تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود ترجمه مقاله شبکه عصبی تناسبی انتگرالی مشتقی PID در سیستم های تاخیر زمانی – مجله الزویر

عنوان فارسی: شبکه های عصبی تناسبی، انتگرالی و مشتقی (PID) برای سیستم های تاخیر زمانی
عنوان انگلیسی: PID neural networks for time-delay systems
تعداد صفحات مقاله انگلیسی : 4 تعداد صفحات ترجمه فارسی : 9
سال انتشار : 2000 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 3275 رفرنس : دارد
محتوای فایل : zip حجم فایل : 607.93Kb
رشته های مرتبط با این مقاله: مهندسی برق و شیمی
گرایش های مرتبط با این مقاله: مهندسی کنترل، مکاترونیک و مهندسی فرآیند
مجله: مهندسی کامپیوتر و شیمی
دانشگاه: گروه برق و مهندسی مکانیک، دانشگاه گوانگژو، چین
کلمات کلیدی: شبکه های عصبی PID، کنترل عصبی، سیستم تاخیر زمانی
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

۱ مقدمه

۲ ساختار شبکه ی عصبی تناسبی-انتگرالی-مشتقی

۳ الگوریتم شبکه ی عصبی تناسبی-انتگرالی-مشتقی

۳ ۱ لایه ی ورودی

۳ ۲ لایه ی پنهان

۳ ۳ لایه خروجی

۳ ۴ الگوریتم انتشار روبه عقب

۴ مثال ها

۴ ۱ سیستم یک گامی

۴ ۲ سیستم دو گامی

۴ ۳ عملکرد کنترلر تناسبی-انتگرالی-مشتقی مرسوم و متدوال

۵ نتایج

نمونه متن انگلیسی

1. Introduction

There are a lot of time-delay systems in industry processes but it is difficult to design the controllers for them because the time-delay property. These systems generally have larger overhead, longer adjusting time and are not stable. In classical control theory the Smith method can be used to construct controllers if the transfer function of the system has been known. But, the transfer function of a practical system is not easy to measure or to complete. As is well known conventional PID controllers have many advantages so that they are most widely used in various fields of the industry, especially in the processes of chemical industry. Although PID controllers have strong abilities they are not suitable for the control of long time-delay systems, in which the P, I, and D parameters are difficult to chose. Artificial neural networks can perform adaptive control through learning processes. But there are some problems, which should be solved in practice. The main problems are the slow learning speed, the long weight convergence time and uncertain property. PID neural network (PIDNN) is a new kind of networks. It utilizes the advantages of both PID control and neural structure. It consists of proportional (P), integral (I) and derivative (D) neurons and its weights are adjusted by the back-propagation algorithms. It can control different systems through quick learning process and has perfect performances (Shu, 1997, 1998a,b,c; Shu & Li, 1998; Shu, 1999a,b. The rest of the paper is organized as follows. Section 2 presents the structure of PIDNN. Section 3 specifies the algorithm of PIDNN. System simulation examples are introduced in Section 4, including the performance behavior comparing between PIDNN and conventional PID controllers. Finally, the conclusion is given in Section 5.

نمونه متن ترجمه

مقدمه

سیستم های تاخیر زمانی زیادی در فرایندهای صنعتی وجود دارد ولی طراحی کنترلرها برای آن ها سخت است و این سختی به دلیل ویژگی تاخیر زمانی آن ها است. این سیستم ها عموما مخارج کلی بیش تر و زمان تنظیم طولانی تر دارند و پایدار نیستند. در ﺗﺋوری کنترل کلاسیک متداسمیث می تواند برای ساختن کنترلرها به کار رود البته اگر تابع انتقال سیستم معلوم باشد. ولی، تابع انتقال یک سیستم در عمل راحت قابل اندازه گیری نیست.

بسیار معروف می باشد که کنترلرهای تناسبی-انتگرالی-مشتقی مزیت های زیادی دارند و به همین دلیل آن ها به گونه ای بسیار گسترده در زمینه های زیادی از صنعت به ویژه در فرایند های صنایع شیمیایی استفاده می شوند. اگرچه کنترلرهای تناسبی-انتگرالی-مشتقی قدرت بالایی دارند ولی برای کنترل سیستم های تاخیر زمانی مناسب نیستند زیرا انتخاب پارامترهای P، I و D سخت است.

شبکه های عصبی مصنوعی به دلیل فرایندهای یادگیری می توانند کنترل آداپتیو انجام دهند. ولی مشکلاتی وجود دارد، که بایستی در عمل حل شود. مشکلات اصلی سرعت یادگیری پایین، زمان همگرایی وزنه طولانی و ویژگی نامعلوم می باشد.

شبکه های عصبی تناسبی-انتگرالی-مشتقی یک نوع جدید از سبکه ها می باشد. این شبکه ها از مزیت های هر دو کنترلر تناسبی-انتگرالی-مشتقی و ساختار شبکه برخوردار است. این شبکه شامل نورون های تناسبی، انتگرالی و مشتقی می باشد و وزنه های مربوط به آن ها به وسیله ی الگوریتم های انتشار رو به عقب تنظیم می شود. این شبکه می تواند سیستم های مختلف را به دلیل فرایند یادگیری سریع کنترل کند و عملکرد های کامل و خوبی دارد. (شو در سال 1997، 1998، شو و لی 1998، شو 1999).

مابقیه ی این مقاله به این صورت سازماندهی شده است. قسمت 2 ساختار شبکه ی عصبی تناسبی-انتگرالی-مشتقی می باشد. قسمت 3 الگوریتم شبکه ی عصبی تناسبی-انتگرالی-مشتقی را مشخص می کند. مثال های شبیه سازی سیستم در قسمت 4 داده شده است که شامل رفتار عملکردی شبکه ی عصبی تناسبی-انتگرالی-مشتقی در مقایسه با کنترلرهای تناسبی-انتگرالی-مشتقی مرسوم و متدول می باشد. در نهایت، نتیجه در قسمت 5 داده شده است.

نحوه خرید نسخه پاورپوینت این مقاله