| عنوان فارسی مقاله: | شبکه های عصبی تناسبی، انتگرالی و مشتقی (PID) برای سیستم های تاخیر زمانی |
| عنوان انگلیسی مقاله: | PID neural networks for time-delay systems |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2000 |
| تعداد صفحات مقاله انگلیسی | 4 صفحه |
| تعداد صفحات ترجمه مقاله | 9 صفحه |
| مجله | مهندسی کامپیوتر و شیمی |
| دانشگاه | چین |
| کلمات کلیدی | – |
| نشریه الزویر | Elsevier |
فهرست مطالب:
چکیده
۱ مقدمه
۲ ساختار شبکه ی عصبی تناسبی-انتگرالی-مشتقی
۳ الگوریتم شبکه ی عصبی تناسبی-انتگرالی-مشتقی
۳ ۱ لایه ی ورودی
۳ ۲ لایه ی پنهان
۳ ۳ لایه خروجی
۳ ۴ الگوریتم انتشار روبه عقب
۴ مثال ها
۴ ۱ سیستم یک گامی
۴ ۲ سیستم دو گامی
۴ ۳ عملکرد کنترلر تناسبی-انتگرالی-مشتقی مرسوم و متدوال
۵ نتایج
بخشی از ترجمه:
۱ مقدمه
سیستم های تاخیر زمانی زیادی در فرایندهای صنعتی وجود دارد ولی طراحی کنترلرها برای آن ها سخت است و این سختی به دلیل ویژگی تاخیر زمانی آن ها است. این سیستم ها عموما مخارج کلی بیش تر و زمان تنظیم طولانی تر دارند و پایدار نیستند. در ﺗﺋوری کنترل کلاسیک متد اسمیث می تواند برای ساختن کنترلرها به کار رود البته اگر تابع انتقال سیستم معلوم باشد. ولی، تابع انتقال یک سیستم در عمل راحت قابل اندازه گیری نیست.
بسیار معروف می باشد که کنترلرهای تناسبی-انتگرالی-مشتقی مزیت های زیادی دارند و به همین دلیل آن ها به گونه ای بسیار گسترده در زمینه های زیادی از صنعت به ویژه در فرایند های صنایع شیمیایی استفاده می شوند. اگرچه کنترلرهای تناسبی-انتگرالی-مشتقی قدرت بالایی دارند ولی برای کنترل سیستم های تاخیر زمانی مناسب نیستند زیرا انتخاب پارامترهای P، I و D سخت است.
شبکه های عصبی مصنوعی به دلیل فرایندهای یادگیری می توانند کنترل آداپتیو انجام دهند. ولی مشکلاتی وجود دارد، که بایستی در عمل حل شود. مشکلات اصلی سرعت یادگیری پایین، زمان همگرایی وزنه طولانی و ویژگی نامعلوم می باشد.
شبکه های عصبی تناسبی-انتگرالی-مشتقی یک نوع جدید از سبکه ها می باشد. این شبکه ها از مزیت های هر دو کنترلر تناسبی-انتگرالی-مشتقی و ساختار شبکه برخوردار است. این شبکه شامل نورون های تناسبی، انتگرالی و مشتقی می باشد و وزنه های مربوط به آن ها به وسیله ی الگوریتم های انتشار رو به عقب تنظیم می شود. این شبکه می تواند سیستم های مختلف را به دلیل فرایند یادگیری سریع کنترل کند و عملکرد های کامل و خوبی دارد. (شو در سال ۱۹۹۷، ۱۹۹۸، شو و لی ۱۹۹۸، شو ۱۹۹۹).
5- نتایج:
شبکه ی عصبی تناسبی-انتگرالی-مشتقی یک شبکه ی عصبی چند لایه می باشد و ساختار آن ساده است، شبکه ی عصبی تناسبی-انتگرالی-مشتقی توانایی برای کنترل سیستم های تاخیر زمانی مختلفی دارد و عملکرد خیلی کاملی دارد. با استفاده از شبکه ی عصبی تناسبی-انتگرالی-مشتقی ما نیاز نداریم که پارامترهای سیستم را اندازه گیری یا محاسبه کنیم. کل فرایند تنظیم کردن، به وسیله ی فرایند آداپتیو و خود-یادگیری انجام می شود، شبکه ی عصبی تناسبی-انتگرالی-مشتقی زمان همگرایی کوتاه و سرعت یادگیری سریع دارد و می تواند در فرایند به صورت عملی استفاده شود.
بخشی از مقاله انگلیسی:
1. Introduction
There are a lot of time-delay systems in industry processes but it is difficult to design the controllers for them because the time-delay property. These systems generally have larger overhead, longer adjusting time and are not stable. In classical control theory the Smith method can be used to construct controllers if the transfer function of the system has been known. But, the transfer function of a practical system is not easy to measure or to complete.
As is well known conventional PID controllers have many advantages so that they are most widely used in various fields of the industry, especially in the processes of chemical industry. Although PID controllers have strong abilities they are not suitable for the control of long time-delay systems, in which the P, I, and D parameters are difficult to chose.
Artificial neural networks can perform adaptive control through learning processes. But there are some problems, which should be solved in practice. The main problems are the slow learning speed, the long weight convergence time and uncertain property.
PID neural network (PIDNN) is a new kind of networks. It utilizes the advantages of both PID control and neural structure. It consists of proportional (P), integral (I) and derivative (D) neurons and its weights are adjusted by the back-propagation algorithms. It can control different systems through quick learning process and has perfect performances (Shu, 1997, 1998a,b,c; Shu & Li, 1998; Shu, 1999a,b.
5. Conclusions
PIDNN is a multilayered neural network and its structure is simple. PIDNN has abilities to control different time-delay system and has perfect performance. Using PIDNN we needn’t measure or calculate the system parameters. The whole adjusting process is completed through self-learning and adaptive process. PIDNN has short convergence time and quick learning speed and it can be used in practical process.
| عنوان فارسی مقاله: | شبکه های عصبی تناسبی، انتگرالی و مشتقی (PID) برای سیستم های تاخیر زمانی |
| عنوان انگلیسی مقاله: | PID neural networks for time-delay systems |
خرید ترجمه فارسی مقاله با فرمت ورد