پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم

word 6 MB 32252 198
1392 کارشناسی ارشد مهندسی صنایع
قیمت قبل:۷۹,۹۰۰ تومان
قیمت با تخفیف: ۳۴,۸۵۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت

    چکیده

    سیستم­ های دینامیکی غیر خطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر در زمینۀ سیستم­های کنترل غیرخطی، طراحی یک کنترل کنندۀ مناسب و کارایی مطلوب آن شدیداً وابسته به استخراج یک مدل ریاضی بسیار دقیق از سیستم است. در سیستم­های صنعتی به دلیل وجود خاصیت بالای غیرخطی بودن، مدل­سازی دقیق امری بسیار دشوار است. به بیان دیگر در تعریف ریاضی و مدل­سازی یک سیستم با عدم قطعیت بالایی روبرو هستیم. اگرچه روش­های متعارف کنترل غیرخطی مانند کنترلرهای تطبیقی و لغزشی عدم قطعیت پارامتری را جبران می­کنند، اما در مواجه با عدم قطعیت مدل­سازی ساختار نیافته کاملاً آسیب­پذیر می­نمایند. در عوض و از طرف دیگر کنترل کننده­های مبتنی بر هوش محاسباتی، به لطف ویژگی خاص خود در عدم وابستگی به مدل ریاضی چنین محدودیتی را ندارند. با وجود پیشرفت­های اخیر، کنترل­کننده­های مبتنی بر شبکه­های عصبی همچنان در به کار گیری تخصص­های انسانی کم­توان هستند. همچنین کنترل کننده­های مبتنی بر منطق فازی نمی‌توانند آموزه­ای از رفتار پویای سیستم را در بهبود کارایی خود به کار گیرند.

    با توجه به مطالب فوق می­توان گفت که در این پایان نامه در حقیقت ما می­خواهیم طراحی جدیدی از ترکیب بهترین و آخرین روش­های کنترلی گفته شده در بالا را با روش­های کنترل بهینه و تطبیقی ارائه دهیم. کنترل کننده­های مورد نظر ما با بررسی و استفاده از رفتار دینامیک ناشناختۀ سیستم­ها مقاومت آنها را در برابر عدم قطعیت­های شناخته شده و ناشناخته بالا می­برند. ساختارهای متعارف کنترلی در برابر این نوع از عدم قطعیت­ها عملکرد ضعیفی از خود نشان می‌دهند. کنترل کنندۀ مورد نظر ما بر اساس اصول و ابزار محاسبات نرم طراحی می­شود، و به همین دلیل دارای چنین محدودیت­هایی نخواهد بود. لازم به ذکر است که در طراحی این نوع کنترل کننده باید ابتکار زیادی به خرج داد و در تنظیم پارامترها بسیار دقت کرد. با وجود این مزایا بسیاری از این نوع کنترل کننده­ها در کاربردهایشان دچار مشکل عدم پایداری می­شود. در این مقاله کنترل کننده­هایی را پیشنهاد خواهیم کرد که برای رفع این نقیصه از تکنیک­های کنترل بهینه و کنترل تطبیقی بر مبنای تئوری لیاپانوف به جای روش‌های معمولی و ابتکاری برای تنظیم استفاده می­کنند. با این طراحی­ها، پایداری کنترل کننده­های ما برخلاف سایر کننده­های هوشمند، تضمین خواهد شد.

    کلید واژه: بازوی رباتیک، مدیریت انرژی، کنترل تطبیقی، محاسبات نرم، 

    فصل 1-مقدمه

    روش­های طراحی کنترل کننده برای سیستم­های غیرخطی را می­توان به سه دسته تقسیم کرد. روش اول شامل خطی سازی سیتم­ های 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.

    ABSTRACT

    Optimal Adaptive Control Design of Complex Dynamic Systems Based on Soft-Computing Method

    BY

    Behnam Yavari

    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.

  • فهرست:

    فصل 1- مقدمه. 2

    1-1- پیشینۀ پژوهشی.. 3

    1-2- رئوس مطالب... 5

    فصل 2- مقدمه‌ای بر کنترل غیرخطی.. 8

    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

    فصل 3- مقدمه‌ای بر محاسبات نرم. 15

    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. 26

    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

    فصل 4- طراحی کنترل‌کننده برای بازوی رباتیک با هدف خنثی کردن اثرات اصطکاک، تداخل و ارتجاع   32

    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.. 73

    فصل 5- طراحی سیستم کنترل هوشمند بر اساس تئوری لیپانوف برای ماشین‌های سنکرون با آهنربای دائم (PMSM) 77

    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

    فصل 6- مدیریت و کنترل سیستم‌های تولید انرژی هوشمند.. 129

    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.. 135

    6-2-1- شبیه‌سازی و نتایج: 138

    6-3- کنترل تطبیقی باس DC: 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: 161

    6-6-1- شبیه‌سازی و نتایج.. 165

    6-7- نتیجه‌گیری.. 168

    فصل 7- نتیجه‌گیری.. 172

    فهرست مراجع  174

    منبع:

    K. 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.

    Z. 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.

    T. 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.

    C.-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.

    S. 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.

    H. 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.

    G. 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.

    F.-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.

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

    F.-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.

    C.-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.

    S. 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.

    C. 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.

    S. 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.

    H. 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.

    Goldberg, David E. (1989). Genetic Algorithms in Search Optimization and Machine Learning. Addison Wesley. pp. 41.

    A. Colorni, M. Dorigo et V. Maniezzo, Distributed Optimization by Ant Colonies, actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.

    Luke,S. Essentials of Metaheuristics, Department of Computer Science George Mason University, February, 2010.

    Z.-J. Lee, Genetic algorithm with ant colony optimization (GA-ACO) for multiple sequence alignmentet , Applied Soft Computing 8 (2008) 55 78.

    T. Hrycei, “Neurocontrol, Toward and Industrial Control Methodology”, John Wiley & Sons, inc. (2007).

    J. J. E. Slotine, W. Li, “Applied Nonlinear Control”, Prentice Hall. 1991.

    Taylor, D. G., Kokotovic, P. V., Marino, R. and Kanellakopoulos, I, "Adaptive Regulation of Nonlinear Systems with Unmodeled Dynamics”, I.EEE. Trans. Aut. Contr., 34, pp. 405-412 (1999).

    Sastry, S. and Bodson, M., “ Adaptive Control: Stability, Convergence, and Robustness”, Prentice- Hall (2008).

    K. M. Passino, S. Yurkovicch. “Fuzzy Control”, Addison-Wesley Longman, .Inc. (1998).

    W. li, Xin, “A course in Fuzzy Systems and Control”, Prentice-Hall. (1995).

    G. C. Chow, “A solution to optimal control of linear systems with unknown parameters”, Econometric Research Program No 157, (1973).

    M. K. Kim, “A new control strategy Adaptive fuzzy control (AFC) in machining”, Thesis for degree of doctor of philosophy in mechanical engineering, Illinois University at Chicago, 1991.

    C. Y. Su, Y. Stepanenko, “Adaptive control of a class of nonlinear systems with fuzzy logic” IEEE Transaction on Fuzzy Systems VOL. 2, NO. 4, (1994).

    T. Yang, C. M. Yang, L. B. Yang, “A Detailed Study of Adaptive Control of Chaotic Systems with Unknown Parameters” Dynamics and Control, 8, 255–267 (1998).

    L. Chen, G. Chen, Y. W. Lee, “Fuzzy modeling and adaptive control of uncertain chaotic systems” Information Sciences 121, 27-37, (1999).

    H. K. Lam, F. H. F. Leung, Y.S. Lee, “Design of a Switching Controller for Nonlinear Systems With Unknown Parameters Based on a Fuzzy Logic Approach” IEEE Transaction on Fuzzy Systems VOL. 34, NO. 2 (2004).

    W. Y. Chun, Z. H. Gung, W. Y. Zhong “Fuzzy adaptive control of stochastic nonlinear systems with unknown  virtual control gain function” ACTA Automatica Sinica, (2006).

    T. Hayakawa, “Direct Adaptive Control for Nonlinear Uncertain Dynamical Systems” Thesis for degree of doctor of philosophy in Aerospace enineering, Georgia Institute of Technology, (2003).

    Y. Shin, “Neural Network Based Adaptive Control for Nonlinear Dynamic Regimes” Thesis for degree of doctor of philosophy in Mechanical Engineering, Georg W. Woondruff School, (2005).

     Mark W.Spong. S.Hutchinccn. M.Vidyasagar, “Robot Dynumic and control”, Second Eddition, Amazon com. 2004.

    H. chaui, P.sicard, Gueaieb”Ann-Based Adaptive control of Robatic Manipulator With friction and Jaint Elusticity” IEEE Trans friction & Indusbrial Edoctronics Val, 56 no. & pp 3174-s187 005.

     S-J. Huang and C.-L. Huang “control of an inverted pendulum using grey prediction model,” IEEE Transaction cu control systems Technology, 2005.

     B.Armstrong and c.c de wit, “friction modeling and compensation” the control Handbook 1995.

    H.olsson, k.Astorm. C.D de wit M.Grafvert and P.Lischinsky, “friction models & friction compensation” 1998.

     C.de wit. “Robust control for servo-mechanisems under inexact friction compensation” Automatic 1993.

     H.chaoui, … “Nerual Network based model Reference adaptive control strueture for flexible Joint with hard nonlineavities” 2004.

     H.chaui, P.sicard… “Refence model supervisory loop for neural network based adaptive control of a flexible Joint with hard nonlinearities” 2004.

     f.Ghorbd and M.spong. “Adaptive integral manifold control of flexible joint robot manipulators” 1992.

     W. pedryez “why triangular membership functions?” 1994

    B. Chen, X. Liu and S. Tong, “Adaptive Fuzzy Output Tracking Control of MIMO Nonlinear Uncertain Systems”, IEEE Transaction on Fuzzy Systems VOL. 15, NO. 2 (2007).

    A. E. Ougli, I. Lagrat and I. Boumhidi, “A Type-2 Fuzzy Adaptive Controller of a Class of Nonlinear System”, International Journal of Information & Mathematic Science 4:4 (2008).

    D. B. Pietri and M. Krstic, “Adaptive Tracking Controller for Systems With Unknown Long Delay and Unknown Parameters in the Plant”, American Control Conference, ThA18.1 (2009).

    A. Kusagur, S. F. Kodad and B. V. Sankar Ram, “Modeling, Design & Simulation of an Adaptive Neuro-Fuzzy Inference System (ANFIS) for Speed Control of Induction Motor”, International Journal of Computer Application 0975-8887, VOL. 6, NO. 12, (2010).

    R. Qi, G. Tao, B. Jiang and C. Tan, “Adaptive Control Schemes for Discrete-Time T-S Fuzzy Systems with Unknown Parameters and Actuator Failures”, American Control Conference, (2011).

    M. Bahita and K. Belarbi, “FEEDBACK ADAPTIVE CONTROL OF A CLASS OF NONLINEAR SYSTEMS USING FUZZY APROXIMATORS”, International Journal of Information Technology Convergence and Services (IJITCS) Vol.1, No.1 (2011).

    D. Elleuch and T. Damak, “ROBUST ADAPTIVE CONTROLLER FOR UNCERTAIN NONLINEAR SYSTEMS” International Journal of Information Technology Convergence and Services (IJITCS) Vol.2, No.2 (2012).

    A. D. Luca, A. Isidori, and F. Nicolo, "Control of robot arm with elastic joints via nonlinear dynamic feedback," in Proceedings ofthe IEEE Conférence on Décision and Control Including The Symposium on Adaptive Pro, Fort Lauderdale, FL, USA, 1985, pp.1671-1679.

    K. Khorasani, "Nonlinear feedback control of flexible joint manipulators : A single link case study," IEEE Transactions on Automatic Control, vol. 35, no. 10, pp. 1145-1149, Oct. 1990.

     C. de Wit, "Robust control for servo-mechanisms under inexact friction compensation," Automatica, vol. 29, no. 3, p. 757Û761, 1993.

     H. Chaoui and W. Gueaieb, "Type-2 Fuzzy Logic Control of a Flexible-Joint Manipulator," Journal of Intelligent and Robotic Systems, vol. 51, no. 2, pp. 159-186, Feb. 2008.

    H. Chaoui, W. Gueaieb, and M. C. Yagoub, "Artificial Neural Network Control of a Flexible-Joint Manipulator under Unstructured Dynamic Uncertainties," in IEEE International Workshop on Robotic and Sensors Environments, 2007.

    H. Chaoui, S. Miah, and P. Sicard, "Adaptive Fuzzy Logic Control of a DC-DC Boost Converter with Large Parametric and Load Uncertainties," in IEEE/ASME Advanced Intelligent Mechatronics International Conférence, 2010, pp. 757-580.

    H. Chaoui and W. Gueaieb, "Type-2 Fuzzy Logic Control of a Flexible-Joint Manipulator," Journal of Intelligent and Robotic Systems, vol. 51, no. 2, pp. 159-186, Feb 2008.

    F. Morel, J.-M. Rétif, L.-S. Xuefang, and C. Valentin, "Permanent magnet synchronous machine hybrid torque control," IEEE Transactions on Industrial Electronics, vol. 55,no. 2, pp. 501-511, Feb. 2008.

     A. Piippo, M. Hinkkanen, and J. Luomi, "Analysis of an adaptive observer for sensorless control of interior permanent magnet synchronous motors," IEEE Transactions on Industrial Electronics, vol. 55, no. 2, pp. 570-576, Feb. 2008.

    M. F. Rahman, L. Z. E. Haque, and M. A. Rahman, "A direct torque-controlled interior permanent-magnet synchronous motor drive without a speed sensor," IEEE Transactions on Energy Conversion, vol. 18, no. 1, pp. 17-22. Mar. 2003.

    S. Bolognani, L. Tubiana. and M. Zigliotto. "Extended Kalman filter tuning in sensorless PMSM drives," IEEE Transactions on lndustry Applications, vol. 39, no. 6, pp. 1741-1747, Nov.-Dec. 2003.

    M. Boussak, "Implementation and expérimental investigation of sensorless speed control with initial rotor position estimation for interior permanent magnet synchronous motor drive," IEEE Transactions on Power Electronics, vol. 20, no. 6, pp. 1413-1422,Nov. 2005.

    J. Solsona, M. I. Valla, and C. Muravchik, "Nonlinear control of a permanent magnet synchronous motor with disturbance torque estimation," IEEE Transactions on Energy Conversion, vol. 15, no. 2, pp. 163-168, Jun. 2000.

    R. Yan, B. Li, and F. Zhou, "Sensorless control of PMSMs based on parameter optimized MRAS speed observer," in IEEE International Conference on Automation and Logistics, Sep. 2008, pp. 1573-1578.

    L. Jiaxi, Y. Guijie, and Y. Pengfei, "Rotor position estimation for PMSM based on sliding mode observer," in IEEE International Conférence on Mechatronics and Automation, Aug. 2007, pp. 3684-3689.

    B.-H. Bae, S.-K. Sul, J.-H. Kwon, and J.-S. Byeon, "Implementation of sensorless vector control for super-high-speed PMSM of turbo-compressor," IEEE Transactions on lndustry Applications, vol. 39, no. 3, pp. 811-818, May-June 2003.

    C. French and P. Acarnley, "Direct torque control of permanent magnet drives," IEEE Transactions on lndustry Applications, vol. 32, no. 5, pp. 1080-1088, Sep.-Oct. 1996.

    N. Idris and A. Yatim, "Direct torque control of induction machines with constant switching frequency and reduced torque ripple," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 758-767, Aug. 2004.

    G. Buja and M. Kazmierkowski, "Direct torque control of PWM inverter-fed AC motors - a survey," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 744-757, Aug. 2004.

    V. Ambrozic, G. Buja, and R. Menis, "Band-constrained technique for direct torque control of induction motor," IEEE Transactions on Industrial Electronics, vol. 51, no.4, pp. 776-784, Aug. 2004.

    K. Drobnic, M. Nemec, D. Nedeljkovic, and V. Ambrozic, "Prédictive direct control applied to AC drives and active power filter," IEEE Transactions on Industrial Electronics, vol. 56, no. 6, pp. 1884-1893, Jun. 2009.

    S. 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.

    H. 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.

    H. Ndjana and P. Lautier, "Sensorless vector control of an IPMSM using unscented Kalman filtering," in IEEE International Symposium on Industrial Electronics, July 2006, pp.2242-2247.

    R. A. Freeman and P. V. Kokotovic, "Lyapunov design," The Control Handbook, vol. 77, pp. 932-940, 1996.

    C. Olalla, R. Leyva, A. E. Aroudi, and I. Queinnec, "Robust LQR control for PWM converters : An LMI approach," IEEE Transactions on Industrial Electronics, vol. 56, no. 7, pp. 2548-2558, Jul. 2009.

    T. Qi, L. Xing, and J. Sun, "Dual-boost single-phase PFC input current control based on output current sensing," IEEE Transactions on Power Electronics, vol. 24, no. 11, pp. 2523-2530, Nov. 2009.

    F. Oettmeier, J. Neely, S. Pekarek, R. DeCarlo, and K. Uthaichana, "MPC of switching in a boost converter using a hybrid state model with a sliding mode observer," IEEE Transactions on Industrial Electronics, vol. 56, no. 9, pp. 3453-3466, Sep. 2009.

    S.-C. Tan, Y. Lai, and C. Tse, "Indirect sliding mode control of power converters via double intégral sliding surface." IEEE Transactions on Power Electronics, vol. 23, no. 2, pp. 600-611, Mar. 2008.

    H.-S. Song and K. Nam, "Dual current control scheme for PWM converter under unbalanced input voltage conditions," IEEE Transactions on Industrial Electronics, vol. 46, no. 5, pp. 953-959, Oct. 1999.

    J. Morales-Saldaa, J. Leyva-Ramos, E. Carbajal-Gutierrez, and M. Ortiz-Lopez, "Average current-mode control scheme for a quadratic buck converter with a single switch," IEEE Transactions on Power Electronics, vol. 23, no. 1, pp. 485-490, Jan. 2008.

    J. Mendel, Uncertain Rule-Based Fuzzy Logic Systems : Introduction and New Directions. Prentice-Hall, 2001.

    P. Thounthong, S. Rael, and B. Davat, "Control algorithm of fuel cell and batteries for distributed génération System," IEEE Transactions on Energy Conversion, vol. 23, no. 1, pp. 148-155, Mar. 2008.

    B. Singh and J. Solanki, "An implementation of an adaptive control algorithm for a three-phase shunt active filter," IEEE Transactions on Industrial Electronics, vol. 56, no. 8, pp. 2811-2820, Aug. 2009.

    L. Tzann-Shin, "Input-output linearization and zero-dynamics control of three-phase ac/dc voltage-source converters," IEEE Transactions on Power Electronics, vol. 18, no. l,pp. 11-22, Jan. 2003.

    Lagrangian modeling and passivity-based control of three-phase ac/dc voltagesource converters," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 892- 902, Jan. 2004.

    A. Payman, S. Pierfederici, and F. Meibody-Tabar, "Energy management in a fuel cell/supercapacitor multisource/multiload electrical hybrid System," IEEE Transactions on Power Electronics, vol. 24, no. 12, pp. 2681-2691, Dec. 2009.

    K.-H. Cheng, C.-F. Hsu, C.-M. Lin. T.-T. Lee, and C. Li, "Fuzzy-neural sliding-mode control for DC-DC converters using asymmetric gaussian membership functions," IEEE Transactions on Industrial Electronics, vol. 54, no. 3, pp. 1528-1536, Mar. 2007.

    T. Hansen and C.-J. Wang, "Support vector based battery state of charge estimator," Journal of Power Sources, vol. 141, no. 2, pp. 351-358, Mar. 2005.

    J. Chiasson and B. Vairamohan, "Estimating the state of charge of a battery," IEEE Transactions on Control Systems Technology, vol. 13, no. 3, pp. 465-^470, May 2005.

    S. Duryea, S. Islam, and W. Lawrance, "A battery management System for stand-alone photovoltaic energy Systems," IEEE Industry Applications Magazine, vol. 7, no. 3, pp. 67-72, Jun. 2001.

    I.-S. Kim, "Nonlinear state of charge estimator for hybrid electric vehicle battery," IEEE Transactions on Power Electronics, vol. 23, no. 4, pp. 2027-2034, July 2008.

    A. Szumanowski and Y. Chang, "Battery management system based on battery nonlinear dynamics modeling," IEEE Transactions on Vehicular Technology, vol. 57, no. 3, pp. 1425-1432, May 2008.

    G. 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.

    D.-T. Lee, S.-J. Shiah, C.-M. Lee, and Y.-C. Wang, "State-of-charge estimation for electric scooters by using learning mechanisms," IEEE Transactions on Vehicular Technology, vol. 56, no. 2, pp. 544-556, Mar. 2007.

    S. Teleke, M. Baran, S.Bhattacharya, and A. Huang, "Optimal Control of Battery Energy Storage for Wind Farm Dispatching," IEEE Transactions on Energy Conversion, vol. 25, no. 3, pp. 787-794, Sep. 2010.

    M. Tekin, D. Hissel, M.-C. Pera, and J. Kauffmann, "Energy-Management Strategy for Embedded Fuel-Cell Systems Using Fuzzy Logic," IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 595-603, Feb. 2007.

    J. Moreno, M. Ortuzar, and J. Dixon, "Energy-management system for a hybrid electric vehicle, using ultracapacitors and neural networks," IEEE Transactions on Industrial Electronics, vol. 53, no. 2, pp. 614-623, Mar. 2006.

    S. Pourmousavi, M. Nehrir, C. Colson, and C. Wang, "Real-Time Energy Management of a Stand-Alone Hybrid Wind-Microturbine Energy System Using Particle Swarm Optimization," IEEE Transactions on Sustainable Energy, vol. 1, no. 3, pp. 193-201, Oct. 2010.

    J. Lagorse, M. Simoes, and A. Miraoui, "A Multiagent Fuzzy-Logic-Based Energy Management of Hybrid Systems," IEEE Transactions on Industry Applications, vol. 45, no. 6, pp. 2123-2129, Nov./Dec. 2009.

    H. Yoo, S.-K. Sul, Y. Park. and J. Jeong, "System Intégration and Power-Flow Management for a Séries Hybrid Electric Vehicle Using Supercapacitors and Batteries," IEEE Transactions on Industry Applications, vol. 44, no. 1, pp. 108-114, Jan./Feb. 2008.

    M. Camara. H. Gualous, F. Gustin, and A. Berthon, "Design and New Control of DC/DC Converters to Share Energy Between Supercapacitors and Batteries in Hybrid Vehicles," IEEE Transactions on Vehicular Technology, vol. 57, no. 5, pp. 2721-2735, Sep. 2008.

    Ondrej Linda,  Milos Manic, “Uncertainty-Robust Design of Interval Type-2 Fuzzy Logic Controller for Delta Parallel Robot”. Industrial Informatics, IEEE Transactions on  (Volume:7 ,  Issue: 4 ), pp 661 – 670, Nov. 2011.

    Luc Le-Tien , Alin Albu-Schaffer, “Adaptive Friction Compensation in Trajectory  racking Control of DLR Medical Robots with Elastic Joints”, Intelligent Robots and Systems (IROS), 2012 IEEE/RSJ International Conference on , 7-12 Oct. 2012.

    Amir Babaie, Abolfath Nikranjbar, “Adaptive Fuzzy Control of Uncertain (P-R) Robot Manipulator using Lyapunov Method Compared to RLSE, Majlesi Journal of Mechatronic Systems, Vol. 1, No. 2, June 2012.

    K.Y. Kuo , J. Linb, “Fuzzy logic control for flexible link robot arm by singular perturbation approach”,  Applied Soft Computing, Volume 2, Issue 1, August 2002, Pages 24–38.

    Dong Quang Dang, Nga Thi-Thuy Vu, Han Ho Choi and Jin-Woo Jung, “Neuro-Fuzzy Control of Interior Permanent Magnet Synchronous Motors: Stability Analysis and Implementation” J Electr Eng Technol Vol. 8, No. 6: 1439-1450, 2013.

    Hicham CHAOUI, Pierre SICARD, “Adaptive control of permanent magnet synchronous machines with disturbance estimation” J Control Theory 10 (3) 337–343, Appl 2012.

    Abdulhakim Karakaya Ercüment Karakas, “THE SPEED CONTROL OF PERMANENT MAGNET SYNCHRONOUS MOTOR USING FUZZY LOGIC AND SELF TUNING FUZZY PI CONTROLLER”, 2010

    Wei He, Nicholas Williard, Chaochao Chen, Michael Pecht, “State of charge estimation for electric vehicle batteries using unscented kalman filtering” Microelectronics Reliability 53  840–847. 2013.

    Xiaosong Hu, Fengchun Sun and Yuan Zou, “ Estimation of State of Charge of a Lithium-Ion Battery Pack for Electric Vehicles Using an Adaptive Luenberger Observer”,  /journal/energies  1586-1603;,Sep, 2010.

    Haiying Wang, Yang Liu,Hang Fu and Gechen Li, “Estimation of State of Charge of Batteries for Electric Vehicles” Journal of Microelectronics Reliability, impact 1.137, Volume 53, Issue 6,  Pages 840–847, June 2013.

     


موضوع پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, نمونه پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, جستجوی پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, فایل Word پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, دانلود پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, فایل PDF پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, تحقیق در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, مقاله در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, پروژه در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, پروپوزال در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, تز دکترا در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, تحقیقات دانشجویی درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, مقالات دانشجویی درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, پروژه درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, گزارش سمینار در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, پروژه دانشجویی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, تحقیق دانش آموزی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, مقاله دانش آموزی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم, رساله دکترا در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌های محاسبات نرم

پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت چکیده سیستم­های دینامیکی غیرخطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر در ...

چکیده این پایان نامه به تخمین عدم قطعیت در کنترل مقاوم بازوهای رباتیک می‌پردازد و روش­های جدیدی مبتنی بر راهبرد کنترل ولتاژ برای تخمین عدم قطعیت ارائه می‌دهد. روش کنترل ولتاژ در مقایسه با روش مرسوم کنترل گشتاور بسیار ساده­تر است، زیرا نیازی به مدل غیر خطی پیچیده ربات ندارد. در نتیجه، حجم محاسبات کنترل کننده برای تعیین ولتاژ اعمالی به موتورها کمتر می‌شود. طبق قضیه تقریب عمومی، ...

رساله جهت اخذ درجه دکتری چکیده این پایان نامه به تخمین عدم قطعیت در کنترل مقاوم بازو های رباتیک می‌پردازد و روش­های جدیدی مبتنی بر راهبرد کنترل ولتاژ برای تخمین عدم قطعیت ارائه می‌دهد. روش کنترل ولتاژ در مقایسه با روش مرسوم کنترل گشتاور بسیار ساده­تر است، زیرا نیازی به مدل غیر خطی پیچیده ربات ندارد. در نتیجه، حجم محاسبات کنترل کننده برای تعیین ولتاژ اعمالی به موتورها کمتر ...

پایان‌نامه دوره کارشناسی ارشد مهندسی برق-کنترل چکیده در این نوشتار تشخیص، بازسازی و پیش‌بینی عیب سیستم‌های غیرخطی همراه با عدم قطعیت مورد بررسی قرار می‌گیرد. معیار عیب‌یابی سیگنال باقیمانده‌ای است که از اختلاف خروجی سیستم و یک رویتگر مود لغزشی محاسبه می‌شود. ایده‌ی مود لغزشی در راستای جبران اثر عدم قطعیت‌ها بر سیگنال باقیمانده می‌باشد. توانایی رویتگرلغزشی در رساندن سیگنال ...

پایان نامه دکتری مهندسی برق - قدرت چکیده جزیره‌ سازی سیستمه ای ‌‌قدرت به هم پیوسته که به جداسازی و شکستن سیستمهای قدرت نیز مشهور است آخرین خط دفاعی برای مقابله با فروپاشی سیستم و جلوگیری از وقوع حوادث سهمگین در شبکه قدرت می‌باشد. جزیره‌سازی سیستمهای قدرت به هم پیوسته به عنوان یک روش کنترل گسترده به صورت یک مساله تصمیم‌گیری جامع با جزئیات بسیار زیاد و به عنوان یک بخش مهم از ...

پایان‌نامه برای دریافت درجه کارشناسی ارشد M.Sc. گرایش قدرت چکیده شبکه‌ های انتقال سیستم‌های قدرت مدرن بدلیل افزایش تقاضا و محدودیت در احداث خطوط جدید بطور فزآینده‌ ای در حال دگرگونی است. یکی از عواقب چنین سیستم تحت تنشی، خطر از دست دادن پایداری پس از یک اغتشاش می‌باشد. سیستم‌های انتقال جریان متناوب انعطاف‌پذیر (facts)، تجهیزات بسیار مؤثری در یک شبکه انتقال برای استفاده بهتر از ...

پایان‌نامه کارشناسی ارشد رشته مکانیک گرایش: مهندسی مکانیک – تبدیل انرژی چکیده: یکی از مهمترین مؤلفه های سیستمهای انتقال سیالات، شیر های کنترلی می باشند که در مسیرهای مختلف خطوط لوله انتقال نفت و گاز و .... به چشم می خورد. در شیرهای کنترلی مهمترین مسأله، خاصیت جریان به منظور دستیابی به رفتار مناسب شیر، جهت کنترل دبی یا فشار جریان عبوری می باشد. در این پایان نامه یک شیر کنترلی با ...

پایان نامه برای دریافت درجه کارشناسی ارشد(. M.Sc) رشته مهندسی برق-قدرت چکیده در این پایان نامه طراحی کنترل کننده مقاوم در برشگرهای الکترونیک قدرت و مقایسه آن با روشهای کنترل خطی مورد بررسی قرار گرفته­است. هدف اصلی تحقیق و توسعه در این زمینه، همواره یافتن مناسب­ترین روش کنترل به منظور پیاده­سازی کنترل حلقه بسته بر روی توپولوژی­های مختلف برشگر های الکترونیک قدرت می­باشد. به عبارت ...

پایان نامه برای دریافت درجه کارشناسی ارشد(. M.Sc) رشته مهندسی برق-قدرت چکیده در این پایان نامه طراحی کنترل کننده مقاوم در برشگرهای الکترونیک قدرت و مقایسه آن با روشهای کنترل خطی مورد بررسی قرار گرفته­است. هدف اصلی تحقیق و توسعه در این زمینه، همواره یافتن مناسب­ترین روش کنترل به منظور پیاده­سازی کنترل حلقه بسته بر روی توپولوژی­های مختلف برشگر های الکترونیک قدرت می­باشد. به عبارت ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته: مدیریت بازرگانی گرایش : بازرگانی چکیده: امروزه انتخاب بهترین تامین­کننده از میان شمار تامین­کنندگان در صدر برنامه­های خریداران قرار دارد. با توجه به اینکه در مدل های سنتی معیار های متفاوت و متعددی برای تحلیل و آنالیز دخیل هستند و این امر فرآیند تصمیم گیری را برای مدیران پیچیده و مشکل می کند ،امروزه مدیران از تکنیک های جدید همچون ...

ثبت سفارش