پیشینه تحقیق کاربرد هوش مصنوعی در طراحی سیستم کنترل و سیستم های کنترل غیر خطی، کنترل تطبیقی، تئوری لیاپانوف و تکنیک های محاسبات نرم دارای ۳۴ صفحه می باشد فایل پیشینه تحقیق به صورت ورد  word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود  آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.

فهرست مطالب

فصل ۱- مقدمه    ۶
۱-۱-    پیشینۀ پژوهشی           ۷
۱-۲- رئوس مطالب          ۹
فصل ۲- مقدمهای بر کنترل غیرخطی               ۱۰
۲-۱- مقدمه    ۱۰
۲-۲- سیستم غیرخطی           ۱۱
۲-۳- تئوری پایداری لیاپانوف ۱۱
۲-۳-۱- سیستم وابسته به زمان         ۱۱
۲-۳-۲- تفاوت اصلی بین سیستمهای متغیر با زمان و نامتغیر با زمان               ۱۲
۲-۳-۳- مفهوم پایداری به بیان لیاپانوف۱۲
۲-۳-۳-۱- تعریف پایداری مجانبی   ۱۳
۲-۳-۳-۲- تعریف پایداری نمائی      ۱۳
۲-۳-۳-۳- تعریف پایداری مطلق۱۳
۲-۴- کنترل تطبیقی       ۱۳
۲-۴-۱- غیر مستقیم     ۱۴
۲-۴-۲- مستقیم        ۱۴
فصل ۳- مقدمهای بر محاسبات نرم ۱۶
۳-۱- مقدمه    ۱۶
۳-۲- شبکۀ عصبی مصنوعی  ۱۷
۳-۲-۱- مقدمه         ۱۷
۳-۲-۲- الهام از بیولوژی            ۲۰
۳-۲-۳- مدل نرون     ۲۱
۳-۲-۴- معماری شبکۀ چند لایه      ۲۱
۳-۳-کنترلفازی    ۲۲
۳-۳-۱-مقدمه    ۲۲
۳-۳-۲-مفاهیم اولیه و تعاریف مقدماتی                ۲۳
۳-۳-۳-ساختار کلی کنترل کنندۀ فازی               ۲۵
۳-۳-۴- اجزای یک کنترل کنندۀ فازی              ۲۵
۳-۳-۵- انواع کنترل کنندههای فازی   ۲۶
۳-۳-۶- مقاسیۀ فازی نوع ۱ با نوع  ۲ ۲۷
۳-۳-۶-۱- نمایش عدم قطعیت سیستمهای Type-1  بوسیله سیستمهای فازی Type-2 27
۳-۳-۶-۲- توابع عضویت در فازی نوع ۲              ۲۸
۳-۳-۷- طراحی کنترل کننده فازی   ۲۹
۳-۳-۷-۱- طراحی سیستمهای ردیاب با فیدبک حالت            ۲۹
۳-۳-۸- دیاگرام روش طراحی کنترل کنددۀ فازی  ۳۰
فهرست مراجع    ۳۲

مراجع

Pathak, J. Franch, and S. Agrawal, “Velocity and position control of a wheeled inverted pendulum by partial feedback linearization,” IEEE Transactions on Robotics, vol. 21, no. 3, pp. 505-513, Jun. 2005.

Li and J. Luo, “Adaptive robust dynamic balance and motion controls of mobile wheeled inverted pendulums,” IEEE Transactions on Control Systems Technology, vol. 17, no. 1, pp. 233-241. Jan. 2009.

Batzel and K. Lee, “An approach to sensorless opération of the permanent-magnet synchronous motor using diagonally récurrent neural networks,” IEEE Transactions on Energy Conversion, vol. 18, no. 1, pp. 100-106, Mar. 2003.

-H. Chen, C.-J. Lin, and C.-T. Lin, “Nonlinear system control using adaptive neural fuzzy networks based on a modified differential évolution,” IEEE Transactions on Systems, Man, and Cybernetics, Part C : Applications and Reviews, vol. 39, no. 4, pp. 459-473, Jul. 2009.

Ge and I. Postlethwaite, “Adaptive neural network controller design for flexible joint robots using singular perturbation technique,” Transactions ofthe Institute of Measurementand Control, vol. 17, no. 3. pp. 120-131, 1995.

Hagras, “A hierarchical type-2 fuzzy logic control architecture for autonomous mobile robots,” IEEE Transactions on Fuzzy Systems, vol. 12, no. 4, pp. 524-539, August 2004.

Hongyu, J. Jiuchun, and W. Zhanguo, “Estimating the state of charge for Ni-MH battery in HEV by RBF neural network,” in IEEE International Workshop on Intelligent Systems and Applications, ISA 2009, Wuhan, China, May 2009, pp. 1-4.

Zadeh, Lotfi A., “Fuzzy Logic, Neural Networks, and Soft Computing,” Communication of the ACM, March 1994, Vol. 37 No. 3, pages 77-84.

-J. Lin and P.-H. Chou, “Adaptive control of two-axis motion control system using interval type-2 fuzzy neural network,” IEEE Transactions on Industrial Electronics, vol. 56, no. 1, pp. 178-193, Jan. 2009.

X. Wang, Adaptive Fuzzy Systems and Control : Design and Stability Analysis. PTR Prentice Hall, 1994. 289 Bibliography 290

-J. Lin and C.-H. Lin, “A permanent-magnet synchronous motor servo drive using self-constructing fuzzy neural network controller,” IEEE Transactions on Energy Conversion, vol. 19, no. 1, pp. 66-72, Mar. 2004.

-W. Park, “Robust stable fuzzy control via fuzzy modeling and feedback linearization with its applications to controlling uncertain single-link flexible joint manipulators,” Journal of Intelligent and Robotic Systems : Theory and Applications, vol. 39, no. 2, pp. 131-147, February 2004.

Jung and S. Kim, “Control experiment of a wheel-driven mobile inverted pendulum using neural network,” IEEE Transactions on Control Systems Technology, vol. 16, no. 2, pp. 297-303, Mar. 2008.

Tao, J. Taur, T. Hsieh, and C. Tsai, “Design of a fuzzy controller with fuzzy swingup and parallel distributed pôle assignment schemes for an inverted pendulum and cart System,” IEEE Transactions on Control Systems Technology, vol. 16, no. 6, pp. 1277- 1288, Nov. 2008.

Bolognani, L. Peretti, and M. Zigliotto, “Design and implementation of model predictive control for electrical motor drives,” IEEE Transactions on Industrial Electronics, vol. 56, no. 6, pp. 1925-1936, Jun. 2009.

Jin and J. Lee, “An RMRAC current regulator for permanent-magnet synchronous motor based on statistical model interprétation,” IEEE Transactions on Industrial Electronics, vol. 56, no. 1, pp. 169-177, Jan. 2009.

مقدمه

روش­های طراحی کنترل کننده برای سیستم­های غیرخطی را می­توان به سه دسته تقسیم کرد. روش اول شامل خطی سازی سیتم­های غیرخطی حول نقطۀ کار است [۱]. در این حالت قوانین کنترل کلاسیک برای سیستم­های تقریبی استفاده می­شود. با وجود سادگی این قوانین سیستم کنترل به صورت کلی کارایی تضمین شده­ای ندارد. روش دوم طراحی کنترل کننده بر اساس دینامیک سیستم­های غیر خطی است. در این روش خصوصیات سیستم­های غیر خطی حفظ می­شود، که همین امر به دلیل وجود دینامیک پیچیدۀ این سیستم­ها طراحی را بسیار سخت می­کند [۲]. علاوه بر این، روش­های فوق، از مدل­سازی ریاضی دقیقی بهره می­برند که در حالت تئوری کارایی بسیار خوبی دارد، اما در عمل به علل مختلفی از جمله تغییر در شرایط عملیاتی، عدم قطعیت­های دینامیک اعم از ساختار یافته و ساختار نیافته، و اغتشاشات خارجی، دچار افت عملکردی می­شوند. در حقیقت به دست آوردن یک مدل ریاضی دقیق برای فرآیندهای سیستم­های پیچیدۀ صنعتی بسیار سخت است. به علاوه عوامل دیگری هم وجود دارند که قابل پیش­بینی نیستند، مانند اغتشاش، دما، تغییرات پارامترهای سیستم و غیره. بنابراین دینامیک سیستم را نمی­توان فقط بر اساس مدل احتمالاً دقیق ریاضی بیان کرد. روش سوم کنترل کننده­های غیر خطی را توسط ابزار محاسباتی هوشمند از جمله شبکه­های عصبی مصنوعی[۱] (ANNs) و سیستم­های منطق فازی[۲] (FLSs) پیاده­سازی می­کند [۳-۸]. این تکنیک­ها در بسیاری از کاربردهایشان به خوبی نتیجه داده­اند و به عنوان ابزاری قدرتمند توانسته­اند مقاومت بالایی را برای سیستم­هایی که به لحاظ ریاضی خوش تعریف نبوده و در معرض عدم قطعیت قرار گرفته­اند، ایجاد کنند [۹,۱۰]. تئوری تقریب عمومی[۳] عامل اصلی افزایش استفادۀ اینگونه مدل­ها است و بیان می­دارد که با این روش­ها به لحاظ تئوریک قادر به تخمین هر تابع حقیقی و پیوسته­ای با دقت دلخواه هستند. مدل­های مختلف شبکه­های عصبی مصنوعی و منطق فازی برای حل بسیاری از مشکلات پیچیده به کار می­روند و نتایج نیز عموماً مطلوب است [۱۱-۱۴]، و می­توان به این نکته معترف بود که این روش­ها جایگزینی بر روش‌های کنترلی معمولی و کلاسیک خواهند بود. به عنوان نمونه­ای از قدرت­نمایی و کاربرد هوش مصنوعی می­توان به طراحی کنترل کننده­هایی برای فضاپیماها و ماهواره­ها اشاره کرد که مثالی از آن را در [۱۵] آورده شده است.

۱-۱-پیشینۀ پژوهشی

در ادامۀ بررسی پیشینۀ پژوهشی در موضوع تحقیق به بررسی کارهای انجام شده به صورت گزینشی و خلاصه می­پردازیم:

شاید یکی از قدیمی­ترین طراحی­ها برای سیستم­های ناشناخته که با موفقیت همراه بود در مقاله­ای که در [۲۷] آورده شده است، ارائه گشته است. این طراحی توسط Gregory C. Chow در سال۱۹۷۳ برای سیستم­های خطی با پارامترهای نامشخص و بر اساس تئوری کنترل بهینه صورت گرفته و به لحاظ تئوری نتایج مطلوبی را از خود نشان داده است. طراحی فوق فقط برای سیستم­های خطی جواب­گو بود و در عالم واقع و در عمل کاربرد چندانی نداشت اما زیر بنای طراحی­های جدید و بهتر را بنا نهاد.

بعد از سال ۷۳ و در تلاش برای طراحی برای سیستم­های ناشناختۀ غیرخطی مقالات، پایان­نامه­ها و کتب زیادی منتشر شد که اگر بخواهیم به همۀ آنها اشارۀ کوچکی هم داشته باشیم فرصت زیادی را می­طلبد. در اینجا با توجه به امکانات و منابع موجود و به ترتیب تاریخ انتشار مواردی را در حد اشاره­ای مختصر و بیان کلی نقاط ضعف و قوت بیان می­کنیم.

در ابتدا می­توان به رسالۀ دکتری آقای Moon Ki Kim از دانشگاه ایلینویز شیکاگو [۲۸] اشاره کرد، که در آن زمان (۱۹۹۱) استراتژی جدیدی را در صنعت ماشین­سازی مورد بررسی و تحقیق قرار داد. کار او روش جدیدی در طراحی سیستم­های کنترل به نام کنترل­ کنندۀ فازی تطبیقی (AFC)[4] بود که با توجه به قدمت آن مزایا و معایب کار تا حدود زیادی مشخص است و نیازی به توضیح اضافه نیست.

کارهای مشابه زیادی تا سال ۲۰۰۶ انجام گرفت که از توضیح در مورد آنها اجتناب می­کنیم و فقط چند نمونه را به عنوان مثال برای بررسی علاقه­مندان در مراجع می­آوریم [۲۹-۳۵].

منابع اصلی ما که در حقیقت معیارهای عملکردی و مقایسه­ای برای ما محسوب می­شوند از سال ۲۰۰۷ به بعد خصوصاً ۳ سال اخیر هستند که چند مورد از آن­ها را با بیان مزایا و معایبشان به اختصار بیان می­کنیم.

اولین مورد، مقاله­ای است که در سال ۲۰۰۷ به چاپ رسیده است [۴۷]. در این مقاله به کمک قوانین فازی و ترکیب آن با کنترل تطبیقی کنترل کننده­ای برای ردگیری خروجی سیستم MIMO با دینامیک نامشخص طراحی شده است. ایدۀ اصلی این کار رفع مشکل ردگیری این سیستم­ها در حالت بلوک­_مثلثی بوده است. مشکل مشخص نبودن تابع تبدیل به دلیل غیرخطی بودن به کمک منطق فازی تا حدودی کم اثر شده و تقریب مناسبی صورت گرفته است. با استفاده از روش طراحی پس­گام، کنترل کنندۀ تطبیقی فازی برای سیستم­های غیرخطی MIMO قابل اجرا شده است. در این طراحی تعقیب ورودی از سوی خروجی در حالت حلقه بسته تضمین شده است. این روش با توجه به استفاده از فازی تا حدودی ار پیچیدگی­های ریاضی مساله کاسته اما با این وجود با استفاده از فازی نوع دوم و شبکه­های عصبی باز هم می­توان آن را ساده­تر کرد ضمناً برای تضمین پایداری سیستم می­توان از روش لیپانوف و . . . استفاده نمود.

دومین مورد مقاله­ایست که در سال ۲۰۰۸ در مجلۀ بین­المللی Information & Mathematic Science به چاپ رسیده است[۴۸]. در این مقاله می­توان گفت مطلبی را که ما در بالا در مورد مقالۀ قبلی بیان کردیم، مد نظر قرار گرفته شده و به کمک فازی نوع دوم ساده­سازی به حد مطلوب رسیده و به کمک تکنیک لیاپانوف پایداری هم تضمین شده است. نتایج شبیه­سازی نیز بیان­گر تاثیر کنترل کنندۀ تطبیقی بر کارایی کل سیستم می­باشند. شاید ایرادی که بتوان به این طراحی وارد دانست این باشد که این کنترل کننده در سیستم­ها با تأخیر زمانی به خوبی عمل نمی­کند. که در مورد بعدی راه حل این مشکل هم تا حدودی بیان شده است.

در سال ۲۰۰۹ مقاله­ای منتشر شد که به کمک کنترل تطبیقی کنترل کننده­ای را در آن طراحی کرده بودند که عمل ردگیری را در سیستم­های غیرخطی ناشناخته که دارای تأخیر طولانی هستند را به خوبی انجام می­داد [۴۸]. این طراحی توانست که به خوبی خطای حالت ماندگار را نیز کاهش دهد. اما مشکل این کار در مواجهه با سیستم­های پیچیده آشکار می­شد. شاید دلیل آن هم ناتوانی این روش در ساده­سازی ریاضی سیستم باشد.

حضور و تأثیر توأم شبکه­های عصبی، منطق فازی و کنترل تطبیقی (ANFIS)[5] به خوبی نقش خود را در کنترل سرعت موتور القایی در مقاله­ای که در سال ۲۰۱۰ به چاپ رسید [۴۹] نشان می­دهد. این ترکیب از کنترل کننده­ها به قدری مفید واقع شده که تولباکسی در Matlab به همین نام موجود است. به این نحوه که با تنظیم خودبه­خودی پارامترهای سیستم و انتخاب بهینه­ترین حالت از نظر خود با در نظر گرفتن خروجی­های سیستم کارایی بسیار مناسبی را نیز به دست می­دهد. این مقاله علاوه بر این می­تواند منبع آموزشی مناسبی برای علاقه­مندان باشد. سادگی ریاضی، کارایی مناسب، سرعت عمل و دقت خوب از ویژگی­های این نوع طراحی است. اما شاید بتوان گفت که تنها موردی که برای این نوع طراحی ایراد محسوب می­شود این است که سیستم در کاربردهای متنوع ممکن است در انتخاب بهینه­ترین حالت دچار مشکل شود. راه حل مستقیمی برای این مشکل وجود ندارد ولی با استفاده از تئوری کنترل بهینه و با صرف کمی خلاقیت ریاضی به بهای پیچیدگی کمی بیشتر، این نقیصه به راحتی قابل رفع است.

از سال ۲۰۱۰ به بعد کارهای جدی­تری و البته در کاربردهای خاص در این زمینه انجام گرفته و هر کدام نیز نتایج خوبی را به دست داده­اند. بعضی از تحقیقات نیز جنبۀ کلی­تری داشتند که بررسی آن­ها می­تواند در این پایان­نامه کمک حال ما باشد. در ادامه به چند مورد به اختصار اشاره کرئه و توضیحات تکمیلی و تحلیلی را به آینده و متن اصلی پایان­نامه واگذار می‌کنیم.

مقالۀ اول در سال ۲۰۱۱ به چاپ رسیده و طراحی کنترل کنندۀ تطبیقی را برای سیستم­های T-S فازی با پارامترهای نامعلوم و خطای عملیاتی را بیان می­کند [۵۱].

مورد بعدی و در سال ۲۰۱۲ طراحی کنترل کنندۀ تطبیقی برای سیستم­های غیرخطی است که در آن تابع تبدیل سیستم به کمک منطق فازی تقریب زده شده است [۵۲].

و مقالۀ بعدی استفاده از تکنیک کنترل تطبیقی مقاوم در طراحی برای سیستم­های غیرخطی نامعلوم است که بیانی کلی از این طراحی را به خوبی آورده است و می­تواند منبع تحقیقی مناسبی باشد. این مقاله نیز در سال ۲۰۱۲ به چاپ رسیده است [۵۳].

مقالات و پایان­نامه­های دیگری هم هستند که در این زمینه اشاراتی دارند اما موارد مذکور شاید در نوع خود به لحاظ ارتباط با موضوع تحقیق ما نزدیکتر و قابل حصول­تر باشند. اما در اگر آینده نیز منبع مناسب دیگری را هم به دست بیاوریم در به کارگیری و تحلیل آن و استفاده در بهبود کار خود درنگ نخواهیم کرد.

[۱] Artificial neural networks

[۲] Fuzzy logic systems

[۳] Universal approximation theorem

[۴] Adaptive Fuzzy Controller

[۵] Adaptive Neuro-Fuzzy Interface System

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.