انجام پروژه کنترل عصبی-PID تطبیقی برای سیستم‌های کنترل غیرخطی پیچیده

انجام پروژه کنترل عصبی-PID تطبیقی برای سیستم‌های کنترل غیرخطی پیچیده

در این قسمت شبیه سازی یک مقاله شبکه عصبی-PID تطبیقی با عنوان An adaptive PID neural network for complex nonlinear system control با نرم افزار متلب انجام شده است.

در حالت کلی، حل مسئله کنترلی یک سیستم غیرخطی پیچیده بسیار دشوار می‌باشد. در این مقاله یک روش کنترلی موثر بر مبنای شبکه عصبی PID تطبیقی و روش الگوریتم تجمعی ذرات PSO ارائه شده است. از الگوریتم PSO به منظور تعیین شرایط اولیه شبکه عصبی برای بهبود سرعت همگرایی و جلوگیری از گیر افتادن وزن‌ها در نقاط بهینه محلی استفاده می‌شود. برای تطبیق پارامترهای نامعین و متغیر در سیستم کنترلی،یک روش گرادیان بازگشتی بهبود یافته به منظور تطبیق پارامترهای شبکه عصبی ارائه شده است. پایداری روش کنترلی ارائه شده به وسیله روش لیاپانف مورد بررسی قرار گرفته است. دیاگرام کنترلی کلی در شکل زیر نشان داده شده است.

بلوک دیاگرام کنترلی عصبی PID تطبیقی

در این سیستم X بردار هدف، E بردار خطا، Y بردار خروجی و U قانون کنترلی می‌باشد. الگوریتم کنترلی این سیستم بصورت زیر می‌باشد.

1- وارد کردن بردار هدف سیستم کنترل شده در کنترل کننده

2- دادن وزن‌های اولیه شبکه عصبی-PID به وسیله الگوریتم PSO

3- استفاده از شبکه عصبی-PID برای کنترل سیستم

4- فیدبک گرفتن از خروجی سیستم کنترل

5- تنظیم کردن پارامترهای شبکه عصبی PID با استفاده از روش گرادیان کاهشی بهبود یافته

6- اگر خطای کنترلی در محدوده مجاز بود الگوریتم پایان می‌یابد، در غیر اینصورت به مرحله 3 برگرد

در این شبیه سازی از سیستم شبکه عصبی مصنوعی با ساختار زیر استفاده شده است.

شبکه عصبی مصنوعی ANN

ساختار به شبکه عصبی استفاده شده به این صورت است که در لایه اول 6 نرون ، در لایه دوم 9 نرون و درلایه آخر 3 نرون استفاده شده است. این شبکه از سه زیر شبکه تناسبی، انتگرالی و مشتقی تشکیل شده که در نهایت در لایه آخر با هم دیگر ادغام می­شوند. در لایه اول خروجی مطلوب و خروجی سیستم به عنوان ورودی به شبکه وارد می­شوند. در لایه دوم سه نرون اول، جهارم و هفتم، نقشی مشابه قسمت تناسبی در کنترل کننده PID را دارند، زیرا خروجی این سه نرون  ترکیب خطی از دو نرون لایه قبل است. سه نرون 2، 5 و 8 نقشی مشابه قسمت انتگرالی در PID را دارند زیرا خروجی این سه نرون از ضریبی از مقدار فعلی خروجی لایه اول و مقدار قبلی همین نرون­ها تشکیل شده است، در نتیجه مثل یه انتگراگیر عمل می­کند. سه نرون 3 ، 6 و 9 نیز نقشی مشابه قسمت مشتقی در PID دارند زیرا خروجی این سه نرون تفاضل مقدار فعلی و مقدار قبلی نرون های لایه اول است. لایه سوم نیز ترکیبی خطی از تمام نرون های لایه دوم است.شبیه سازی با شرایط اولیه رندم و با اصلاح به روش گرادیان نزولی و الگوریتم پس انتشار خطا انجام شده است و خروجی‌ها مطابق شکل زیر بدست آمده‌اند.

مشاهده می‌شود که خروجی‌ها به مقدار نهایی رسیده اند اما پاسخ سیستم مقداری کند است. در حالت بعدی مقادیر وزن‌های شبکه عصبی با روش PSO انتخاب شده‌اند اما مقدار آن‌ها ثابت است. در این حالت خروجی‌ها مطابق شکل زیر بدست آمده‌اند. 

در این حالت پاسخ سیستم بسیار سریع است اما پاسخ نهایی سیستم با مقادیر مطلوب فاصله دارند و خطای حالت ماندگار صفر نشده است. برای حل این مشکل وزن‌ها با استفاده از روش گرادیان نزولی تطبیق داده شده و تنظیم می‌شوند. در این حالت نتایج بصورت زیر هستند.

مشاهده می‌شود که در این حالت هم سرعت رسیدن به پاسخ نهایی بهبود یافته و هم خطای حالت ماندگار صفر شده است. 

جهت سفارش انجام پایان نامه کنترل، انجام پروژه شبکه عصبی، انجام پروژه کنترل تطبیقی و PID با گروه مشاورین ولتا در تماس باشید.

voltamoshaver@gmail.com

09374305423


مطالب مرتبط...

هیچ نظری تا کنون برای این مطلب ارسال نشده است، اولین نفر باشید...

ابزار وبمستر

ابزار وبمستر