کنترل کننده های R2R (Rum-to-Rum) مجموعه ای از تکنیک های آماری و مهندسی کنترل فرایند می باشند، که اخیرا در صنایع مختلف نظیر نیمه هادی ها و ساخت قطعات اپتیک کاربرد فراوان یافته اند. کنترل کننده R2R بر پایه رویه میانگین متحرک موزون نمایی، یکی از مهم ترین این نوع کنترل کننده ها می باشند. در این کنترل کننده از روش تنظیم ورودی فرایند بر اساس اختلاف نتایج حاصل از یک مدل خطی پیش بینی کننده و خروجی واقعی فرایند در هر مرحله، استفاده می گردد. در اکثر مقالات موجود، در زمینه هزینه تنظیم های متعدد ورودی هیچ گونه بحثی نشده است، در حالی که این نوع کنترل، باعث به وجود آمدن هزنه هایی از قبیل تغییر در موجودی، اضافه کاری و دیگر هزینه های می شود.در این مقاله، این ایده مطرح شده است که ابتدا خروجی هر مرحله با استفاده از نمودارهای کنترل باقیمانده کنترل گردد و در صورت وجود حالت خارج از کنترل، تنظیم فرایند صورت گیرد، تا به این وسیله از تنظیم های جزئی متعدد در هر مرحله جلوگیری گردد.در این مقاله با در نظر گرفتن پارامترهای هزینه ای مطرح در تنظیم فرایند و نمودار کنترلی باقیمانده،یک مدل اقتصادی به منظور طراحی بهینه رویه ترکیبی R2R و نمودار کنترل باقیمانده توسعه داده شده است.

آگاهی از هزینه های کیفیت به کارشناسان در طراحی بهینه کننده های Run-to-Run (R2R) به منظور بهبود کیفیت فرایندهای تولیدی کمک موثری می کند. این آگاهی در جهت کاهش تعداد اشتباهات و خطاها در مورد هزینه های مربوط به این نوع کنترل کننده ها مورد استفاده قرار می گیرد. در این مقاله بر اساس مدل فرایندی هزینه های کیفیت، هزینه های تطابق و عدم تطابق برای فرایندی که کنترل کننده های R2R را استفاده می کند، محاسبه می شود. سپس با استفاده ار یک مدل ریاضی، پارامتر وزنی رویه میانگین متحرک موزون نمایی (EWMA) را کنترل کننده های R2R استفاده می شود به صورت بهینه طوری به دست می آید که مجموع هزینه های کیفیت حداقل شود. پارامتر وزنی رویه EWMA، نقش اساسی در عملکرد کنترل کننده R2R و در نتیجه کاهش هزینه های کیفیت دارد. در پایان یک مطالعه موردی در صنعت اپتیک به منظور بررسی و تشریح نتایج مدل، آمده است.

هدف از این مقاله تحلیل درآمدهای نفتی و مالیاتی در اقتصاد ایران است. بدین منظور، با استفاده از رویکرد تعادل عمومی پویای تصادفی، یک الگو برای اقتصاد صادرکننده نفت شبیه سازی گردید. در بخش منابع درآمدی دولت، سعی شد تا با وارد کردن درآمدهای نفتی و مالیاتی در مدل، وجود راهکارهای لازم جهت برطرف کردن خلاء های موجود در ساختار نظام مالیاتی مورد بررسی قرار گیرد. تخمین پارامترهای مدل بر اساس روش بیزین و با استفاده از نرم افزار داینر (Dynare) تحت نرم افزار متلب (MATLAB) بر اساس روش مونت کارلو با زنجیره مارکوف در قالب الگوریتم متروپلیس-هستینگز و با استفاده از داده های تعدیل فصلی دوره زمانی 96-1368 انجام گرفت. به منظور تحلیل شوک، دو سناریو طراحی شد. در سناریو اول، فرض شد که دولت درآمد نفتی دارد و تمامی درآمدهای نفتی توسط دولت خرج می شود و دولت اتکایی به درآمد مالیاتی ندارد. در سناریو دوم، فرض می شود که 40 درصد از درآمدهای نفتی دولت به صندوق توسعه تزریق شده و درصدی از آن به عنوان تسهیلات به بخش های تولیدی تخصیص پیدا کرده و دولت با اتکا بیشتر به انواع درآمدهای مالیاتی هزینه های خود را تأمین می کند. نتایج بیانگر این می باشد که شوک مالیاتی و نفتی، یعنی کاهش وابستگی به نفت و اتکا به درآمدهای مالیاتی در کوتاه مدت تأثیر منفی بر متغیرهای کلان اقتصادی دارد اما در بلند مدت، با افزایش درآمدهای مالیاتی میزان تولید و به تبع آن، سرمایه گذاری، مصرف، اشتغال در اقتصاد افزایش یافته است.

در این مقاله شبکه عصبی مصنوعی (ANN) Artificial Neural Network بر اساس کنترل کننده تحریک فازی (FPSS) Fuzzy Power System Stabilizer ارایه می گردد. کنترل کننده ANN بر اساس کنترل کننده FPSS فواید کنترل کننده فازی از جمله مستقل بودن از شناسایی مدل و پاسخ سریع ANN را ادغام کرده و نوع جدیدی از PSS را ارایه می دهد. ANN انتخابی از نوع شبکه پیوند دهنده تابعی Functional Link Net (FLN) می باشد. FLN یک شبکه عصبی تک لایه است که آقای Pao در سال 1989 آن را معرفی نمود. روش آموزش به کار رفته Delta-Rule می باشد. ANN بر اساس الگوهای مختلف تولید شده توسط کنترل کننده FPSS به ازای بارهای متفاوت آموزش داده می شود. آموزش تا جایی صورت می گیرد که خطای موثر به کمتر از مقدار معینی برسد. نتایج حاصله نشانگر آن است که ANN ارایه شده بر اساس FPSS میرایی خوبی را در بازه وسیعی از عمل‍کرد سیستم قدرت فراهم آورده و در ضمن کنترل هموارتری بر روی متغیرهای سیستم داشته و در نهایت عمل‍کرد دینامیکی سیستم را به طور قابل ملاحظه ای بهبود می بخشد.

شناسایی و بررسی موقعیت های جغرافیایی و اقلیمی مختلف جهت تحقیقات علمی و مطالعات راهبردی جزء اهم مسایل شناسایی در کشورها می باشد. امروزه استفاده از هواپیماهای بدون سرنشین به دلیل قابلیت های نفوذ، ایمنی و عملکرد بالایی که دارند؛ در بسیاری از کشورها کاربرد گسترده ای یافته اند. عملکرد درست و دقیق هواپیماهای بدون سرنشین باعث دریافت صحیح و به موقع داده ها و در نتیجه دستیابی به اطلاعات مورد نیاز می باشد. لذا، داشتن یک سامانه کنترلی مناسب و بی نقص برای کنترل هواپیماهای بدون سرنشین از اهمیت بالایی برخوردار است. در این مقاله با استفاده از الگوریتم ژنتیک جهت تنظیم کنترلکننده فازی سعی شده است یک کنترل کننده هوشمند جهت کنترل مسیر هواپیماهای بدون سرنشین در شرایط مختلف مسیر ارائه گردد، به نحوی که سامانه حالت پرواز بهینه را داشته باشد. در این روش ابتدا با استفاده از تئوری الگوریتم ژنتیک پارامترهای توابع عضویت و قوانین فازی جهت کنترل پرواز هواپیما در طول مسیر طراحی شوند که درنتیجه باعث پایین آمدن حداکثر جهش و همچنین، خطای حالت ماندگار سامانه می شود. در ادامه، با ارائه یک مدل خطی از هواپیمای بدون سرنشین و شبیه سازی آن، عملکرد درست روش مذکور مورد بررسی قرار گرفته و با روش های رایج مقایسه و نتایج ارائه گردیده اند.

کنترل توان اکتیو عبوری از خطوط انتقال به خصوص در شرایط تراکم یا وقوع خطا یکی از مهم ترین مسایل پیش رو در کنترل و مدیریت صحیح سیستم های قدرت است. در این شرایط برای کنترل پیوسته و به خصوص افزایش توان انتقالی، عمدتا از خازن سری کنترل شونده با تریستور (TCSC) استفاده می شود که در واقع به علت قابلیت سریع کنترل تریستورها و توانایی در پایدار نگه داشتن سیستم حین بروز خطاهای متفاوت می باشد. در این مقاله به کنترل توان اکتیو انتقالی در محدوده تقریبا 10 مگاواتی به کمک TCSCپرداخته شده است. برای کنترل زاویه آتش TCSC از کنترل کننده های مختلف اعم از کنترل کننده PID، فازی و ANFIS استفاده شده و با توجه به نتایج حاصل از شبیه سازی، مزایا و معایب هر یک از این کنترل کننده ها بررسی شده است. کنترل کننده ANFIS نیز به صورت حلقه باز پیاده سازی شده و دارای پاسخ گذرای بسیار مناسبی است. عیب این نوع پیاده سازی خطای حالت ماندگار آن بوده و نسبت به تغییر پارامترها نیز بسیار حساس می باشد. لذا برای رفع این مشکلات می توان آن را با کنترل کننده فازی طراحی شده ترکیب کرد و در عین سادگی، عملکرد بسیار مناسبی از مجموعه به دست آورد.

1رباتهای سری دارای دینامیک غیر خطی هستند و دارای عدم قطعیتهایی در نیروهای مفصلی و مدل خود ربات هستند. معمولاً در کنترل فازی از دو متغیر زبانی موقعیت زاویه­ای و سرعت زاویه­ای استفاده می­شود. این روش شبیه به آن است که از کنترل کننده PD استفاده شود و در نتیجه قادر به تعقیب مسیر نمی­باشد و خطای ماندگار خواهد داشت. در این تحقیق از متغیر زبانی مجموع خطاها نیز استفاده می­شود. با استفاده از متغیرهای زبانی خطا و مشتق خطا و انتگرال خطای موقعیت زاویه­ای، تعقیب مسیر یک ربات سری RR در حالتی که عدم قطعیت در مدل دینامیکی سیستم وجود دارد، انجام می­شود. این روش شبیه به آن است که از کنترل کننده PID استفاده شود و در نتیجه قادر به تعقیب مسیر خواهد بود و در عین حال به دلیل عدم حساسیت به اغتشاش و عدم قطعیت، نتایج بهتری نسبت به کنترل­کننده PID به دست می­آید

بروز هرگونه اشکالی در سیستم کنترل پرواز ممکن است باعث رخداد مشکلی جبران ناپذیر شود. بصورت معمول یک سیستم با قابلیت اطمینان بالا به همراه نیروی تصمیم گیری انسانی برای جلوگیری از بروز چنین خطاهایی و یا اصلاح آنها در یک جسم پرنده مورد استفاده قرار می گیرد. طراحی سیستم کنترل کننده ی تحمل پذیر خطا به منظور مقابله با انواع مختلفی از خطاهایی که در سیستم امکان وقوع دارند، صورت می پذیرد. سیستم های کنترلی تحمل پذیر خطا به دو بخش اصلی تقسیم می شوند. بخش اول مرحله تشخیص و جداسازی خطا و بخش دوم مرحله طراحی سیستم کنترل برای غلبه بر آثار خطای به وجود آمده در سیستم. بسته به نوع خطا و مکان خطا اعم از سنسور، عملگر یا اجزا، سیستم کنترلی بایستی توانایی از بین بردن اثرات آن خطا را داشته باشد. در این مقاله در مرحله تشخیص و شناسایی خطا از یک مشاهده گر عصبی-تطبیقی و در مرحله طراحی کنترل کننده از روش گام به عقب استفاده شده است. نتایج شبیه سازی با معادلات شش درجه آزادی غیر خطی برای مدل هواپیمای اف-18 نشان دهنده کارایی مناسب الگوریتم پیشنهادی در تشخیص و جبران سازی اثرات خطا است.

در این مقاله سعی بر آن است که با استفاده از مدلسازی به روش آشفتگی تکین، نوعی کنترل کننده H∞ غیرخطی برای کنترل وضعیت ماهواره هنگام انجام مانور با زاویه دوران بزرگ، طراحی شود. ابتدا معادله دیفرانسیل بیان کننده دینامیک ماهواره توصیف شده و با انتخاب مدل دینامیکی مناسب برای دینامیک عملگرها، مدل استاندارد آشفته تکین سیستم حلقه بسته را استخراج می کنیم. سپس این مدل را به شکل مناسب برای حل مساله H∞ تبدیل کرده و آنگاه پاسخ معادله HJI و قانون کنترل مناسب را پیدا می کنیم. در انتها شبیه سازیهایی را برای یک ماهواره نوعی ارایه خواهیم کرد.