                                                                                    ۷۶

چکيده انگليسي                                                                                         ۷۸

 

فهرست شکلها

 عنوان                                                                                                                     شماره صفحه

شکل ۱-۱:اصل کنترل پيش بين مبتني بر مدل -تعيين ورودي مناسب با توجه به ورودي ها و    ۸ خروجيهاي قبلي و خروجيهاي پيش بيني شده سيستم به منظور حفظ خروجيها در محدوده مسيرمرجع

شکل ۱-۲-نمودار بلوکي ساختار MPC                                                          ۱۰

شکل ۲-۱- ساختار کنترل کننده پيش بين عصبي                                                ۱۷

شکل ۲-۲-مدل NARMAX عصبي                                                             ۱۷

شکل ۲-۳-ساختار شبکه عصبي تأخيرزمان                                                     ۱۷

شکل ۲-۴-روشهاي شناسايي سري -موازي و موازي                                         ۱۸

شکل ۲-۵-شبکه عصبي پيش خورد FNN                                                       ۱۹

شکل ۲-۶-شبکه عصبي بازگشتي RNN                                                         ۱۹

شکل ۲-۷-ساختار يک کنترل کننده فازي                                                        ۲۰

شکل ۲-۸-دي فازي ساز ميانگين مراکز                                                         ۲۳

شکل ۲-۹-نمايش تبديل دانش خبره به سيستمهاي فازي                                         ۲۳

شکل ۲-۱۰-نمايش مدلسازي فازي به روش تاکاگي -سوگنو                                   ۲۶

شکل ۲-۱۱-رفتار يک سيستم غير خطي و تفکيک آن به چند زير سيستم                    ۳۰

شکل ۲-۱۲- ساختار مدل ANFIS                                                               ۳۴

شکل ۲-۱۳- نمايش نحوه عملکرد روش گراديان کاهشي                                      ۳۶

شکل ۲-۱۴-نمايش اثرات ضريب يادگيري η در رسيدن به نقطه مينيمم کلي                 ۳۹

شکل ۲-۱۵- تابع هزينه برحسب وروديهاي v2,v1ونمايش مينيمم هاي محلي و کلي         ۴۰

شکل ۲-۱۶- نمايش استفاده از مدل وارونه براي تخمين نقطه شروع                         ۴۱

شکل ۲-۱۷- تاثير روش اندازه حرکت بر عبور از مينيمم هاي محلي                        ۴۲

شکل ۲-۱۸-تاثير روش ηخود تنظيم بر عبور از مينيمم هاي محلي                           ۴۳

شکل ۲-۱۹- بلوک دياگرام حل مسأله بهينه سازي به وسيله شبکه هاي عصبي              ۴۳

شکل ۳-۱- ساختار سيتم سه تانکه                                                                ۴۷

شکل ۳-۲- توپولوژي شبکه المان                                                                ۴۸

شکل ۳-۳-:شبکه المان اصلاح شده با اضافه شدن فيدبک با گين a                            ۴۸

شکل ۳-۴: استفاده از شبکه mlp براي مدل کردن شبکه المان                                 ۴۹

شکل ۳-۵- داده هاي ورودي v2,v1 براي آموزش                                              ۵۰

شکل ۳-۶-داده هاي ورودي اول و دوم براي تعيين درستي آموزش                          ۵۱

شکل ۳-۷-داده هاي ورودي اول و دوم براي امتحان آموزش                                 ۵۱

عنوان                                                                                             شماره

 صفحه

شکل ۳-۸-نمودارعملکردشبکه عصبي براي ۲۰۰۰۰نقطه در روي هرورودي به همراه خروجي حالـت ۵۲ قبل و مشتق خروجي ها وورودي حالت قبل تر

شکل ۳-۹- نموداروروديها و خروجيهاي سيستم (h2,h1) و خروجيهاي مدل عصبي سيستم     ۵۳

شکل ۳-۱۰-تطبيق خروجي اول (خروجي h1 )و خروجي مدل عصبي                      ۵۳

شکل ۳-۱۱-تطبيق خروجي دوم (خروجي h2 )و خروجي مدل عصبي                      ۵۴

شکل ۳-۱۲- تطبيق خروجي اول (خروجي h1 )و خروجي مدل عصبي -فازي             ۵۴

شکل ۳-۱۳- تطبيق خروجي دوم (خروجي h2 )و خروجي مدل عصبي -فازي             ۵۵

شکل ۳-۱۴-نمايش سطح سه بعدي تغييرات h1,v2,v1در مدلسازي عصبي -فازي           ۵۵

شکل ۳-۱۵-نمايش سطح سه بعدي تغييرات h2,v2,v1 در مدلسازي عصبي -فازي          ۵۶

شکل ۳-۱۶- سطر اول نمودار رديابي مسير مرجع توسط خروجيهاي سيستم کنترل شده –سطر   ۵۷  دوم تلاش کنترلي ورودي ( ٠.٠٥ = η)

شکل ۳-۱۷- سطر اول نموداراثرافزايش ضريب يادگيري ( ٠.٣ = η)بر ناپايداري سيستم کنترل شده -۵۸ سطر دوم ناپايداري تلاش کنترلي u

شکل ۳-۱۸- سطر اول نمودار رديابي مسير مرجع توسط خروجيهاي سيستم کنترل شده -سـطر دوم ۵۸ تلاش کنترلي ورودي (٠.١ = η)شرط پايان محاسبه ورودي u:الف )٠.٠٠١ = u∆ ب )-٠.٠٠٠١ = u∆

شکل ۳-۱۹- عملکرد تعقيب نقطه تنظيم اول (خروجي h1)NMPC  به ازاي افق هاي پيش بين  ۵۹ مختلف

شکل ۳-۲۰- عملکرد تعقيب نقطه تنظيم دوم (خروجي h2)NMPC  به ازاي افق هاي پيش بين  ۶۰ مختلف

شکل ۳-۲۱- عملکرد رديابي نقطه تنظيم اول (خروجي h1)NMPC  به ازاي تغييرات ضرايب وزني R ۶۱ شکل ۳-۲۲- عملکرد رديابي نقطه تنظيم دوم (خروجي h2)NMPC  به ازاي تغييرات ضرايب وزني R  ۶۱

شکل ۳-۲۳- سيگنالهاي کنترلي ورودي NMPC(  v1 )به ازاي تغييرات R                  ۶۲

شکل ۳-۲۴- سيگنالهاي کنترلي ورودي NMPC( v2 )به ازاي تغييرات R                   ۶۲

شکل ۳-۲۵- عملکرد رديابي نقطه تنظيم اول (خروجي h1)NMPC  به ازاي تغييرات ضرايب وزن Q  ۶۳ شکل ۳-۲۶-عملکرد رديابي نقطه تنظيم دوم (خروجي h2)NMPC  به ازاي تغييرات ضرايب وزن Q  ۶۳

شکل ۳-۲۷- سيگنالهاي کنترلي ورودي NMPC( v1 )به ازاي تغييرات Q                  ۶۴

عنوان                                                                                             شماره

صفحه

شکل ۳-۲۸- سيگنالهاي کنترلي ورودي NMPC( v2 )به ازاي تغييرات Q                  ۶۴

شکل ۳-۲۹-سطر اول نمونه اي از گير کردن سيستم در مينيمم هاي محلي (عدم رديابي خروجي )    ۶۵

شکل ۳-۳۰- نمودار وروديها و خروجيها(h2,h1) و خروجيهاي مدل عصبي سيستم دوم       ۶۶

شکل ۳-۳۱- تطبيق خروجي اول (خروجي h1 )و خروجي مدل عصبي سيستم دوم        ۶۷

شکل ۳-۳۲- تطبيق خروجي دوم (خروجي h2 )و خروجي مدل عصبي سيستم دوم        ۶۷

شکل ۳-۳۳- تطبيق خروجي اول و دوم و خروجي مدل فازي سيستم دوم – مرجع [۳۶]       ۶۸ شکل ۳-۳۴- تطبيق خروجي اول (خروجي h1 )و خروجي مدل فازي -عصبي سيستم دوم       ۶۸ شکل ۳-۳۵- تطبيق خروجي دوم (خروجي h2 )و خروجي مدل فازي -عصبي سيستم دوم       ۶۸

شکل ۳-۳۶-رديابي مسيرمرجع و خروجي اول کنترل پيش بين بر مدل فازي -عصبي وروش گراديان          ۶۹

کاهشي

شکل ۳-۳۷-رديابي مسيرمرجع و خروجي دوم کنترل پيش بين بر مدل فازي -عصبي وروش گراديان ۶۹ کاهشي

شکل ۳-۳۸-رديابي مسيرمرجع و خروجي اول کنترل پيش بين مبتني بر مدل فازي وروش ۷۰ فانکشنال -مرجع [۳۶]

شکل ۳-۳۹-رديابي مسيرمرجع و خروجي دوم کنترل پيش بين مبتني بر مدل فازي وروش ۷۰ فانکشنال -مرجع [۳۶]

 

 

چکيده :

در اين پروژه ،کنترل پيش بين غيرخطي بر پايه مدل عصبي -فازي جهت کنترل فرآيندهاي چند ورودي – چندخروجي ارائه شده است .بخش عصبي از شبکه المان بازگشتي اصلاح شده و بخش فازي -عصبي از مدل فازي -عصبي تطبيقي ANFIS براي مدلسازي استفاده کرده است .بـراي جمـع آوري داده هـا جهـت شناسـايي مدل ،۲۰۰۰۰ داده از دستور randgen نرم افزار MATLAB به دست آمده است .اين روش شـامل خـصوصيات جالب کنترل پيش بين کلاسيک است .به علت اينکه از روش گراديان کاهشي ،که يـک الگـوريتم روشـن و ساده است ؛ براي حل مسأله بهينه سازي استفاده مي کند، با همگرايي بيشتري به نقطه بهينه تلاش کنترلـي مـي رســيم .مــشکلات ايــن روش بهينــه ســازي را بــا الگوريتمهــاي اثبــات شــده (مــدل وارونه ،انــدازه حرکــت و

ηخودتنظيم ) به ميزان قابل توجهي برطرف نمـوده ايـم . جهـت بررسـي عملکـرد ايـن روش کنترلـي بـرروي فرآيندهاي چند ورودي -چند خروجي ازفرآيند تنظيم ارتفاع مايع در سه تانک که به مخزن جمع آوري مايع متصل اند،استفاده شده است .نتايج شبيه سازيها نشان مي دهندکه مدل فـازي -عـصبي ارائـه شـده در شناسـايي فرآيندهاي غيرخطي بسيار توانا بوده و يک مدل مناسب از فرآيندرا شناسايي مي کنـد.همچنـين کنتـرل پـيش بين مبتني بر اين مدل (فازي -عصبي )  در ميزان فراجهش و زمان نشست ،داراي عملکرد بهتري است .

 

کليــد واژه :کنتــرل پــيش بــين غيرخطــي چندمتغيره ،مــدل فــازي -عــصبي ،بهينه ســازي بــه روش گراديــان کاهشي ،فرآيند تنظيم ارتفاع مايع در تانک .

 

مقدمه :

