کتاب مدل سازي و شبيه‌سازي ديناميك وسايل هوافضايي

کتاب مدل سازي و شبيه‌سازي ديناميك وسايل هوافضايي ترجمه دکتر فريبرز ثقفي، محمد فتحي توسط انتشارات موسسه انتشارات علمی دانشگاه صنعتی شریف به چاپ رسید.

قبل از شبیه سازی هر سیستم از طریق سيمولينك ابتدا باید معادلات آن را استخراج نمود و یا اصطلاحا مدل سازی کرد. بدين منظور كتاب مدل‌سازي و شبيه سازي آقاي zipfel پيشنهاد مي‌گردد.  اين كتاب، علاوه بر اينكه مرجع خوبي براي مدل سازي سيستم هاي ديناميكي و بخصوص هوافضايي است، جعبه ابزار هوافضايي نرم‌افزار متلب Aerospace Toolbax را نيز توصيف مي‌كند  و جهت مدل‌سازي در سيمولينك بسيار توصيه مي گردد.

این کتاب در دانشگاه صنعتی شریف مرجع درس مدل سازی و شبیه سازی است و دکتر ثقفی آن را تدرس می نماید. در ضمن در دانشگاه های معتبر ایران امیرکبیر، تربیت مدرس، آزاد، مالک اشتر نیز تدریس می شود.

همچنین این کتاب مرجع بسیاری از مقالات معتبر دنیا است.

این کتاب را می توانید از آدرس های زیر تهیه کنید:

1- کتابفروشی دانشگاه صنعتی شریف

2- میدان انقلاب- خیابان شهید منیری جاوید (اردیبهشت)- ساختمان 253- طبقه چهارم- واحد 402

3- خیابان حافظ- کوچه آرژانتین- جهاد دانشگاه امیرکبیر (فقط روزهای پنج شنبه)

4- کتابفروشی های خیابان انقلاب (مثلا کتابفروشی خوارزمی- کتابفروشی صانعی)

سرفصل هاي اين كتاب در لينك قرار دارد.

شبکه عصبی برای مسئله پاندول معکوس

شبکه عصبی برای مسئله پاندول معکوس را می توانید از مقالات زیر دنبال کنید:

http://mxp.physics.umn.edu/s03/Projects/S03Pend/presentation.pdf

گزارش زیر نیز مراحل استفاده از شبکه عصبی برای پاندول معکوس را با مطلب و سیمولینک نشان می دهد:

http://elm.eeng.dcu.ie/~brutonj/Reports/TCallinan_MEng_03.pdf

سایت زیر نیز پیشنهاد می گردد:

http://www5.in.tum.de/wiki/index.php/Pendulum_Project

دانلود کتاب و مقاله شبکه عصبی

از سایت های زیر می توانید در حوزه شبکه عصبی کتاب و مقاله دانلود کنید:

http://findebookee.com/0/%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8C

مقاله معروف Neural Networks for Control نوشته آقای Hagan:

http://123seminarsonly.com/Seminar-Reports/031/33642013-Neural-Networks-for-Control.pdf

http://saba.kntu.ac.ir/eecd/fatehi/Lectures/Intelligent%20Systems/NeuNet/Papers/NNControl.pdf

مراحل کاربرد شبکه عصبی در کنترلر

مراحل کاربرد شبکه عصبی در کنترلر می تواند به صورت زیر باشد:

1- یک کنترل PID در نظر بگیرید و سه بهره ی آن را به روش معمول تنظیم نمائید.

2- برمبنای داده های موجود، تجربه و ... برای هر سه بهره یک شبکه عصبی بسازید. به عبارت دیگر یک جدول بهره (همان تابع) به بهره برازش کنید.

تعریف منطق فازی

تعريف سيستم‌هاي فازي

واژة فازي در فرهنگ لغت آكسفورد به صورت مبهم، گنگ و نادقيق تعريف شده است. اگر بخواهيم نظرية مجموعه‌هاي فازي را تعريف كنيم، بايد بگوييم که نظريه‌اي است براي اقدام در شرايط عدم اطمينان؛ اين نظريه قادر است بسياري از مفاهيم و متغير‌ها و سيستم‌هايي را كه نادقيق هستند، صورت‌بندي رياضي ببخشد و زمينه را براي استدلال، استنتاج، كنترل و تصميم‌گيري در شرايط عدم اطمينان فراهم آورد.

چرا سيستم‌هاي فازي:

دنياي واقعي ما بسيار پيچيده‌تر از آن است كه بتوان يك توصيف و تعريف دقيق براي آن به دست آورد؛ بنابراين بايد براي يك مدل، توصيف تقريبي يا همان فازي كه قابل قبول و قابل تجزيه و تحليل باشد معرفي شود.

با حركت به سوي عصر اطلاعات، دانش و معرفت بشري بسيار اهميت پيدا مي‌كند. بنابراين ما به فرضيه‌اي نياز داريم كه بتواند دانش بشري را به شكلي سيستماتيك فرموله كرده و آن را به همراه ساير مدل‌هاي رياضي در سيستم‌هاي مهندسي قرار دهد.

سيستم‌هاي فازي چگونه سيستم‌هايي هستند؟

      سيستم‌هاي فازي، سيستم‌هاي مبتني بر دانش يا قواعد مي‌باشند؛ قلب يك سيستم فازي يك پايگاه دانش است كه از قواعد اگر ـ آنگاه فازي تشكيل شده است.

يك قاعده اگر ـ آنگاه فازي، يك عبارت اگر ـ آنگاه است كه بعضي كلمات آن به وسيله توابع تعلق پيوسته مشخص شده‌اند.

مثال:

       فرض كنيد مي‌خواهيم كنترل كنند‌ه‌اي طراحي كنيم كه سرعت خودرو را به طور خودكار كنترل كند. راه حل اين است كه رفتار رانندگان را شبيه‌سازي كنيم؛ بدين معني كه قواعدي را كه راننده در حين حركت استفاده مي‌كند، به كنترل‌كنندة خودكار تبديل نماييم.

در صحبت‌هاي عاميانه راننده‌ها در شرايط طبيعي از 3 قاعده زير در حين رانندگي استفاده مي‌كنند:

اگر سرعت پايين است، آنگاه نيروي بيشتري به پدال گاز وارد كنيد.

اگر سرعت متوسط است، آنگاه نيروي متعادلي به پدال گاز وارد كنيد.

اگر سرعت بالاست، آنگاه نيروي كمتري به پدال گاز وارد كنيد.

 

 به طور خلاصه، نقطة شروع ساخت يك سيستم فازي به دست آوردن مجموعه‌اي از قواعد اگر ـ آنگاه فازي از دانش افراد خبره يا دانش حوزه مورد بررسي مي‌باشد؛ مرحلة بعدي، تركيب اين قواعد در يك سيستم واحد است.

فازی و Stateflow در سیمولینک

اگر قصد دارید بلوک های شرطی و منطقی در سیمولینک ایجاد نمائید باید از Stateflowها استفاده نمائيد و از طريق بلوك‌هايي با نام chart بلوك‌هاي منطقي را ايجاد نمائيد.

در واقع مي‌توان گفت بلوك‌هايي مانند if، while، switch case بر گرفته از اين بلوك ها هستند.

منبع:

راهنمای کاربردی سیمولینک پیشرفته

روش Model Reference Adaptive Control یا MRAC در سیمولینک

یکی از روش های کنترلی سیمولینک در بخش شبکه عصبی، روش Model Reference Adaptive Control یا MRAC  است. در این قسمت به این موضوع پرداخته میشود.

یکی از ساختارهای کلی این شبکه ی عصبی به صورت زیر است:

منبع:

http://www.pages.drexel.edu/~kws23/tutorials/MRAC/MRAC.html

کاربرد شبکه عصبی در کنترل فازی

شبکه های عصبی و سیستم های فازی دو روش مکمل هم هستند. شبکه های عصبی می توانند از داده ها آموزش ببینند ولی فهم اطلاعات ارائه شده توسط شبکه های عصبی مشکل است. بر خلاف آن، فهم سیستم های فازی از آنجا که عبارت زبانی را بکار می برند ساده تر است ولی دارای الگوریتم یادگیری نیستند. این سبب کاربرد چهار گانه شبکه های عصبی و فازی با یکدیگر شده است که عبارتند از:

1- تغییر سیستم های فازی با یادگیری شبکه عصبی با سرپرست

2- ساختن شبکه های عصبی با استفاده از سیستم های فازی

3- ساختن تابع عضویت با شبکه های عصبی

4- اتصال شبکه های عصبی و سیستم های فازی

منبع: کتاب نخستین در س در نظریه فازی و کاربردها (ترجمه کتاب First Course on Fuzzy Theory and Applications)

کاربرد شبکه عصبی در کنترل تطبیقی

طبق نظر ویکی پدیا کنترل تطبیقی عبارت است از:

هدف از استفاده از کنترل تطبیقی (به انگلیسی: Adaptive control) آن است که کنترلر طراحی شده بدین روش، بتواند در مقابل تغییرات آرام در سیستم و همچنین خطاهای مدل‌سازی پاسخ مناسب بدهد. ‫تفاوت کنترل تطبیقی و کنترل مقاوم آن است که در کنترل تطبیقی نیازی به دانستن بازه کاری سیستم و یا میزان خطای پارامترها نیست. به عبارتی، طراحی از دیدگاه کنترل مقاوم به کنترلری می‌انجامد که در بازه مشخصی به پایداری سیستم می‌انجامد بدون آنکه نیازی به تغییر قوانین کنترلی باشد، ولی، با روش کنترل تطبیقی می‌توان قوانین کنترلی را به گونه‌ای با تغییر شرایط تطبیق داد که سیستم پایدار شود. کنترل تطبیقی به دو روش مستقیم وغیر مستقیم تقسیم بندی می شود که امروزه اکثر مقالات بر روی کنترل تطبیقی مستقیم تمرکز دارد.

جهت اطلاع بیشتر از این نوع کنترل به کتاب فارسی زیر مراجعه کنید (نویسنده استروم):

کتاب انگلیسی استروم نیز در سایت زیر جهت دانلود وجود دارد:

http://space4u.blogfa.com/post-21.aspx

با توجه به اینکه یکی از موارد مهم در کنترل تطبیقی، شناسایی سیستم است لذا شبکهی عصبی در این راستا بسیار کاربردی و موثر میباشد. روشهای ارائه شده در جعبه ابزار متلب و سیمولینک نیز بر این مبنا منطبق هستند.

شبکه های عصبی کنترلی سیمولینک

نرم افزار سیمولینک در متلب سه شبکه را جهت کارهای کنترلی معرفی میکند و بلوک هایی برای آنها ارئه می دهد. این سه روش عبارتند از:

روش Model Predicitive Control

روش NARMA-L2

روش Model Refrence Control

جهت آشنایی با هر یک از این روشها میتوانید به مقالات زیر رجوع کنید:

1. Hagan, M. T. and H.B. Demuth, ‘Neural Networks for Control,’ Proceedings of the 1999 American Control Conference, San Diego, CA, 1642-1656 (1999) .

 

2. Hunt, K.J., D. Sbarbaro, R. Zbikowski and P.J. Gawthrop, ‘Neural Networks for Control System - A Survey,’ Automatica, vol. 28, 1083-1112 (1992).

 

3. Narendra, K.S. and S.Mukhopadhyay, ‘Adaptive Control Using Neural Networks and Approximate Models,’ IEEE Transactions on Neural Networks, vol. 8, 475-485 (1997).

 

4. Narendra, K.S. and K. Parthasarathy, ‘Identification and Control of Dynamical Systems Using Neural Networks,’ IEEE Transactions on Neural Networks, vol. 1, 4-27 (1990).

 

5. Camacho, E.F. and C. Bordons, Model Predictive Control, Springer, London, 1998.

 

6. Soloway, D. and P.J. Haley, ‘Neural Generalized Predictive Control,’ Proceedings of the 1996 IEEE International Symposium on Intelligent Control, 277-281 (1996).