دانلود ترجمه مقاله کاربرد شبکه های عصبی مصنوعی فید فوروارد برای بهبود الگوریتم کنترلی – مجله الزویر

elsevier

 

 عنوان فارسی مقاله: کاربرد شبکه های عصبی مصنوعی فید فوروارد برای بهبود کنترل فرایند الگوریتم های کنترلی بر پایه ی تناسبی، انتگرالی و مشتقی (PID)
 عنوان انگلیسی مقاله:  Application of feedforward artificial neural networks to improve process control of PID-based control algorithms
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید

 

سال انتشار  ۲۰۰۰
تعداد صفحات مقاله انگلیسی  ۶ صفحه
تعداد صفحات ترجمه مقاله  ۱۳ صفحه
مجله  مهندسی کامپیوتر و شیمی
دانشگاه  پورتو کشور پرتغال
کلمات کلیدی  –
نشریه الزویر Elsevier

 


فهرست مطالب:

 

چکیده
۱ مقدمه
۲  متدولوژی کنترل
۳- حالت های مطالعه شده
۴  نتایج و بحث ها

۴ ۱ سیستم درجه اول
۴ ۲ سیستم درجه دوم
۴ ۳ سیستم درجه اول به صورت سری با یک سیستم درجه دوم
۴ ۴ فرایند انتقال حرارت روی راکتور بچ-عایق شده

۵ نتایج
تشکر

 


 

بخشی از ترجمه:

 

 ۱ مقدمه

از انجایی که کنترلرهای تناسبی، انتگرالی و مشتقی (تناسبی-انتگرالی-مشتقی) کاربردهای گسترده ای در فرایندهای صنعتی پیدا کرده اند، مقاومت های زیادی در برابر استفاده از دیگر متدولوژی های کنترل در شرایط عملی ایجاد می شود. دلایل اصلی سادگی، قدرت و کاربردهای موفقیت آمیز می باشد که به وسیله ی ساختارهای کنترلی بر پایه ی تناسبی-اتگرالی-مشتقی فراهم شده است (لی، پارک، لی و بروسیلو  در سال ۱۹۹۸). در هر حال، عملکردهای بهتر از سیستم های کنترلی بایستی ایجاد شود تا از عهده ی نیازهای جدید بازار در زمینه ی کیفیت محصول، فرایندهای امنیتی و پیچیدگی فرایند برآید.
در چند سال گذشته، شبکه های عصبی مصنوعی و به ویژه شبکه های عصبی مصنوعی فیدفروارد به طرز گسترده ای در محیط های دانشگاهی به عنوان مدل های فرایند مطالعه شده است، و به گونه ای افزایشی در صنعت استفاده شده است (یوناگر، هارتمن، کیلر و مارتین  در سال ۱۹۹۶). شبکه های عصبی مصنوعی به دلیل توانایی شان در گرفتن دینامیک غیرخطی برای تولید مدل های فرایند پیشنهاد شده است. این مدل ها داده ها-برنده هستند و مزیت های راندمان محاسباتی و آسانی ساختاری دارند (تی سن، جنگ و وانگ  در سال ۱۹۹۶).
این مقاله یک راه را نشان می دهد که چگونه شبکه های عصبی مصنوعی فیدفروارد می توانست استفاده شود تا عملکرد ساختارهای کنترلی بر پایه ی کنترلر های تناسبی-انتگرالی-مشتقی را انجام دهد. شبکه های عصبی مصنوعی فیدفروارد برای ایجاد مدل های کلی استفاده شده است تا مقادیر بعدی متغیر کنترل شده را پیش بینی کند. سپس این اطلاعات در ساختار سیستم کنترلی مرسوم و متدوال شرکت می کند و آن هم به دلیل تغییر مقادیر از پیش تعیین شده ی نقطه ی تنظیم شده می باشد. هدف اصلی این است که عملکرد کنترلی سیستم کنترلی بدون تغییر شدیدی در ساختار سیستم کنترل افزایش یابد.

 ۵-    نتایج
این کار نشان می دهد که چقدر امکان پذیر است که عملکرد سیستم های کنترل بر پایه ی تناسبی-انتگرالی-مشتقی بدون تغییرات شدید ساختار کنترل مرسوم و متدوال بهبود یابد. راندمان محرک شبکه های عصبی مصنوعی فیدفروارد به عنوان مدل های فرایند برای پیش بینی مقادیر بعدی متغیر کنترل شده از نتایج نشان داده شده است. مزیت این است که شبکه های عصبی مصنوعی فیدفروارد ها داده های فرایند و اغتشاش مربوطه را کامل می کنند. داده های ورودی/خروجی از سیستم بدست آمده اند و این مقادیر در مرحله ی آموزش استفاده شده اند. در هر حال، شبکه های عصبی مصنوعی فیدفروارد ها مدل های آموزش داده شده هستند و مدل های برنامه ریزی شده نیستند. مقادیر داده های ورودی و خروجی در دسترس برای آموزش بایستی به خوبی سیستم را مشخص کنند. کاربرد این شبکه های عصبی مصنوعی فیدفروارد ها در بیرون مقادیر مرزی آموزش بایستی به خوبی تجزیه و تحلیل شود.
برای همه ی حالت های مطالعه شده، که در این کار توسعه داده شده است، عملکرد متدولوژی کنترل مطرح شده بر حسب دنبال کردن نقطه ی تنظیم شده و زمان ته¬نشینی، تماما بالاتر بوده است. در هر حال، این وابسته به این است که مثلا این متدولوژی کنترل بایستی روی پایلوت و یا مقیاس صنعتی تست شود تا اعتبارسنجی آزمایشگاهی برای متدولوژی کنترل بحث شده بدست بیاید.

 


بخشی از مقاله انگلیسی:

 

۱٫ Introduction

Since the proportional, integral, and derivative (PID)controller finds widespread use in the process industries,great resistances have been occurred to incorporateother control methodologies in practical situations.The main reasons are the simplicity, robustness andsuccessful applications provided by PID-based controlstructures (Lee, Park, Lee & Brosilow, 1998). However,better performances of the control systems should beachieved to cope new market requirements in productquality, safety procedures and process complexity.In last few years, artificial neural networks and particularlyfeed forward artificial neural networks(FANNs) have been extensively studied in academia asprocess models, and are increasingly being used inindustry (Ungar, Hartman, Keeler & Martin, 1996).Artificial neural networks are suggested to generateprocess models due to their ability to capture nonlineardynamics. These models are data-driven and have theadvantages of computational efficiency and ease ofconstruction (Tsen, Jang & Wong, 1996).This paper demonstrates one way of how FANNscould be used to accomplish the performance of controlstructures based on PID controllers. The FANNs areused to create generic models to predict future values ofthe controlled variable. This information is then incorporatedin conventional control system structurethrough the change of pre-established values of setpoint.The main objective is to enhance the controlperformance of the control system without change drasticallythe structure of the control system.2. Control methodology.The control methodology proposed in this work isbased on the conventional control conception (PIDbasedcontrol structures) conjugated with the developmentof a model, which is capable of predicting thecontrolled variable as a function of process measurementsand the pre-established setpoint. In this sense,the foreknowledge of the controlled variable value for time t+At at time t allows to evaluate a second set point (pseudo-setpoint) for the principal controller,which can be predicted by the following equation

 


 عنوان فارسی مقاله: کاربرد شبکه های عصبی مصنوعی فید فوروارد برای بهبود کنترل فرایند الگوریتم های کنترلی بر پایه ی تناسبی، انتگرالی و مشتقی (PID)
 عنوان انگلیسی مقاله:  Application of feedforward artificial neural networks to improve process control of PID-based control algorithms

 

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه