دانلود ترجمه مقاله شبکه های عصبی تناسبی، انتگرالی و مشتقی (PID) در سیستم های تاخیر زمانی – مجله الزویر

elsevier

 

 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
خرید ترجمه آماده: downloadbutton

 

سال انتشار  ۲۰۰۰
تعداد صفحات مقاله انگلیسی  ۴ صفحه
تعداد صفحات ترجمه مقاله  ۹ صفحه
مجله  مهندسی کامپیوتر و شیمی
دانشگاه  چین
کلمات کلیدی  –
نشریه الزویر Untitled

 


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).

۵- 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:

 

۱٫ Introduction

There are a lot of time-delay systems in industryprocesses but it is difficult to design the controllers forthem because the time-delay property. These systemsgenerally have larger overhead, longer adjusting timeand are not stable. In classical control theory the Smithmethod can be used to construct controllers if thetransfer function of the system has been known. But,the transfer function of a practical system is not easy tomeasure or to complete.As is well known conventional PID controllers havemany advantages so that they are most widely used invarious fields of the industry, especially in the processesof chemical industry. Although PID controllers havestrong abilities they are not suitable for the control oflong time-delay systems, in which the P, I, and Dparameters are difficult to chose.Artificial neural networks can perform adaptive controlthrough learning processes. But there are someproblems, which should be solved in practice. The mainproblems are the slow learning speed, the long weightconvergence time and uncertain property.PID neural network (PIDNN) is a new kind ofnetworks. It utilizes the advantages of both PID control and neural structure. It consists of proportional (P),integral (I) and derivative (D) neurons and its weightsare adjusted by the back-propagation algorithms. It cancontrol different systems through quick learning processand has perfect performances (Shu, 1997,1998a,b,c; Shu & Li, 1998; Shu, 1999a,b.The rest of the paper is organized as follows. Section2 presents the structure of PIDNN. Section 3 specifiesthe algorithm of PIDNN. System simulation examplesare introduced in Section 4, including the performancebehavior comparing between PIDNN and conventionalPID controllers. Finally, the conclusion is given inSection 5.2. Structure of PIDNNPIDNN consists of a 2-3-1 structure. It has threelayers, which are input-layer, hidden-layer and outputlayer.The input-layer has two neurons, the hiddenlayerhas three and the output-layer has only one. Theneurons in the net are proportional (P) neuron, integral(I) neuron and derivative (D) neuron, respectively.

 


 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
خرید ترجمه آماده: downloadbutton

 

 

 

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *