مجموعه های فازی و تجهیزات عمرانی

دانلود پایان نامه

مدل های تخمین زده شده توسط روش های معمول ریاضی مثل معادلات دیفرانسیلی نیوتن–اویلر یا لاگرانژ-اویلر، نیاز به ظرفیت محاسباتی بالا و اطلاعات از پیش تعیین شده در مورد پارامترهای سیستم دارد که استفاده کاربردی از آنها را در سیستم های کنترل محدود می کند. بنابراین وجود نا معینی های دینامیک سیستم، مهمترین فاکتوری است که استفاده از روش های کنترل کلاسیک را برای تحلیل سیستم های کنترل غیر صلب نامناسب می کند ]5[.
در طول سال های زیادی، مهندسان کنترل کلاسیک با مدل های ریاضی کار می کردند و اطلاعات بیشتری از سیستم بدست نمی آوردند. اما امروزه مهندسان کنترل علاوه بر اینکه از تمام مراجع اطلاعات کلاسیک استفاده می کنند، از کنترل کننده های غیر کلاسیک، از جمله کنترل کننده هوشمند نیز که به عنوان یک کنترل کننده آزاد از مدل شناخته می شود، استفاده می کنند. از داده های عددی (ورودی/خروجی) و/ یا اطلاعات فرد خبره به عنوان یک مدل تخمینی استفاده می کنند و کنترل کننده ای براساس قانون اگر-آنگاه فازی و یا بر اساس شبکه عصبی با گره هایی در چند لایه طراحی می کنند ]6[.
تحلیل مقالاتی که به کنترل سیستم های انعطاف پذیر با روش های هوشمند از طریق شبکه عصبی پرداخته اند ، نشان از نتیجه مطلوب کنترل کننده های عصبی با آموزش بهنگام ، برای غلبه بر مشکل نامعینی و وابسته به زمان بودن دینامیک سیستم ، دارد. نگاشت غیرخطی، طبیعت تطبیقی و توانایی برخورد با عدم قطعیت ها، در شبکه های عصبی آنها را ابزار توانمندی برای کنترل بازوی انعطاف پذیر ساخته است ]4[.

  • استفاده کاربردی از تئوری مجموعه های فازی در کنترل سازه های انعطاف پذیر نیز روز به روز علاقمندان بیشتری پیدا می کند. کنترل کنندههای فازی، بستری ساده و مقاوم برای ایجاد قوانین کنترلی غیرخطی می باشند که توانایی اصلاح نامعینی و بی دقتی را هم دارند. چنانچه توصیف زبانی از کنترل موجود باشد یا بتوان ایجاد کرد، کنترل کننده های فازی می توانند بدون مدل ریاضی سیستم طراحی شوند و پیاده سازی براساس توصیف زبانی هم به صورت تئوری و هم به صورت عملی ممکن است. بنابراین منطق فازی می تواند ابزار مناسبی برای کنترل سیستم هایی مانند بازوی انعطاف پذیر باشد که مدل ریاضی دقیقی ندارند ]8[.
    در کنار این ها کنترل فازی تطبیقی یا کنترل عصبی- فازی نیز مطرح می شود که بنای کار در این پایان نامه می باشد. کنترل عصبی- فازی علاوه بر داشتن مزایای کنترل فازی به عنوان یک کنترل قانونمند و مقاوم، از مزیت تطبیقی بودن شبکه های عصبی هم بهره می برد و می تواند به صورت بهنگام خود را با نا معینی ها و تغییرات نقطه کار سیستم بازوی انعطاف پذیر Quanser تطبیق دهد. علاوه بر این میزان حساسیت به شرایط اولیه نیز کاهش می یابد که این امر در پیاده سازی کنترل کننده روی سیستم Quanser بیشتر خود را نشان می دهد.
    1-4- کاربردها
    بازوی انعطاف پذیر کاربرد های بسیاری در صنعت دارد، چرا که آنچه در صنعت اهمیت زیادی دارد، صرفه اقتصادی است. این بازوها اگرچه ممکن است هزینه بیشتری در مرحله طراحی و کنترل داشته باشند، اما میزان انرژی مصرفی آنها در دراز مدت بسیار کمتر است. نمونه این تجهیزات را می توان در ربات هایی که برای مونتاژ قطعات استفاده می شوند، در معدن ها و در مناطق قابل انفجار ]8[ دید.
    کاربرد مهم دیگر این بازوها در تجهیزات فضایی با ابعاد بسیار بزرگ است. آنچه در تجهیزات فضایی مورد توجه است، این است که ابزار بتواند با ذخیره انرژی مشخصی مدت زمان بیشتری به کار خود ادامه دهد، بنابراین سعی بر استفاده از تجهیزاتی است که سبکتر باشند. نمونه بارز آن Canadarm است که یک بازوی انعطاف پذیر 15.2 متری با قطر 0.38 متر و وزن 410 کیلوگرم در جاذبه زمین است.
    علاوه براینها کاربرد هایی هم در تجهیزات عمرانی از جمله درطراحی و ساخت سیستم کنترل پل های متحرک و جرثقیل های بلند ]8[ دارد.
    1-5- مروری بر کارهای انجام شده در زمینه کنترل هوشمند بازوی انعطاف پذیر
    در این قسمت سعی داریم به مروری کلی بر کارهای انجام شده در طراحی کنترل کننده های هوشمند برای بازوی انعطاف پذیر بپردازیم. با توجه به گستردگی و تنوع کارهای انجام شده در این زمینه، قصد داریم کنترل کننده های طراحی شده را به دو قسمت عمده کنترل کننده های عصبی و فازی دسته بندی نمائیم.
    در زمینه کنترل کننده های عصبی، دو طرح کنترلی در سال های 2001 و 2002 مطرح شد. یکی بر اساس بازتعریف خروجی و دیگری بر اساس مدل دینامیک معکوس می باشد. تنها در این دو تحقیق کنترل کننده های پیشنهادی به صورت عملی پیاده سازی شده اند.
    در زمینه کنترل فازی، عمده کارها در سال های 2001 و سال های بعد از آن به کنترل کننده های فازی توزیع یافته پرداخته اند. در سال های 2005 و 2006، توجه بیشتری به مقایسه ساختارهای مختلف کنترل کننده های فازی توزیع یافته شد. کارهای انجام شده در این زمینه، به صورت شبیه سازی بوده و به صورت عملی پیاده سازی نشده اند.
    1-5-1- کنترل کننده عصبی بر اساس بازتعریف خروجی ]4[
    در این تحقیق، دو ساختار کنترلی بر پایه شبکه عصبی با روش آموزش خطای پسخور برای کنترل بازوی انعطاف پذیر، که پیش از آن مطرح شده بودند، به صورت اولیه و اصلاح شده، ارائه شده اند. در ساختارهای کنترلی در این مرجع فرض می شود که اطلاعات اولیه درباره دینامیک سیستم وجود ندارد.
    در هر دو روش، سیگنال خطای شبکه عصبی ، خروجی کنترل کننده بازگشتی می باشد. سودمندی این روش آموزش در این نکته نهفته است که سیگنال هدف یا سیگنال خروجی مطلوب برای شبکه عصبی احتیاج نمی شود. علاوه بر این، سیگنال پس انتشار خطا در سیستم کنترل شده یا مدل سیستم کنترل شده نیاز نمی گردد. از آنجائیکه گشتاور بازگشتی به عنوان سیگنال خطای این استراتژی آموزش انتخاب می شود، انتظار می رود که گشتاور بازگشتی با آموزش کاهش یابد. در واقع با تکامل آموزش، خطای بین مسیر پیمایش مطلوب و واقعی به سمت صفر میل کند. استراتژی آموزش به صورت آموزش خطای پسخور طراحی می شود تا اینکه بر اهمیت استفاده از گشتاور بازگشتی به عنوان سیگنال خطا تأکید شود.
    ایده آموزش خطای پسخور در کنترل یک بازوی صلب که صفرناپایدار ندارد و همه متغیرهای حالت موجود هستند ، بکار برده می شود ولی در مورد بازوی انعطاف پذیر، دینامیک های صفر مربوط به سیستم، ناپایدار هستند و فیدبک حالت کامل موجود نمی باشد. راه حلی که در اینجا ارائه می شود، تعریف یک خروجی ویژه است تا دینامیک های صفر نظیر خروجی جدید پایدار گردند. این خروجی می تواند به عنوان متغیری از مفصل تعریف شود ولی جواب قابل قبولی برای یک روبات انعطاف پذیر بدست نخواهد آمد. نشان داده می شود که با استفاده از یک خروجی جدید که در این تحقیق بررسی می شود، امکان استفاده از مفهوم آموزش خطای پسخور در کنترل مکان بازوی انعطاف پذیر بوجود می آید.

      پایان نامه ارشد درباره لیپوپروتئین و اندازه گیری

    در روش JBC اصلاح شده که در شکل (1-1) نشان داده می شود، یک کنترل کننده مفصل PD و یک کنترل کننده عصبی پسخور بکار برده می شوند. تابع هدف برای آموزش کنترل کننده عصبی طبق رابطه (1-1) در نظر گرفته می شود:
    (1-1)
    به منظور میرایی و کاهش انحراف ناشی از انعطاف پذیری در انتهای بازو در تابع هدف قرار می گیرد. بهره بیان کننده وزنی است که برای مینیمم کردن ارتعاشات الاستیک قرار داده شده است و توانایی پیمایش خطا متأثر از انتخاب بهره های و می باشد. ، و ورودیهای کنترل کننده عصبی هستند و خروجی شبکه است. قانون تنظیم وزن شبکه عصبی بر اساس (1-2) می باشد:
    (1-2)
    که بردار وزن شبکه و نرخ آموزش می باشند. در (1-3) آمده است.
    (1-3)

    این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.