چکیده
در این پایان نامه، شناسایی فازی سیستم غیرخطی MIMO برج تقطیر بر اساس مدل فازی (Takagi-Sugeno(TS، بررسی خواهد شد و بر روی مدل عمومی distillation column شبیه سازی شده در دو حالت LV-configuration و uncontrolled column مورد آزمایش قرار خواهد گرفت. لازم به تذکر است که در این پایان نامه شناسایی و کاربرد آن در سیستم های online مورد توجه اساسی میباشد.
در حالت offline یعنی هنگامیکه کل داده ها در ابتدای پروسه آموزش در دسترس است، ساختن مدل فازی TS در دو مرحله انجام می گیرد. در مرحله اول مجموعه های فازی (توابع عضویت) در قسمت مقدم rule تعیین میشوند. میتوان این مرحله را با استفاده از اطلاعات اولیه از پروسه و یا بوسیله تکنیک های data-driven انجام داد. در مرحله دوم پارامترهای مقدم هریک از زیر مدلهای خطی با استفاده از الگوریتم RLS محاسبه میشود. مشکل اصلی بدست آوردن مدل، شناسایی توابع عضویت مقدم است که در حقیقت مسئله بهینه سازی غیر خطی است. چونکه مدل فازی TS بدست آمده وابسته به توابع عضویت است، انتخاب مجموعه های فازی بر دقت مدل اثر خواهد گذاشت. بنابراین یکی از نکات اساسی برای بهبود دقت مدل، تنظیم دقیق مجموعه های فازی , بگونه ای است که خطای متوسط مربعی (mean-square) بین مدل تخمین زده شده و سیستم واقعی مینیمم شود.
در حالت online تمام داده ها را در ابتدای پروسه آموزش در اختیار نداریم، بنابراین آموزش مدل فازی TS باید با اولین نمونه داده شروع شود. در این شرایط، ساختار مدل در ابتدا در دست نیست و به صورت تدریجی در خلال پروسه شناسایی تکامل می یابد. آموزش پیوسته online مدل TS، بر پایه متد clustering بازگشتی و غیر تکرارشونده بنا شده است که قسمت مقدم را تخمین می زند و الگوریتم RLS که پارامترهای زیر مدلهای خطی تالی را محاسبه می کند. در این روش، ساختار مدل در ابتدا شناخته شده نیست و در طی پروسه شناسایی تکامل می یابد. (قابل ذکر است که این تکامل بسیار آهسته تر از تکامل پارامترهای مدل صورت می گیرد.) در مدل eTS، پتانسیل داده جدید برای update کردن پایگاه قوانین استفاده میشود. در این الگوریتم داده های پرت هیچگونه شانسی برای اینکه به عنوان مرکز rule انتخاب شوند، ندارند. دلیل این مسئله روش خاص تعریف مراکز rule است. این مسئله بسیار مهم است که آموزش بدون هیچ گونه دانش اولیه از سیستم و فقط با استفاده از اولین داده آغاز میشود. این ویژگی جالب توجه کاربرد این شیوه را در بسیاری از سیستم های adaptive سودمند می سازد.
مشکل اصلی در این شیوه، تولید نامحدود rule در طی پروسه شناسایی مخصوصا در شرایط اولیه است. در این پایان نامه، دو شیوه برای مقابله با این مسئله ارایه شده است. در روش اول، شرایط ایجاد rule در الگوریتم اصلی به گونه ای اصلاح شده است که بتواند نرخ تولید rule را مخصوصا در آغاز پروسه آموزش کنترل کند که باعث کاهش تعداد rule می شود. این اصلاح باعث می شود که الگوریتم در شرایط اولیه با احتیاط بیشتری اضافه کردن rule را انجام دهد. سپس هنگامیکه اطلاعات بیشتری بدست آمد و پروسه شناسایی پیشرفت کرد، شرایط تولید rule به حالت اولیه اش برمیگردد وهمانند الگوریتم اصلی عمل میکند. روش دوم، یک مکانیزم جدید نظارت برای شناسایی و از بین بردن rule های غیر ضروری با استفاده از forgetting factor ارایه شده است.
همچنین در این پایان نامه، متد آنالیز برهم کنش برای سیستم های چندمتغیره ارایه شده است. در بسیاری از کاربردهای عملی، مدل کمی دقیق سیستم در دست نیست و یا بدست آوردن آن بسیار مشکل است. در این متد، سیستم غیرخطی MIMO ابتدا با استفاده از الگوریتم eTS مدلسازی میشود، سپس برهم کنش سیستم چندمتغیره حول یک نقطه کار خاص بر اساس RGA بررسی می شود.
مقدمه
بسیاری از پروسه های صنعتی دارای سیستم های غیرخطی چند متغیره با چندین ورودی و چندین خروجی می باشند که کوپلینگ متقابل پیچیده ای دارند. مدلسازی چنین پروسه پیچیده ای کار بسیار سختی می باشد. بکار بستن تکنیک های متداول مدلسازی سخت و یا حتی غیر قابل استفاده در چنین مسایل عملی می باشد . یک راه حل مفید دیگر استفاده از شیوه های شناسایی data-driven است که از داده های تجربی به دست آمده و از ورودی و خروجی پروسه استفاده می کند.
روش های مدلسازی فازی rule base به دلیل انعطاف پذیری ذاتی شان در ساختن مدلها ازداده های ورودی و خروجی توجه بسیاری را به خود جلب کرده اند. از میان متدهای مختلف فازی، تکنیک مدلسازی TS به دلیل قابلیت بالای محاسباتی بیشتر مورد توجه قرار گرفته است. مدل فازی TS شامل قانون های اگر – آنگاه در مقدم و توابع ریاضی در بخش تالی خود می باشد. بنابراین وظیفه شناسایی مدل فازی TS تعیین پارامترهای غیرخطی توابع عضویت مقدم و پارامترهای خطی قانون های تالی می باشد.
تحقیقات اخیر بر روی تکنیک های data-driven که در آن مدل های فازی دینامیکی با استفاده از داده های ورودی – خروجی اندازه گیری شده قابل آموزش هستند، متمرکز شده است.
آموزش Online مدل فازی TS نیازمند شناسایی بازگشتی برای تخمین ساختار مدل و همچنین تخمین پارامترهای تالی می باشد. از آن رو که تمام داده های ورودی – خروجی در آغاز پروسه آموزش در دسترس نیست، ارائه روش شناسایی Online که در آن ساختار مدل و پارامترها به صورت تدریجی تکامل می یابند ضروری است که این روش بدون در اختیار داشتن دانش اولیه از پروسه، با اولین داده ورودی شناسایی را آغاز می کند. این ویژگی جالب، این شیوه را تبدیل به یک مکانیزم کارآمد در سیستم های adaptive و self-tuning ساخته است. تاکنون توجه اندکی به شناسایی فازی پروسه های صنعتی چند متغیره (MIMO) شده است. در این پایان نامه شناسایی فازی Online برای پروسه های چند متغیره ارائه شده در [3] و اصلاحات و نکات لازم جهت بهبود کارایی آن ارائه شده است.
مشکل اصلی در این شیوه، تولید نامحدود rule در طی پروسه شناسایی مخصوصا در شرایط اولیه است. در این پایان نامه، دو شیوه برای مقابله با این مسئله ارایه شده است. در روش اول، شرایط ایجاد rule در الگوریتم اصلی به گونه ای اصلاح شده است که بتواند نرخ تولید rule را مخصوصا در آغاز پروسه آموزش کنترل کند که باعث کاهش تعداد rule می شود. این اصلاح باعث می شود که الگوریتم در شرایط اولیه با احتیاط بیشتری اضافه کردن rule را انجام دهد. سپس هنگامی که اطلاعات بیشتری بدست آمد و پروسه شناسایی پیشرفت کرد، شرایط تولید rule به حالت اولیه اش برمیگردد وهمانند الگوریتم اصلی عمل میکند. روش دوم، یک مکانیزم جدید نظارت برای شناسایی و از بین بردن rule های غیر ضروری با استفاده از forgetting factor ارایه شده است.
برهم کنش در بسیاری از سیستم های صنعتی وجوددارد و این بدین معنی است که تغییر یک متغیر کنترل بر بیش از یک خروجی سیستم اثر خواهد داشت. در این پایان نامه، با متمرکز شدن بر آنالیز برهم کنش خروجی, یک شیوه جدید برای بدست آوردن RGA ارایه شده است که درجه برهم کنش متغیرها را حول یک نقطه کار خاص ارایه می دهد.
تعداد صفحه : 92
