• بازدید : 136 views
  • بدون نظر
دانلود پروژه پایان نامه کارشناسی ارشد برق کنترل طراحي يك كنترل كننده پيش بين براي يك فرآيند صنعتي,پایان نامه کارشناسی ارشد برق,پروژه کارشناسی ارشد رشته برق,دانلود رایگان پروژه کارشناسی ارشد برق,دانلود رایگان پایان نامه word رشته برق,دانلود پایان نامه و پروژه pdf و word کارشناسی ارشد برق,خرید و فروش و انجام پایان نامه و پروژه کارشناسی ارشد برق,دانلود پروژه پایان نامه مهندسی ارشد رشته برق گرایش کنترل,پروژه و پایان نامه ارشد برق گرایش کنترل,دانلود تحقیق و مقاله کارشناسی ارشد مهندسی برق کنترل,دانلود پایان نامه درباره طراحي يك كنترل كننده پيش بين براي يك فرآيند صنعتي,دانلود پروپوزال کارشناسی ارشد رشته مهندسی برق گرایش کنترل,دانلود پروژه و پایان نامه آماده دانشجویی رشته برق کنترل


با سلام گرم خدمت تمام دانشجویان عزیز و گرامی . در این پست دانلود پروژه پایان نامه کارشناسی ارشد برق کنترل طراحي يك كنترل كننده پيش بين براي يك فرآيند صنعتي رو برای عزیزان دانشجوی رشته برق گرایش کنترل قرار دادیم . این پروژه پایان نامه در قالب ۱۴۱ صفحه به زبان فارسی میباشد . فرمت پایان نامه به صورت پی دی اف PDF هست و قیمت پایان نامه نیز با تخفیف ۵۰ درصدی فقط ۱۴ هزار تومان میباشد …

از این پروژه و پایان نامه آماده میتوانید در نگارش متن پایان نامه خودتون استفاده کرده و یک پایان نامه خوب رو تحویل استاد دهید .

توجه : برای خرید این پروژه و پایان نامه با فرمت تمام متنی word و قابل ویرایش با شماره ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید .

دانشگاه آزاد اسلامی
واحد تهران جنوب
دانشکده تحصیلات تکمیلی
پایان نامه جهت دریافت درجه کارشناسی ارشد
رشته برق – گرایش کنترل
عنوان پایان نامه: طراحي يك كنترل كننده پيش بين براي يك فرآيند صنعتي

فصل اول: كليات
-۱-۱ هدف ۱
-۲-۱ پيشينه تحقيق ۲
۲ Richalet -1-2-1 روش پيشنهادي
۳ Ramaker -2-2-1 روش پيشنهادي
-۳-۱ روش كار و تحقيق ۴
فصل دوم: مفاهيم اصلي كنترل پيشبين، روشها و كاربردها
-۱-۲ كنترل پيشبين بر پايه مدل خطي ۷
-۲-۲ اشاره اي بر ويژگي هاي كنترل پيش بين ۸
-۳-۲ روش كنترل پيشبين ۹
-۴-۲ اجزاي كنترل پيش بين ۱۱
-۱-۴-۲ مدل سيستم ۱۱
-۲-۴-۲ تابع هدف ۱۴
-۱-۲-۴-۲ كنترل پيش بين با چندين تابع هدف ۱۶
-۲-۲-۴-۲ روش هاي بهينه سازي تابع هدف ۱۷
-۳-۴-۲ محاسبه قانون كنترل ۱۷
۱۸ DMC -5-2 كنترل پيش بين
-۱-۵-۲ مدل پروسه و پيشبين ۱۸
-۲-۵-۲ محاسبه قانون كنترل ۲۰
-۳-۵-۲ مثال ۲۰
۲۴ MAC -6-2 كنترل پيش بين
-۱-۶-۲ مدل پروسه و پيشبين ۲۴
-۲-۶-۲ محاسبه قانون كنترل ۲۵
۲۷ PFC -7-2 كنترل پيش بين
-۱-۷-۲ مدل پروسه و پيشبين ۲۷
-۲-۷-۲ محاسبه قانون كنترل ۲۹
۳۰ GPC -8-2 كنترل پيش بين تعميم يافته
۳۱ GPC -1-8-2 اصول روش
جهت يك سيستم ساده ۳۵ GPC -2-8-2 طراحي كنترل كننده
-۹-۲ كنترل پيشبين با حضور قيد ۳۷
-۱-۹-۲ قيد بر روي عملگر ۳۸
-۲-۹-۲ قيد برروي ورودي و خروجي سيستم ۳۸
-۳-۹-۲ قيد محدوده ۳۸
-۴-۹-۲ قيد فراجهش ۳۹
-۵-۹-۲ رفتار يكنواخت ۳۹
-۶-۹-۲ رفتار غير مينيمم فاز ۴۰
-۷-۹-۲ غير خطي بودن عملگر ۴۰
فصل سوم: كنترل پيشبين با استفاده از شبكههاي عصبي
-۱-۳ كنترل پيشبين غير خطي ۴۲
-۲-۳ كنترل پيشبين بر پايه شبكه عصبي ۴۳
-۳-۳ الگوريتمي كارآمد جهت كاهش محاسبات در طراحي كنترل كننده پيشبين غيرخطي ۴۵
.. (BP) -4-3 شبكه هاي پس انتشار خطا
۴۹ (NNPC ) -5-3 كنترل پيش بين با استفاده از شبكه هاي عصبي
-۶-۳ كاربرد روش ارائه شده براي كنترل دما در يك مبدل حرارتي ۵۳
-۱-۶-۳ معرفي مبدل حرارتي ۵۳
براي مبدل حرارتي مفروض ۵۴ MLP -2-6-3 طراحي كنترل كننده پيش بين به روش
-۷-۳ كاربرد روش ارائه شده براي يك مدل گسسته غير خطي ۵۹
-۸-۳ كاربرد روش ارائه شده براي يك روبات ۶۰
فصل چهارم: كنترل پيشبين با استفاده از شبكههاي فازي- عصبي خطي محلي
-۱-۴ كنترل پيشبين براساس مدل خطي محلي ۶۴
-۲-۴ شبكه مدلهاي محلي ۶۴
۶۵ LOLIMOT -1-2-4 ايده اصلي
-۳-۴ تخمين پارامترها ۶۷
-۱-۳-۴ تخمين كلي ۶۷
-۲-۳-۴ تخمين محلي ۶۸
۷۰ (LOLIMOT -4-4 تعيين ساختار (الگوريتم
-۵-۴ طراحي كنترل كننده پيش بين بر پايه مدل نورو فازي محلي ۷۲
-۶-۴ شناسائي روي خط پارامترهاي پيش بين ۷۴
در كنت رل LOLIMOT -7-4 استفاده از شبكه هاي فازي عصبي با ياد گيري توسط الگوريتم
پيش بين ۷۵
-۸-۴ كاربرد روش ارائه شده در يك مبدل حرارتي نمونه ۷۶
-۹-۴ كاربرد روش ارائه شده در يك مدل گسسته غير خطي ۸۰
فصل پنجم: كنترل پيشبين غير خطي براساس تئوري خطيسازي با پسخور
-۱-۵ مقدمه ۸۴
-۲-۵ توصيف صورت مساله ۸۵
-۳-۵ مراحل طراحي ۸۵
-۴-۵ كمينه سازي معيار عملكرد ۸۷
-۵-۵ طراحي كنترل كننده پيش بين بر پايه روش فوق براي يك روبات و مقايسه آن با روش
۸۹ MLP
فصل ششم: نتيجه گيري و پيشنهادها
نتيجه گيري ۱۰۱
پيشنهادات ۱۰۴
منابع و مأخذ
فهرست منابع فارسي ۱۰۵
فهرست منابع غير فارسي ۱۰۶
فهرست نامها ۱۱۲
فهرست جداول
عنوان صفحه
و شبكه فازي عصبي MLP 1-4 . جدول: مقايسه روش هاي كنترل پيش بين بر اساس مدل هاي شبكه عصبي
براي مبدل حرارتي مذكور ۸۰ LOLIMOT
و شبكه فازي عصبي MLP 2-4 . جدول: مقايسه روش هاي كنترل پيش بين بر اساس مدل هاي شبكه عصبي
براي سيستم مذكور ۸۲ LOLIMOT
۱-۵ .جدول: مقايسه مقادير مربعات خطا، بيشترين بالا زدگي و زمان استقرار بين روش بر اساس شبكه عصبي
و روش خطي سازي با پسخور در دو حالت ۹۹ MLP
فهرست شكل ها
عنوان صفحه
۱-۲ . شكل: عمل انجام شده در كنترل پيشبين ۸
۲-۲ . شكل: روش كنترل پي شبين ۱۰
۳-۲ . شكل: ايده اصلي كنترل پيش بين ۱۱
۴-۲ . شكل: مسير مرجع ۱۵
۲۲ . = و ۰٫۷ . = و ۰ . = با ۰٫۱ DMC 5-2 . شكل: كنترلر
۲۳ . = و ۰٫۷ . = و ۰ . = با ۱ DMC 6-2 . شكل: كنترلر
۷-۲ . شكل: رديابي ۲۶
۸-۲ . شكل: نقاط انطباق ۲۹
۳۴ GPC 9-2 . شكل: عملكرد سيستم كنترل به روش
۳۶ GPC 10-2 . شكل: كنترل كننده
۴۷ BP 1-3 . شكل: ساختار يك شبكه با آموزش
۵۰ NNPC 3-2 . شكل: شماتيك
۳-۳ . شكل: شماتيك مبدل حرارتي نمونه ۵۳
۴-۳ . شكل: ورودي مرجع و رديابي ۵۴
۵-۳ . شكل: سيگنال كنترل ۵۴
۶-۳ . شكل: عملكرد ۵۵
۷-۳ . شكل: نتايج آموزش شبكه عصبي با استفاده از داده هاي آموزش ۵۶
۸-۳ . شكل: نتايج تست شبكه عصبي با استفاده از داده هاي تست ۵۷
۹-۳ . شكل: نتايج اعتبار شبكه عصبي با استفاده از داده هاي اعتبار ۵۸
۱۰-۳ . شكل: ورودي مرجع و رديابي ۶۰
۱۱-۳ . شكل: سيگنال كنترل ۶۰
۱۲-۳ . شكل: ورودي مرجع و رديابي ۶۱
۱۳-۳ . شكل: سيگنال كنترل ۶۲
۱-۴ . شكل: نماي كلي از شبكه نروفازي خطي محلي ۶۶
ادامه يافته است ۷۱ M= براي يك سيستم با دو ورودي كه تا ۴ LOLIMOT 2-4 . شكل: الگوريتم
۷۶ LOLIMOT 3-4 . شكل:كنترل پيش بين با استفاده از شبكه نوروفازي خطي محلي با الگوريتم يادگيري
۴-۴ . شكل:داده هاي ورودي و خروجي ۷۷
۵-۴ . شكل: ورودي مرجع و رديابي ۷۷
۶-۴ . شكل: سيگنال كنترل ۷۸
۷-۴ . شكل: پيش بيني كننده ۱ و ۲ گام به جلو ۷۸
۸-۴ . شكل: ورودي مرجع و رديابي ۸۰
۹-۴ . شكل: سيگنال كنترل ۸۱
۱۰-۴ . شكل: پيش بيني كننده ۱ و ۲ گام به جلو ۸۱
بكارگيري پسخور خطي ساز ۸۵ GPC 1- . طراحي كنترل كننده پيش بين براساس ۵
۲-۵ . شكل: روبات ۹۱
۳-۵ . شكل: روبات خطي شده ۹۲
به روبات ۹۲ GPC 4-5 . شكل: اعمال
۵-۵ . شكل: سيگنال كنترل نهايي ۹۳
۹۴ GPC 6-5 . شكل: سيگنال كنترل
۷-۵ . شكل: ورودي مرجع ورديابي ۹۴
۹۵ ۸-۵ . شكل: حالت ۱و ۲
۹۵ ۹-۵ . شكل: حالت ۳و ۴
۱۰-۵ . شكل: سيگنال كنترل نهايي ۹۶
۹۷ GPC 11-5 . شكل: سيگنال كنترل
۱۲-۵ . شكل: ورودي مرجع ورديابي ۹۷
۹۸ ۱۳-۵ . شكل: حالت ۱و ۲
۹۸ ۱۴-۵ . شكل: حالت ۳و ۴
چكيده
كنترل پيش بين يكي از كنترل كننده هاي بسيار رايج در تئوري و عمل مي باشد .
گزارشهاي متعددي از عملكرد موفقيت آميز اين روش در كاربردهاي مختلف كنترلي ارائه شده
است. اين كنترل كننده در واقع مجموعه اي از روش هايي است كه با استفاده از مدلي از فرآيند و با
داشتن اطلاعات مربوط به ورودي ها و خروجي هاي فرآيند، سيگنال مناسب كنترلي جهت بهينه –
سازي تابع هدف را محاسبه مينمايد. در كنترل پيشبين دو بخش اصلي وجود دارد:
-۱ استفاده از مدلي براي پيشبيني رفتار آينده خروجي سيستم
-۲ بكاربردن روشي براي كمينه كردن تابع هدف براي بدست آوردن سيگنال ورودي مطلوب.
از مشخصه هاي بسيار مهم كنترل پيش بين پيادهسازي آن در حوزه زمان است و مي توان
قيدهايي را بصورت نامساوي ها بر سيستم اعمال نمود . از اين خاصيت به خصوص در تعريف تابع
هدف استفاده بسياري مي نماييم زيرا در بسياري از مواقع هدف تنها دنبال كردن يك سيگنال خاص
نيست كه به عنوان مثال مي توان از حفظ كيفيت با حداقل هزينه نام برد . در اين رساله به بررسي
مفاهيم و مباني كنترل پيش بين خواهيم پرداخت و به اهميت و انواع قيود نيز اشاره اي مي نماييم و
نيز انواعي از كنترل كننده هاي پيش بين خطي را مورد بررسي قرار مي دهيم وجهت نشان دادن
قابليت هاي آن، به ذكردو مثال با شبيه سازي خواهيم پرداخت.
چنانچه مي دانيم اكثر سيستم هايي كه با آنها مواجه هستيم، سيستم هاي غير خطي هستند و
اگر چنانچه از روشهاي كنترل پيش بين خطي براي آنها استفاده نماييم، خطاي بسيار زيادي ايجاد
ميگردد بطوريكه ممكن است حتي سيستم حلقه بسته ناپايدار گردد . بدين دليل ناگزير از استفاده
از روشهاي كنترل پي شبين غير خطي هستيم . از نظر مفاهيم اصلي كنترلي تفاوتي بين كنترل
پيشبين با استفاده از مدلهاي خطي و غير خطي موجود نيست . با اين حال اگر از مدلهاي غير
خطي استفاده كنيم، نياز به شناسايي سيستم هاي غير خطي براي دستيابي به مدلهاي غير خطي
دقيق براي پروسه داريم و نيز حل مسأله كنترل پيش بين مشكل خواهد بود و در بهينه سازي تابع
هدف براي محاسبه سيگنال كنترل هم به دليل عدم وجود قانونهاي موثر براي بررسي پايداري
سيستم مشكل خواهيم داشت . با توجه به موارد فوق استفاده از روشهاي هوشمند مي تواند موثر
باشد و ما در اين رساله از ر وشهاي هوشمند براساس شبكه هاي عصبي و فازي – عصبي براي
مدلسازي براي پيش بيني رفتار آينده سيستم استفاده مي نماييم . در اين رساله به اصول طراحي
۱ و شبكه هاي فازي – عصبي خطي MLP كنترل كننده هاي پيش بين براساس شبكه هاي عصبي
۲ و نيز كنترل پيشبين غير خطي براساس تئوري خطي سازي با پسخور مي LOLIMOT محلي
پردازيم و براي بررسي عملكرد كنترل كننده هاي طراحي شده، سه پروسه را مدنظر قرار مي دهيم .
پروسه اول يك مدل گسسته غير خطي است كه براي آن به طراحي كنترل كننده پيش بين به
مي پردازيم و در پروسه دوم هم كه مربو ط به يك مبدل MLP و روش LOLIMOT روش
MLP حرارتي، براساس اطلاعات ورودي و خروجي است، كنترل كننده پيشبين براساس
طراحي مي نماييم ومتوجه عملكرد نسبتا بهتر كنترل كننده پيش بين با LOLIMOT و
خواهيم شد . در پروسه سوم يك روبات را در نظر مي گيريم و MLP نسبت به LOLIMOT
انجام MLP طراحي كنترل كننده پيش بين براي آن را طبق روش خطي سازي با فيدبك و روش
مي دهيم و به اين مساله پي خواهيم برد كه كنترل كننده پيش بين بر اساس روش خطي سازي با
عمل مي نمايد. MLP پسخور بهتر از روش
۱ Multilayer Perceptron
۲ Local Linear Model Tree
مقدمه
كنترل پيشبين در دهه هاي گذشته بسيار موفق بوده است . روش كنترل پيش بي ن مبتني
بر مدل سيستم است كه در آن مدلي از سيستم بطور صريح براي طراحي كنترل كننده مورد
استفاده قرار مي گيرد . در كنترل پيش بين به علت احتياج به پيش بيني سيگنال به يك مدل خوب
احتياج داريم اما انتخاب مدل پيچيده هم باعث دقيق شدن پيش بيني سيگنال آينده مي شود و ه م
باعث پيچيده شدن كمينه كردن تابع هزينه مي گردد ، بنابراين بايد بين اين دو يك مصالحه اي
برقرار شود.
مشخصه بسيار جالب آن در پياده سازي آن در حوزه زمان مي باشد و نيز مي توان
قيدهايي را بصورت نامساويها به سيستم كنترلي اعمال نمود . در طراحي كنترل كننده پيش ب ين
نمي توان سيگنالها را نامحدود در نظر گرفت چرا كه بطور مثال عمل كننده ها تا يك حد مشخصي
مي توانند دامنه سيگنال كنترل و يا تغييرات آنرا تحمل نمايند بطور مثال شيرهاي كنترلي حد
كاملاً باز يا بسته خواهند داشت و نيز نرخ افزايش جريان در آنها داراي محدوديت است و به اين
ترتيب هدف كنترلي عبارت خواهد بود از نگاه داشتن خروجي فرآيند در نزديكي نقطه مورد نظر در
شرايطي كه متغيرهاي جانبي ديگر از محدوده هاي تعريف شده خارج نشوند . از جمله محدوديتهاي
موجود در سيستم هاي كنترل مي توان علاوه بر موارد فوق از اشباع ورودي، محدوديت درسرعت و
جهت چرخش موتورها و مشخصات عملكردي و ايمني نام برد . در مورد اخير بطور مثال ممكن است
هدف، جابه جايي قطعه اي از يك نقطه به نقطه اي ديگر در حداقل زمان باشد به گونه اي كه در بين
راه به مانع خاصي برخورد ننمايد و يا اينكه بخواهيم خروجي يك برج تقطير را به حداكثر برسانيم
بدون آنكه دما يا فشار گاز از حد مجازي بيشتر گردد به اين ترتيب ممكن است قيدها برخروجي و
يا حتي به متغيرهاي وابسته ديگري اعمال شود . اين نوع كنترل كه در آن مقصود به صورت چند
هدف متمايز است كه بايد بين آنها حد ميانه اي انتخاب شود را نمي توان بص ورت يك سيستم خطي
بيان نمود . در حاليكه كنترل پيش بين با يك قالب غير خطي به ما اين امكان را ميدهد كه با اين
سيستمها به راحتي برخورد نماييم . بسياري از سيستم هايي كه با آنها سروكار داريم سيستم هايي
غير خطي هستند با وجود اين در خيلي اوقات سيستم غير خطي حول نقطه اي پايدار در حال
عملكرد است و بنابراين براي آن مي توان يك مدل خطي در نظر گرفت امااين موضوع هميشگي
نيست يعني هميشه نمي توان براي سيستم غير خطي، مدلي خطي در نظر گرفت . مثلا بعضي از
سيستمها عموماً در حالت گذرا عمل مي نمايند و داراي نقطه كار پايدار نمي باشند و بنابراين نمي
توان مدل خطي براي آن در نظر گرفت . بنابراين استفاده از كنترل كننده هاي غير خطي به منظور
بهبود عملكرد سيستم اجتناب ناپذير است كه البته اين كار با مشكلاتي رو به رو است كه ازآ ن
جمله مي توان به ضعف روشهاي شناسايي سيستم هاي غير خطي، پيچيدگي و حجم محاسبات در
حل مساله كنترل پيش بين غير خطي، عدم پايداري و مقاومت نتايج حاصله از سيستم هاي خطي
جهت سيستم هاي غير خطي و اينكه در بهينه سازي تابع هدف ممكن است پاسخ، پاسخ بهينه
محلي باشد، اشاره نمود.
به دلايل بسيار زياد ناگزير از استفاده از سيستم هاي هوشمند همچون (سيستم هاي فازي،
عصبي، فازي – عصبي و …) در طراحي انواع كنترل كننده ها به عنوان ابزار مدل سازي پروسه و براي
پيشبيني خروجي آينده هستيم كه در اين تحقيق با استفاده از شبكه هاي عصبي و فازي -عصبي
مختلف، مدل مناسبي براي پيش بيني عملكرد سيستم ارائه شده و کنترل كننده پيش بين بر اساس
آنها به سيستم اعمال خواهد گرديد.
۳ فعاليت ميكنند، اشارهاي داريم: MPC در خاتمه به اسامي برخي شركتهايي كه در رابطه با
۱- DMC Corp: Dynamic Matrix Control
۲- Adersa: Predictive Functional Control
۳- Honey well profimatics: Robust Model MLP
۴- SCAP Europe: Adaptive Control System (APCS).
۵- Toeiber Control: Optimum predictive Control (OPC)
۶- Set point InC: Multivariable Predictive Control
۳ Model Predictive Control


راهنمای خرید فایل از سایت :
برای خرید فایل روی دکمه سبز رنگ (خرید و دانلود) کلیک کنید سپس در فیلدهای خالی آدرس ایمیل و سایر اطلاعات خودتون رو بنویسید سپس دکمه ادامه خرید رو کلیک کنید . در این مرحله به صورت آنلاین به بانک متصل خواهید شد و پس از وارد کردن اطلاعات بانک از قبیل شماره کارت و پسورد خرید فایل را انجام خواهد شد . تمام این مراحل به صورت کاملا امن انجام میشود در صورت بروز مشکل با شماره موبایل ۰۹۳۳۹۶۴۱۷۰۲ تماس بگیرید و یا به ایمیل info.sitetafrihi@gmail.com پیام بفرستید .


عتیقه زیرخاکی گنج