دسته بندی | برق ، الکترونیک و مخابرات |
بازدید ها | 13 |
فرمت فایل | |
حجم فایل | 1896 کیلو بایت |
تعداد صفحات فایل | 17 |
کنترل پیش بین مدل بدلیل توانایی دخالت دادن قیدهای حاکم بر پلانت در هنگام محاسبه سیگنال های کنترلی، یکی از استراتژی های بالقوه در کنترل فرآیندهای صنعتی است. عیب بزرگی که کنترل پیش بین مدل دارد این است که باید مدل دقیقی از پلانت وجود داشته باشد تا بر اساس آن پیش بینی سیستم درست انجام شده در در نهایت با بهینه سازی بلادرنگ سیگنال های کنترلی در زمان های آینده، با دقت محاسبه شود. اما مدلسازی فرآیند های صنعتی پیچیده و غیرخطی با استفاده از روش های کلاسیک ممکن است جوابگو نباشد و باید دنبال راهی بود که بتواند دینامیک پلانت را بخوبی مدل کند و قابلیت یادگیری هم داشته باشد.
امروزه شبکه های عصبی جایگاه ویژه ای برای مدلسازی و کنترل فرآیند های صنعتی پیچیده پیدا کرده است. چرا که این شبکه ها هم قادر هستند، پیچیده ترین پلانت های غیرخطی را مدلسازی کنند و هم قابلیت یادگیری هم دارند یعنی می توانند از ورودی های جدیدی که به پلانت وارد می شوند، برای بهبود مدل عصبی استفاده کنند. در این پروژه یک پلانت غیرخطی درنظر می گیریم و سپس با مدلسازی عصبی و بهینه سازی بلادرنگ با استفاده از کنترل پیش بین مدل، پلانت را کنترل می کنیم.