دانلود ترجمه مقاله کنترل فازی دو فرمان CSTR غیر خطی – مجله IEEE

فهرست مطالب:

چکیده
مقدمه
سیستم استنباط فوزی بکارگرفته شده
کنترل پیشگویی عصبی تک فرمان CSTR ( مرور مختصر)
کنترل دوفرمان CSTR
۱٫ کنترلر فوزی/ فرمان کنترل گذرا
۲٫ کنترل حالت پایدار
ملاحظات ثبات و پایداری
چکیده نتایج
پس زدگی اختلال
پایداری در برابر نویزها و عدم قطعیت ها
نتیجه گیری
علامتگذاری ها

بخشی از ترجمه:

 ۱ مقدمه

ازراکتورهای تانک دائماً هم زده شده کاتالیزوری (CSTR) در سطح وسیع و گسترده به عنوان محکی برای تست سیستم های کنترل مختلف استفاده شده است. این سیستم ها دارای چند ورودی و چند خروجی بوده و تا حد زیادی غیر خطی می باشند. PID های خودتنظیم ، کنترلهای قدرتمند، سیستم های کنترل انطباقی شکل، و انواع و اقسام کنترلهای پیشگوی غیر خطی با موفقیت در خصوص این کلاس یا طبقه از سیستم های شیمیایی تست شده اند. CSTR همچنین معرف یک مثال بادوام برای کاربرد کنترلهای پیشگویی عصبی می باشد که زیرکلاسی از کنترلهای پیشگوی غیر خطی می باشند. به علاوه، ازکنترلرهای منطق فوزی در کنترل CSTR برای تولید مستقیم دستور یا فرمان کنترل یا کنترل سیر تصاعدی و توسعه فرمان استفاده شده است. یکی دیگر از اهداف کاربرد آن ارتقاء عملکرد می باشد؛ سایر اهداف حاصل شده به واسطه استفاده از سیستم های کنترل فوزی در CSTR عبارتنداز تضمین ثبات و پایداری و دفع و پس زدگی اختلال.
در این مقاله، ابتدا کنترل موفق CSTR غیر ترمی (غیر گرمایی) باتکنیک پیش گویی عصبی گزارش شده است. در این تست، برای کنترل غلظت دریچه خروجی تانک، دبی جرمی یکی از دو جریان ورودی تابع تعدیل می باشد هرچند این مسئله مثال خوبی برای کنترل پیشگویی عصبی به شمار می رود. برای کنترل دوفرمان (برای تعدیل و تنظیم دبی جرمی هر دو جریان ورودی) این تکنیک به صورت غیر موثر (از لحاظ عرضه عملکرد نادرست) و ناکارآمد ( از لحاظ نیاز به محاسبه سنگین) عمل نمود. سپس این مقاله سیستم کنترل ترکیبی را معرفی می کند که برای تعدیل همزمان دبی های جرمی هر دو جریان ورودی طراحی شده است. در سیستم کنترل معرفی شده، فرامین کنترل مجموعه فرمان کنترل گذرایی می باشند که نمو و افزایش با کنترلر منطق فوزی بر مبنای غیر مدل تولید شده و فرمان کنترل حالت پایدار تولید شده با قانون کنترل وابسته به نقطه مبدا. بالاخره، سیستم کنترل در محیط شبیه سازی تست گردید. به منظور کاربردی بودن نتایج در عمل، ثبات و پایداری ورودی به طور خاص بررسی شده است؛ یعنی، سیستم کنترل پیشنهاد شده برای کاهش تغییر ورودیهای کنترل و همچنین خطا طراحی شده است.

نتیجه گیری
بعد از نتایج ناامیدکننده استفاده از تکنیک پیشگویی عصبی در کنترل دو فرمان غلظت خروجی CSTR غیر خطی، سیستم کنترل ترکیبی در این تحقیق برای تنظیم همزمان جریانات ورودی CSTR غیر خطی طراحی گردید. هیبرید یا سیستم ترکیبی پیشنهاد شده شامل یک کنترلر فوزی بر مبنای خطای بدون مدل و بر مبنای مدل می شود، اما در برابر عدم قطعیت های مدل، قانون کنترل حالت پایدار بر مبنای غیر خطا، بسیار پایدار می باشد. کنترلر فوزی سیستم را به سمت مرجع سوق می دهد. در این جریان یک قاعده فوزی ( قاعده دامپر) عمداً به کنترلر فوزی برای کاهش تغییر مکرر ورودی کنترل و چترینگ خروجی اضافه شده است. کنترل حالت پایدار موقعیت مطلوب را حفظ می کند. ورودی برای قانون کنترل حالت پایدار مرجع( نقطه مبدا) و حالات قابل اندازه گیری سیستم می باشد که تابع کنترل نمی باشند ( در این مطالعه موردی ارتفاع). عملکرد، کارایی و ثبات ورودی حاصل شده با سیستم کنترل ترکیبی پیشنهادی ، بسیار بالاتر از کنترلرهای پیش گویی عصبی تک فرمانی است که قبلاً توسط مولفین طراحی شده و روشی موفق در این مطالعه موردی بوده اند. روش پیشنهادی از لحاظ محاسبات ناچیز و تغییر ورودی کنترل، با کاربرد حقیقی تناسب دارد. به علاوه، ثابت شده است که سیستم کنترل پیشنهادی BIBO ثابت و پایدار می باشد.

بخشی از مقاله انگلیسی:

INTRODUCTION

Catalytic continuous stirred tank reactors (CSTR)s have beenextensively used as a benchmark for testing different control systems.These systems are multi-input and multi-output and may behighly nonlinear. Self-tuning PIDs [1,2] robust controllers [3], adaptive-like control systems [4], and different kinds of nonlinear predictivecontrollers [5,6] have been successfully tested on this classof chemical systems. The CSTR is also known as an outstandingexample for the application of neuro-predictive controllers [7], whichare a sub-class of nonlinear predictive controllers. Moreover, fuzzylogic controllers are used in the control of CSTRs to generate eitherthe control command directly [8,9] or control command increments[10,11]. As well as improving the performance; other aims achievedby the application of fuzzy control systems on CSTRs are stabilityguarantee [8,12] and disturbance rejection [13,14].In this paper, at first, successful control of a non-thermic CSTRby neuro-predictive technique is reported. In this test, the flow massrate of one of two entering flows is subject to adjustment in orderto control outlet concentration of the tank Although, this problemis known as a good example for neuro-predictive control [7,15].This technique worked both ineffectively (in terms of offering improperperformance) and inefficiently (in terms of needing heavycomputation) when it was tried for double-command control (toadjust the mass rate of both inlet flows). This paper then presents ahybrid control system designed to adjust the flow rates of both enteringflows simultaneously. In the presented control system, the control commands are the sum of a transient control command whoseincrements are generated by a non-model-based fuzzy logic controllerand a steady state control command generated by a set-pointdependent control law. Finally, the control system was tested in simulation environment. In order that the results are applicable in practice,the “input constancy” is particularly addressed; that is, the proposedcontrol system is designed to reduce the change of controlinputs as well as the error.THE UTILIZED FUZZY INFERENCE SYSTEMIn this research, a non-weighted first-order Sugeno type fuzzyinference system, with AND connectors, is used as the fuzzy controller.A schematic of such a system is shown in Fig. 1. Each fuzzyrule includes two main parts: antecedent and consequent. Antecedentscontain linguistic (fuzzy) values with membership functions.A ‘membership function’ is a function which receives the crisp (numeric)value of a variable (e.g., 25 oC) and returns another numberin the range of [0,1], namely ‘membership grade’. As a result, ineach rule, the number of membership grades equals the number offuzzy values in the antecedent. All these membership grades (inthe range of 0 and 1) pass through a function, namely T-norm Theoutput of the T-norm is the fire strength of the rule:

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه