آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,489 |
| تعداد مقالات | 18,178 |
| تعداد مشاهده مقاله | 58,797,490 |
| تعداد دریافت فایل اصل مقاله | 20,282,511 |
کنترل تطبیقی بدون مدل بهبود یافته با استفاده از شبکه عصبی در حضور دادههای کوانتیزه شده | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| دوره 55، شماره 1 - شماره پیاپی 111، خرداد 1404، صفحه 133-144 اصل مقاله (928.35 K) | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.59301.4761 | ||
| نویسندگان | ||
| Mohammadreza Mir1؛ Malihe Maghfoori Farsangi* 2؛ Yasin Asadi3؛ Mohammad Mollaie Emamzadeh1 | ||
| 1گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| 2عضو هیات علمی دانشگاه شهید باهنر کرمان | ||
| 3electrical department of Kerman university | ||
| چکیده | ||
| این مقاله یک ساختار بهبود یافته برای کنترل تطبیقی بدون مدل مبتنی بر پدیده کوانتیزاسیون دادهها را بر پایه شبکه عصبی GMDH (روش گروهی پردازش دادهها) بنا شده است. در این مطالعه، به منظور غلبه بر اثرات مخرب کوانتیزاسیون بر روی دادههای سیستم، دادههای کوانتیزه شده سیستم مورد مطالعه ابتدا به بلوک شبکه عصبی منتقل شده، سپس شبکه عصبی با تکیه بر قابلیت پیشبینی، دادههای خروجی واقعی سیستم مورد مطالعه را تخمین میزند. در ادامه دادههای تخمین زده شده توسط شبکه عصبی، جهت تولید سیگنال کنترلی به بلوک کنترل کننده تطبیقی بدون مدل منتقل میشوند. به این ترتیب کنترل کننده تطبیقی بدون مدل با در دست داشتن دادههای واقعی خروجی و تنها با محاسبه یک رابطه بازگشتی ساده، سیگنال کنترلی مطلوب را تولید خواهد کرد. سپس سیگنال کنترلی تولید شده توسط این کنترل کننده، به منظور برآورده سازی هدف کنترلی، به سیستم مورد مطالعه اعمال خواهد شد. پایداری ساختار کنترلی پیشنهاد شده در این پایان نامه توسط نظریه لیاپانوف بررسی شده است. نتایج شبیهسازی نیز برتری ساختار کنترلی پیشنهاد شده در این پایان نامه را نسبت به کنترل کننده تطبیقی بدون مدل مرسوم در حضور دادههای کوانتیزه شده نشان میدهد. | ||
| کلیدواژهها | ||
| کنترل داده محور؛ کنترل تطبیقی بدون مدل؛ شبکه عصبی مصنوعی؛ کوانتیزاسیون دادهها | ||
| مراجع | ||
|
[1] A. Karami-Mollaee and E. Rajabi, "Dynamic sliding mode control design for nonlinear systems using sliding mode observer," Tabriz Journal of Electrical Engineering, vol. 47, no. 1, pp. 239-248, 2017.
[2] A. Olama, M. Shasadeghi, and A. Ramezani, "Stable MPC Design for Hybrid Mixed Logical Dynamical Systems: l∞-based Lyapunov Approach," 2021.
[3] Z.-S. Hou and Z. Wang, "From model-based control to data-driven control: Survey, classification and perspective," Information Sciences, vol. 235, pp. 3-35, 2013.
[4] D. Selvi, D. Piga, G. Battistelli, and A. Bemporad, "Optimal direct data-driven control with stability guarantees," European Journal of Control, vol. 59, pp. 175-187, 2021.
[5] T. Wonghong and S. Engell, "Automatic controller tuning via unfalsified control," Journal of Process Control, vol. 22, no. 10, pp. 2008-2025, 2012.
[6] Z. Chen, Y.-S. Hao, Z.-g. Su, and L. Sun, "Data-driven iterative tuning based active disturbance rejection control for FOPTD model," ISA transactions, vol. 128, pp. 593-605, 2022.
[7] Y. Asadi, M. M. Farsangi, A. M. Amani, H. H. Alhelou, S. M. Dibaji, and E. Bijami, "Data-Driven Cyber-Resilient Control of Wide Area Power Systems," in Power Systems Cybersecurity: Methods, Concepts, and Best Practices: Springer, 2023, pp. 161-178.
[8] C. L. Remes, R. E. Binz, J. V. Flores, and L. Campestrini, "Virtual reference feedback tuning applied to cascade control," IET Control Theory & Applications, vol. 14, no. 20, pp. 3738-3746, 2020.
[9]Y. Asadi, M. M. Farsangi, A. M. Amani, E. Bijami, and H. H. Alhelou, "Data-driven automatic generation control of interconnected power grids subject to deception attacks," IEEE Internet of Things Journal, 2022.
[10] Z. Kou and J. Sun, "Test-based model-free adaptive iterative learning control with strong robustness," International Journal of Systems Science, vol. 54, no. 6, pp. 1213-1228, 2023.
[11] J. Shi, C. Peng, J. Zhang, Z. Zhang, and X. Xie, "Model-free adaptive optimal control for nonlinear multiplayer games with input disturbances," Neurocomputing, p. 127519, 2024.
[12] J. P. Hespanha, P. Naghshtabrizi, and Y. Xu, "A survey of recent results in networked control systems," Proceedings of the IEEE, vol. 95, no. 1, pp. 138-162, 2007.
[13] W. Zhang, M. S. Branicky, and S. M. Phillips, "Stability of networked control systems," IEEE control systems magazine, vol. 21, no. 1, pp. 84-99, 2001.
[14] M. Li and Y. Chen, "Challenging research for networked control systems: A survey," Transactions of the Institute of Measurement and Control, vol. 41, no. 9, pp. 2400-2418, 2019.
[15] X. Bu, P. Zhu, Q. Yu, Z. Hou, and J. Liang, "Model‐free adaptive control for a class of nonlinear systems with uniform quantizer," International Journal of Robust and Nonlinear Control, vol. 30, no. 16, pp. 6383-6398, 2020.
[16] X. Bu, Y. Qiao, Z. Hou, and J. Yang, "Model free adaptive control for a class of nonlinear systems using quantized information," Asian Journal of Control, vol. 20, no. 2, pp. 962-968, 2018.
[17] R. W. Brockett and D. Liberzon, "Quantized feedback stabilization of linear systems," IEEE transactions on Automatic Control, vol. 45, no. 7, pp. 1279-1289, 2000.
[18] D. Liberzon, "Hybrid feedback stabilization of systems with quantized signals," Automatica, vol. 39, no. 9, pp. 1543-1554, 2003.
[19] X. Li, Z. Xu, Y. Lu, J. Cui, and L. Zhang, "Modified model free adaptive control for a class of nonlinear systems with multi-threshold quantized observations," International Journal of Control, Automation and Systems, vol. 19, no. 10, pp. 3285-3296, 2021.
[20] A. Ivakhnenko, "The group method of data handling in long-range forecasting," Technological forecasting and social change, vol. 12, no. 2-3, pp. 213-227, 1978.
[21] N. A. Yahya, R. Samsudin, I. Darmawan, A. Shabri, and S. Kasim, "Group Method of Data Handling with Artificial Bee Colony in Combining Forecasts," International Journal of Integrated Engineering, vol. 10, no. 6, 2018.
[22] S. F. Stefenon et al., "Wavelet group method of data handling for fault prediction in electrical power insulators," International Journal of Electrical Power & Energy Systems, vol. 123, p. 106269, 2020.
[23] J. Wan and X. Xue, "Application of the group method of data handling (GMDH) approach for travel distance prediction of landslides," Landslides, vol. 20, no. 3, pp. 645-661, 2023.
[24] C. Bosah, S. Li, A. Mulashani, and G. Ampofo, "Analysis and forecast of China's carbon emission: evidence from generalized group method of data handling (g-GMDH) neural network," International Journal of Environmental Science and Technology, pp. 1-14, 2023.
[25] Y. Asadi, M. Mir, M. M. Farsangi, and E. Bijami, "A Data-Based Adaptive Predictive Controller Design for Stabilizing Unknown Nonlinear Systems Featuring Input and Output Saturations," in 2022 10th RSI International Conference on Robotics and Mechatronics (ICRoM), 2022: IEEE, pp. 597-604.
[26] A. Ahmadi, Y. Asadi, A. M. Amani, M. Jalili, and X. Yu, "Resilient model predictive adaptive control of networked Z-source inverters using GMDH," IEEE Transactions on Smart Grid, vol. 13, no. 5, pp. 3723-3734, 2022.
[27] M. Fu and L. Xie, "The sector bound approach to quantized feedback control," IEEE Transactions on Automatic control, vol. 50, no. 11, pp. 1698-1711, 2005.
[28] Y. Asadi, M. M. Farsangi, E. Bijami, A. M. Amani, and K. Y. Lee, "Data-driven adaptive control of wide-area non-linear systems with input and output saturation: A power system application," International Journal of Electrical Power & Energy Systems, vol. 133, p. 107225, 2021.
[29] S. Iplikci, "A support vector machine based control application to the experimental three-tank system," ISA transactions, vol. 49, no. 3, pp. 376-386, 2010.
[30] H. Sun, Z. Hou, and D. Li, "Coordinated iterative learning control schemes for train trajectory tracking with overspeed protection," IEEE Transactions on Automation Science and Engineering, vol. 10, no. 2, pp. 323-333, 2012.
[31] H. Wang and Z. Hou, "Model‐free adaptive fault‐tolerant control for subway trains with speed and traction/braking force constraints," IET Control Theory & Applications, vol. 14, no. 12, pp. 1557-1566, 2020. | ||
|
آمار تعداد مشاهده مقاله: 924 تعداد دریافت فایل اصل مقاله: 344 |
||