بهینه سازی پارامترهای کنترل کننده PID و LQR در سیستم کنترل نیروسنج ترمز با جریان گردابی با استفاده از الگوریتم PSO

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 628

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICFUZZYS15_022

تاریخ نمایه سازی: 25 بهمن 1394

Abstract:

نیروسنج یک ابزار صنعت اتومبیل است که برای آزمایش موتور و عملکرد آن بمنظور تامین اطلاعات موتور مانند توان و گشتاور برای طراحی و تحلیل موضوع کاربرد دارد.نیروسنج با ترمزهای جریان گردابی، موثرتر و قابل کنترل پذیرتر است. در این مقاله معادلات فضای حالت بدست آمده از این سیستم به صورت تابع تبدیل در نظر گرفته شده است. هدف طراحی کنترل کننده PID و کنترل کننده LQR برای این سیستم به نحوی است که مشخصات پاسخ پله مطلوب بدست آید. الگوریتم بهینه سازی توده ذرات فازی بهبود یافته (IFPSO) پارامترهای کنترل کننده را طوری بدست می آورد تا پاسخ پله بهینه حاصل گردد. در الگوریتم پیشنهادی ، هر ذره به صورت دینامیکی ضریب اینرسی خود را بر اساس بهترین حافظه ذره با استفاده از مدل فازی غیر خطی تنظیم می نماید.عملکرد الگوریتم IFPSO با الگوریتم بهینه سازی توده ذرات و الگوریتم ژنتیک در اصطلاحات دقت و سرعت همگرایی مقایسه شده است. نتایج شبیه سازی موثر بودن روش پیشنهادی را نشان می دهد.

Keywords:

نیروسنج ترمز با جریان گردابی - کنترل کننده PID -کنترل کنندهLQR - الگوریتم بهینه سازی توده ذرات فازی بهبود یافته

Authors

سیدامین الله تقی زاده

دانشجوی کارشناسی ارشد، دانشگاه حکیم سبزواری

هانیه گریوانی

دانشجوی کارشناسی ارشد، دانشگاه حکیم سبزواری

احمد حاجی پور

عضوهیات علمی گروه مهندسی برق، دانشگاه حکیم سبزواری

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Angeline, P. J. Evolutionary optimization versus particle _ optimization: Philosophy ...
  • Alf.A, Fateh, M.M. Intelligent identifcation and control using improved fuzzy ...
  • Clerc, M., & Kennedy, J. The particle Swarm- explosion, stability, ...
  • Transactions of Evolutionary Computation, 2002; 6(1), 58-73 ...
  • Chatterjee, A., &Sarry, P.Nonlinear inertia weight variation for dynamic adaptation ...
  • Gay, Sebastien Emanuel, "Contactless Magnetic Brakes for Automotive Applications, " ...
  • Joelianto, Endra, "Robust Hoo _ Controller Design Via LMI Solution ...
  • jao, B., Lian, Z., &Gu, X. A.Dynammic inertia weight particle ...
  • Kennedy J, Eberthart RC, Particle swarm optimization, Proc IEEE IntConf ...
  • Kennedy J, Eberhart RC, Shi Y. Swarm intelligence. San Francisco, ...
  • Rattaweera, _ Halgamuge, S. K., & Watson, H. C. Selforganizing ...
  • Shi YH, Eberthart RC, A modified particle IEEE IntConf ...
  • Shi, Y., &Eberhart, R. C. Fuzzy adaptive particle Swam optimization. ...
  • Shi, Y., Eberhart, R.C. Parameter selection in particle Swam optimization. ...
  • TirtaNahari, EndraJoelianto, Suyatman, "An eddy brakes dynamometer control system design ...
  • Industrial Informatics (ICCSII) Indonesia, September 23-26, 2012 ...
  • Yang, X., Yuan, J., Yuan, J., & Mao, H. A ...
  • C omputation , 2007 _ 189, 1205-1213 ...
  • Zwe-Lee Gaing, "A particle _ optimization approach for optimum design ...
  • C ONVERSI ON, _ 19, NO. 2, JUNE 2004 ...
  • Zhao, L, & Yang, Y, "PSO-based single multiplicative neuron model ...
  • App lications200 9 _ 36, 2805-2812 ...
  • نمایش کامل مراجع