|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
3 نتیجه برای هاونگی
آقای کاظم شکوهی مهر، دکتر محسن فرشاد، دکتر رمضان هاونگی، دکتر ناصر مهرشاد،
دوره 7، شماره 2 - ( 12-1399 )
چکیده
با توجه به عدم کارآیی مناسب روشهای مبتنی بر فیلتر کالمن برای تلفیق داده‌های ناوبری INS/GNSS در زمان قطع شدن سیگنال‌های GNSS، استفاده از تکنیک‌های هوش مصنوعی در معماری تلفیق مرسوم شده است. از این رو در این مقاله ضمن ارائه‌ی یک معماری ترکیبی مؤثر، از شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) برای پیش‌بینی مشاهدات مورد نیاز فیلتر کالمن در شرایط قطع شدن طولانی مدت GNSS استفاده شده است. در مدل پیشنهادی، برای آموزش شبکه عصبی، سرعت‌ها و موقعیت‌های INS به‌عنوان ورودی‌ها و سرعت‌ها و موقعیت‌های GNSS به‌عنوان خروجی‌های شبکه در نظر گرفته شده اند. این رویکرد در عین کاربردی و عملیاتی بودن، سبب کاهش چشمگیر بار محاسباتی و افزایش دقت و سرعت تخمین شده است. نتایج شبیه‌سازی‌‌ها نشان می‌دهند که به‌دلیل ساختار ساده و در عین حال مقاوم معماری تلفیق پیشنهادی، و البته انتخاب شبکه عصبی کارآمد با قابلیت کشف ارتباط مؤثر میان ورودی‌ها و خروجی‌ها و به تبع آن اصلاح مناسب خطاهای مربوط به سرعت‌ها و موقعیت‌های INS، می‌توان از روش ارائه شده برای ناوبری پیوسته، خوداتکا، با قابلیت اطمینان و دقت بالا در کاربردهای زمان واقعی استفاده نمود.
سیمین حسین زاده، دکتر رمضان هاونگی،
دوره 10، شماره 1 - ( 1-1402 )
چکیده
از خصوصیات سیستم های فیزیکی وجود اغتشاش و عدم قطعیت است که میتواند موجب کاهش کارایی و یا ناپایداری در سیستمهای صنعتی گردد. بازوی رباتیک نیز یکی از سیستمهای پرکاربرد در صنعت است که به‌شدت تحت تأثیر اغتشاش‌های گوناگون قرار می‌گیرد. ایجاد فرایند کنترلی مناسب جهت حذف اغتشاش یکی ازملزومات استفاده از این سیستم‌ها می‌باشد. از طرفی، بازوی رباتیک سیستمی به‌شدت غیرخطی دارد، بنابراین برای تخمین اغتشاشات ورودی به آن، نیاز به استفاده از تخمینگری است که برای سیستمهای غیرخطی نیز کارا باشد. در این مقاله از رویتگر اغتشاش غیرخطی[1] برای تخمین اغتشاش ثابت و اغتشاش نوسانی موجود در بازوی ربات استفاده شده است. از طرفی، کنترل‌کننده‌های عادی توانایی مقابله با اغتشاشات متفاوت را نداشته و نیاز به کنترل‌کنندهی دیگری که دربرابر اغتشاشات و عدم قطعیتها مقاوم باشد احساس می‌شود. لذا این مقاله ساختار کنترل‌کننده نظارتی را برای پایداری و حذف اغتشاش پیشنهاد میدهد. کنترل نظارتی شامل دو سطح است که سطح اول برای شرایط بدون اغتشاش طراحی شده است و سطح دوم در هنگام شناسایی اغتشاش و یا شرایط غیرعادی وارد عمل می‌گردد. در این مقاله، سطح اول کنترلی از PD[2] جهت پایدارسازی در حال عادی استفاده می‌نماید، لیکن ازآنجاکه PD به‌تنهایی توانایی مقابله با اغتشاش‌ها و عدم قطعیتها را ندارد، ساختار کنترل‌کننده نظارتی[3] وارد عمل شده و برای پایداری و حذف اغتشاش از کنترل‌کننده مد لغزشی SMC))[4] بهره خواهد برد. در واقع روش پیشنهادی، برپایه‌ی اغتشاش‌های پیش بینی شده تصمیم می‌گیرد که از کدام سطح کنترلی استفاده نماید و سیگنال کنترلی مناسب را برای پایداری مجانبی سیستم تولید کند. به علاوه،در این مقاله اثبات میشودکه کنترل مد لغزشی ساده توانایی مقابله با اغشاش ناسازگار[5] ربات را نداشته و برای پایدارسازی از کنترل مد لغزشی نوین(NSMC)[6] استفاده می‌شود. برای ارزیابی عملکرد روش پیشنهادی در چندین حالت شبیه‌سازی انجام‌شده است که نتایج عددی مزیت و کارایی کنترل‌کننده جدید پیشنهادی را نشان میدهد.
Nonlinear Disturbance observer
Proportional–Derivative Controller
Novel Sliding mode Control
Nonlinear Disturbance observer
Proportional–Derivative Controller
Novel Sliding mode Control
Nonlinear Disturbance observer
Proportional–Derivative Controller
Novel Sliding mode Control
Nonlinear Disturbance observer
Proportional–Derivative Controller
Novel Sliding mode Control
دکتر رمضان هاونگی،
دوره 10، شماره 2 - ( 6-1402 )
چکیده
خودروهای الکتریکی در چند دهه اخیر به دلیل عملکرد و کارایی آن‌ها، محبوبیت قابل توجهی کسب کرده‌اند. این خودروها در حال حاضر به طور گسترده به عنوان راهکاری برای چالش‌های محیط زیست جهانی و گازهای دی اکسید کربن شناخته می‌شوند. باتریهای لیتیوم-یون به دلیل مزایای مختلفی که دارند، بیشترین استفاده را در خودروهای الکتریکی دارند. تخمین وضعیت شارژ باتری در باتریهای لیتیوم یون نه تنها برای مدیریت بهینه انرژی بلکه برای اطمینان از عملکرد امن و جلوگیری از شارژ و دشارژ و در نتیجه کاهش عمر باتری از اهمیت بالایی برخوردار است. با این وجود، این پارامتر به طور مستقیم از پایانههای باتری قابل اندازهگیری نیست. بنابراین نیاز به تخمین آن وجود دارد. تاکنون روشهای مختلفی برای تخمین وضعیت شارژ باتری معرفی شدهاند. معروفترین روش برای تخمین وضعیت شارژ باتری فیلتر کالمن توسعه یافته است. فیلتر کالمن توسعه یافته بر اساس مدل باتری، وضعیت شارز باتری را تخمین میزند. با این وجود ، در فیلتر کالمن توسعه یافته، محاسبه ماتریس ژاکوبین میتواند باعث ناپایداری فیلتر و تخمین نادرست مدلهای غیرخطی باتری شود. برای حل این مشکلات، در این مقاله از فیلتر ذرهای حاشیهای هوشمند مبتنی بر اپراتورهای الگوریتم ژنتیک و M-H برای تخمین وضعیت شارژ باتریهای لیتیوم یون استفاده شده است. در روش پیشنهادی، برخلاف فیلتر ذرهای، نمونهبرداری بر روی توزیع حاشیهای انجام می‌شود و ابعاد نمونهبرداری با گذشت زمان افزایش نمی‌یابد. بعلاوه، با استفاده از اپراتورهای الگوریتم ژنتیک و الگوریتم M-H تنوع میان ذرات و سازگاری افزایش مییابد. برای ارزیابی عملکرد روش پیشنهادی برای تخمین وضعیت شارژ باتری، با تخمین وضعیت شارژ باتری با قیلتر ذرهای توسعه یافته و فیلتر ذرهای بی رد مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روشها است. روش پیشنهادی برای بدست آوردن دقت تخمین یکسان با فیلتر ذرهای به ذرات به مراتب کمتری نیاز دارد و حجم محاسبات آن پایین است. جذر میانگین مربعات خطا در روش پیشنهادی با ذرات مختلف نزدیک 0.007 است در حالی که در سایر روشها با کاهش ذرات جذر میانگین مربعات خطا در افزایش مییابد
|
|
|
|
|
| نشریه سامانه‌های غیرخطی در مهندسی برق در خصوص اصول اخلاقی انتشار مقاله، از توصیه‌های «کمیته بین‌المللی اخلاق نشر» موسوم به COPE و «منشور و موازین اخلاق پژوهش» مصوب معاونت پژوهش و فناوری وزارت علوم، تحقیقات و فناوری تبعیت می‌کند. |
|
|
|
|
|
