این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۱۱، شماره ۴، صفحات ۲۹-۴۰
عنوان فارسی طراحی کنترل‌کنندۀ PID تطبیقی با استفاده از الگوریتم تقریبات تصادفی انحرافات هم‌زمان و آموزش شبکۀ عصبی
چکیده فارسی مقاله در این مقاله، روش جدید طراحی کنترل‌کنندۀ داده‌محور[i]، با استفاده از الگوریتم تقریبات تصادفی انحرافات هم‌زمان[ii] (SPSA) و آموزش شبکۀ عصبی ارائه شده است. در روش پیشنهادی، الگوریتم تقریبات تصادفی انحرافات هم‌زمان با استفاده از آموزش شبکۀ عصبی، مقداردهی می‌شود که این امر باعث افزایش سرعت همگرایی و همچنین بهبود عملکرد الگوریتم در برابر تغییرات سیگنال مرجع می‌شود. در SPSA فرض بر این است که کنترل‌کننده دارای ساختاری ثابت است. پارامتر‌های این کنترل‌کننده به‌صورت برخط تخمین زده می‌شوند. در این مقاله، کنترل‌کننده به‌کاررفته، کنترل‌کنندۀ تناسبی، انتگرالی و مشتق‌گیر (PID) است. شبیه‌سازی‌های انجام‌شده روی پروسۀ توزیع اندازۀ ذرات سنگ‌زنی سیمان و کنترل زاویۀ پیچ هواپیما نشان‌دهندۀ مؤثربودن روش پیشنهادی در بهبود عملکرد سیستم است.[i] Data-Driven Controller (DDC)[ii] Simultaneous Perturbation Stochastic Approximation (SPSA)
کلیدواژه‌های فارسی مقاله کنترل‌کنندۀ داده‌محور، تقریبات تصادفی انحرافات هم‌زمان، PID کنترلر، کنترل‌کنندۀ برخط، شبکۀ عصبی پرسپترون،
عنوان انگلیسی Adaptive (PID) controller design using simultaneous perturbation stochastic approximation algorithm and neural network training
چکیده انگلیسی مقاله In this paper, a new method of data-driven controller (DDC) design using Simultaneous Perturbation Stochastic Approximation Algorithm (SPSA) and Neural Network (NN) training is presented. This method can be used to control a variety of linear and nonlinear systems. In the simultaneous perturbation stochastic approximation algorithm, the controller is assumed to have a fixed structure and its parameters must be estimated. In this paper, a Proportional, Integral, and Derivative controller (PID) is considered and the parameters that should be estimated by the proposed algorithm are proportional, integral and derivative terms of this controller. In the proposed method, the simultaneous perturbation stochastic approximation algorithm is quantified by using neural network training which increases the convergence speed and also improves the performance of the algorithm against system input changes. Simulations performed on cement grinding particle size distribution process and pitch angle control of aircraft show the high efficiency and potential of the proposed method.
کلیدواژه‌های انگلیسی مقاله کنترل‌کنندۀ داده‌محور, تقریبات تصادفی انحرافات هم‌زمان, PID کنترلر, کنترل‌کنندۀ برخط, شبکۀ عصبی پرسپترون
نویسندگان مقاله ماجد انجم شعاع |
دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی – دانشگاه شهید باهنر کرمان - کرمان - ایران

ملیحه مغفوری فرسنگی |
استاد، دانشکده فنی و مهندسی – دانشگاه شهید باهنر کرمان - کرمان - ایران

یاسین اسدی |
دانشجوی دکتری، دانشکده فنی و مهندسی – دانشگاه شهید باهنر کرمان - کرمان - ایران

محمد ملایی امامزاده |
استادیار، دانشکده فنی و مهندسی – دانشگاه شهید باهنر کرمان - کرمان - ایران

نشانی اینترنتی https://isee.ui.ac.ir/article_24725_c6b3e6d239a79f2da1c71fe5b551b756.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات