در چند دهه ی اخیر استفاده از انرژی های نو به دلیل مشکلات زیست محیطی و اتمام سوخت های فسیلی در آینده ای نزدیک، مورد توجه بسیاری از کشورها قرار گرفته است. استفاده از توربین های بادی به عنوان یکی از گزینه های تولید انرژی که در نقاط نسبتاً زیادی از زمین قابل استفاده است، محققان را علاقه مند نموده تا تحقیقات بیشتری پیرامون این مبدل انرژی انجام دهند. از مهم ترین فاکتورهای تاثیرگذار بر روی توان تولیدی توربین بادی، سرعت باد است که همواره در حال تغییر می باشد. تغییراتی که در ساختار مکانیکی و الکتریکی توربین های بادی انجام گرفته، باعث افزایش توان خروجی و پایین آمدن هزینه ی تولید برق شده است. اما همواره در کنار این تغییرات، روش های کنترلی متفاوتی نیز با هدف افزایش کارایی توربین های بادی ارائه گشته است که دارای معایب و مزایایی می باشند. یکی از روش های کنترل توان توربین های بادی، تغییر زاویه ی پره توربین بادی متناسب با تغییرات سرعت باد است. در گذشته روش های مختلفی از جمله کنترل کننده ی pid برای این هدف استفاده شده که با توجه به گستره ی تغییرات سرعت باد و غیرخطی بودن مدل سیستم کارایی چندانی نداشته است. به همین دلیل محققان از روش های هوشمند (مانند شبکه های عصبی) برای کنترل توان توربین بادی استفاده نمودند که پاسخ های قابل توجهی نیز دریافت نمودند. در این پایان نامه قصد داریم روشی مبتنی بر شبکه های عصبی را برای کنترل زاویه های پره بر روی یک مدل غیرخطی از توربین بادی پیاده نمائیم که با تنظیم ضرایب کنترل کننده ی pid کیفیت توان تولیدی را نسبت به تغییرات سرعت باد افزایش دهد. در این روش که مبتنی بر روش فیلتر کالمن توسعه یافته است، ابتدا با به دست آوردن مدل عصبی سیستم و سپس آموزش آنلاین این مدل همواره تخمینی از خروجی لحظه ی آینده را به دست می آوریم که این خروجی ملاکی برای تعیین ورودی مطلوب از طریق تنظیم ضرایب کنترل کننده ی pid بوده و بهترین زاویه ی پره را به عنوان ورودی کنترلی به توربین بادی اعمال می کنیم. در پایان با مقایسه ی نتایج شبیه سازی ها با کنترل کننده ی pid معمولی مزایای این روش را نشان می دهیم. با بررسی پاسخ های به دست آمده از این روش و مقایسه ی آن با کنترل کننده های کلاسیک شاهد فراجهش بسیار کم و کاهش نوسانات زاویه ی پره و توان تولیدی در هنگام تغییرات باد بوده و بسیار سریع تر به مقدار توان مطلوب میل می نماید.

تجزیه و تحلیل عملکرد هر سیستم فیزیکی، نیاز به شناخت صحیح رفتارهای آن سیستم دارد و این نیاز باعث به وجود آمدن علم شناسایی برای آنالیز و مدل کردن سیستم شده است. چون اکثر سیستم های فیزیکی غیرخطی هستند، شناسایی سیستم های غیرخطی بسیار مورد توجه بوده و از روش های گوناگونی مانند روش های سنتی شناسایی سیستم های غیرخطی و روش های مدرنی چون استفاده از شبکه های عصبی، منطق فازی و روش های نرو-فازی ترکیبی برای مدل کردن این نوع از سیستم ها استفاده شده است. در دهه های اخیر از شبکه های عصبی به ویژه شبکه های عصبی دینامیکی، برای شناسایی سیستم های غیرخطی استفاده شده و این از آن روست که شبکه های عصبی به دلیل دارا بودن خاصیت غیرخطی در ساختارشان، به راحتی و با آموزش خوب می توانند سیستم های غیرخطی را شناسایی و مدل کنند. به همین دلیل و در جهت آشنایی بیشتر با شبکه های عصبی دینامیکی برای شناسایی سیستم های غیرخطی، در این پایان نامه مروری بر شبکه های عصبی گوناگون (انواع استاتیکی و دینامیکی) داشته و به بررسی نوع خاصی از شبکه های عصبی دینامیکی می پردازیم. شبکه عصبی مورد نظر این پایان نامه، شبکه های عصبی elman می باشد که با اصلاحات و بهبودی که در سال های اخیر در ساختار آن صورت گرفته، ساختارهای تعمیم یافته و اصلاح شده آن، نتایج قابل قبولی از شناسایی سیستم های غیرخطی به وجود آورده اند. در این پایان نامه به معرفی و بررسی شبکه های عصبی elman می پردازیم و مدل های بهبود یافته این شبکه عصبی را که هر کدام به نحوی باعث به وجود آمدن نتایج خوبی در شناسایی سیستم های غیرخطی شده اند بررسی می کنیم و در ادامه آن شبکه عصبی بهبود یافته جدیدی را معرفی نموده و آن را از نقطه نظر پایداری تحلیل می کنیم و مثال هایی از شناسایی و شبیه سازی سیستم های غیرخطی با این شبکه را ارائه داده نتایج آن را با نتایج شبیه سازی های شبکه عصبی elman جدید معرفی شده مقایسه می کنیم.

ناوبری اینرسی یکی از روش های تعیین موقعیت جسم متحرّک است که بر اساس قوانین نیوتن عمل می کند. به دلایلی گوناگون، این سیستم در معرض خطای رشدکننده است و از این رو، تحلیل خطاها و نیز اصلاح آن به کمک ترکیب اطّلاعات با سیستمهای کمک ناوبری مورد بررسی در بسیاری از مقالات قرار گرفته است. در این پایان نامه، ابتدا توضیحی بر سیستم موقعیت یاب جهانی (gps) داده شده و روش ناوبری اینرسی بررسی و معادلات حاکم که منجر به استخراج وضعیت، سرعت و موقعیت از داده های سنسورهای اینرسی می شود، بیان خواهند شد. پس از آن عوامل ایجدکننده خطا معرّفی شده و معادلات دینامیک خطای سیستم ناوبری اینرسی به دست می آیند و به کمک این معادلات، روش ترکیب اطّلاعات مبتنی بر فیلتر کالمن تشریح و شبیه سازی می شود. در سالیان اخیر، استفاده از سنسورهای اینرسی ریزماشین افزایش یافته که سبب پایین آمدن هزینه تمام شده سیستم ناوبری اینرسی شده است. بخش پایانی به این گونه سنسورها پرداخته و مشکلات روش متداول فیلتر کالمن در ترکیب اطّلاعات سیستم های ناوبری با این گونه سنسورها را تشریح می کند. در پایان، روشی مبتنی بر شبکه عصبی پیشنهاد می شود تا به کمک آنها بتوان عمل ترکیب اطّلاعات سیستم ناوبری اینرسی و کمک ناوبری را انجام داد. این روش می تواند در فرایند همراستایی سیستم ناوبری اینرسی و کالیبراسیون سنسورهای اینرسی به کار رود. روش ی پیشنهادی شبیه سازی شده و عملکرد آن با روش متداول فیلتر کالمن مقایسه می شود. نتایج شبیه سازی عملکرد بهتر روش پیشنهادی را در مقایسه با روش فیلتر کالمن نشان می دهد.

امروزه با توجه به آلودگی¬های ناشی از سوخت¬های فسیلی و گرانی و غیر قابل تجدید¬پذیر بودن انرژی حاصل از این سوخت¬ها نیاز به استفاده از منابع انرژی تجدید¬پذیر گریز ناپذیر است. در فرآیند تولید و عرضه¬ی انرژی¬های تجدید¬پذیر نیاز به وسایلی برای ذخیره آن¬ها می¬باشد. رایج¬ترین و ارزان¬ترین ذخیره کننده¬های انرژی الکتریکی باتری¬ها هستند. به همین دلیل می¬توان از باتری¬های خودروهای هیبریدی برای تولید و ذخیره انرژی استفاده کرد. برای مدیریت بهتر این باتری¬ها بایستی سطح شارژ (soc) آن¬ها تخمین زده شود. روش¬های زیادی برای تعیین سطح شارژ باتری معرفی شده¬اند که در یک دسته¬بندی کلی می¬توان به سه روش اندازه¬گیری مستقیم، اندازه¬گیری غیرمستقیم و تخمین سطح شارژ تقسیم¬بندی کرد. برای خودرو در حال کار دو روش اول ممکن نبوده و روش سوم بیشتر مورد استفاده قرار می¬گیرد. روش¬های متعددی برای تخمین سطح شارژ باتری وجود دارند که از بین آن ها می توان به استفاده از فیلترکالمن، فیلتر کالمن توسعه یافته، تخمین ولتاژ مدار باز باتری، تخمین جریان باتری و ... اشاره کرد. واقعیت این است که با توجه به پیچیدگی¬های ریاضی رفتار باتری و غیرخطی بودن معادلات شارژ و دشارژ آن، تخمین دقیق سطح شارژ کاری دشوار است. این پایان¬نامه روشی را برای تخمین سریع و دقیق سطح شارژ باتری خودروی در حال کار با استفاده از زنجیره مارکوف ارائه می¬کند. در ابتدا حالت های مختلف شارژ باتری در حال کار تعیین شده و مدل مارکوف رسم می¬شود، سپس با تعیین نرخ گذر حالت¬های مدل از روی مراجع موجود و تحقیقات قبلی، معادلات مارکوف باتری و ماتریس گذر حالت¬ها مشخص شده و از روی مدل، سطح شارژ لحظه¬ای باتری محاسبه می¬شود. در پایان نیز ضمن تعریف دسترس پذیری و قابلیت اطمینان خودروها از منظر شارژ باتری این دو پارامتر نیز برای چند سناریو مختلف محاسبه شده است.

در این پایان نامه روشی برای آشکارسازی مطمئن حالت های غیر نرمال شبکه های حسگر بی سیم با استفاده از مدل مخفی مارکوف ارائه شده است. حالت های غیر نرمال بنا به تعریف شامل تمامی الگوهایی از رفتار سیستم می باشند که با هیچ یک از حالت های نرمال سیستم مطابقت ندارند. حالت های غیرنرمال شبکه های حسگربی سیم در این تحقیق به پنج دسته سقوط، مقدار، زمان بندی، حذف و خودسرانه تقسیم شده اند. تشخیص نوع حالت های غیرنرمال با استفاده از مدل مخفی مارکوف برروی یک شبکه حسگر کوچک بی سیم شبیه سازی شده در محیط matlab، ارزیابی شده است. برای این منظور شبکه حسگر بی سیم بصورت سلسله مراتبی مدلسازی شده، تمامی عیوب ممکن برای شبکه دسته بندی و یک پایگاه دانش مناسب برای عیب یابی شبکه از حالت غیرنرمال طراحی شده است. قوانین موجود در پایگاه دانش با توجه به استدلال backward-chaining سیستم های خبره مبتنی بر قوانین از آن استخراج شدند. در روش عیب یابی پیشنهادی از مدل های مخفی مارکوف گسسته به منظور بالا رفتن قابلیت اطمینان استفاده گشته است. این مدل نوع حالت غیرنرمال را شناسایی نموده و با توجه به قوانین استخراج شده، محدوده جست و جو برای یافتن منبع عیب کاهش یافته است. درنتیجه این کار مصرف انرژی در شبکه حسگر بی سیم نسبت به سایر روش های عیب یابی، کاهش و طول عمر آن افزایش یافته است.

در این پایان نامه چارچوب جدیدی برای آزمون ابری ارائه شده است. فرایند توسعهی نرم افزار تحت تاثیر رایانش ابری دچار تغییراتی شده است، آزمون نرم افزار نیز بخشی از این فرایند می باشد. آزمون ابری مدلی جدید از آزمون نرم افزار است که در سالهای اخیر توجهات زیادی را به خود جلب کرده است. این چارچوب بر مبنای چارچوب استاندارد istqb و با توجه به نیازها و مراحل آزمون ابری طراحی شده است. مراحل چارچوب عبارتند از: توسعهی سناریوی آزمون، طراحی موارد آزمون، انتخاب محیط ابری، نصب زیرساخت، آغاز آزمون، مشاهدهی روند پیشرفت، گزارش آزمون و در نهایت نیز مرحلهی بستن آزمون. هر کدام از این مراحل شامل فعالیتهایی میباشند. بهمنظور اعتبارسنجی رویکرد پیشنهادی، مطالعهی موردیای صورت گرفته است که نتایج آن نشاندهندهی اعتبار چارچوب پیشنهادی است.

اغلب نظریه های کنترل، بر سیستم های زمان پیوسته یا زمان گسسته توجه دارند و تا کنون تحقیقات گسترده¬ای در این حوزه صورت گرفته است. این سیستم ها به راحتی توسط معادلات دیفرانسیل یا تفاضلی ، معادلات حالت و سایر ابزارها و تئوری های ریاضیاتی قابل مدلسازی بوده و رفتار آنها در حوزه فرکانس مورد بررسی قرار می گیرند. اما دسته وسیعی از فرآیندها در دنیای واقعی به دسته دیگری از سیستم ها تعلق دارند که به راحتی قابل توصیف توسط روابط ریاضی نیستند . این گونه سیستم ها که مستقیما بر پایه زمان عمل نکرده و مبتنی و وابسته به وقوع رخدادها هستند، سیستم های واقعه گسسته نامیده می شوند. مدل سازی، تحلیل و آنالیز رفتار، کنترل و بهینه سازی عملکرد سیستم های واقعه گسسته، در حوزه مهندسی کنترل دارای اهمیت ویژه ای است. مسائل مربوط به سیستم های واقعه گسسته از آنجایی که دارای ویژگی های متفاوت با سیستم های پیوسته هستند، دارای پیچیدگی ها و دشواری های مخصوص به خود است. محققین بسیاری تا کنون روش ها و راه حل های گوناگون و کارآمدی برای مواجهه با سیتم های واقعه گسسته پیشنهاد و مطرح کرده اند که هر کدام از این روش ها برای دسته خاصی از سیستم های واقعه گسسته کارایی دارند. مساله برنامه ریزی تولید به عنوان یکی از مصادیق پرکاربرد و البته پیچیده و دشوار سیستم های واقعه گسسته و برنامه ریزی تولید محسوب می گردد که طی سالیان گذشته مورد بحث و بررسی قرار گرفته و متدها و تئوری های فراوانی برای حل این مساله و بدست آوردن یک برنامه زمان بندی مطلوب، پیشنهاد و پیاده سازی شده است . در این پایان نامه قصد داریم تا به نحوه مدل سازی سیستم های واقعه گسسته توسط شبکه های پتری سطح بالا که در اینجا از نوع شبکه های پتری رنگی – زمانی می باشد، بپردازیم. همچنین یک فرایند تولید را به عنوان یک سیستم واقعه گسسته و در عین حال یکی از مسایل مهم برنامه ریزی تولید مورد توجه قرار داده و به منظور بررسی و تحلیل عملکرد و رفتار آن، از شبکه های پتری برای مدل سازی استفاده می کنیم. پس از به دست آوردن یک مدل کامل از این سیستم رفتار آن را با چند برنامه کاری مورد بررسی قرارمی دهیم.