امروزه لزوم کنترل بهينه سيستمهاي غير خطي چند متغيره به منظور رسيدن به پايداري و پاسخ مطلوب بيشتر احساس مي شود. با توجه به گـسترش روز افـزون و پيـشرفت تکنولـوژي در زمينـه پيـاده سازي محاسبات حجيم و پيچيـده ,امکـان اسـتفاده از الگوريتمهـاي غيـر خطـي مربـوط بـه سيـستمهاي چندورودي .چند خروجي ايجاد شده است .اين امر باعث شده است که در سالهاي اخير محققـين بـسياري در اين زمينه تحقيقات زيادي انجام داده و الگوريتمهاي مناسب تري ارائه دهند.تکنيکهاي طراحي بـسيار کمي وجود دارند که مي توانند پايداري پروسه را در حضور مشخصات غيـر خطـي و محـدوديتها تـضمين کنند.کنترل پـيش بـين مبتنـي بـر مـدل ١ (MPC) يکـي از ايـن تکنيکهاسـت [۶] . MPCبـه دسـته اي ازالگوريتمهاي کامپيوتري اشاره دارد که رفتار آينده پروسه را از طريق استفاده از يـک مـدل صـريح از آن فرآيند کنترل مي کند.الگوريتم MPC در هر بازه کنترلي يک دنبالـه حلقـه بـاز از تنظيمـات متغيرهـاي دستکاري شونده 2(MV) را جهت بهينه سازي رفتار آينده پروسه محاسبه مي کنـد.اولـين ورودي دنبالـه بهينه به پروسه اعمال گرديده و عمليات بهينه سازي در بازه هاي کنترلي ديگـر تکـرار مـي شـود[۶] . بـا توجه به خواص بسيار مطلوب کنترل کننده هاي پيش بين مبتني بـر مـدل ،ايـن کنتـرل کننـده هـا بـه سرعت در محدوده وسيعي از صنايع مختلف به کار گرفته شدند.طوري که تا سـال ۱۹۹۶ بـيش از ۲۲۰۰ مورد پياده سازي عملي از اين کنترل کننده ها که مدل خطي را به کار برده اند،گزارش شده است .اين در حاليست که حدود ۸۰ درصد اين پياده سازي ها در صنايع پتروشيمي مـي باشـد[۷و۸]. امـروزه ،کـاربرد کنترل کننده هاي MPC بر اساس مدلهاي ديناميک خطي ،محدوده وسيعي از کاربردهـا را پوشـش مـي دهدو  MPC خطي به حد کمال رسيده اسـت [۹] .بـا ايـن وجـود ،تعـدادي از فرآينـدهاي توليـدي ذاتـاً غيرخطي هستندو حالتهايي وجود دارند که در آنها اثرات غير خطي اهميت زيادي مي يابد و قابـل چـشم

پوشي نيست .اينها حداقل دو دسته وسيع از کاربردها را در بر مي گيرند[۶] :

۱-مسائل کنترل تنظيمي که فرايند به شدت غيرخطي بوده و به طور متوالي  در معرض اغتشاشات بزرگ قرار دارد(کنترل pHو….).

۲-مسائل کنترل تعقيبي که نقاط کار عملياتي به تناوب تغيير مي کندو محدوده وسـيعي از ديناميکهـاي فرايند غير خطي را پوشش مي دهد(صنايع پليمري ،سنتز آمونياک و…..).

در اينگونه مسائل اغلب مدلهاي خطي براي توصيف ديناميکهاي فراينـد نامناسـب اسـت و مـدلهاي غيـر خطي بايستي مورد استفاده قرار گيرند.کنترل پيش بـين غيرخطـي 3(NMPC) توسـعه خـوبي از کنتـرل پيش بين خطي به جهان غيرخطي است .NMPC از نظر مفهومي شبيه همتاي خطي خـود اسـت بـا ايـن تفاوت که براي بهينه سازي و پيش بيني فرايند از مدلهاي ديناميک غير خطي استفاده مي گردد[۹].

مدلسازي سيستمهاي غير خطي از سه راه عمـده قابـل انجـام اسـت .راه اول اسـتفاده از مـدلهاي مختلف براي نقطه هاي گوناگون کار سيستم است .راه دوم استفاده از معادلات پايه اي مانند تبديلات جرم و انرژي است که در اکثر کاربردها به علت پيچيدگي فرآيند اين کار مـشکل اسـت .راه سـوم و بهتـرين راه

 

1 Model predictive control

2 Manipulated Variables

3 Nonlinear Model Predictive Control

– 2 –

 

 

استفاده از مدلهاي جعبه سياه و تنها براساس داده هاي ورودي -خروجي يا به عبارتي شناسايي فرايند مي باشد.در واقع مدلسازي تجربي پروسه ، تبديل داده هاي ورودي وخروجي موجود بـه يـک رابطـه ورودي – خروجي است که مي توان براي پيش بيني رفتار آينده سيستم از آن استفاده کرد[۹].مدلهاي مختلفي بـر اساس مدلسازي تجربي ارائه شده اند.مدلهاي ارائه شده را مي توان به ۲ دسته کلاسيک و هوشمند تقسيم بندي کرد.از مدلهاي کلاسـيک مـي تـوان بـه مـدلهاي ولتـرا١ ، چنـد جملـه اي NARMAX ، مـدلهاي همرشتاين و وينر٢ اشاره کردو براي مدلهاي هوشمند مي توان مدلهاي عصبي ،عصبي -فازي و فازي را نـام برد[۱۰].

به طور خاص مدلهاي عصبي و فازي داراي ساختار ساده اي هستند که کاربردشان را در NMPC

آسان مي کند.شبکه هاي عـصبي مـصنوعي ابزارهـاي مناسـبي جهـت سـاختن مـدل فرآينـد غيرخطـي هستند.زيرا نسبت به روشهاي کلاسيک ،توسعه آسانتري يافته اند،پيچيدگي معادلات ديفرانـسيل معمـولي را ندارنـد،حجم محاسـبات NMPCدر آنهـا کـم و قابليـت تقريـب پروسـه هـا را بـا هـر دقـت دلخـواهي دارند[۷و۸].مدل عصبي براي مسائل کنترل به خصوص سيستمهاي پيچيده که مدلـسازي آنهـا يـا ميـسر نيست و يا به سختي انجام مي شود،بسيار مناسب مي باشد.

مدلهاي فازي را مي توان بـه عنـوان يـک سيـستم دينـاميکي غيرخطـي در نظـر گرفـت کـه قادرنـد سيستمهاي واقعي را هر چقدر پيچيده ،از روي داده هاي تجربي و براساس محاسبات عددي با دقت خاص تقريب بزنند. همچنين مدلهاي فازي بدليل سازگاري بـا منطـق بـشري و اسـتفاده از آنهـا در ترکيـب بـا الگوريتم هاي MPC خطي ،جزء روشهاي مناسب مدلسازي غير خطي مي باشند[۹و۱۰].

دومين بخش در کنترل پيش بين غير خطي ، بخش بهينه سازي و کنترل است .کنترل پيش بين غير خطي يک استراتژي کنترلي است که کاربرد روشهاي بهينه سازي در آن ضروري است .بهينـه سـازي در NMPC نسبت به حالتهاي خطي نيازمند محاسبات طولاني و وقت گيرتري اسـت [۱۹].در حالـت کلـي ودر اغلب حالات ،مسائل کنترل بهينه NMPC به يک مسأله برنامه ريزي غير خطي ٣ (NLP) ابعاد محدود منجر مي گردند.اين مسأله برنامه ريزي غير خطي ، با استفاده از برنامه ريزي مربعي ترتيبي ٤ (SQP) قابل حل است [۲۰و۲۱].با توجه به مقالات و منابع موجود، بيشتر مسائل بهينه سازي توسط روشهاي کلاسيک مانند روش QP،SQP حل مي شوند[۲۲و۲۳]. همچنين روشهاي هوشمند ماننـد الگـوريتم هـاي ژنتيـک

[۲۴] و شبکه هاي عصبي [۲۵]و منطق فازي وعصبي – فازي [۲۶] نيز در حل مسأله مـورد اسـتفاده قـرار گرفته اند.

در اين پايان نامه ،کنترل پيش بـين مبتنـي بـر مـدل عـصبي – فـازي جهـت کنتـرل فراينـدهاي چندورودي -چند خروجي ارائه شده است .دربخش مدلسازي از مدلسازي عصبي -فازي استفاده مي شودکه بر روي سيستمهاي MIMO تعميم زده شده است .سيستم ابتدا با اين روش مدلـسازي و سـپس بـا روش پيش بين جهت رسيدن به خروجيهاي مطلوب ،ورودي کنترلي تعيين وبدين ترتيب سيـستم کنتـرل مـي شود. ثابت مي شودکه مدل فازي به دليل سـازگاري بـا منطـق انـسان ،جزء روشـهاي مناسـب مدلـسازي

 

1 Voltera Models

2 Hammerstein and Wiener models

3Nonlinear Programming

4 Sequntial Quadratic Programming

– 3 –

 

 

سيستمهاي غيرخطي مي باشد.در نرم افزار MATLAB،روش پيش بين عصبي – فازي به منظور مقايـسه و نتيجه گيري بهترنسبت به روش پيش بين عصبي انجام شده است و نتايج حاصـل از هـردو روش بـا هـم مقايسه شده است .پس از اين مقدمه ،مباحث اصلي پايان نامه با ساختاربندي زير ارائه خواهدشد.

در فصل اول ،کنترل پيش بين مبتني بر مدل و مفاهيم آن مورد بررسـي قـرار مـي گيـرد.بخـشهاي مختلف اين کنترل کننده ها،مزايا، معايب و همچنين مفاهيم کنترل پيش بـين غيرخطـي در ايـن فـصل ارائه خواهدشد.در فصل دوم ،کنترل پيش بين مبتني بر مدلهاي هوشمند(مدل عصبي ،مدل فـازي و مـدل عصبي – فازي )ارائه مي گردد[۳۷].بخشهاي مدلسازي سيستمهاي غيرخطي توسط شـبکه هـاي عـصبي و منطق فازي و مدل عصبي – فازي و نحوه کار هر يک در اين فصل خواهد آمـد.در ادامـه ،روشـهاي بهينـه سازي در کنترل پيش بين ارائه مـي شـود.در فـصل بعـد شـبيه سـازي حاصـل از اعمـال ايـن روشـهاي کنترلي (پيش بين مبتني بر شبکه هاي عصبي و پـيش بـين مبتنـي بـر مـدل عـصبي – فـازي و مقايـسه روشهاي بهينه سازي گراديان کاهشي و فانکشنال ) بر روي دو سيستم MIMO(۲ ورودي .۲ خروجي )،اولي شامل يک فرايند با ۳ تانک مايع ،که هدف رسـيدن ارتفـاع مـايع در ايـن تانکهـا بـه مقـدار مطلـوب مـي باشد[۳۷]،ودومي شامل يک سيستم دو ورودي دو خروجي که معادلات حالت آن موجود مـي باشـد و در مرجع شماره [۳۶] معرفي گرديده ،انجام شده است و نتايج با يکديگر مقايـسه شـده انـد.نتيجـه گيـري و پيشنهادات براي کارهاي بعدي نيز در قسمت پاياني پايان نامه ارائه خواهدشد.
 

فصل اول :

کليات

 

 

۱-۱-هدف (کنترل پيش بين مبتني برمدل و مفاهيم آن ):

وجود تأخير زماني در ديناميک بسياري از فرايندهاي صنعتي مشکل عمده و شناخته شده در سيـستم هاي کنترل حلقه بسته مي باشد. چنانچه تأخير زماني در مقايسه با ثابت زماني هاي مـوثر سيـستم قابـل توجه باشد،نياز به يک کنترل کننده پيش بين پيشرفته اجتنـاب ناپـذير اسـت . کنتـرل پـيش بين ،شـکل خاصي از کنترل است که در آن پيش بيني رفتار آينده سيستم در فرمول بندي آن نقش دارد. زماني کـه کارائي بهتري نسبت به آنچه از کنترل غير خطي بدست مـي آيـد،مورد نيـاز باشـد،از ايـن روش کنترلـي استفاده مي شود.اين حالت سيستمهايي را شامل مي شود که رفتارآينده آنها متفاوت از رفتار فعلـي شـان است .به عنوان مثال سيستم هاي با تاخير زماني ،سيستم هاي مرتبه بالا،سيستم هاي با ميرائـي ضـعيف و غير مينيمم فاز از اين نوع سيستم ها هستند.

تلاشهايي که در دهه هاي ۱۹۶۰و۱۹۷۰ در ارتباط با کنترل پـيش بـين صـورت گرفـت ،زمينـه مساعدي را براي ظهور کنترل کننده هاي پيش بين مبتني بر مدل فـراهم آورد. در ايـن سـالها بـه طـور پراکنده روشهاي ابتدائي توسط شرکتهاي مختلف به کار گرفته شده بودند.اما اولين ارائه يک نمونه عملـي و علمي کنترل کننده هاي پيش بين مبتني بر  مدل ، توسط ريچالت ١ در سـال ۱۹۷۶ و بـا معرفـي روش کنترل پيش بين مبتني بر مدل ضربه MAC ٢در يک کنفرانس صورت گرفت که اولين پياده سازي عملي

MPC هانيز به شمار مي آيد.بعد از آن نيزبـه سـرعت روشـهاي مختلـف ديگـري در کاربردهـاي مختلـف صنعتي ارائه شدند[۷].

تا اوائل دهه ۱۹۹۰ غالباً مدلهاي خطي به دليل سادگي مورد اسـتفاده قـرار مـي گرفتنـد.بـر اي استفاده از اين کنتر ل کننده ها در سيستمهاي غير خطي ،نياز به شناسـايي مـدل بـه صـورت پيوسـته و آنلاين ٣ مي باشد تا خاصيت غير خطي سيستم در نظر گرفته شود.به طور ايده آل يک سيستم غيرخطـي براي کارايي بهينه نيازمند يک کنترل کننده پيش بين مبتني برمدل غيرخطي مـي باشـد.[۷].بـه همـين جهت تحقيقات در زمينه کنترل پيش بين مبتني بر مدل غيـر خطـي در دهـه ۱۹۹۰ شـروع شـد.بهينـه سازي ديناميکي زمان واقعي با به کار بردن يک مدل غير خطي و روش بهينه سازي غير خطي يـک روال کاملاً پيچيده و از نظر محاسباتي بسيار سنگين مي باشد.با پيـشرفت پردازنـده هـا و ابـداع الگوريتمهـاي جديد ، اين مشکل تا حدي مرتفع شد. اين تلاشها در نهايت منجر بـه پيـاده سـازي عملـي الگوريتمهـاي کنترل پيش بين مبتني بر مدل غير خطي در ميانه دهه ۱۹۹۰ شد.ايـن زمينـه ، امـروزه حجـم زيـادي از تحقيقات علمي و تلاشهاي صنعتي را به خود اختصاص داده است .به عنوان مثال در فاصله سالهاي ۱۹۹۵ تا ۱۹۹۸ تعداد ۹۳ مورد پيـاده سـازي عملـي از ايـن الگوريتمهـا گـزارش شـده اسـت کـه غالبـاً صـنايع پتروشيمي و شيميايي بوده اند.همانگونه که اشاره شـد،MPC ابتـدا در صـنايع پتروشـيمي و شـيميايي و همچنين نيروگاهها طراحي و پياده سازي شد،اما امروزه در رنـج وسـيعي از محيطهـاي مختلـف صـنعتي مانند انواع صنايع فرايندي مثل صنايع غذايي ،صنايع متالورژي ،خودروسازي ،صنايع چوب و کاغذ و صنايع سيمان به کار مي رود[۶].پياده سازيهاي متعدد صنعتي بخصوص در صنايع پتروشيمي وبـسته هـاي نـرم

 

1 Richalet

2Model Algorithm Control

3 Online

– 6 –

 

 

افزاري گوناگون که توسط شرکتهاي معتبر کنترل و اتوماسيون عرضه شده است و نيز موارد متعدد تعريف پايان نامه هاي کارشناسي ارشد و دکتري در دانشگاههاي معتبر، مويد اهميت کنترل کننـده هـاي پـيش بين مبتني بر مدل است .

به جهت اهميت اين کنترل کننده ها پس از بيان تاريخچـه مختـصر فـوق ،بـه معرفـي اصـول و تعاريف اوليه اين کنترل کننده ها مي پردازيم .سپس ضمن بررسي نمودار بلـوکي ،بخـشهاي مختلـف ايـن کنترل کننده ها و مزايا و معايب آنها مورد بررسي قرار مي گيرد.

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

تعداد صفحه :161

قیمت : 17300تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

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

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.

*********  ********* *********