1. - به نام خدا - (سمینار درس کنترل پیش بین)
- به نام خدا - (سمینار درس کنترل پیش بین)
کاربرد شبکه های عصبی در
کنترل پیش بین
استادمحترم : جناب آقای دکترتوحیدخواه
تهیه کننده : حمیدرضا ایرانمنش
دی ماه 1390
90/10/10

2. مروری بر مطالب در یک نگاه
مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بین
بخش اول : یک مدل پیش بین غیرخطی براساس شبکه عصبی BP
تعاریف و مفاهیم
ساختار مدل پیش بین
شبیه سازی مدل پیش بین غیرخطی
بخش دوم : جبرانسازی کامل جهت تاخیر زمانی در سیستم کنترل تحت شبکه
براساس GPC و شبکه عصبی BP
مدهای پاسخ
استراتژی صف
مدل سیستم کنترل تحت شبکه
قوانین پایه
جبرانسازی تاخیر کنترل کننده - به – محرک
جبرانسازی جهت تاخیر سنسور – به – کنترل کننده
محاسبه مقدار پیش بینی خطا در شبکه عصبی پس انتشار
آزمایش شبیه سازی جهت جبران سازی تاخیر NCS
نتیجه گیری
مراجع
90/10/10

3. مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بین
مقدمه ای بر کاربرد شبکه های عصبی در کنترل پیش بین
کنترل پیش بین مدل به دلیل تاثیر کنترلی بسیار مناسب , به طور گسترده ای در فرآیندهای صنعتی به کار گرفته شده است.
شبکه های عصبی مصنوعی دارای توانایی بسیار خوبی در انطباق با خواص غیرخطی می باشند همچنین می توان از قابلیت یادگیری و انعطاف پذیری این شبکه ها در جهت اهداف مختلف استفاده نمود.
در بین همه انواع شبکه های عصبی , شبکه عصبی BP دارای ساختاری ساده و الگوریتم آموزش جامع و کاملی است.
از مزایای شبکه های عصبی در جهت بهبود عملکرد کنترل پیش بین استفاده می شود که در این تحقیق به دو کاربرد مهم آن پرداخته می شود.
90/10/10

4. نمونه کلی از کاربرد شبکه های عصبی در MPC
اجزاء مورد نیاز :
مدل شبکه عصبی سیستم تحت کنترل
کنترل کننده شبکه عصبی
تابع عملکرد جهت ارزیابی پاسخهای سیستم
روند بهینه سازی برای انتخاب بهترین ورودی کنترل
کنترل کننده شبکه عصبی یاد می گیرد که ورودی انتخاب شده توسط فرآیند بهینه سازی را تولید کند.
وقتی آموزش کامل شود مرحله بهینه سازی می تواند کاملاً توسط کنترل کننده شبکه عصبی جایگزین شود.
90/10/10

5. نمونه کلی از کاربرد شبکه های عصبی در MPC
90/10/10

6. مدل پیش بین غیرخطی براساس شبکه عصبی BP
بخش اول :
مدل پیش بین غیرخطی
براساس
شبکه عصبی BP
90/10/10

7. تقسیم بندی کنترل پیش بین
یک کنترل کننده پیش بین مدل از سه قسمت مهم تشکیل شده است :
الف) مدل پیش بین
ب) بهینه سازی افق لغزان
ج) تصحیح فیدبک
کنترل پیش بین مدل :
کنترل پیش بین مدل خطی (LMPC)
کنترل پیش بین مدل غیرخطی (NMPC).
90/10/10

8. LMPC برای سیستمهای غیرخطی
در این حالت باید یک مدل پیش بین غیرخطی ایجاد نماییم.
90/10/10

9. NMPC
MPC کلاسیک که بر اساس مدلهای خطی پیش بین می باشد فاقد شرایط لازم برای سیستمهای کنترل غیرخطی قوی می باشد.
در این حالتها NMPC بایستی به خدمت گرفته شود.
مدل پیش بین غیرخطی پایه و اساس NMPC است و در ابتدا باید ایجاد شود.
90/10/10

10. NONLINEAR AUTOREGRESSIVE MOVING AVERAGE WITH EXOGENOUS INPUTS (NARMAX)
مدلهای غیرخطی
تعداد زیادی از مدلهای غیرخطی جهت توصیف سیستمهای غیرخطی در حدود 40 سال گذشته ارائه شده است.
در بین این متدها مدل زیر که یک مدل ورودی-خروجی عالی است استفاده شده است که تقریباً همه مدلهای غیرخطی دیگر را پوشش می دهد :
NONLINEAR AUTOREGRESSIVE MOVING AVERAGE WITH EXOGENOUS INPUTS (NARMAX)
90/10/10

11. NARMAX
فرض کنید مدل NARMAX یک سیستم غیرخطی تک ورودی- تک خروجی SISO به صورت زیر باشد :
u : ورودی سیستم غیرخطی e : نویز سفید گوسی با میانگین صفر
y : خروجی سیستم غیرخطی f : رابطه نگاشت ورودی – خروجی
nu : مرتبه ورودی مدل ny : مرتبه خروجی مدل
90/10/10

12. NARMAX
اگر از اثر نویز سفید گوسی صرفنظر شود. فرمول مربوطه به صورت زیر ساده می شود :
این فرمول یک مدل پیش بین یک مرحله ای سیستم غیرخطی تک ورودی- تک خروجی است.
90/10/10

13. one-step predictive model based on BP neural network
اگر اطلاعات گذشته و رخ داده ورودی u(k),u(k-1),…,u(k-nu+1)
و اطلاعات گذشته و رخ داده خروجی y(k),y(k-1),…,y(k- ny+1)
به عنوان بردار ورودی یک شبکه عصبی BP
و آخرین اطلاعات خروجی y(k+1) به عنوان بردار خروجی شبکه عصبی BP استفاده شود
آنگاه یک مدل پیش بین تک گامی براساس شبکه عصبی BP می تواند تشکیل شود.
90/10/10

14. طرح اولیه مدل پیش بین گام اول براساس شبکه عصبی BP
ym(k+1) خروجی پیش بین یک سیستم غیرخطی در k+1 است.
90/10/10

15. one-step predictive model based on BP neural network
FNN رابطه نگاشت غیرخطی و P(k) بردار ورودی مدل پیش بین است.
90/10/10

16. تقریب سیستم غیرخطی
ثابت می شود که یک شبکه عصبی دو لایه پس انتشار که نرونهای لایه پنهانش از تابع انتقال tan-sigmoid و نرونهای لایه خروجی اش از تابع انتقال pure linearity استفاده می کنند , می تواند تقریباً برای همه سیستمهای غیرخطی مناسب باشد به شرط اینکه تعداد نرونهای لایه پنهان به اندازه کافی بالا باشند.
این در یک واقع یک شبکه عصبی پس انتشار دو لایه ای است که می تواند جهت تشکیل مدل پیش بین تک گامی غیرخطی انتخاب شود.
90/10/10

17. مشخصات شبکه
طول گام پیش بینی برابر با یک می باشد پس یک شبکه عصبی پس انتشار دولایه با یک نرون خروجی می تواند به عنوان مدل پیش بین یک سیستم تک ورودی- تک خروجی استفاده شود.
: تابع انتقال نرونهای لایه پنهان که از نوع Tan-Sigmoidبوده و به فرم زیر است :
: تابع انتقال نرون خروجی است که به صورت خطی خالص می باشد :
90/10/10

18. ساختار مدل پیش بین گام اول براساس شبکه عصبی پس انتشار دو لایه
ساختار مدل پیش بین گام اول براساس شبکه عصبی پس انتشار دو لایه
90/10/10

19. ابعاد شبکه عصبی
وقتی یک شبکه عصبی پس انتشار دو لایه به عنوان مدل پیش بین غیرخطی استفاده می شود , ابعاد بردار ورودی و بردار خروجی توسط سیستم غیرخطی مشخص می شود.
اما تعداد نرونهای لایه پنهان بایستی توسط کاربر تعیین شوند.
اگر این عدد خیلی بزرگ باشد زمان شناسایی مدل پیش بین افزایش می یابد
در طرف مقابل اگر تعداد نرونهای لایه پنهان خیلی کوچک باشد دقت مدل پیش بین را کم کرده و باعث اثر کنترلی ضعیف کنترل کننده پیش بین غیرخطی می شود.
بنابراین نحوه تعیین منطقی نرونهای لایه پنهان برای ساختار مدل پیش بین بسیار حائز اهمیت است.
90/10/10

