در این مقاله یک روش کنترل مدل پیشبین فازی جدید به منظور کنترل سیستم بویلر توربین به عنوان یک سیستم غیرخطی نامعین ارائه میگردد. در روش پیشنهادی جهت غلبه بر عواملی که به علت عدم دقت مدل سیستم میتوانند منجر به بروز خطای ماندگار یا بایاس در روش کنترل پیشبین گردند از سیستم فازی استفاده شده است. در این راستا با توجه به مدل تکه ای خطی سیستم و در نظر گرفتن محدودیتهای موجود در حالتهای سیستم و سیگنال کنترلی، یک کنترل کننده پیشبین با هدف بهینه سازی تابع هزینه مقید طراحی میشود. در طرح کنترلی ارائه شده از یک ناظر فازی نوع 2 برای تعیین سیگنال ورودی مرجع با توجه به شرایط سیستم استفاده میشود. در این مطالعه نشان داده می شود که به کارگیری سیستمهای فازی نوع 2 در روش کنترل پیشبین به جای سیستمهای فازی نوع 1 منجر به نتایج رضایت بخشی میگردد. روش پیشنهادی به مدل غیرخطی سیستم بویلر توربین اعمال شود و نتایج حاصل از شبیه سازی، موثر بودن این روش در مقایسه با روش های کنترل پیشبین فازی موجود را به ویژه در شرایطی نشان میدهد که وجود نامعینی در مدل وجود دارد.

در این مقاله از یک کنترل کننده مد لغزشی جدید بر مبنای کنترل پیشبین برای کنترل یک سیستم مرتبه اول تاخیردار که تقریبا مدل خوبی برای اکثر پروسه های صنعتی می باشد، استفاده شده است. در این روش از کنترل پیشبین توسعه یافته برای بهینه کردن سطح لغزش و ضریب تابع سوییچینگ مورد استفاده در کنترل مد لغزشی در هر لحظه استفاده شده است. برای رفع chattering در اینجا از یک تابع هموار جدید در تابع سوییچینگ استفاده کردیم. نتایج شبیه سازی ها کارایی و مقاوم بودن بالای آن را نشان می دهد.

در این مقاله از روش کنترل پیش بین به منظور کنترل موتور سوییچ رلوکتانس، که سیستمی کاملا غیرخطی است، استفاده شده است. این شیوه کنترلی مبتنی بر مدل سیستم است. مدلی را که در این مقاله مورد استفاده قرار داده ایم مدل فازی عصبی خطی محلی است. این مدل از یک مجموعه مدل های خطی به همراه توابع اعتباری که گستره عملکرد هر یک از مدل های خطی را نشان می دهد تشکیل شده است. اما استفاده مستقیم از این مدل غیرخطی منجر به یک مساله بهینه سازی تابعی غیر خطی خواهد شد، که در حالت کلی حل آن بسیار زمان بر است. لذا در این مقاله با یافتن مدل خطی محلی در هر لحظه، مساله به بهینه سازی خطی کاهش یافته است، که در غیاب قیدها جوابی صریح و تحلیلی بدست خواهد داد و بدین شکل مشکل پیاده سازی بر خط این کنترل کننده برطرف شده است. از مهمترین مسایلی که در کنترل موتور سوییچ رلوکتانس می بایست مدنظر قرار گیرد، مساله کموتاسیون و کاهش ریپل گشتاور است. در این مقاله با اعمال تغییراتی در تابع هدف کنترل کننده پیش بین مشکل کموتاسیون رفع شده، بدین شکل که با اضافه نمودن جمله ای به تابع هدف، که نمایانگر انرژی مصرفی است، انجام کموتاسیون به طور ذاتی بر عهده کنترل کننده نهاده شده است. این جمله انرژی از یک طرف منجر به کموتاسیون ذاتی توسط کنترل کننده خواهده شد و از طرف دیگر گامی در جهت افزایش راندمان سیستم است. مساله کاهش ریپل گشتاور نیز به طور مجزا مورد بررسی قرار گرفته و نتیجه حاصله بدین شرح است که کنترل کننده پیش بین بر پایه مدل فازی عصبی خطی محلی از نقطه نظر ساختاری، در راستای کاهش ریپل گشتاور عمل می نماید.

فرازآوری مصنوعی با پمپ الکتریکی درون چاهی یکی از روش های متداول چاه محور برای افزایش یا نگهداشت تولید از چاه است. به منظور افزایش بازدهی، رعایت محدودیت های عملیاتی و ایمنی و کاهش زمان و هزینه تعمیرات به سیستم کنترل مناسب نیاز است. کنترل فرآیند فرازآوری با توجه به تعداد پارامترهای عملیاتی و محدودیت های ایمنی مجموعه تولید شامل مخزن، چاه و پمپ، کاری چالش برانگیز است. روش های مختلفی برای کنترل فرازآوری با پمپ الکتریکی درون چاهی پیشنهاد شده است. کنترل مبتنی بر این روش ها یا به علت استفاده از تقریب خطی برای مدل سازی فرآیند فرازآوری از دقت کافی برخوردار نیستند یا به دلیل استفاده از روابط دینامیک و حل آن ها برای شبیه سازی فرآیند و بار سنگین محاسباتی قابلیت پیاده سازی برروی سخت افزار های مرسوم را ندارند. در این تحقیق یک سیستم کنترل پیشبین غیر خطی متناسب با اهداف کنترلی فرآیند فرازآوری با پمپ الکتریکی درون چاهی و با در نظر گرفتن محدودیت های عملیاتی و ایمنی توسعه داده شده است. علاوه براین به منظور کاهش بار محاسباتی و با در نظر گرفتن طبیعت غیر خطی فرآیند، از یک مدل غیر خطی با ساختار مبتنی بر شبکه های عصبی به عنوان مدل پیشبین در ساختار کنترل کننده استفاده شده است. به منظور بررسی کارایی کنترل کننده و مدل توسعه داده شده، عملکرد کنترل کننده برروی چاه شماره 88 میدان اهواز– آسماری منتخب نصب پمپ الکتریکی درون چاهی ارزیابی شده است. کنترل کننده توسعه داده شده به خوبی رفتار مرجع را پیروی کرده و از طرف دیگر به خوبی اغتشاشات ورودی به سیستم را جبران سازی می کند. همچنین طراحی کنترل کننده به گونه ای است که محدودیت های عملیاتی و ایمنی در ساختار کنترل کننده وارد شده و رفتار سیستم به گونه ای تنظیم می شود که این محدودیت ها نقض نشوند.

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.

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

در این مقاله، یک کنترل کننده فازی عصبی تطبیقی بهینه شده با الگوریتم ژنتیک برای بهبود عملکرد توربین بادی سرعت ثابت طراحی شده است. این کنترل کننده در ابتدا با راه اندازی نرم، کاهش دامنه جریان هجومی و کاهش بیشینه گشتاور الکترومغناطیسی را در لحظه اتصال ژنراتور باعث می شود. همچنین پس از راه اندازی و در طی عملکرد معمول توربین، با کنترل بهینه زاویه پره توربین، باعث جذب حداکثر انرژی باد و کاهش نوسانات توان خواهد شد. برای هر بخش کنترلی، متغیرهای ورودی مناسب با تابع هدف در نظر گرفته خواهند شد. توابع عضویت پارامترهای خروجی در بخش فازی کنترل، تابعی خطی از توابع عضویت ورودی ها انتخاب می شوند. برای کاهش جریان راه اندازی، زاویه آتش سوئیچ های مبدل و برای عملکرد معمول، زاویه پره توربین کنترل خواهند شد. علاوه بر روش پیشنهادی، کنترل مدنظر با دو روش فازی و فازی عصبی تطبیقی بهینه نشده، انجام و هر سه روش با هم مقایسه خواهند شد. محدودسازی جریان راه اندازی و ملایم سازی نوسانات توان در عملکرد عادی توربین به خوبی با روش مذکور صورت می پذیرد.

چکیده: در این مقاله سعی شده است تا ضمن بررسی عملکرد کنترل کننده PID شبکه عصبی، به مقایسه آن با روش های مرسوم تنظیم تطبیقی این کنترل کننده پرداخته شود. در قسمت شبیه سازی، روش ها از نظر محل قرار گرفتن قطب های مدل فرایند، فرایند غیر مینیمم فاز و تغییر در مدل فرایند مورد بررسی قرار گرفته اند.به این ترتیب، نتیجه های حاصل از شبیه سازی و انجام آزمایش عملی بیان می کنند که PID شبکه عصبی با میزان سعی و خطای بسیار کم تری تنظیم شده و در صورت تغییر مدل فرایند از عملکرد مقاوم تری برخوردار خواهد بود و در هنگام کنترل فرایند در صورت تغییرهای متناوب مقدار مقرر پاسخ های مناسب و یکنواختی خواهد داشت.