این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک امیرکبیر، جلد ۵۶، شماره ۳ (در حال تکمیل)، صفحات ۱-۱
عنوان فارسی تشخیص خطا با استفاده از شبکه عصبی در روتور تمایل یابنده
چکیده فارسی مقاله خطاهای سیستم که معمولاً منجر به تغییر در پارامترهای حیاتی سیستم یا حتی دینامیک سیستم می‌شود، ممکن است منجر به کاهش عملکرد و شرایط عملیاتی ناایمن شود. تشخیص خطا نقش مهمی در تضمین ایمنی و قابلیت اطمینان سیستم برای وسایل نقلیه هوایی بدون سرنشین ایفا می‌کند. شبکه‌های عصبی مصنوعی پتانسیل خوبی برای تشخیص و جدا‌سازی خطا در فرایندهای پیچیده را دارند. در این مقاله یک مشاهده‌گر مبتنی بر شبکه عصبی تطبیقی ارائه شده است که در این مطالعه، شبکه عصبی تطبیقی به‌عنوان یک سیستم یادگیری هوشمند برای تشخیص و جداسازی خطای حسگر و عملگر در یک مدل دینامیکی غیرخطی وسیله نقلیه هوایی بدون سرنشین طراحی شده است. به دلیل غیرخطی‌بودن سیستم، پارامترهای وزن شبکه عصبی با استفاده از کالمن فیلتر توسعه‌یافته به‌روز می‌شوند که این کار باعث افزایش نرخ همگرایی شبکه عصبی می‌شود. مجموعه‌ای از خطاهای ناگهانی و متناوب برای ارزیابی روش به یک مدل دینامیکی غیرخطی مالتی روتور تمایل یابنده اعمال می‌شود. به دلیل نرخ بالای بروزرسانی وزن‌های شبکه عصبی، روش پیشنهادی قادر است خطاهای ناگهانی و متناوب را بادقت و سرعت مناسب تشخیص دهد. نتایج شبیه‌سازی عددی نیز برای نشان‌دادن عملکرد روش پیشنهادی آورده شده است که نشان از عملکرد مناسب این طراحی دارد.
کلیدواژه‌های فارسی مقاله تشخیص خطا، روتور تمایل یابنده، شبکه عصبی تطبیقی، کالمن فیلتر توسعه یافته، سیستم غیر خطی،
عنوان انگلیسی Fault detection using neural network for tilting rotor
چکیده انگلیسی مقاله System faults, usually lead to changes in critical system parameters or even system dynamics, may lead to reduced performance and unsafe operating conditions. Fault detection plays an important role in ensuring system safety and reliability for unmanned aerial vehicles. Artificial neural networks have a good potential to detect and isolate errors in complex processes. In this paper, an observer based on adaptive neural network is presented. In this study, the adaptive neural network is designed as an intelligent learning system to detect and isolate sensor and actuator error in a nonlinear dynamic model of an unmanned aerial vehicle. Due to the nonlinearity of the system, the weighting parameters of the neural network are updated using the extended Kalman filter, which increases the convergence rate of the neural network. A set of sudden and intermittent faults is applied to a nonlinear dynamic model of a tilting multirotor to evaluate the method. Due to the high rate of updating the neural network weightings, the proposed method is able to detect sudden and intermittent faults with appropriate accuracy and speed. Numerical simulation results are also given to show the performance of the proposed method. which shows the proper performance of this design.
کلیدواژه‌های انگلیسی مقاله تشخیص خطا, روتور تمایل یابنده, شبکه عصبی تطبیقی, کالمن فیلتر توسعه یافته, سیستم غیر خطی
نویسندگان مقاله علیرضا یعقوبی |
دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، ایران

محسن محمدی |
دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، ایران

نشانی اینترنتی https://mej.aut.ac.ir/article_5481_d9b70844ae31315300215b1181dc3cd1.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