عنوان

طراحی کنترل‌کننده تطبیقی- فازی نوع ‮‭۲‬ برای سیستم‌های غیرخطی با تاخیر در ورودی و در حضور اغتشاش

Number

‭۱۷۳۸۶پ‬

.Language of Text, Soundtrack etc

per

Title Proper

طراحی کنترل‌کننده تطبیقی- فازی نوع ‮‭۲‬ برای سیستم‌های غیرخطی با تاخیر در ورودی و در حضور اغتشاش

First Statement of Responsibility

/کامل صباحی اودلو

Name of Publisher, Distributor, etc.

: مهندسی برق وکامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۵‬

Name of Manufacturer

، افشاری

Text of Note

چاپی

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

مهندسی برق -کنترل

Date of degree

‮‭۱۳۹۵/۱۱/۱۳‬

Body granting the degree

دانشگاه تبریز

Text of Note

علاوه بر مشخصات غیرخطی و نامعین در اکثر سیستم‌های فیزیکی، کندی عملکرد عمل‌گرها، کنترل از طریق شبکه و همچنین زمان‌بربودن محاسبات مربوط به فرمان‌های کنترلی نیز باعث بروز تاخیر زمانی می‌شوند .تاخیر زمانی در این سیستم‌ها نه تنها می‌تواند باعث کاهش کارائی بلکه در بسیاری از مواقع می‌تواند باعث ناپایداری آن‌ها نیز شود .بنابراین، می‌بایست کنترل‌کننده مناسبی طراحی شود که در حضور تاخیر زمانی، غیرخطی‌گری، اغتشاش و نامعینی‌های موجود پایداری سیستم برقرار شده و اهداف کنترلی محقق گردد .برای همین منظور، در این رساله از کنترل‌کننده‌هایی مبتنی بر شبکه‌های عصبی- فازی نوع ‮‭۲‬ برای کنترل سیستم‌های غیرخطی با تاخیر در ورودی با حضور اغتشاش و نویز اندازه‌گیری، در دو رویکرد متفاوت استفاده شده است .در رویکرد اول از ترکیب کنترل‌کننده شبکه عصبی- فازی نوع ‮‭۲‬ و کنترل‌کننده کلاسیک در ساختار آموزش خطای پسخور استفاده شده است .در این رویکرد، کنترل‌کننده کلاسیک در مسیر فیدبک وظیفه برقراری پایداری حالت گذرا را برعهده داشته و کنترل‌کننده هوشمند شبکه عصبی- فازی نوع ‮‭۲‬ وظیفه غلبه بر غیرخطی‌گری، تاخیر زمانی و نامعینی‌های موجود در سیستم را برعهده دارد و باعث برقراری اهداف کنترلی از قبیل ردیابی ورودی مرجع و غلبه بر اغتشاش می‌شود .از مهم‌ترین مسائل مربوط به اعمال کنترل‌کننده‌های مبتنی بر شبکه‌های عصبی- فازی نوع ‮‭۲‬ برای کنترل سیستم‌های غیرخطی تاخیردار مسئله پایداری و قانون تنظیم پارامترهای کنترل‌کننده می‌باشد که برای این مهم در این رساله، از دو روش مبتنی بر قضیه لیاپانوف- کراسوسکی استفاده شده است .در روش اول با تعریف تابع لیاپانوف- کراسوسکی مناسب، قوانین تنظیم و پایداری سیستم برای تاخیر زمانی متغیر با زمان مستقیما از این تابع استخراج شده است .در روش دوم، از الگوریتم گرادیان نزولی پایدار در قالب تابع لیاپانوف- کراسوسکی طوری استفاده شده است که اهداف کنترلی مورد نظر برقرار شوند .سیستم حلقه بسته به ازای هر دو کنترل‌کننده طراحی‌شده و در حضور بیشینه مقدار تاخیر زمانی پایدار می‌باشند .در این روش‌ها، باتوجه به این‌که در تعریف تابع لیاپانوف- کراسوسکی فقط از خطای آموزش و مشتق آن استفاده شده، الگوریتم‌های کنترلی به‌دست‌آمده ساده بوده و برای محاسبات برخط مناسب می‌باشند .در رویکرد دوم جهت مقابله با تاخیر زمانی موجود در ورودی سیستم غیرخطی نامعین، از پیش‌بین شبکه عصبی- فازی نوع ‮‭۲‬ استفاده شده است .در این رویکرد، پیش‌بین طراحی‌شده وظیفه تخمین مقادیر آینده متغیرهای حالت سیستم غیرخطی را جهت جبران‌سازی تاخیر زمانی برعهده دارد و از این متغیرهای حالت تخمین‌زده‌شده، کنترل‌کننده‌های شبکه عصبی- فازی نوع ‮‭۲‬ غیرمستقیم و شبکه عصبی- فازی نوع ‮‭۲‬ در ساختار آموزش پسخور خطا طوری طراحی شده‌اند که اهداف کنترلی را برقرار می‌سازند .با تعریف تابع لیاپانوف مناسب، پایداری سیستم و الگوریتم تطبیق پارامترهای کنترل‌کننده -پیش‌بین نیز در حضور اغتشاش به‌دست آمده است .جهت نشان دادن کارائی رویکردهای کنترلی معرفی شده، شبیه‌سازی‌هایی بر روی سیستم‌های غیرخطی کنترل بار- فرکانس در سیستم قدرت، سیستم پاندول معکوس، بازوی ربات انعطاف‌پذیر و سیستم نوسان‌ساز ‮‭Duffing‬ انجام شده و نهایتا نشان داده شده است که کنترل‌کننده‌های پیشنهادی در مواجهه با نویز اندازه‌گیری، تاخیر متغیر با زمان و اغتشاش نسبت به کنترل‌کننده‌های دیگر عملکرد بهتری دارند

Text of Note

In addition to nonlinear and uncertain characteristic of industrial systems, actuators lag, control through network and computation time of controllers can cause time- delay in these systems. In many cases, time- delay not only can degrade the efficiency of a control system but also causes instability. Therefore, an appropriate controller should be designed so that the closed-loop system tracks a desire signal to meet the required tracking performance in presence of the measurement noise, unknown functions and disturbances, and time- delay. For this purpose, in this dissertation type-2 fuzzy neural network (T2FNN) controllers in two approaches have been designed for a class of nonlinear input delay systems in the presence of disturbance and measurement noise. In the first approach, combination of feedback classical controller (CFC) and T2FNN controller in the feedback error learning (FEL) framework has been designed for nonlinear input- delay systems. In the FEL framework, CFC is in the feedback path to guarantee the stability of the system, and T2FNN controller is in the feedforward path to overcome the nonlinearity and time delay to meet the control goals. In this approach, based on the closed- loop stability issue and deriving adaptation laws for the T2FNN controller, two kinds of controllers have been designed. In the first controller, the adaptation laws are achieved directly from a suitable Lyapunov-Krasovskii functional and in the second one, a stable gradient descent algorithm has been utilized for tuning the T2FNN controller. In these proposed delay- dependent controllers, since just the training error and its derivative are utilized to define the Lyapunov-Krasovskii functional, i.e. the mathematical model of the system or its parameters are not needed, the overall training and control algorithm is computationally simple. In the second approach, a T2FNN predictor has been exploited to estimate the future values of the state variable of the nonlinear system to compensate for time- varying delay. Then, these estimated states have been utilized to construct two kinds of controllers, indirect T2FNN predictive (IT2FNNP) controller and FEL based T2FNNP controller to ensure the control goals in the presence of disturbance and measurement noise. In these delay- independent controllers, using appropriate Lyapunov functions, the stability analysis as well as the adaptation laws is carried out for the T2FNN parameters in a way that all the signals in the closed-loop system remain bounded and the tracking error converges to zero asymptotically. Moreover, in these controllers, by introducing a new adaptive compensator for the predictor and controller, the effects of the external disturbance, estimation errors of the unknown nonlinear functions, and the estimation errors of the future states have been eliminated. In the proposed controllers, the T2FNN is used due to its ability to effectively model uncertainties, which may exist in the rules and data measured by the sensors

صباحی اودلو، کامل

قائمی، سحرانه، استاد راهنما

بادامچی‌زاده، محمد علی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی