سیستم الکتروهیدرولیک مدل سازی – ایران ترجمه – Irantarjomeh
مقالات ترجمه شده آماده گروه مکانیک
مقالات ترجمه شده آماده کل گروه های دانشگاهی
مقالات
چگونگی سفارش مقاله
الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 38000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۳۰
کد مقاله
MEC30
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
مدل سازی و شناسایی سیستم الکتروهیدرولیک و کاربرد آن
نام انگلیسی
Modelling and Identification of Electrohydraulic System and Its Application
کالج مهندسی مکانیک، دانشگاه علوم و فن آوری نانجینگ
کالج ترافیک و حمل و نقل، دانشگاه جیائوتانگ
انستیتو فیزیک نانجینگ، چین
مرجع به انگلیسی
Proceedings of the 17th World Congress
The International Federation of Automatic Control Seoul, Korea; School of Mechanical Engineering, Nanjing University of Science and Technology, Nanjing – China, School of Traffic and Transportation, Beijing Jiaotong University; General Department, Nanjing Physical Institute
کشور
چین
مدل سازی و شناسایی سیستم الکتروهیدرولیک و کاربرد آن
چکیده
بطور کلی، اولین و مهمترین مرحله در تحلیل، پیش بینی و کنترل سیستم، مدل کردن صحیح سیستم می باشد. برای طراحی کنترل کننده غیر خطی سیستم الکتروهیدرولیک، تکنیک های مدل کردن زیادی مطرح شده است: تابع انتقال سیستم الکتروهیدرولیک با استفاده از روش اصل- اولیه شناخته می شود و مدل های هوشمند از طریق شبکه های عصبی و روش مدل کردن فازی ساخته می شوند. در ابتدا، سیستم الکتروهیدرولیتیی کنترل اتوماتیک عمق (ADCES) به عنوان نوع خاصی از سلاح معرفی شده و چگونگی به دست آوردن اطلاعات ورودی و خروجی آن مطرح می شود. سپس سه الگوریتم مدل سازی، شامل تابع انتقال، سیستم فازی و شبکه های عصبی با جزئیات بیان می شوند. در نهایت، ۵ مدل بر اساس ADCES شناسایی شده و تحلیل مدلهای حاصله بعنوان بنیان طراحی کنترل کننده مشخص می شود.
سیستم الکتروهیدرولیک مدل سازی
۱- مقدمه
سیستم الکتروهیدرولیک از مزایای زیادی از جمله واکنش سریع، دامنه سرعت قابل اصلاح گسترده، نسبت توان به وزن بالا و دوام زیاد برخوردار می باشد. بنابراین به طور گسترده ای در تولید صنعتی، صنایع کشاورزی و سیستم تسلیحاتی به کار می رود (۲۰۰۳، younkin و ۱۹۶۷، Merritl). برای تحلیل و کنترل سیستم الکتروهیدرولیک به یک مدل مناسب نیاز است: هر چند، با توجه به مشخصات غیر خطی سیستم الکتروهیدرولیک؛ شامل اشباع، بهره غیر خطی، شکستگی، تراکم پذیری سیال و رابطه غیر خطی فشار/ جریان، به دست آوردن یک مدل دقیق از آن مشکل است.
به طور سنتی، روش اصل اولیه غالباً در مدل سازی سیستم الکتروهیدرولیک از تکنیکی استفاده می کند که یک گروه از معادلات خطی ریاضی بر پایه اصول فیزیکی، مثل معادله پیوستگی و قانون دوم نیوتن را در بردارد. Zioer(2000)، برای یک ایستگاه تست تجربی هیدرولیک، یک تابع انتقال مرتبه چهارم و یک معادله تفاضلی خطی را بکار گرفت. Guonglin (2006) از یک تابع انتقال مرتبه سوم برای کار بر سیستم کنترل سرعت سیلندر پمپ استفاده نموده و بر روی مشخصات دینامیکی آن تحقیق کرد. (Qing-Hva2006)، (Kennetmuller، ۲۰۰۷) و (Govet، ۱۹۹۹) نسبت به ایجاد مدل های ریاضی سیستم های الکتروهیدرولیتی اقدام نموده و بر اساس مدل های به دست آمده کنترل کننده های غیر خطی را طراحی نمودند. هر چند، این مدل های خطی غیر دقیق نمی توانند با مشخصات غیر خطی ذاتی سیستم الکتروهیدرولیتی منطبق شوند و در عمل محدود می شوند.
…
سیستم الکتروهیدرولیک مدل سازی
۲- سیستم اتوماتیک کنترل عمق الکتروهیدرولیتی
سیستم اتوماتیک کنترل عمق الکتروهیدرولیتی (ADCES) یک نوع اسلحه خاص، همان گونه که در شکل ۱ نشان داده شده است، متشکل از دریچه فرمان/ سرو، سیلندر هیدرولیک، کفشک کوپیینگ، کدکننده موقعیت شافت و گاوآهن است. در فرآیند پیش رونده، کفشک کوپیینگ شکل سطح زمین را مشخص کرده و کد کننده موقعیت شافت زاویه بین بازوی گاوآهن و سطح کف را اندازه گیری می کند، بنابراین عمق واقعی فرو رفتگی گاوآهن قابل محاسبه است. کنترل اتوماتیک عمق از طریق حرکت تلسکوپی سیلندر هیدرولیک، بر حسب خطای بین عمق فرو رفتگی واقعی و مقدار تنظیم شده عمق فرو رفتگی توسط دریچه فرمان، انجام می گردد. در ADCES، توابع نگاشت تک ورودی و تک خروجی خاص ثابتی در موقعیت جابجایی پیستون، زاویه کد کننده موقعیت شافت و عمق فرو رفتگی واقعی وجود دارد. بنابراین، سیگنال ورودی ADCES کنترل ولتاژ دریچه فرمان است و خروجی ADCES جابجایی پیستون محسوب می شود.
سیستم الکتروهیدرولیک مدل سازی
۳- مدل سازی و شناسایی ADCES
این بخش سه الگوریتم مدل سازی، شامل تابع انتقال بر پایه روش اصل اولیه، سیستم فازی و شبکه عصبی بر پایه تکنیک هوشمند، را با جزئیات بیان می کند.
۳-۱- تابع انتقال
برای ایجاد تابع انتقال (TF)ADCES، باید ابتدا توابع دریچه فرمان و سیلندر هیدرولیک بر حسب قوانین فیزیکی متعددی شامل معادله دینامیک دریچه فرمان، معادله جریان، معادله پیوستگی و معادله تعادل نیرو شناسایی شود (۱۹۶۷، Merritl، ۱۹۷۶، Mortin، ۲۰۰۳، Younkin، ۲۰۰۳، Zeb).
۳-۲- سیستم فازی
تئوری فازی که سی سال پیش توسط پروفسور زاده (۱۹۶۵، Zadeh) معرفی شد، در دامنه گسترده ای از کاربرد به کار رفته است (۱۹۹۸، Babvska). مدل سازی فازی یکی از موفق ترین مدل ها است که در کنترل و شبیه سازی به کار می رود. دو نوع سیستم فازی وجود دارد: مدل فازی مامدانی (Mamdani) با تغییر پذیری بالا و مدل فازی Ts با دقت بالا (۱۹۸۵، Tokag) در این مقاله برای شبیه سازی دقیق مشخصات دینامیکی ADCES سیستم فازی TS به کار رفته اند. راهکارهای متعددی برای ساخت سیستم فازی از داده های عددی؛ مثل الگوریتم های خوشه بندی فازی (Gomez- Skarmeta– 1999)، سیستم های فازی- عصبی و سیستم های فازی تکوینی (۲۰۰۰، Cordon) مطرح شده است. (۱۹۹۶، Jong) این مقاله برای شناسایی پیشینه های سیستم فازی TS، از الگوریتم خوشه بندی GK و برای شناسایی نتایج سیستم TS از روش کمترین مربعات استفاده می کنند: بنابراین سیستم فازی ADCES/TS می تواند به دست آید.
۳-۳- شبکه عصبی
شبکه عصبی یک نوع سیستم دینامیک غیر خطی است که از عصب مغز انسان تقلید می کند و همچنین قابلیت یادگیری دارد (۲۰۰۵، Jinkun). تابع شعاعی پایه (RBF) و شبکه عصبی پیش رونده چند لایه (NN) پر کاربرد ترین شبکه های عصبی در مدل سازی سیستم های فیزیکی هستند. در کل، RBF می تواند دقیق تر سیستم را تقریب بزند. هر چند، وقتی فضای ورودی زیاد است، RBF محاسباتی می شود (۱۹۹۹، HE). بنابراین در این مقاله، یک NN پیش رونده سه لایه برای مدل سازی ADCES انتخاب شده است.
سیستم الکتروهیدرولیک مدل سازی
۴- آزمایشات
در ADCES، سیگنال ورودی ولتاژ کنترل دریچه فرمان در دامنه ولتاژ (۸، ۸-) ولت است و سیگنال خروجی جابجایی پیستون در دامنه [۴۵/۰ و ۰] متر است. با وجود اینکه ADCES یک سیستم غیر خطی مرتبه بالا است، با ورودی های معمولی مجاز مرتعش نمی شود. بنابراین آزمایش مربوط به جمع آوری اطلاعات بدون هر گونه کنترل کننده حلقه ای انجام می شود. با ms 100 زمان نمونه برداری، ۱۰۰۰۰ داده بدست می آید. ۶۰۰ داده اول برای طبقه بندی مدل استفاده می شود، در حالیکه ۴۰۰ داده دیگر برای تایید اعتبار مدل به دست آمده به کار می رود. همان طور که در شکل ۲ نشان داده شده است: (a) داده های ورودی را ارائه می کند و (b) داده های خروجی را نشان می دهد.
۴-۱- تابع انتقال ADCES
بعد از شناسایی، تابع انتقال ADCES(TF) به این صورت به دست می آید:
خروجی های ADCES و خروجی های تابع انتقال در شکل ۳ ترسیم شده است: (a) داده های طبقه بندی را نشان می دهد و (b) داده های تایید اعتبار را نشان می دهد. RMS و VAF تابع انتقال به دست آمده برای داده های طبقه بندی و داده های تایید اعتبار به ترتیب ۹۳% و ۵۱۴/۴۸% و ۱۵/۰ و ۳/۱۴% است. واضح است که تابع انتقال شناخته شده تنها می تواند ADCES را به طور تقریبی تعریف کند و تعمیم مدل ضعیف است.
۴-۲-. مدل خود برگشتی غیر خطی اتوماتیک ADCES
برای اندازه گیری میزان غیر خطی بدون ADCES تابع خود برگشتی غیر خطی مرتبه دوم با ورودی اضافی (NARX) نیز برای مدل سازی ADCES به کار می رود. مقایسه خروجی ها در شکل ۴ نشان داده شده است و شاخص های عملکرد در جدول ۱ لیست شده اند که نشان می دهد RMS و VAF مربوط به NARX به دست آمده برای داده های طبقه بندی و داده های تایید اعتبار ۰۴/۰ ۸۴۷/۹۰%، ۴۳% و ۶۵۴/۹۱% است. نتایج به دست آمده نشان می دهند که ADCES یک سیستم غیر خطی است که می تواند با استفاده NARX به خوبی مدل شود.
۴-۳- مدل TS فازی ADCES
مدل فازی TS برای ADCES با استفاده از الگوریتم خوشه بندی فازی و روش کمترین مربع ساخته می شود. تعداد خوشه ها بر حسب معیارهای تایید خوشه ها اندازه گیری می شود (۲۰۰۵، Zong- Yi) با الگوریتم مطرح شده در بخش ۳-۲ داریم:
۴-۴- سیستم استنباط توافقی عصبی- فازی ADCES
برای غلبه بر کمبود مدل TS، سیستم استنباط توافقی عصبی – فازی (ANFIS) جهت شناسایی ADCES به کار می رود.
ANFIS به کار رفته در این مقاله قابلیت فراگیری دارد، بنابراین؛ همان طور که در شکل ۷ نشان داده شده است، باید دقتی بیشتر از مدل TS داشته باشد، RMS و VAF مربوط به ANFIS به دست آمده برای داده های طبقه بندی داده های تایید اعتبار به ترتیب ۰۱۳%، %۹۹/۹۹، ۰۹۰% و %۶۱۲/۹۹ است. برای نشان دادن مجازی عملکرد، خطای طبقه بندی و خطای تایید اعتبار بر ANFIS در شکل ۸ نشان داده شده است. واضح است که خطای طبقه بندی خیلی کمتر از خطای تأیید اعتبار است و همچنین خطاهای بالاتر تأیید اعتبار نزدیک به دامنه محدود مقادیر مدل TS رخ می دهد.
۴-۵- شبکه عصبی ADCES
شبکه عصبی پیش رونده سه لایه (NN) برای ADCES ایجاد شده است. تعداد گره ها در لایه پنهان ۸ است و زمان طبقه بندی ۱۰۰۰ است. NN 10 برابر طبقه بندی داده می شود و مقادیر متوسط خروجی، RMS و VAF با ارزش دهی آغازی NN محاسبه می شود. خروجی ها و شاخص ها در شکل ۹ و جدول۱ ارائه شده اند. RMS و VAFANFI برای داده های طبقه بندی و داده های تایید اعتبار به ترتیب ۰۳۷% و %۹۲/۹۹، ۰۴۷%، %۸۹۴/۹۹ است. نتایج نشان می دهد که NN می تواند ADCES را با تعمیم زیادی به طور دقیق مدل کند و نیز NN کمترین خطای آموزش و تایید اعتبار و بیشترین شباهت را دارد و NN می تواند خصوصیات ADCES را حتی نزدیک دامنه محدود مقادیر تعریف کند.
سیستم الکتروهیدرولیک مدل سازی
۵- نتیجه گیری
سیستم الکتروهیدرولیتی یک سیستم غیر خطی است. بر اساس ADCES، ۵ مدل شامل تابع انتقال، NARX مدل ANFIS. TS و شبکه عصبی شناسایی شد. تحلیل مدل های به دست آمده پایه طراحی کنترل کننده را تشکیل می دهد. کارهای در حال انجام این مقاله کنترل دقیق ADCES بر پایه مدل فازی یا شبکه عصبی می باشد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
