انتخاب صفحه

فهرست مطالب

فصل اول: 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 [1]. 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 [2]. 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[1] (ANNs) و سیستم­های منطق فازی[2] (FLSs) پیاده­سازی می­کند [3-8]. 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 [9,10]. تئوری تقریب عمومی[3] 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 [11-14]، 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 [15] آورده شده است.

1-1-       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 [27] آورده شده است، ارائه گشته است. این طراحی توسط Gregory C. Chow در سال1973 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 73 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 [28] اشاره کرد، که در آن زمان (1991) استراتژی جدیدی را در صنعت ماشین­سازی مورد بررسی و تحقیق قرار داد. کار او روش جدیدی در طراحی سیستم­های کنترل به نام کنترل­کنندۀ 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 2006 انجام گرفت که از توضیح در مورد آنها اجتناب می­کنیم و فقط چند نمونه را به عنوان مثال برای بررسی علاقه­مندان در مراجع می­آوریم [29-35].

منابع اصلی ما که در حقیقت معیارهای عملکردی و مقایسه­ای برای ما محسوب می­شوند از سال 2007 به بعد خصوصاً 3 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 2007 به چاپ رسیده است [47]. 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 2008 در مجلۀ بین­المللی Information & Mathematic Science به چاپ رسیده است[48]. 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 2009 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 [48]. 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 2010 به چاپ رسید [49] 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 2010 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 2011 به چاپ رسیده و طراحی کنترل کنندۀ تطبیقی را برای سیستم­های T-S فازی با پارامترهای نامعلوم و خطای عملیاتی را بیان می­کند [51].مورد بعدی و در سال 2012 طراحی کنترل کنندۀ تطبیقی برای سیستم­های غیرخطی است که در آن تابع تبدیل سیستم به کمک منطق فازی تقریب زده شده است [52].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 2012 به چاپ رسیده است [53].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.

1-1- پیشینۀ پژوهشی………………………………………………………………. 3

1-2- رئوس مطالب……………………………………………………………………. 5

دیاگرام روش طراحی کنترل کننده فازی

دیاگرام روش طراحی کنترل کننده فازی

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل دوم: مقدمه‌ای بر کنترل غیرخطی

در دنیای واقعی بسیاری از سیستم­های فیزیکی غیرخطی هستند و یک سیستم کنترل باید بتواند بر این خاصیت غیرخطی غلبه کند. دلایل استفاده از کنترل کننده های غیرخطی عبارت است از :

تعدیل سیستمهای کنترل موجود

بعضی از سیستمهای کنترل خطی براین اساس طراحی شده اند که تغییرات ورودی حول نقطه کار بسیار کوچک است. اما در عمل چون سیستم ذاتاً غیرخطی عمل می کند و امکان دارد تغییرات ورودی حول نقطۀ کار بزرگ باشد لذا احتمال ناپایداری کنترل کننده خطی سیستم بسیار زیاد است.

آنالیز عوامل غیرخطی شدید

در بعضی از سیستمهای کنترل عوامل غیرخطی وجود دارد که بواسطه طبیعت غیرپیوسته آنها امکان هیچ گونه تقریب خطی وجود ندارد. این عوامل غیرخطی شدید معمولاً شامل یکی از موارد اصطکاک کولمبی، اشباع، ناحیه مرده، backlash و هیسترزیس می باشد.

وارد نمودن عدم قطعیت های مدل در طراحی

در طراحی سیستمهای کنترل خطی، لازم است که فرض کنیم پارامترهای مدل سیستم به گونه ای معقول شناخته شده هستند. اما خیلی از مسائل کنترلی در مدل پارامتریک سیستم دارای یک سری عدم قطعیت هستند.

سادگی در طراحی

در بسیاری از مواقع، یک کنترل کننده غیرخطی که خوب طراحی شده بود میتواند نسبت به کنترل کننده خطی نظیرش بسیار ساده تر نیز باشد.معمولاً عوامل غیرخطی به دو دسته ذاتی و قراردادی تقسیم بندی می شوند.عوامل ذاتی آن دسته از عوامل هستند که به طور طبیعی جزء سیستم می باشند و اصطلاحاً به طور سخت افزاری در ذات سیستم واقع شده اند همچون اصطکاک کولمبی بین دو سطح، هیسترزیس، اشباع و backlash. عوامل غیرخطی قراردادی به طور مصنوعی توسط طراح به سیستم اعمال می گردد. قوانین کنترل غیرخطی قراردادی، همچون قوانین کنترل تطبیقی و قوانین کنترل بهینه Bang-Bang جزء دسته مواردی هستند که به سیستم کنترل اعمال می‌گردند تا عملکرد سیستم را بهبود بخشد [32].

2-1- مقدمه…………………………………………………………………………… 8

2-2- سیستم غیرخطی…………………………………………………………….. 9

2-3- تئوری پایداری لیاپانوف……………………………………………………….. 9

2-3-1- سیستم وابسته به زمان………………………………………………….. 9

2-3-2- تفاوت اصلی بین سیستم‌های متغیر با زمان و نامتغیر با زمان…….. 10

2-3-3- مفهوم پایداری به بیان لیاپانوف……………………………………….. 10

2-3-3-1- تعریف پایداری مجانبی……………………………………………….. 11

2-3-3-2- تعریف پایداری نمائی…………………………………………………. 11

2-3-3-3- تعریف پایداری مطلق………………………………………………… 11

2-4- کنترل تطبیقی…………………………………………………………….. 11

4-2-1- غیر مستقیم…………………………………………………………… 12

2-4-2- مستقیم………………………………………………………………… 12

ساختار چندلایه شبکه نرونی با یک و دولایه مخفی

ساختار چندلایه شبکه نرونی با یک و دولایه مخفی

فصل سوم:مقدمه‌ای بر محاسبات نرم

محاسبات نرم[1] [8] به مجموعه‌ای از شیوه‌های جدید محاسباتی در علوم رایانه، هوش مصنوعی، یادگیری ماشینی و بسیاری از زمینه‌های کاربردی دیگر اطلاق می‌شود. در تمامی این زمینه‌ها به مطالعه، مدل‌سازی و آنالیز پدیده‌های بسیار پیچیده‌ای نیاز است که شیوه‌های علمی دقیق در گذشته به حلّ آسان، تحلیلی، و کامل آنها توفیق کامل نداشته‌اند.

در مقایسه با تدابیر علمی نرم، روش‌های علمی بکار رفته در سده‌های پیشین، تنها از عهدۀ مدل‌سازی و آنالیز سامانه‌های نسبتاً ساده در مکانیک، فیزیک، و برخی از زمینه‌های کاربردی و مهندسی برآمده‌اند. مسائل پیچیده‌تری همچون سامانه‌های وابسته به علوم زیست‌شناسی و پزشکی، علوم اجتماعی، علوم انسانی، علوم مدیریت و نظایر آنها بیرون از قلمرو اصلی و توفیق‌آفرین روشهای ریاضی و تحلیلی دقیق باقی مانده ‌بودند. شایان ذکرست که خصایص سادگی و پیچیدگی اموری هستند نسبی، و به ‌طور یقین، اغلب مدل‌سازی‌های ریاضی و علمی موفّق در گذشته هم، به مفهوم مطلق کلام، بسیار پر اهمّیّت و پیچیده بوده‌اند.

محاسبات نرم با تقبل نادقیق بودن و با محور قرار دادن ذهن انسان به‌ پیش می‌رود. اصل هدایت کنندۀ محاسبات نرم بهره‌برداری از خاصیت عدم دقیق بودن جهت مهار کردن مسأله و پایین آوردن هزینۀ راه‌حل است.محاسبات نرم را می‌شود حاصل تلاش‌های جدید علمی دانست که مدل‌سازی، تحلیل، و در نهایت کنترل سیستم‌های پیچیده را با سهولت و موفّقیت زیادتری امکان‌پذیر می‌سازد. به عنوان مهم‌ترین شاخه‌های این محاسبات، باید منطق فازی، شبکه‌های عصبی مصنوعی، و الگوریتم ژنتیک را نام ‌بردبرخلاف شیوه‌های محاسباتی سخت که تمامی همّت و توان خود را به دقیق‌بودن، و در جهت مدل‌ نمودن کامل حقیقت معطوف می‌دارند، روش‌های نرم بر اساس تحمّل نادقیق‌نگری‌ها، حقایق جزیی و ناکامل، و فقدان اطمینان استوار گردیده‌اند. درک هر چه روشن‌تر از چرایی، چگونگی، و نیز فلسفۀ این‌ گونه محاسبات جدید است که افق‌های جدید در علوم پیچیدۀ آینده را روشن‌می‌سازد.

به زبان سادۀ علمی، روش‌های سخت، برآمده از طبیعت و نحوۀ رفتار ماشین است، ولی در مقابل، شیوه‌های نرم به انسان و تدابیر اتخاذ شده از سوی ذهن او به منظور حل و فصل مسائل اختصاص پیدا می‌کند.در ادامه از سه مبحث اصلی محاسبات نرم فقط دو مورد شبکۀ عصبی و منطق فازی را که در این پایان‌نامه از آنها استفاده شده معرفی می‌کنیم و از پرداختن به الگوریتم ژنتیک خودداری ه

هوش مصنوعی[2] (AI) توسط فلاسفه و ریاضی‌دانانی نظیر بول که اقدام به ارائۀ قوانین و نظریه‌هایی در مورد منطق نمودند، مطرح شده بود. با اختراع رایانه‌های الکترونیکی در سال ۱۹۴۳، هوش مصنوعی دانشمندان آن زمان را به چالشی بزرگ فراخواند. دراین شرایط، چنین به‌نظر می‌رسید که این فناوری قادر به شبیه‌سازی رفتارهای هوشمندانه خواهد بود.

با وجود مخالفت گروهی از متفکرین با هوش مصنوعی که با تردید به کارآمدی آن می‌نگریستند تنها پس از چهار دهه، شاهد تولد ماشینهای شطرنج باز و دیگر سامانه‌های هوشمند در صنایع گوناگون شدیم.نام هوش مصنوعی در سال ۱۹۶۵ میلادی به عنوان یک دانش جدید ابداع گردید. البته فعّالیّت در این زمینه از سال ۱۹۶۰ میلادی شروع شد.بیشتر کارهای پژوهشی اولیه در هوش مصنوعی بر روی انجام ماشینی بازی‌ها و نیز اثبات قضیه‌های ریاضی با کمک رایانه‌ها بود. در آغاز چنین به نظر می‌آمد که رایانه‌ها قادر خواهند بود چنین فعالیت‌هایی را تنها با بهره گرفتن از تعداد بسیار زیادی کشف و جستجو برای مسیرهای حل مسئله و سپس انتخاب بهترین روش برای حل آن‌ها به انجام رسانند.این اصطلاح (هوش مصنوعی) برای اولین بار توسط جان مکارتی (John McCorthy) -که از آن به‌عنوان پدر «علم و دانش تولید ماشینهای هوشمند» یاد می‌شود- استفاده شد. آقای جان مکارتی مخترع یکی از زبان‌های برنامه نویسی هوش مصنوعی به نام (lisp) نیز هستند. با این عنوان می‌توان به هویت رفتارهای هوشمندانه یک ابزار مصنوعی پی برد. (ساختۀ دست بشر، غیر طبیعی، مصنوعی) حال آنکه AI به عنوان یک اصطلاح عمومی پذیرفته شده که شامل محاسبات هوشمندانه و ترکیبی (مرکب از مواد مصنوعی) است.هنوز تعریف دقیقی برای هوش مصنوعی که مورد توافق دانشمندان این علم باشد ارائه نشده‌است، و این به هیچ وجه مایۀ تعجّب نیست. چرا که مقولۀ مادر و اساسی‌تر از آن، یعنی خود هوش هم هنوز بطور همه‌جانبه و فراگیر تن به تعریف نداده‌ است. در واقع، می‌توان نسل‌هایی از دانشمندان را سراغ گرفت که تمام دوران زندگی خود را صرف مطالعه و تلاش در راه یافتن جوابی به این سؤال عمده نموده‌اند که: هوش چیست؟اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:

  • سیستم‌هایی که به طور منطقی فکر می‌کنند.
  • سیستم‌هایی که به طور منطقی عمل می‌کنند.
  • سیستم‌هایی که مانند انسان فکر می‌کنند.
  • سیستم‌هایی که مانند انسان عمل می‌کنند.

شاید بتوان هوش مصنوعی را این گونه توصیف کرد: «هوش مصنوعی عبارت است از مطالعه این که چگونه کامپیوترها را می‌توان وادار به کارهایی کرد که در حال حاضر انسان‌ها آنها را صحیح یا بهتر انجام می‌دهند». هوش مصنوعی به هوشی که یک ماشین از خود نشان می‌دهد و یا به دانشی در کامپیوتر که سعی در ایجاد آن دارد گفته می‌شود. بیشتر نوشته‌ها و مقاله‌های مربوط به هوش مصنوعی آن را «دانش شناخت و طراحی عامل‌های هوشمند» تعریف کرده‌اند. یک عامل هوشمند سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را بالا می‌برد. جان مکارتی که واژه هوش مصنوعی را در سال ۱۹۵۶ استفاده نمود، آن را «دانش و مهندسی ساخت ماشین‌های هوشمند» تعریف کرده‌است.به فرض اینکه تعاریف بالا را از هوشمندی بپذیریم، موارد زیر فهرستی است از وظایفی که از یک سیستم هوشمند انتظار می‌رود و تقریباً اکثر دانشمندان هوش مصنوعی بر آن توافق نظردارند به شرح زیر است:

3-1- مقدمه…………………………………………………………………….. 15

3-2- شبکۀ عصبی مصنوعی……………………………………………….. 16

3-2-1- مقدمه…………………………………………………………………. 16

3-2-2- الهام از بیولوژی………………………………………………………. 19

3-2-3- مدل نرون……………………………………………………………. 20

3-2-4- معماری شبکۀ چند لایه…………………………………………. 20

3-3- کنترل فازی………………………………………………………….. 21

3-3-1- مقدمه. …………………………………………………………….21

3-3-2- مفاهیم اولیه و تعاریف مقدماتی………………………………. 22

3-3-3- ساختار کلی کنترل کنندۀ فازی………………………………… 24

3-3-4- اجزای یک کنترل کنندۀ فازی……………………………………. 24

3-3-5- انواع کنترل کنندههای فازی……………………………………. 25

3-3-6- مقاسیۀ فازی نوع 1 با نوع .2………………………………….. 26

3-3-6-1- نمایش عدم قطعیت سیستم‌های Type-1  بوسیله Type-2.ا26

3-3-6-2- توابع عضویت در فازی نوع 2………………………………….. 27.

3-3-7- طراحی کنترل کننده فازی………………………………………… 28

3-3-7-1- طراحی سیستم‌های ردیاب با فیدبک حالت……………….. 28

3-3-8- دیاگرام روش طراحی کنترل کنددۀ فازی………………………. 29

شماتیک ساده شده دو نرون بیولوژیکی

شماتیک ساده شده دو نرون بیولوژیکی

فصل چهارم: طراحی کنترل‌کننده برای بازوی رباتیک با هدف خنثی کردن اثرات اصطکاک، تداخل و ارتجاع 

بازوهای رباتیک با مفاصل و اتصالات منعطف مزایای زیادی نسبت به انواع سخت دارند. از جمله می­توان به سبکی، هزینۀ پایین، محرک­های کوچکتر، حجم کار بالا، قدرت مانور و حمل بهتر، سرعت بالای عملیاتی، بازده بیشتر و غیره اشاره کرد. در اغلب اوقات لازم است که برای رسیدن به توان تولید بالا در مصارف صنعتی، سیستم در سرعت بالا کار کند. در این بین تضاد و تعارض میان سرعت بالا و دقت بالا پایۀ طراحی­های مختلف برای کنترل رباتیک قرار گرفته است. البته در این راه مشکلات متعددی وجود دارد که از آن جمله به موارد ذیل می­توان اشاره نمود: کاهش وزن بازوها و یا افزایش سرعت در ربات­های صنعتی موجب ایجاد لرزش خصوصاً در سرعت­های بالا می­شود. همچنین اصطکاک غیرخطی شدید، کوپلینگ ناشی از انعطاف بازوها، شرایط عملیاتی متغیر، عدم قطعیت­های ساختار یافته و ساختار نیافته و اغتشاشات خارجی از دیگر مواد سختی در طراحی­اند.

کنترل بازوهای ربات به دلیل دینامیک پیچیده­ای که دارد، به مدل­سازی وابسته است. روش­های مختلفی برای مدل‌سازی سیستم­های مکانیکی وجود دارد. از جمله می­توان به روش‌های لاگرانژ، همیلتن، کین و غیره اشاره کرد، که هریک کاربری خاص خود را دارند. همچنین تکنیک­های متنوعی در طراحی کنترل کننده طی سال­های اخیر ارائه شده است که به صورت خلاصه چند مورد از آن­ها را معرفی می­کنیم. روش خطی­سازی فیدبک[1] که توسط De Luca et al [53] و خراسانی [54] ارائه شد. این روش به اغتشاش بسیار حساس بوده و در عمل نیز مشابهت چندانی را نداشت. در جای دیگر C.de Wit در [55] روش کنترل مقاوم[2] را برای جبران اثرات اصطکاک به کار برد که تا حد زیادی نیز موفق بود. اما سختی این کار لزوم به اطلاع کامل از دینامیک و مدل سیستم بود. مدل­های تطبیقی نیز در ادامه آمدند که تا حدودی کارایی بهتر و مشکلات کمتری داشتند. این مدل­ها برای توسعه از سیستم­های صلب به منعطف کاربری بسیار خوبی داشتند.

از طرف دیگر هوش محاسباتی، مانند شبکه­های عصبی مصنوعی و منطق فازی در بهبود کارایی کنترل کننده­های مقاوم خصوصاً در سیستم­هایی که تعریف ریاضیاتی صحیحی از آن­ها صورت نگرفته و ممکن است در برابر عدم قطعیت­ها دچار مشکل شوند، نقش بسیار مهمی دارد. تئوری تقریب کلی[3] توجیه اصلی استفاده از این روش­هاست. مدل­های متنوعی از شبکۀ عصبی و منطق فازی در طراحی کنترل کننده برای بازوهای رباتیک منعطف به کار رفته­اند، که عموماً به نتایج مطلوبی نیز دست یافته­اند [56,57]. با وجود پیشرفت­های اخیر در این زمینه، طراحی‌ها همچنان در انجام کارها خصوصاً کارهایی که توسط انسان و به صورت دستی انجام انجام می­شوند دچار مشکل هستند و دینامیک مناسبی را در طراحی­های مبتنی بر محاسبات نرم نمی­توان یافت.

با توجه به چالش­های مذکور قصد داریم که در این فصل علاوه بر مروری از تئوری کنترل تطبیقی کلاسیک در طراحی کنترل کننده برای بازوی رباتیک صلب، طراحی جدیدی را برای نوع انعطاف پذیر آن مبتنی بر هوش محاسباتی و داده که در مقابل انواع مختلف عدم قطعیت­ها پایدار و مقاوم باشد.

در این فصل که بررسی سیستم بازوی رباتیک منعطف مد نظر است، معیار عملکرد مکان و خطای مکان بازو و سرعت و خطای سرعت حرکت بازو است. البته پایداری داخلی و گشتاور نیز بررسی خواهد شد. طرح اول کنترل کنندۀ تطبیقی برای جبران اثرات اصطکاک غیرخطی است. قدم بعدی خنثی کردن اغتشاش و اعوجاج در سیستم است. نتایج به دست آمده را با طراحی کنترل کنندۀ فازی مرتبۀ 1و2 که در مرحلۀ بعد ارائه می­شود مقایسه می­کنیم. نهایتاً تلفیق این دو روش کنترل کنندۀ جدیدی را نتیجه خواهد داد به نام تطبیقی فازی مرتبۀ 1و2 که انتظار می­رود علاوه بر دارا بودن خواص پایداری و حذف اغتشاش و جبران اصطکاک غیرخطی، به واسطۀ منطق فازی سادگی در طراحی و پاسخ را نیز داشته باشد.

4-1- مقدمه………………………………………………………………. 32

4-2- مدل‌سازی…………………………………………………………. 33

4-2-1- مدل‌سازی سیستم صلب:…………………………………… 33

4-2-2- مدل‌سازی سیستم منعطف:……………………………….. 34

4-3- کنترل‌کننده تطبیقی برای سیستم صلب…………………….. 37

4-3-1- شبیه‌سازی…………………………………………………… 40

4-3-2- نتایج……………………………………………………………. 41

4-4- طراحی کنترل‌کننده تطبیقی با هدف خنثی کردن اصطکاک… 42

4-4-1- شبیه‌سازی…………………………………………………… 50

4-4-2- نتایج…………………………………………………………… 51

4-5- طراحی کنترل کنندۀ تطبیقی بر اساس شبکۀ عصبی برای خنثی کردن اغتشاش………………………………………………………………. 53

4-5-1- توضیح شماتیک کنترل کننده………………………………..: 55

4-5-2- شبیه‌سازی و نتایج……………………………………………. 55

4-6- طراحی کنترل کننده فازی برای بازوی رباتیک………………… 59

4-6-1- شبیه‌سازی و نتایج……………………………………………. 61

4-7- طراحی‌کننده فازی تطبیقی برای بازوی رباتیک……………….. 65

4-7-1- شبیه‌سازی و نتایج…………………………………………… 70

4-7-2- نتیجه‌گیری……………………………………………………. 74

شمای کنترل تطبیقی غیره مستقیم

شمای کنترل تطبیقی غیره مستقیم

فصل پنجم: طراحی سیستم کنترل هوشمند بر اساس تئوری لیپانوف برای ماشین‌های سنکرون با آهنربای دائم (PMSM)