20. نگاشت ساختاری یک شبکه عصبی پس انتشار دو لایه
90/10/10

21. وزنها و بایاسها
هدف آموزش شبکه عصبی پس انتشار : تعیین و انتخاب مجموعه ای از وزنها و بایاس هاست که با حداقل نمودن متوسط مربعات خطای بین خروجیهای شبکه عصبی و خروجیهای واقعی برای چند نمونه آموزشی حاصل می شود.
فرض کنیم تعداد نمونه های آموزشی nt باشد.
Z : برداری که ترکیب شده از وزنها و بایاسهاست با اندازه n
اصل الگوریتم پس انتشار پیدا کردن یک بردار برای حداقل کردن می باشد
90/10/10

22. (10)
بسط برداری
: tijنشان دهنده المانهای j ام بردار خروجی در نمونه آموزشی i ام
: yij(z) نمایانگر مقدار خروجی نرونj ام در لایه خروجی وقتی نمونه آموزشی iام روی شبکه اعمال شده است , می باشد.
90/10/10

23. پاسخ ایده ال جهت یافتن تعداد مناسب نرونهای لایه پنهان
پاسخ ایده ال جهت یافتن تعداد مناسب نرونهای لایه پنهان
در حالت ایده ال یک بردار z* می تواند یافت شود که فرمول زیر را برآورده سازد :
به طوری که بردار z* بایستی مجموعه معادلات زیر را ارضاء نماید :
90/10/10

24. حل معادلات تعداد کل معادلات :
n<num : تعداد متغیرها کوچکتر از تعداد معادلات است. مجموعه معادلات متناقض بوده به دلیل عدم وابستگی نمونه های آموزشی , معادلات مذکور جوابی ندارند.
n=num : تعداد متغیرها مساوی تعداد معادلات است. به احتمال زیاد یک بردار یافت می شود که معادلات را برآورده سازد. سپس یک تعداد مرجع برای نرونهای لایه پنهان می توان از این شرط استنباط نمود.
n>num : تعداد متغیرها بزرگتر از تعداد معادلات است آنگاه مجموعه معادلات ممکن است دارای چند جواب باشد.
90/10/10

25. تعداد نرونهای لایه پنهان
فرمول زیر می تواند از معادله n=num استخراج شود تا یک داده مرجع با تعداد نرونهای لایه پنهان در شبکه عصبی پس انتشار دو لایه فراهم شود :
: اندازه بردار ورودی R
: تعداد نرونهای لایه خروجی S2
: تعداد نرونهای لایه پنهان S1
90/10/10

26. مثال شبیه سازی
جهت اعتبار سنجی پیش بینی مدل تک گام براساس شبکه عصبی پس انتشار دولایه یک مثال شبیه سازی را بررسی می نماییم.
فرض کنیم که مدل NARMAX یک سیستم غیرخطی SISO به صورت زیر است :
تعداد نمونه های آموزشی مساوی 100 است nt=100
مرتبه ورودی سیستم غیرخطی مساوی 2 و مرتبه خروجی 1 می باشد nu=2 و ny=1.
R=nu+ny پس R=3.
90/10/10

27. تشکیل مدل پیش بین
تعداد نرونهای لایه پنهان طبق می تواند در 20 تنظیم شود. بنابراین مدل پیش بین تک گام سیستم غیرخطی تشکیل می شود.
الگوریتم Levenberg-Marquardtمی تواند جهت آموزش شبکه عصبی استفاده شود.
90/10/10

28. الگوریتم Levenberg-Marquardtجهت آموزش شبکه عصبی
90/10/10

29. مجموعه خروجی سیستم غیرخطی
مجموعه نویز سفید گوسی
مقدار تابع هدف در پایان الگوریتم آموزش :
90/10/10

30. خروجی واقعی و خروجی پیش بین سیگنال سینوسی اعمال شده به
سیستم غیرخطی و مدل پیش بین
نتایج شبیه سازی نشان داد که مدل پیش بین یک گامی می تواند جهت توصیف مشخصات دینامیک آینده یک سیستم غیرخطی SISO استفاده شود.
90/10/10

31. براساس GPC و شبکه عصبی BP
بخش دوم :
جبرانسازی تاخیر زمانی
در سیستم کنترل تحت شبکه
براساس GPC و شبکه عصبی BP
90/10/10

32. سیستم کنترل تحت شبکه Networked Control System (NCS)
پیشرفتهای اخیر در مخابرات و فن آوریهای شبکه سازی باعث تشکیل سیستمهای پیچیده ای شده اند که حسگرها , محرکها و کنترل کننده هایشان به وسیله یک شبکه متصل می شوند.
چنین سیستمهایی سیستمهای کنترل تحت شبکه
Networked Control System (NCS)
نامیده شدند.
در واقع حلقه بسته از طریق شبکه ارتباطی دیجیتال به اشتراک گذاشته شده با باند محدود متصل می شود.
90/10/10

33. Networked Control System
90/10/10

34. NCS
90/10/10

35. مشخصات NCS
مزایا : کاهش سیم کشی , هزینه کم , سهولت نگهداری و بررسی سیستم , انعطاف پذیری بالا و همچنین به اشتراک گذاشته شدن منابع اطلاعاتی
چالشها : باند محدود , حذف بسته داده یا packet dropout , نمونه برداری و تاخیر
تاخیر زمانی از مسائل مهم NCS است که درحین عبور اطلاعات از شبکه ایجاد خواهد شد و باعث افت عملکرد سیستم و یا حتی ناپایداری آن خواهد شد. با توجه به اهمیت موضوع روشهای مختلفی جهت حل این مسئله پیشنهاد شده است.
این سیستمها در واقع فصل مشترک تئوریهای کنترل و مخابرات و ارتباطات هستند و برای آنها یک آنالیز مشترک جهت طراحی و بهینه سازی سیستم مورد نیاز است.
90/10/10

36. Networked Control System
دو نوع عمده تاخیر انتقال را در این سیستم کنترل تحت شبکه نشان می دهد :
تاخیر کنترل کننده- به – محرک
تاخیر سنسور- به – کنترل کننده
90/10/10

37. تعاریف و مفاهیم
سنسورهای clock-driven : از خروجیهای سیستم تحت کنترل در زمانهای نمونه برداری به صورت پریودیک نمونه برداری می کنند.
کنترل کننده event-driven : می تواند توسط یک مکانیزم وقفه اتفاق خارجی انجام شود و سیگنال کنترل را به محض اینکه داده سنسور وارد می شود , محاسبه می کند.
محرکهای clock-driven : ورودیهای سیستم تحت کنترل تا لحظه نمونه برداری تغییر نمی کنند.
90/10/10

38. مدهای پاسخ : sensor & actuator time-driven controller :event-driven
90/10/10

39. سمبلها : :
90/10/10

40. استراتژی صف (QS) Queuing Strategy
این استراتژی مربوط به نحوه انتخاب ورودی برای محرک و کنترل کننده در NCS می باشد که در اینجا برای محرک توضیح داده می شود.
فرض می کنیم هیچگونه خطای استثنایی (مانند حذف بسته یا بی نظمی در ورود سیگنال کنترل) وجود ندارد.
حالت اول ) : هیچ سیگنال جدیدی وارد نمی شود.
وقتی تاخیر رخ می دهد محرک با استفاده از سیگنالهای کنترل پیش بین محاسبه شده از حالت قبلی به جای سیگنال کنترل فعلی که هنوز وارد محرک نشده است با تاخیر برخورد می کند.
90/10/10

41. استراتژی صف برای حالت اول
استراتژی صف برای حالت اول  
90/10/10

42. استراتژی صف (QS) Queuing Strategy
حالت دوم) سیگنال جدید وارد می شود.
جدیدترین سیگنال کنترل بالاترین اولویت را برای اینکه ورودی سیستم تحت کنترل باشد دارد. در نتیجه المان جدیدترین سیگنال کنترل باید انتخاب شود.
برای مثال زمان t را در نظر بگیرید. فرض کنید جدیدترین سیگنال کنترل Ut-2 براساس حالت در زمان t-2 است. Ut-2[2] باید به عنوان ورودی سیستم تحت کنترل داده شود.
90/10/10

43. استراتژی صف برای حالت دوم
90/10/10

44. استراتژی صف برای حالت کلی
90/10/10

45. مدهای پاسخ کنترل کننده
معایب روش clock-driven : لزوم سنکرون بودن کامل نودهای هوشمند و دشوار بودن سنکرون بودن دقیق با وجود تاخیر زمانی حتمی در شبکه
مزایای روش clock-driven : افزایش نرخ بازدهی داده فیدبک
معایب روش event-driven : امکان ناپایداری سیستم در صورت طولانی بودن نسبی تاخیر انتقال شبکه و یا ناکافی بودن اندازه کنترل
مزایای روش event-driven : کاهش تاخیر انتقال شبکه و پرهیز از نمونه برداری بی اثر و از دست رفتن داده و صرفه جویی در زمان انتظار برای نمونه برداری
روش پیشنهادی برای مد پاسخ نودهای کنترل کننده :
event-clock-driven
90/10/10

46. مدهای پاسخ محرک و سنسور
نودهای سنسور و محرک در یک وضعیت ویژه یکسان بوده انتقال داده بین آنها نیازی به عبور از شبکه پیچیده ندارد.
تاخیر شبکه بین نودها وجود ندارد لذا همزمانی دقیق نتیجه می شود.
بنابراین نودهای سنسور و نودهای محرک هر دو روش clock- driven را با پریود مطمئن اختیارمی کنند.
90/10/10

47. قوانین پایه
وقتی نودهای کنترل کننده نرمال هستند روش event-driven اختیار می شود.
زمانی که نتیجه نمونه برداری از طریق پیغام شبکه به نودهای کنترل کننده ارسال می شود آنها فوراً محاسبات کنترل را با ماکزیمم تاخیر انتقال Tmax اجرا می کنند.
وقتی تاخیر انتقال بین نودهای سنسور و نودهای کنترل کننده بزرگتر از Tmax باشد نودهای کنترل کننده به طور اتوماتیک محاسبات کنترل را در روشtime-driven شروع می کنند و سیگنال کنترل را صادر می کنند.
90/10/10

48. اطلاعات دنباله زمانی انتقال در سیستم کنترل تحت شبکه حلقه بسته
اطلاعات دنباله زمانی انتقال در سیستم کنترل تحت شبکه حلقه بسته
90/10/10

49. قوانین پایه نودهای محرک با استراتژی صف بندی پردازش می شوند.
جهت سازماندهی تاخیر زمانی بین نودهای سنسور و نودهای کنترل کننده , استراتژی صف بندی نیز در نودهای کنترل کننده مطرح می شود.
وقتی مقدار تاخیر زمانی بزرگتر از Tmax باشد نودهای محرک به طور اتوماتیک سیگنالها را با استفاده از اطلاعات کنترل اپتیمال پردازش شده در صف ارسال می نماید .
90/10/10

50. قوانین پایه روش اصلاح و بازبینی در کنترل کننده :
با استفاده از داده های گذشته و بررسی سیگنال انحراف و خطای پیش بینی قبلی
و براساس شبکه عصبی پس انتشار , یک مدل پیش بین خطا ایجاد می شود
که از خروجی این مدل خطا برای اصلاح و بازبینی سیگنال خروجی پیش بین در GPC استفاده می شود.
وقتی تاخیر زمانی بزرگتر از Tmax باشد :
بااستفاده از سیگنال خروجی پیش بین که توسط سیگنال پیش بین خطا اصلاح شده است , محاسبات GPC جهت فراهم کردن قواعد کنترل اپتیمال مورد استفاده قرار می گیرد.
بنابراین تاخیر انتقال بین نودهای سنسور و نودهای کنترل کننده به خوبی رفع شده است و از اینرو مقاومت وRobustness سیستم بهبود یافته است.
90/10/10

51. 1) جبران سازی جهت تاخیر کنترل کننده – به - محرک
1) جبران سازی جهت تاخیر کنترل کننده – به - محرک
1-الف) کنترل پیش بین کلی در نودهای کنترل کننده :
مدل پیش بینی :
CARIMA
(Controlled Auto-Regressive Integrated Moving Average)
90/10/10

52. CARIMA
= دامنه زمانی پیش بینی P
=دامنه زمانی کنترل M
90/10/10

53. محاسبات مسیر مرجع عیارت است از :
مسیر مرجع عیارت است از :
هدف از GPC حداقل نمودن خطای ردیابی خروجی پیش بین نسبت به مسیر مرجع است :
قانون کنترل اپتیمال به صورت زیر به دست می آید :
90/10/10

54. 1-ب) صف تغییرات کنترل مربوط به کنترل پیش بین در نودهای محرک
1-ب) صف تغییرات کنترل مربوط به کنترل پیش بین در نودهای محرک
محاسبات GPC می تواند دنباله تغییرات کنترل را از زمان k تا زمان k+M-1 در هر زمان مشخص کند :
90/10/10

55. 2) جبران سازی جهت تاخیر سنسور- به -کنترل کننده
2) جبران سازی جهت تاخیر سنسور- به -کنترل کننده
2-الف) صف خروجی پیش بین
اصلاح شده در نودهای کنترل کننده
90/10/10

56. اصلاح خروجی پیش بین در نود کنترل کننده
وقتی تاخیر انتقال شبکه بزرگتر از Tmax باشد نودهای کنترل کننده به طور اتوماتیک محاسبات کنترل را در زمان متناظر شروع نموده و سیگنال کنترل را به نودهای محرک در همان زمان ارسال می نمایند.
محاسبات کنترل مطابق سیگنال اصلاح شده خروجی انجام می شود.
90/10/10

57. سیگنال خروجی پیش بین اصلاح شده در صف بافر QS
: مقدار پیش بینی خروجی واقعی
محاسبه شده توسط معادله روبرو
: توسط مدل آموزش یافته پیش بین خطا با استفاده از شبکه عصبی پس انتشار مشخص می شود
: سیگنال خروجی پیش بین اصلاح شده
در صف بافر QS
90/10/10

58. 2- ب) محاسبه مقدار پیش بینی خطا در شبکه عصبی پس انتشار
مدل پیش بین : شبکه عصبی پس انتشار
خروجی مورد انتظار و مقدار کنترل ورودی سیستم : نمونه ورودی
اختلاف بین خروجی واقعی و خروجی پیش بین : نمونه خروجی
تابع لایه میانی : Sigmoid function
تابع لایه خروجی : linear function
اصلاح مرتب فاکتور وزنی جهت ایجاد نگاشت شبکه با رابطه ورودی-خروجی
شبکه عصبی آموزش یافته می تواند جهت پیش بینی خطا استفاده شود.
نهایتاً استفاده از شبکه به عنوان مدل خطا
90/10/10

59. نمودار کلی شبکه عصبی پس انتشار
90/10/10

60. بردار ورودی : مشخصات شبکه بردار خروجی مقدار خطای پیش بین می باشد :
بردار خروجی مقدار خطای پیش بین می باشد :
y(k-j) : خروجی واقعی در زمان k-j
y(k-j|k-j-d) : خروجی پیش بین در زمان k-j-d
d : تاخیر در سیستم
N : تعداد نمونه های آموزشی
90/10/10

61. محاسبات : مقدار پیش بینی خطا با جایگزین کردن معادلات روبرو :
: مقدار پیش بینی خطا
خروجی پیش بین اصلاح شده سیستم
با توجه به خطاها
با جایگزین کردن معادلات روبرو :
بردار تغییرات کنترل اپتیمال به صورت زیر حاصل می شود :
90/10/10

62. خلاصه محاسبات در نود کنترل کننده
tsc < Tmax
انجام محاسبات با معادله زیر توسط نودهای کنترل کننده به صورت اتوماتیک در روش event-driven و ارسال سیگنال کنترل (1- الف) :
tsc> Tmax
انجام محاسبات با معادله زیر توسط نودهای کنترل کننده به صورت اتوماتیک در روش clock-driven (2- ب) :
90/10/10

63. تاخیر به طور موثری جبران می شود و سطح دقت بهبود می یابد.
در نهایت :
تاخیر به طور موثری جبران می شود
و سطح دقت بهبود می یابد.
90/10/10

64. آزمایش شبیه سازی روی شبکه اترنت جهت جبران سازی تاخیر NCS
Ethernet network :
اترنت یک خانواده از تکنولوژیهای شبکه سازی کامپیوتری برای شبکه های ناحیه محلی(LANs) است.
ارتباط سیستمها در اترنت از طریق جریانی از داده ها در بسته هایی مجزا به نام frame صورت می گیرد.
هر فریم یا قالب شامل آدرسهای مبدا و مقصد و داده چک کننده خطا است به طوری که داده مخدوش قابل آشکار سازی و ارسال مجدد می باشد.
90/10/10

65. سیستم کنترل تحت شبکه مبتنی بر شبکه در یکی از دانشگاههای چین (NCEPU)
90/10/10

66. آزمایش شبیه سازی روی شبکه اترنت جهت جبران سازی تاخیر NCS
فرض کنیم سیستم تحت کنترل به صورت زیر است :
: نویز سفیدی است که به طور یکنواخت در محدوده [-0.2 , 0.2] p=6 , L=m=2 , توزیع شده است.
90/10/10

67. منحنی پاسخ بعد از کاربرد جبران سازی کامل
90/10/10

68. جمع بندی
استفاده از مزایای شبکه های عصبی مانند توانایی تطبیق با خواص غیرخطی و الگوریتم جامع آموزشی و قابلیت یادگیری و انعطاف پذیری در کنترل پیش بین
بهره گیری از شبکه های عصبی در ایجاد مدل سیستم تحت کنترل و جایگزینی مرحله بهینه سازی با کنترل کننده شبکه عصبی بعد از تکمیل آموزش
ارائه مدل پیش بین بر اساس شبکه عصبی BP با استفاده از مدل NARMAX برای NMPC
استخراج جبری یک روش محاسباتی جهت تعیین تعداد نرون لایه پنهان
تایید اعتبار مدل پیش بین یک گامی مربوط به دینامیک آینده یک سیستم غیرخطی SISO با آزمایش شبیه سازی
90/10/10

69. جمع بندی پیشنهاد روشی جهت غلبه بر تاخیر زمانی نامشخص در NCS
استراتژی صف در نودهای کنترلر و محرک
جبران تاخیر بین نود کنترلر و نود محرک توسط تغییرات کنترل حاصل از GPC
مدل پیش بینی خطای خروجی با استفاده از BP-NN جهت مقابله با تاخیر بین نود سنسور و نود کنترلر
اصلاح خروجی پیش بینی GPC با استفاده از سیگنال خطای پیش بینی
جبران تاخیر بین نود سنسور و نود کنترلر
جبران سازی کامل با وجود عملکرد خوب کنترلی و اعتبارسنجی آن در آزمایش شبیه سازی
90/10/10

70. REFRENCES : 1-Tian-Kun WANG , LI-HUI Zhou , PU Han , Qian Zhang
“Complete Compensation for Time Delay in Networked Control System based on GPC and BP Neural Network ” Proceedings of the sixth International l conference on Machine Learning Cybernetics , 2007
2-Zhi-Hong Guan , Jian Huang , Guanrong Chen, " Stability Analysis of Networked Impulsive Control Systems" , Proceedings of the 25th control conference , 2006
3-YANG Can, ZHU Shan-an, KONG Wan-zeng, LULi-ming
“ Application of generalized predictive control in networked control system” Journal of Zhejiang University SCIENCE A
ISSN
4- Joao P. Hespanha, Payam Naghshtabrizi, Yonggang Xu,
“A SURVEY OF RECENT RESULTS IN NETWORKED CONTROL SYSTEMS” This material is based upon work supported by the National Science Foundation under Grants No. CCR and ECS
5- Vatanskib N., Georges J.-P.a, Aubrun Ca., Rondeaua E. and S.-L. Jämsä-Jounelab, “CONTROL COMPENSATION BASED ON UPPER BOUND DELAY IN NETWORKED CONTROL
SYSTEMS”

71. 10- http://en.wikipedia.org/wiki/Ethernet_network
6-Martin T. HaganSchool of Electrical & Computer Engineering Oklahoma State University , Howard B. Demuth , “ Neural Networks for Control “
7- Huijun Li , “ A Nonlinear Predictive Model Based on BP Neural Network “ , 2010 Chinese Control and Decision Conference , /10/$26.00 _c 2010 IEEE 
8- Dr. Tohidkhah "MPC Lectures" Department of Biomedical Engineering Amirkabir University of Technology , Autumn 2011
9- Dr. Farzaneh Abdollahi. "Neural Networks Lectures" Department of Electrical Engineering Amirkabir University of Technology ,Winter 2011
10-
90/10/10

72. با سپاس از توجه شما
90/10/10

73. THE END
THE END
90/10/10