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.

در این مقاله روش کنترل برداری فازی در کنترل سرعت موتورهای مغناطیس دائم داخلی (IPMSM) ارائه شده است. در این کنترل کننده از دو تنظیم گر سرعت و جریان استفاده شده است. کنترل کننده سرعت از نوع فازی و کنترل کننده جریان از نوع PI کلاسیک است. از الگوریتم ژنتیک در بهینه سازی ضرایب هر دو کنترل کننده استفاده شده است. بهینه سازی با اهداف سرعت پاسخ بالا، خطای حالت دائمی کم به نحوی که کنترل کننده با دقت خوبی تغییرات سرعت و گشتاور را دنبال کند، انجام شده است. در این مقاله دو روش کنترل فازی و کلاسیک با یکدیگر مقایسه شده تا نقاط ضعف و قوت هر کدام بررسی گردد. تغییرات پارامترهای موتور، نویز اندازه گیری و قطع یکی از فازها در اثر خطا در هر دو روش فازی و کلاسیک بررسی شده است. نتایج به دست آمده نشان دهنده رفتار مقاوم کنترل کننده فازی طراحی شده نسبت به کنترل کننده انتگرالی، تناسبی است.

در این مقاله به طراحی کنترل کننده های داخلی UPFC شامل کنترل کننده توان عبوری از خط، کنترل کننده ولتاژ DC و کنترل کننده ولتاژ پایانه ماشین سنکرون پرداخته شده است. بر اساس مدل خطی به شکل فضای حالت برای سیستم تک ماشینه متصل به شین بینهایت کنترل کننده های مذکور با روش بهینه سازی الگوریتم ژنتیک برای این سیستم بهینه سازی شده اند. با توجه به اینکه سیستم اصلی ناپایدار می باشد لذا قبل از طراحی کنترل کننده، باید سیستم پایدار شود. در نتیجه برای پایدارسازی سیستم ابتدا کنترل کننده میراساز بر اساس روش جبران سازی پیش فاز طراحی شده است. بعد از پایدارسازی سیستم، بهینه سازی کنترل کننده های داخلی UPFC با روش الگوریتم ژنتیک انجام گرفته است.

به منظور کنترل عدد ماخ در محفظه آزمایش یک تونل باد فراصوت دمشی، کنترل فشار در محفظه آرامش توسط یک یا چند شیر کنترل جریان صورت می پذیرد. در این مقاله، ابتدا با بررسی روابط دقیق ریاضی حاکم بر اجزای مختلف یک تونل باد فراصوت دمشی خاص و بهره گیری از اطلاعات سازندگان معتبر تجهیزات و شیرآلات کنترلی، مدل ریاضی غیر خطی سیستم در محیط نرم افزار متلب/سیمولینک برپا شده است. در گام بعد با معرفی الگوریتم کنترلی مناسب، یک کنترل کلاسیک تناسبی- انتگرالی (PI) برای کنترل فشار محفظه آرامش به مدل تونل باد اضافه گردیده است. در مرحله بعد با استفاده از نتایج تجربی مربوط به تونل باد دانشگاه تگزاس، صحه گذاری مدل برپا شده صورت گرفته است. در گام نهایی به منظور بهینه سازی پارامترهای کنترل کننده PI، از یک فرآیند تکاملی مانند الگوریتم ژنتیک استفاده شده است. بهینه سازی کنترل کننده توسط الگوریتم ژنتیک، منجر به کمینه شدن مقادیر خطای حالت ماندگار، حداکثر جهش و زمان نشست پاسخ کنترلی گردید. نتایج ارائه شده به همراه کنترل کننده بهینه برای عدد ماخ 3 نشان از دقت قابل ملاحظه سیستم و کنترل آن می باشد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله، روشی نوین برای کنترل و مدیریت بهینه منابع توان در یک خودروی برقی دارای دو منبع تامین انرژی شامل باتری و ابرخازن ارائه می شود. برای این منظور یک کنترل کننده غیرخطی بهینه بر مبنای سیستم فازی طراحی می شود. مهم ترین مرحله در طراحی سیستم فازی، انتخاب درست قوانین فازی و توابع عضویت است که در این مقاله، قوانین فازی و توابع عضویت متغیرهای ورودی و خروجی کنترل کننده فازی با استفاده از الگوریتم ژنتیک ترکیبی با اعداد صحیح تعیین می شوند. روش پیشنهادی همراه با دو روش فازی معمولی و کنترل گسسته دو وضعیتی on/off بهینه روی سیکل استاندارد رانندگی شهری (EPA-UDDS) و با مدل خودروی برقی در محیط نرم افزار Advisor شبیه سازی می شوند. نتایج شبیه سازی نشان می دهند که میزان انرژی مصرفی خودروی برقی در سیکل رانندگی مورد نظر، با استفاده از کنترل کننده فازی بهینه، کاهش چشمگیری نسبت به کنترل کننده فازی معمولی و همچنین کنترل کننده گسسته on/off بهینه یافته است.