طراحی کنترلرهای مقاوم برای سیستمهای دارای نامعینی احتمالاتی با استفاده از شبکه های عصبی

در این پایان نامه طراحی بهینه چندهدفی کنترلرهای مقاوم برای سیستم هایی با پارامترهای نامعین احتمالاتی به کمک شبکه عصبی از نوع gmdh مدنظر می باشد. در طراحی کنترلرهای مقاوم برای سیستمهای دارای پارامترهای نامعین احتمالاتی، از دو دیدگاه طراحی مقاوم (rdo) و طراحی براساس قابلیت اطمینان (rbdo) استفاده میشود. در طراحی براساس قابلیت اطمینان احتمال شکست کنترلر نسبت به بعضی قیود طراحی(توابع حالت حدی) محاسبه میشود. محاسبه احتمال شکست به روش تحلیلی به دلیل پیچیدگی ساختار سیستم های کنترلی غالبا غیرممکن است. بنابراین روشهای تقریبی مختلفی نظیر مونت کارلو، form، sorm و . . . برای محاسبه احتمال شکست مورد استفاده قرار میگیرد. روش های form و sorm دارای سرعت بالاتر و دقت کمتر در محاسبه احتمال شکست میباشند، در حالیکه روش مونتکارلو دارای زمان اجرای بسیار بالا و دقت بهتری است. در این پایاننامه با ترکیب روش مونت کارلو با شبکه عصبی از نوع gmdh زمان اجرا به شدت کاهش می یابد، درحالی که دقت محاسبات نیز حفظ شده است. تیر یک سر گیردار، سیستم مرتبه اول با تاخیر زمانی و سیستم مرتبه دوم با تاخیر زمانی موارد مطالعاتی هستند که با استفاده از روش پیشنهادی مورد استفاده قرار می گیرند. کنترلر بهینه چندهدفی مقاوم pi و pid به ترتیب برای سیستم مرتبه اول و مرتبه دوم باتاخیر زمانی با استفاده از الگوریتم بهینه سازی چندهدفی muga و به کمک روش پیشنهادی در این تحقیق طراحی میشود. توابع هدف در نظر گرفته شده شامل کمینه کردن احتمال شکست ماکزیمم فراجهش و زمان نشست پاسخ پله سیستم می باشد. در روش پیشنهادی به جای شبیه سازی سیستم، فقط با فراخوانی یک تابع چندجمله ای که از فرایند آموزش و تعمیم در شبکه عصبی به صورت بهینه ایجاد شده است، به محاسبه توابع هدف پرداخته می شود. در این موارد منحنیهای پارتو که شامل نقاط بهینه غیربرتر است ارائه و نقطه مصالحه طراحی پیشنهاد میگردد. مقایسه نتایج، برتری قابل توجهی را نسبت به تحقیقات قبلی در این زمینه نشان میدهد. در ضمن در روش پیشنهادی زمان محاسبات با افزایش پیچیدگی سیستم افزایش چندانی نخواهد داشت، در حالی که در روش مونت کارلو افزایش چشمگیری در زمان محاسبات دیده می شود.