در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید

دانشگاه آزاد اسلامی

واحد تهران جنوب

دانشکده تحصیلات تکمیلی

”M.Sc” پایان نامه برای دریافت درجه کارشناسی ارشد

مهندسی برق – کنترل

عنوان:

شناسایی فازی online برج تقطیر MIMO با بهره گیری از مدل TS

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی گردد

تکه هایی از متن به عنوان نمونه : (ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)
چکیده
در این پایان نامه، شناسایی فازی سیستم غیرخطی MIMO برج تقطیر بر اساس مدل فازی (Takagi-Sugeno(TS، مطالعه خواهد گردید و بر روی مدل عمومی distillation column شبیه سازی شده در دو حالت LV-configuration و uncontrolled column مورد آزمایش قرار خواهد گرفت. لازم به تذکر می باشد که در این پایان نامه شناسایی و کاربرد آن در سیستم های online مورد توجه اساسی میباشد.
در حالت offline یعنی هنگامیکه کل داده ها در ابتدای پروسه آموزش در دسترس می باشد، ساختن مدل فازی TS در دو مرحله انجام می گیرد. در مرحله اول مجموعه های فازی (توابع عضویت) در قسمت مقدم rule تعیین میشوند. میتوان این مرحله را با بهره گیری از اطلاعات اولیه از پروسه و یا بوسیله تکنیک های data-driven انجام داد. در مرحله دوم پارامترهای مقدم هریک از زیر مدلهای خطی با بهره گیری از الگوریتم RLS محاسبه میشود. مشکل اصلی بدست آوردن مدل، شناسایی توابع عضویت مقدم می باشد که در حقیقت مسئله بهینه سازی غیر خطی می باشد. چونکه مدل فازی TS بدست آمده وابسته به توابع عضویت می باشد، انتخاب مجموعه های فازی بر دقت مدل اثر خواهد گذاشت. پس یکی از نکات اساسی برای بهبود دقت مدل، تنظیم دقیق مجموعه های فازی , بگونه ای می باشد که خطای متوسط مربعی (mean-square) بین مدل تخمین زده شده و سیستم واقعی مینیمم گردد.
در حالت online تمام داده ها را در ابتدای پروسه آموزش در اختیار نداریم، پس آموزش مدل فازی TS بایستی با اولین نمونه داده شروع گردد. در این شرایط، ساختار مدل در آغاز در دست نیست و به صورت تدریجی در خلال پروسه شناسایی تکامل می یابد. آموزش پیوسته online مدل TS، بر پایه متد clustering بازگشتی و غیر تکرارشونده بنا شده می باشد که قسمت مقدم را تخمین می زند و الگوریتم RLS که پارامترهای زیر مدلهای خطی تالی را محاسبه می کند. در این روش، ساختار مدل در آغاز شناخته شده نیست و در طی پروسه شناسایی تکامل می یابد. (قابل ذکر می باشد که این تکامل بسیار آهسته تر از تکامل پارامترهای مدل انجام می شود.) در مدل eTS، پتانسیل داده جدید برای update کردن پایگاه قوانین بهره گیری میشود. در این الگوریتم داده های پرت هیچگونه شانسی برای اینکه به عنوان مرکز rule انتخاب شوند، ندارند. دلیل این مسئله روش خاص تعریف مراکز rule می باشد. این مسئله بسیار مهم می باشد که آموزش بدون هیچ گونه دانش اولیه از سیستم و فقط با بهره گیری از اولین داده آغاز میشود. این ویژگی جالب توجه کاربرد این شیوه را در بسیاری از سیستم های adaptive سودمند می سازد.
مشکل اصلی در این شیوه، تولید نامحدود rule در طی پروسه شناسایی مخصوصا در شرایط اولیه می باشد. در این پایان نامه، دو شیوه برای مقابله با این مسئله ارایه شده می باشد. در روش اول، شرایط ایجاد rule در الگوریتم اصلی به گونه ای اصلاح شده می باشد که بتواند نرخ تولید rule را مخصوصا در آغاز پروسه آموزش کنترل کند که باعث کاهش تعداد rule می گردد. این اصلاح باعث می گردد که الگوریتم در شرایط اولیه با احتیاط بیشتری اضافه کردن rule را انجام دهد. سپس هنگامیکه اطلاعات بیشتری بدست آمد و پروسه شناسایی پیشرفت نمود، شرایط تولید rule به حالت اولیه اش برمیگردد وهمانند الگوریتم اصلی اقدام می ‌کند. روش دوم، یک مکانیزم جدید نظارت برای شناسایی و از بین بردن rule های غیر ضروری با بهره گیری از forgetting factor ارایه شده می باشد.
همچنین در این پایان نامه، متد واکاوی برهم کنش برای سیستم های چندمتغیره ارایه شده می باشد. در بسیاری از کاربردهای عملی، مدل کمی دقیق سیستم در دست نیست و یا بدست آوردن آن بسیار مشکل می باشد. در این متد، سیستم غیرخطی MIMO آغاز با بهره گیری از الگوریتم eTS مدلسازی میشود، سپس برهم کنش سیستم چندمتغیره حول یک نقطه کار خاص بر اساس RGA مطالعه می گردد.
مقدمه
بسیاری از پروسه های صنعتی دارای سیستم های غیرخطی چند متغیره با چندین ورودی و چندین خروجی می باشند که کوپلینگ متقابل پیچیده ای دارند. مدلسازی چنین پروسه پیچیده ای کار بسیار سختی می باشد. بکار بستن تکنیک های متداول مدلسازی سخت و یا حتی غیر قابل بهره گیری در چنین مسایل عملی می باشد . یک راه حل مفید دیگر بهره گیری از شیوه های شناسایی data-driven می باشد که از داده های تجربی به دست آمده و از ورودی و خروجی پروسه بهره گیری می کند.
روش های مدلسازی فازی rule base به دلیل انعطاف پذیری ذاتی شان در ساختن مدلها ازداده های ورودی و خروجی توجه بسیاری را به خود جلب کرده اند. از میان متدهای مختلف فازی، تکنیک مدلسازی TS به دلیل قابلیت بالای محاسباتی بیشتر مورد توجه قرار گرفته می باشد. مدل فازی TS شامل قانون های اگر – آنگاه در مقدم و توابع ریاضی در بخش تالی خود می باشد. پس وظیفه شناسایی مدل فازی TS تعیین پارامترهای غیرخطی توابع عضویت مقدم و پارامترهای خطی قانون های تالی می باشد.
تحقیقات اخیر بر روی تکنیک های data-driven که در آن مدل های فازی دینامیکی با بهره گیری از داده های ورودی – خروجی اندازه گیری شده قابل آموزش هستند، متمرکز شده می باشد.
آموزش Online مدل فازی TS نیازمند شناسایی بازگشتی برای تخمین ساختار مدل و همچنین تخمین پارامترهای تالی می باشد. از آن رو که تمام داده های ورودی – خروجی در آغاز پروسه آموزش در دسترس نیست، ارائه روش شناسایی Online که در آن ساختار مدل و پارامترها به صورت تدریجی تکامل می یابند ضروری می باشد که این روش بدون در اختیار داشتن دانش اولیه از پروسه، با اولین داده ورودی شناسایی را آغاز می کند. این ویژگی جالب، این شیوه را تبدیل به یک مکانیزم کارآمد در سیستم های adaptive و self-tuning ساخته می باشد. تاکنون توجه اندکی به شناسایی فازی پروسه های صنعتی چند متغیره (MIMO) شده می باشد. در این پایان نامه شناسایی فازی Online برای پروسه های چند متغیره ارائه شده در [3] و اصلاحات و نکات لازم جهت بهبود کارایی آن ارائه شده می باشد.
مشکل اصلی در این شیوه، تولید نامحدود rule در طی پروسه شناسایی مخصوصا در شرایط اولیه می باشد. در این پایان نامه، دو شیوه برای مقابله با این مسئله ارایه شده می باشد. در روش اول، شرایط ایجاد rule در الگوریتم اصلی به گونه ای اصلاح شده می باشد که بتواند نرخ تولید rule را مخصوصا در آغاز پروسه آموزش کنترل کند که باعث کاهش تعداد rule می گردد. این اصلاح باعث می گردد که الگوریتم در شرایط اولیه با احتیاط بیشتری اضافه کردن rule را انجام دهد. سپس هنگامی که اطلاعات بیشتری بدست آمد و پروسه شناسایی پیشرفت نمود، شرایط تولید rule به حالت اولیه اش برمیگردد وهمانند الگوریتم اصلی اقدام می ‌کند. روش دوم، یک مکانیزم جدید نظارت برای شناسایی و از بین بردن rule های غیر ضروری با بهره گیری از forgetting factor ارایه شده می باشد.
برهم کنش در بسیاری از سیستم های صنعتی وجوددارد و این بدین معنی می باشد که تغییر یک متغیر کنترل بر بیش از یک خروجی سیستم اثر خواهد داشت. در این پایان نامه، با متمرکز شدن بر واکاوی برهم کنش خروجی, یک شیوه جدید برای بدست آوردن RGA ارایه شده می باشد که درجه برهم کنش متغیرها را حول یک نقطه کار خاص ارایه می دهد.
تعداد صفحه : 102
قیمت : 14700 تومان

 

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد رشته برق : بررسی انواع واحدهای تولید پراکنده وتاثیرات مفید آنها

بلافاصله پس از پرداخت ، لینک دانلود به شما نشانداده می گردد

—- 

پشتیبانی سایت :       (فقط پیامک)      [email protected]

دسته‌ها: مهندسی برق