سیستمی که ما قصد بررسی و طراحی برای آن را داریم ماشین سنکرون با آهنربای دائمی[1] (PMSM) است. در مورد سیستم مذکور می­توان گقت که مدل معروفی برای آن موجود است و اطلاعات خوبی نیز تا کنون به دست آمده . همچنین کنترل کننده­هایی نیز طراحی شده است. اما طراحی در سطحی که ما قصد انجام آن را داریم به لحاظ ترکیب روشهای کنترلی در نوع خود منحصر به فرد و نوآورانه است. بنابراین میتواند به عنوان یک طراحی پیشرو مطرح گردد.

PMSMها به صورت گسترده در بسیاری از صنایع کاربرد دارند و این به دلیل برخی خصوصیات آنها از قبیل اندازۀ کوچک، کارایی و توان بالا، نسبت زیاد گشتاور به سکون و تلفات پایین روتور می­باشد [61,62]. این مزایا باعث شده که PMSMها نقش مهمی در صنایع از جمله وسایل الکتریکی، توربین­های بادی و رباتیک داشته باشند. با توجه به راندمان بالای مورد انتظار و برای به دست آوردن گشتاور یکنواخت، نیاز به روتوری با انکدر زاویه­ای حساس و دقیق وجود دارد. از این رو، در طراحی­ها از حسگرهای مکانی با دقت بالا که روی شفت قرار می­گیرند استفاده می­شود. این امر باعث افزایش طول فیزیکی ماشین، هزینه و اینرسی روتور شده و همچنین به نصب تجهیزات و کابل­کشی اضافه منجر می­شود. اخیراً در کاربردهای صنعتی استفاده از PMSMهای بدون سنسور که محدودیت­های سنسورهای مکانی را ندارند، رواج داشته است. به علاوه استفاده از این نوع سیستم کنترل باعث کاهش لرزش، حساسیت به نویز، هزینه، اندازه و … شده و همجنین دقت و مقاومت سیستم را افزایش می­دهد. اما به هرحال طراحی کنترل کننده برای چنین سیستم­هایی چالش­ها و مشکلات پیش روی خود را دارد. که از آن جمله می­توان به شرایط عملیاتی متغیر، عدم قطعیت­های ساختار یافته و ساختار نیافته و همچنین به نویز و تداخل خارجی اشاره کرد.

در سال­های اخیر محققین در مورد روش­های تخمینی تحقیقات گسترده­ای انجام داده­اند. یکی از این روش­ها روش تخمین پیوستگی شار روتور [63] است که به دلیل سادگی از آن استفاده می­شد. در این روش با بررسی ولتاژ ترمینال موتور و افت مقاومت استاتور، موقعیت روتور استنتاج می­شود. در سرعت پایین این روش مشکل حرکتی ایجاد کرده و همچنین باعث افت دقت می­گردد. بعلاوه مقاومت استاتور به دما وابسته است و این خود عامل دیگری بر کم­دقتی این روش است.

روش فیلتر کالمن گسترده (EKF)[2] [64,65] عملکرد موفقی را در تخمین سرعت و موقعیت روتور در سیستم­های بدون سنسور نشان داده است. اما این روش به محاسبات دقیق ریاضیاتی برای به دست آوردن ماتریس ژاکوبین و همچنین به مقداردهی اولیۀ مناسب احتیاج دارد تا سیستم طی فرآیند خطی­سازی دچار ناپایداری نگردد. در اینجا نیز مانند بسیاری از روش­ها که مبتنی بر رؤیتگرهای حالت[3] هستند، از خطی­سازی سیستم حول نقاط کار استفاده می­شود. در هر حال باید به این نکته توجه نمود که خطی­سازی معادلات غیرخطی در شرایط نامی پایداری کلی را تضمین نمی­کند. رؤیتگرهای مبتنی بر مدل[4] [66,67] که به صورت گسترده هم استفاده می­شوند، به پارامترهای مکانیکی از جمله گشتاور بار، اصطکاک و اینرسی که مدام در حال تغییر و بعضاً ناشناخته­اند، وابسته می­باشند.

در روش دیگر از سیستم تطبیقی با مدل مرجع(MRAS)[5] به صورت گسترده­ای برای تخمین سرعت و مکان استفاده می­شود [67]. نحوۀ کار به این صورت است که MRAS از مدل­هایی با پارامترهای قابل تنظیم و یا مدل مرجع استفاده می­کند، که در هر دو حالت خروجی یکسان است و از خطای خروجی توسط قوانین تطبیقی برای تنظیم پارامترهای مدل استفاده می­گردد.

مدل لغزشی رؤیتگر سرعت در [68] معرفی شده است. نقطۀ ضعف این روش هنگامی است که سرعت سیستم پایین باشد که در نتیجه کارایی آن دچار افت می­شود. اما نسبت به تغییرات در پارامترها و اغتشاشات بار مقاومت خوبی را در سیستم ایجاد می­کند.

در سال­های اخیر راه حل­های زیادی برای کنترل سرعت PMSMها ارائه شده است که از روش­های کنترلی مختلفی نظیر کنترل کلاسیک، مقاوم و تطبیقی از قبیل حالت برداری و لغزشی بهره برده­اند. اما این روش­ها تنها به بررسی عدم قطعیت­های پارامتری (ساختاریافته) می­پردازند. روش کنترلی بردار متمایل به میدان[6] روش دیگری است که با معادل­سازی و شبیه­سازی موتور DC با خصوصیات آن از قبیل اندازه و زاویۀ استاتور، طراحی را انجام می­دهد که توضیحات تکمیلی آن در [69] آمده است. در مقالات و منابع دیگر روش­های متنوعی بیان شده که از آن جمله می­توان به موارد زیر اشاره کرد: کنترل مستقیم گشتاور[7] (DTC) که هنگامی پاسخ دینامیکی سریعی از گشتاور خواسته شود به کار می­رود [70]. مدل کنترل پیش­بین[8] (MPC) در مواردی که سرعت و جریان کنترل­کننده­ها با یکدیگر مقایسه شود به کار می­رود [71]. این روش در حقیقت جایگزینی مناسب برای روش کنترل متوالی[9] است.

اگرچه موارد فوق در حالت تئوری طراحی­های مناسبی به  نظر می­رسند اما در عمل کاراییشان در برابر تغییر شرایط عملیاتی، عدم قطعیت­های شناخته شده و ناشناخته و همچنین اغتشاش خارجی دچار افت می­شود. این روش­های کنترلی مدل ریاضی دقیقی را برای سیستم­ها فرض می­کنند، که در عمل به دست آوردن چنین مدلی برای فرآینهای پیچیدۀ صنعتی بسیار سخت و بعضاً غیر ممکن است. بعلاوه سایر مشخصه­های دیگر این سیستم­ها ممکن است که غیر قابل پیش­بینی باشد، مانند دینامیک بار، نویز، دما، تغییر پارامترها و غیره. بنابراین می­توان گفت که رفتار یک سیستم را نمی­توان با یک مدل ریاضی، به طور دقیق بیان کرد.

نکتۀ قابل تأمل دیگری که در مورد اغلب طراحی­هایی که تاکنون انجام شده و در دسترس قرار گرفته، این است که در مورد پایداری تحلیل دقیقی صورت نگرفته است. به علاوه تحلیل پایداری سیستم خطی شده حول نقطۀ کار برای کل سیستم قابل تعمیم نیست. پایداری سیستمی که بر اساس کنترل کنندۀ تطبیقی مدل مرجع طراحی شده و در برابر عدم قطعیت پارامترهای تنظیم جریان PMSM مقاوم بوده، در [72] آورده شده و مورد بررسی قرار گرفته است. در آخر، برای سیستمی که رفتار و دینامیک ناشناخته­ای دارد، با استفاده از شبکۀ عصبی مصنوعی و فازی نوع دوم برای تقریب دینامیک و رفتار PMSM غیرخطی و طراحی کنترل کنندۀ تطبیقی در [9] ارائه شده است، که پایداری آن با تئوری لیاپانوف مورد بررسی قرار گرفته است. مدل­های زیادی به کمک شبکۀ عصبی و منطق فازی برای تقریب سرعت و مکان در PMSM ارائه شده است که جایگزین بسیار مناسبی برای روش­های کنترلی معمولی است [3,11].

5-1- مقدمه……………………………………………………………………… 77

5-2- مدلس‌ازی سیستم:……………………………………………………. 80

5-3- بردار تطبیقی براساس رویتگر…………………………………………. 81

5-3-1- تئوری تطبیقی……………………………………………………….. 85

5-4- طراحی کنترل تطبیقی براساس رویتگر…………………………….. 88

5-4-1- شبیه‌سازی…………………………………………………………. 93

5-4-2- نتایج…………………………………………………………………. 94

5-5- طراحی سیستم کنترل تطبیقی برای سیستم با دینامیک نامعلوم. 97

5-5-1- نتایج…………………………………………………………………. 101

5-6- طراحی سیستم کنترل کنندۀ تطبیقی بدون سنسور براساس شبکه عصبی………………………………………………………………………… 104

5-6-1- شبیه‌سازی و نتایج…………………………………………………. 111

5-7- کنترل فازی تطبیقی…………………………………………………… 115

5-7-1- شبیه‌سازی و نتایج………………………………………………….. 121

5-8- نتیجه‌گیری……………………………………………………………….. 125

مفهوم پایداری لیپانوف

مفهوم پایداری لیپانوف

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل ششم:مدیریت و کنترل سیستم‌های تولید انرژی هوشمند

6-1- مقدمه……………………………………………………………………… 129

6-1-1- مدل‌سازی سیستم……………………………………………………. 131

6-1-1-1- مبدل DC-DC دوطرفه………………………………………………… 131

6-1-1-2- باطری‌ها ………………………………………………………………..133

6-2- طراحی کنترل تطبیقی فازی برای مبدل DC-DC.. ا……………………..135

6-2-1- شبیه‌سازی و نتایج…………………………………………………….: 138

6-3- کنترل تطبیقی باس DC: ا………………………………………………..144

6-3-1- شبیه‌سازی و نتایج:…………………………………………………… 146

6-4- برآورد حالت شارژ (SOC) بر اساس رؤیتگر……………………………. 149

6-4-1- شبیه‌سازی و نتایج…………………………………………………… 151

6-5- برآورد حالت شارژ (SCC) با تئوری تطبیقی…………………………… 155

6-5-1- شبیه‌سازی و نتایج……………………………………………………. 158

6-6- طراحی سیستم نظارتی فازی برای مدیریت انرژی وسایل الکتریکی با چند منبع مختلف:………………………………………………………………………… 162

6-6-1- شبیه‌سازی و نتایج………………………………………………….. 166

6-7- نتیجه‌گیری………………………………………………………………. 169

فصل هفتم: نتیجه‌گیری

فهرست مراجع…………………………………………………………………. 175


ABSTRACT

Nonlinear dynamical systems face numerous challenges that need to be addressed such as, severe nonlinearities, varying operating conditions, structured and unstructured dynarnical uncertainties, and external disturbances. In spite of the recent advances in the area of nonlinear control systems, conventional control techniques depend heavily on precise mathematical system models to provide satisfactory performance. In real life, and due to high nonlinearities, deriving a precise model could be a difficult undertaking. Although convention al nonlinear control strategies, such as adaptive and sliding mode controllers, compensate for parametric uncertainties, they are still vulnerable in the presence of unstructured modeling uncertainties. On the other hand, computational intelligence based controllers do not have su ch a limitation, thanks to their mathematical model dependence free characteristic. Despite of the recent results, neural network-based controllers remain incapable of incorporating any human-like expertise and fuzzy logic-based controllers are unable to incorporate any learning already acquired about the dynamics of the system in hand.  Driven by the aforementioned motivation, this thesis is meant to contribute to the latest developments and merits of such tools by novel adaptive control methodologies developments. The proposed controllers assume uncertain/unknown systems dynamics to achieve robustness to both structured and unstructured uncertainties of higher and different magnitudes. Conventional control structures offer poor performance in the presence of these kinds of uncertainties. Unlike these approaches, the proposed controllers are based on soft-computing tools, which do not have such limitations, thanks to their learning and generalization capabilities. However, these tools are often based on heuristics and tuning may not be trivial. Furthermore, many softcomputing based controllers lack stability proofs in various control applications. In this thesis, the proposed control architectures are designed using Lyapunov-based adaptation techniques instead of conventional heuristic tuning methods. Thus, the stability of the proposed controllersis guaranteed unlike many computational intelligence-based control schemes.

 



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word وpdf

قیمت35000تومان