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                                                                                   ۱۰
۱-۵-۲تعیین ورودی کنترلی بهینه                                                                    ۱۰
۱-۵-۲-۱تابع هدف                                                                                    ۱۱
۱-۶-مزایا و معایب کنترل پیش بین مبتنی بر مدل                                                  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

۲-۱-مقدمه                                                                                             ۱۵
۲-۲-مدلسازی                                                                                         ۱۶
۲-۲-۱-شبکه های عصبی                                                                            ۱۶
۲-۲-۱-۱-کنترل پیش بین غیرخطی مبتنی بر شبکه عصبی                                       ۱۷
۲-۲-۱-۲-مدلسازی سیستم غیرخطی توسط شبکه های عصبی                                   ۱۷
۲-۲-۲سیستمهای فازی                                                                                ۱۹
۱-۲-۲-۲نگاهی بر ریاضیات فازی                                                                  ۲۰
۲-۲-۲-۲مدلسازی سیستمهای فازی از روی داده های ورودی -خروجی                       ۲۳
۲-۲-۲-۳-کنترل پیش بین غیرخطی مبتنی بر مدلهای فازی                                       ۲۵
۲-۲-۲-۴-مدلسازی سیستم غیرخطی توسط منطق فازی                                           ۲۵
۲-۲-۳مدلسازی سیستم غیر خطی توسط شبکه های فازی -عصبی                              ۳۱
۲-۲-۳-۱سیستم فازی -عصبی شبه ARMAX                                                     ۳۳
۲-۲-۳-۲سیستم فازی -عصبی تطبیقی                                                               ۳۳
۲-۳-بهینه سازی                                                                                       ۳۵
عنوان مطالب                                                                                                                 شماره
                    صفحه
۲-۳-۱بهینه سازی به روش گرادیان کاهشی                                                        ۳۵
۲-۳-۱-۱-روش گرادیان کاهشی با باقیمانده                                                        ۳۶
۲-۳-۱-۲-روش گرادیان نزولی بدون باقیمانده                                                     ۳۸
۲-۳-۲تأثیر η بر سرعت همگرایی وناپایداری سیستم                                              ۳۸
۲-۳-۳-عیب روش گرادیان کاهشی                                                                 ۳۹
۲-۳-۴-راه حلهای پیشنهادی برای خروج از مینیمم های محلی                                   ۳۹
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
۳-۱-مقدمه                                                                                             ۴۶
۳-۲-توصیف فرآیند                                                                                   ۴۶
۳-۳تعیین مدلی برای سیستم تحت کنترل ،جهت کنترل پیش بین خروجیهای آینده سیستم و استفاده       ۴۷
از آنها در کمینه سازی تابعی
۳-۳-۱-مدلسازی سیستم با استفاده از شبکه عصبی                                                ۴۷
۳-۳-۱-۱-ایجاد داده های آموزش ،داده های درستی وداده های امتحان                          ۴۹
۳-۳-۲-مدلسازی سیستم با استفاده از شبکه فازی -عصبی                                        ۵۴
۳-۴-طراحی کنترل پیش بین مبتنی بر مدل عصبی -فازی برای فرآیند تنظیم ارتفاع مایع در سه تانک           ۵۴
۳-۴-۱-بررسی اثر افقهای پیش بین و کنترل در عملکرد ردیابی مسیرمرجع NMPC        ۵۹
۳-۴-۲-بررسی اثر ضرایب وزنی در عملکرد ردیابی مسیرمرجع NMPC                   ۶۰
۳-۵- طراحی کنترل پیش بین مبتنی بر مدل عصبی -فازی برروی فرآیند دوم                  ۶۵
فصل چهارم :نتیجه گیری و ارائه پیشنهادات
۴-۱-جمع بندی و نتیجه گیری                                                                        ۷۲
۴-۲-پیشنهادات برای کارهای آینده                                                                   ۷۳
منابع و مآخذ
فهرست منابع فارسی                                                                                  ۷۵
فهرست منابع لاتین                                                                                    ۷۶
چکیده انگلیسی                                                                                         ۷۸

فهرست شکلها
 عنوان                                                                                                                     شماره صفحه

 

