۲۴۰۰۰پ
per
کنترل‌کننده پیش‌بین بر اساس شبکه‌های عصبی برای کلاسی از سیستم‌های غیرخطی
Neural Network Based Model Predictive Controller for a Class of Nonlinear Systems
/معصومه قایمی ذال
: مهندسی برق و کامپیوتر
، ۱۳۹۹
، میرزائی
۵۷ص
چاپی - الکترونیکی
کارشناسی ارشد
کنترل
۱۳۹۹/۰۶/۱۸
تبریز
کنترل پیش‌بین مبتنی بر مدل که از روش‌های کنترل فرآیند پیشرفته محسوب می‌شود، توانایی پیش‌بینی رفتار آینده سیستم و در نتیجه محاسبه سیگنال کنترلی مناسب جهت اعمال به سیستم را دارد .این کنترل‌کننده در کاربردهای کنترلی موفقیت‌های چشمگیری کسب کرده است و در صنایع نفت و پتروشیمی، سیمان، توربین‌های بادی و ... کابردهای زیادی دارد .در کنترل سیستم‌های غیرخطی، با شرایط تغییر پارامتر، نیاز به کنترل‌کننده تطبیقی احساس می‌شود .در سال‌های اخیر، روش‌های متعدد کنترل تطبیقی برای جایگزینی روش‌های کلاسیک متداول ارائه شده است .توانایی تطبیق با تغییرات در دینامیک فرآیند، باعث ایجاد کنترل‌کننده‌های تطبیقی متعددی برای کاربردهای گوناگون شده است .قبل از این‌که این روش‌ها بتوانند اجرا شوند باید مدل‌سازی ریاضی فرآیند انجام شود، که در بسیاری از مواقع این مسئله دشوار است .علاوه بر این، عدم‌قطعیت در مدل‌سازی فرآیند می‌تواند منجر به اختلال در عملکرد کنترل‌کننده شود .شبکه‌های عصبی مصنوعی، سیستم‌های دینامیکی قابل آموزش هستند که رفتار ورودی- خروجی سیستم را می‌توانند با دقت مناسبی تخمین بزنند .به همین دلیل از شبکه عصبی به‌عنوان مدل سیستم، در این پایان‌نامه استفاده شده است البته این شبکه‌ها نسبت به تغییرات پارامترها حساس هستند .برای غلبه بر این مشکل از شبکه عصبی با عملکرد تطبیقی و آموزش برخط در طول افق پیش‌بین در این پایان‌نامه استفاده شده است .به این ترتیب که سیستم با استفاده از شبکه عصبی به‌صورت برخط شناسایی و وزن‌های شبکه عصبی به‌روزرسانی می‌گردد .سپس از خروجی‌های شبکه عصبی طراحی‌شده به‌عنوان ورودی‌های شبکه عصبی پیش‌بینی‌کننده استفاده می‌شود وزن‌های این شبکه با استفاده از روش گرادیان افزایشی در طول افق پیش‌بینی، به‌روزرسانی می‌شود .و در نهایت نیروی کنترلی بهینه از طریق بهینه‌سازی تابع هزینه مناسب به‌دست می‌آید .نتایج شبیه‌سازی نشان می‌دهد این کنترل‌کننده عملکرد مناسبی دارد
Abstract Model prediction-based control, which is an advanced process control method, has the ability to predict the future behavior of the system and thus calculate the appropriate control signal to apply to the system. This controller has achieved significant success in control applications and has many applications in the oil and petrochemical industries, cement, wind turbines and etc. Predictive controllers are model-based, often obtained by system identification. In process control of nonlinear systems, with the conditions of parameter change, an adaptive controller is needed. Recently, numerous adaptive control techniques have been proposed to replace the conventional classical methods. The ability to adapt to variations in plant dynamics and environment automatically has made such adaptive controllers increasingly important for various applications. Before they can be implemented, mathematical modeling of the plant has to be done, this task is sometimes laborious. In addition, inaccuracy in the modeling of the plant could lead to degraded performances of the controllers. Artificial neural networks are trainable dynamical systems that estimate input-output functions, and they are sensitive to parameters variations (a steady state error will be induced in mismatched case). Thus, in this thesis we use an adaptive neural network to eliminate this problem. In this way, the system is identified online using the neural network and the weights of the neural network are updated. Then the outputs of designed neural network are used as predictive neural network inputs. The weights of this network are updated using the incremental gradient method along the prediction horizon. Finally, the optimal control force is obtained by optimizing the appropriate cost function. The simulation results show the appropriate performance of this controller
Neural Network Based Model Predictive Controller for a Class of Nonlinear Systems
قایمی ذال، معصومه
Ghayemi Zal, Masoumeh
باقری کلجاهی، پیمان، استاد راهنما
بادامچی‌زاده، محمدعلی، استاد راهنما
خان‌محمدی، سهراب، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