شکل ۱-۱:اصل کنترل پیش بین مبتنی بر مدل -تعیین ورودی مناسب با توجه به ورودی ها و    ۸ خروجیهای قبلی و خروجیهای پیش بینی شده سیستم به منظور حفظ خروجیها در محدوده مسیرمرجع
شکل ۱-۲-نمودار بلوکی ساختار MPC                                                          ۱۰
شکل ۲-۱- ساختار کنترل کننده پیش بین عصبی                                                ۱۷
شکل ۲-۲-مدل NARMAX عصبی                                                             ۱۷
شکل ۲-۳-ساختار شبکه عصبی تأخیرزمان                                                     ۱۷
شکل ۲-۴-روشهای شناسایی سری -موازی و موازی                                         ۱۸
شکل ۲-۵-شبکه عصبی پیش خورد FNN                                                       ۱۹
شکل ۲-۶-شبکه عصبی بازگشتی RNN                                                         ۱۹
شکل ۲-۷-ساختار یک کنترل کننده فازی                                                        ۲۰
شکل ۲-۸-دی فازی ساز میانگین مراکز                                                         ۲۳
شکل ۲-۹-نمایش تبدیل دانش خبره به سیستمهای فازی                                         ۲۳
شکل ۲-۱۰-نمایش مدلسازی فازی به روش تاکاگی -سوگنو                                   ۲۶
شکل ۲-۱۱-رفتار یک سیستم غیر خطی و تفکیک آن به چند زیر سیستم                    ۳۰
شکل ۲-۱۲- ساختار مدل ANFIS                                                               ۳۴
شکل ۲-۱۳- نمایش نحوه عملکرد روش گرادیان کاهشی                                      ۳۶
شکل ۲-۱۴-نمایش اثرات ضریب یادگیری η در رسیدن به نقطه مینیمم کلی                 ۳۹
شکل ۲-۱۵- تابع هزینه برحسب ورودیهای v2,v1ونمایش مینیمم های محلی و کلی         ۴۰
شکل ۲-۱۶- نمایش استفاده از مدل وارونه برای تخمین نقطه شروع                         ۴۱
شکل ۲-۱۷- تاثیر روش اندازه حرکت بر عبور از مینیمم های محلی                        ۴۲
شکل ۲-۱۸-تاثیر روش ηخود تنظیم بر عبور از مینیمم های محلی                           ۴۳
شکل ۲-۱۹- بلوک دیاگرام حل مسأله بهینه سازی به وسیله شبکه های عصبی              ۴۳
شکل ۳-۱- ساختار سیتم سه تانکه                                                                ۴۷
شکل ۳-۲- توپولوژی شبکه المان                                                                ۴۸
شکل ۳-۳-:شبکه المان اصلاح شده با اضافه شدن فیدبک با گین a                            ۴۸
شکل ۳-۴: استفاده از شبکه mlp برای مدل کردن شبکه المان                                 ۴۹
شکل ۳-۵- داده های ورودی v2,v1 برای آموزش                                              ۵۰
شکل ۳-۶-داده های ورودی اول و دوم برای تعیین درستی آموزش                          ۵۱
شکل ۳-۷-داده های ورودی اول و دوم برای امتحان آموزش                                 ۵۱
عنوان                                                                                             شماره
 صفحه
شکل ۳-۸-نمودارعملکردشبکه عصبی برای ۲۰۰۰۰نقطه در روی هرورودی به همراه خروجی حالـت ۵۲ قبل و مشتق خروجی ها وورودی حالت قبل تر
شکل ۳-۹- نمودارورودیها و خروجیهای سیستم (h2,h1) و خروجیهای مدل عصبی سیستم     ۵۳
شکل ۳-۱۰-تطبیق خروجی اول (خروجی h1 )و خروجی مدل عصبی                      ۵۳
شکل ۳-۱۱-تطبیق خروجی دوم (خروجی h2 )و خروجی مدل عصبی                      ۵۴
شکل ۳-۱۲- تطبیق خروجی اول (خروجی h1 )و خروجی مدل عصبی -فازی             ۵۴
شکل ۳-۱۳- تطبیق خروجی دوم (خروجی h2 )و خروجی مدل عصبی -فازی             ۵۵
شکل ۳-۱۴-نمایش سطح سه بعدی تغییرات h1,v2,v1در مدلسازی عصبی -فازی           ۵۵
شکل ۳-۱۵-نمایش سطح سه بعدی تغییرات h2,v2,v1 در مدلسازی عصبی -فازی          ۵۶
شکل ۳-۱۶- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده –سطر   ۵۷  دوم تلاش کنترلی ورودی ( ٠.٠٥ = η)
شکل ۳-۱۷- سطر اول نموداراثرافزایش ضریب یادگیری ( ٠.٣ = η)بر ناپایداری سیستم کنترل شده -۵۸ سطر دوم ناپایداری تلاش کنترلی u
شکل ۳-۱۸- سطر اول نمودار ردیابی مسیر مرجع توسط خروجیهای سیستم کنترل شده -سـطر دوم ۵۸ تلاش کنترلی ورودی (٠.١ = η)شرط پایان محاسبه ورودی u:الف )٠.٠٠١ = u∆ ب )-٠.٠٠٠١ = u∆
شکل ۳-۱۹- عملکرد تعقیب نقطه تنظیم اول (خروجی h1)NMPC  به ازای افق های پیش بین  ۵۹ مختلف
شکل ۳-۲۰- عملکرد تعقیب نقطه تنظیم دوم (خروجی h2)NMPC  به ازای افق های پیش بین  ۶۰ مختلف
شکل ۳-۲۱- عملکرد ردیابی نقطه تنظیم اول (خروجی h1)NMPC  به ازای تغییرات ضرایب وزنی R ۶۱ شکل ۳-۲۲- عملکرد ردیابی نقطه تنظیم دوم (خروجی h2)NMPC  به ازای تغییرات ضرایب وزنی R  ۶۱
شکل ۳-۲۳- سیگنالهای کنترلی ورودی NMPC(  v1 )به ازای تغییرات R                  ۶۲
شکل ۳-۲۴- سیگنالهای کنترلی ورودی NMPC( v2 )به ازای تغییرات R                   ۶۲
شکل ۳-۲۵- عملکرد ردیابی نقطه تنظیم اول (خروجی h1)NMPC  به ازای تغییرات ضرایب وزن Q  ۶۳ شکل ۳-۲۶-عملکرد ردیابی نقطه تنظیم دوم (خروجی h2)NMPC  به ازای تغییرات ضرایب وزن Q  ۶۳
شکل ۳-۲۷- سیگنالهای کنترلی ورودی NMPC( v1 )به ازای تغییرات Q                  ۶۴
عنوان                                                                                             شماره
صفحه
شکل ۳-۲۸- سیگنالهای کنترلی ورودی NMPC( v2 )به ازای تغییرات Q                  ۶۴
شکل ۳-۲۹-سطر اول نمونه ای از گیر کردن سیستم در مینیمم های محلی (عدم ردیابی خروجی )    ۶۵
شکل ۳-۳۰- نمودار ورودیها و خروجیها(h2,h1) و خروجیهای مدل عصبی سیستم دوم       ۶۶
شکل ۳-۳۱- تطبیق خروجی اول (خروجی h1 )و خروجی مدل عصبی سیستم دوم        ۶۷
شکل ۳-۳۲- تطبیق خروجی دوم (خروجی h2 )و خروجی مدل عصبی سیستم دوم        ۶۷

این مطلب را هم بخوانید :

 

شکل ۳-۳۳- تطبیق خروجی اول و دوم و خروجی مدل فازی سیستم دوم – مرجع [۳۶]       ۶۸ شکل ۳-۳۴- تطبیق خروجی اول (خروجی h1 )و خروجی مدل فازی -عصبی سیستم دوم       ۶۸ شکل ۳-۳۵- تطبیق خروجی دوم (خروجی h2 )و خروجی مدل فازی -عصبی سیستم دوم       ۶۸
شکل ۳-۳۶-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین بر مدل فازی -عصبی وروش گرادیان          ۶۹
کاهشی
شکل ۳-۳۷-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین بر مدل فازی -عصبی وروش گرادیان ۶۹ کاهشی
شکل ۳-۳۸-ردیابی مسیرمرجع و خروجی اول کنترل پیش بین مبتنی بر مدل فازی وروش ۷۰ فانکشنال -مرجع [۳۶]
شکل ۳-۳۹-ردیابی مسیرمرجع و خروجی دوم کنترل پیش بین مبتنی بر مدل فازی وروش ۷۰ فانکشنال -مرجع [۳۶]

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 مدل فازی -عصبی تطبیقی ANFIS برای مدلسازی استفاده کرده است .بـرای جمـع آوری داده هـا جهـت شناسـایی مدل ،۲۰۰۰۰ داده از دستور randgen نرم افزار MATLAB به دست آمده است .این روش شـامل خـصوصیات جالب کنترل پیش بین کلاسیک است .به علت اینکه از روش گرادیان کاهشی ،که یـک الگـوریتم روشـن و ساده است ؛ برای حل مسأله بهینه سازی استفاده می کند، با همگرایی بیشتری به نقطه بهینه تلاش کنترلـی مـی رســیم .مــشکلات ایــن روش بهینــه ســازی را بــا الگوریتمهــای اثبــات شــده (مــدل وارونه ،انــدازه حرکــت و
ηخودتنظیم ) به میزان 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،استفاده شده است .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 میزان فراجهش و زمان نشست ،دارای عملکرد بهتری است .

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 منظور رسیدن به پایداری و پاسخ مطلوب بیشتر احساس می شود. با توجه به 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 است .این امر باعث شده است 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 مـدل ١ (MPC) یکـی از ایـن تکنیکهاسـت [۶] . MPCبـه دسـته ای ازالگوریتمهای کامپیوتری اشاره دارد که رفتار آینده پروسه را از طریق استفاده 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 2(MV) 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 توجه به 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 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 در حالیست که حدود ۸۰ 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 ذاتـاً 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 طور 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 استفاده قرار گیرند.کنترل پیش بـین غیرخطـی 3(NMPC) توسـعه خـوبی از کنتـرل پیش بین خطی به جهان غیرخطی است .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 استفاده 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 است .راه دوم استفاده از معادلات پایه ای مانند تبدیلات جرم و انرژی است که در اکثر کاربردها به علت پیچیدگی فرآیند این کار مـشکل اسـت .راه سـوم و بهتـرین راه

1 Model predictive control
2 Manipulated Variables
3 Nonlinear Model Predictive Control
– 2 –

استفاده از مدلهای جعبه سیاه و تنها براساس داده های ورودی -خروجی یا به عبارتی شناسایی فرایند می باشد.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 بـر اساس مدلسازی تجربی ارائه شده اند.مدلهای ارائه شده را می توان به ۲ دسته کلاسیک و هوشمند تقسیم بندی کرد.از مدلهای کلاسـیک مـی تـوان بـه مـدلهای ولتـرا١ ، چنـد جملـه ای NARMAX ، مـدلهای همرشتاین و وینر٢ اشاره کردو برای مدلهای هوشمند می توان مدلهای عصبی ،عصبی -فازی و فازی را نـام برد[۱۰].
به طور 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 شود،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[۹و۱۰].
دومین بخش در کنترل پیش بین غیر خطی ، بخش بهینه سازی و کنترل است .کنترل پیش بین غیر خطی یک استراتژی کنترلی است که کاربرد روشهای بهینه سازی در آن ضروری است .بهینـه سـازی در NMPC نسبت به حالتهای خطی نیازمند محاسبات طولانی و وقت گیرتری اسـت [۱۹].در حالـت کلـی ودر اغلب حالات ،مسائل کنترل بهینه NMPC به یک مسأله برنامه ریزی غیر خطی ٣ (NLP) ابعاد محدود منجر می گردند.این مسأله برنامه ریزی غیر خطی ، با استفاده از برنامه ریزی مربعی ترتیبی ٤ (SQP) قابل حل است [۲۰و۲۱].با توجه به مقالات و منابع موجود، بیشتر مسائل بهینه سازی توسط روشهای کلاسیک مانند روش QP،SQP حل می شوند[۲۲و۲۳]. همچنین روشهای هوشمند ماننـد الگـوریتم هـای ژنتیـک
[۲۴] و شبکه های عصبی [۲۵]و منطق فازی وعصبی – فازی [۲۶] 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 است .دربخش مدلسازی از مدلسازی عصبی -فازی استفاده می شودکه بر روی سیستمهای MIMO تعمیم زده شده است .سیستم ابتدا با این روش مدلـسازی و سـپس بـا روش پیش بین جهت رسیدن به خروجیهای مطلوب ،ورودی کنترلی تعیین وبدین ترتیب سیـستم کنتـرل مـی شود. ثابت می شودکه مدل فازی به دلیل سـازگاری بـا منطـق انـسان ،جزء روشـهای مناسـب مدلـسازی

1 Voltera Models
2 Hammerstein and Wiener models
3Nonlinear Programming
4 Sequntial Quadratic Programming
– 3 –

سیستمهای غیرخطی می باشد.در نرم افزار MATLAB،روش پیش بین عصبی – فازی به منظور مقایـسه و نتیجه گیری بهترنسبت به روش پیش بین عصبی انجام شده است و نتایج حاصـل از هـردو روش بـا

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...