امتیاز کاربران: 

پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم

word
203
6 MB
31366
مشخص نشده
کارشناسی ارشد
قیمت: ۲۰,۳۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم

    پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت

    چکیده

    سیستم­های دینامیکی غیرخطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر در زمینۀ سیستم­های کنترل غیرخطی، طراحی یک کنترل کنندۀ مناسب و کارایی مطلوب آن شدیداً وابسته به استخراج یک مدل ریاضی بسیار دقیق از سیستم است. در سیستم­های صنعتی به دلیل وجود خاصیت بالای غیرخطی بودن، مدل­سازی دقیق امری بسیار دشوار است. به بیان دیگر در تعریف ریاضی و مدل­سازی یک سیستم با عدم قطعیت بالایی روبرو هستیم. اگرچه روش­های متعارف کنترل غیرخطی مانند کنترلرهای تطبیقی و لغزشی عدم قطعیت پارامتری را جبران می­کنند، اما در مواجه با عدم قطعیت مدل­سازی ساختار نیافته کاملاً آسیب­پذیر می­نمایند. در عوض و از طرف دیگر کنترل کننده­های مبتنی بر هوش محاسباتی، به لطف ویژگی خاص خود در عدم وابستگی به مدل ریاضی چنین محدودیتی را ندارند. با وجود پیشرفت­های اخیر، کنترل­کننده­های مبتنی بر شبکه­های عصبی همچنان در به کار گیری تخصص­های انسانی کم­توان هستند. همچنین کنترل کننده­های مبتنی بر منطق فازی نمی‌توانند آموزه­ای از رفتار پویای سیستم را در بهبود کارایی خود به کار گیرند.

    با توجه به مطالب فوق می­توان گفت که در این پایان نامه در حقیقت ما می­خواهیم طراحی جدیدی از ترکیب بهترین و آخرین روش­های کنترلی گفته شده در بالا را با روش­های کنترل بهینه و تطبیقی ارائه دهیم. کنترل کننده­های مورد نظر ما با بررسی و استفاده از رفتار دینامیک ناشناختۀ سیستم­ها مقاومت آنها را در برابر عدم قطعیت­های شناخته شده و ناشناخته بالا می­برند. ساختارهای متعارف کنترلی در برابر این نوع از عدم قطعیت­ها عملکرد ضعیفی از خود نشان می‌دهند. کنترل کنندۀ مورد نظر ما بر اساس اصول و ابزار محاسبات نرم طراحی می­شود، و به همین دلیل دارای چنین محدودیت­هایی نخواهد بود. لازم به ذکر است که در طراحی این نوع کنترل کننده باید ابتکار زیادی به خرج داد و در تنظیم پارامترها بسیار دقت کرد. با وجود این مزایا بسیاری از این نوع کنترل کننده­ها در کاربردهایشان دچار مشکل عدم پایداری می­شود. در این مقاله کنترل کننده­هایی را پیشنهاد خواهیم کرد که برای رفع این نقیصه از تکنیک­های کنترل بهینه و کنترل تطبیقی بر مبنای تئوری لیاپانوف به جای روش‌های معمولی و ابتکاری برای تنظیم استفاده می­کنند. با این طراحی­ها، پایداری کنترل کننده­های ما برخلاف سایر کننده­های هوشمند، تضمین خواهد شد.

    کلید واژه: بازوی رباتیک، مدیریت انرژی، کنترل تطبیقی، محاسبات نرم، PMSM.

    فصل 1- مقدمه

    روش­های طراحی کنترل کننده برای سیستم­های غیرخطی را می­توان به سه دسته تقسیم کرد. روش اول شامل خطی سازی سیتم­های غیرخطی حول نقطۀ کار است [1]. در این حالت قوانین کنترل کلاسیک برای سیستم­های تقریبی استفاده می­شود. با وجود سادگی این قوانین سیستم کنترل به صورت کلی کارایی تضمین شده­ای ندارد. روش دوم طراحی کنترل کننده بر اساس دینامیک سیستم­های غیر خطی است. در این روش خصوصیات سیستم­های غیر خطی حفظ می­شود، که همین امر به دلیل وجود دینامیک پیچیدۀ این سیستم­ها طراحی را بسیار سخت می­کند [2]. علاوه بر این، روش­های فوق، از مدل­سازی ریاضی دقیقی بهره می­برند که در حالت تئوری کارایی بسیار خوبی دارد، اما در عمل به علل مختلفی از جمله تغییر در شرایط عملیاتی، عدم قطعیت­های دینامیک اعم از ساختار یافته و ساختار نیافته، و اغتشاشات خارجی، دچار افت عملکردی می­شوند. در حقیقت به دست آوردن یک مدل ریاضی دقیق برای فرآیندهای سیستم­های پیچیدۀ صنعتی بسیار سخت است. به علاوه عوامل دیگری هم وجود دارند که قابل پیش­بینی نیستند، مانند اغتشاش، دما، تغییرات پارامترهای سیستم و غیره. بنابراین دینامیک سیستم را نمی­توان فقط بر اساس مدل احتمالاً دقیق ریاضی بیان کرد. روش سوم کنترل کننده­های غیر خطی را توسط ابزار محاسباتی هوشمند از جمله شبکه­های عصبی مصنوعی[1] (ANNs) و سیستم­های منطق فازی[2] (FLSs) پیاده­سازی می­کند [3-8]. این تکنیک­ها در بسیاری از کاربردهایشان به خوبی نتیجه داده­اند و به عنوان ابزاری قدرتمند توانسته­اند مقاومت بالایی را برای سیستم­هایی که به لحاظ ریاضی خوش تعریف نبوده و در معرض عدم قطعیت قرار گرفته­اند، ایجاد کنند [9,10]. تئوری تقریب عمومی[3] عامل اصلی افزایش استفادۀ اینگونه مدل­ها است و بیان می­دارد که با این روش­ها به لحاظ تئوریک قادر به تخمین هر تابع حقیقی و پیوسته­ای با دقت دلخواه هستند. مدل­های مختلف شبکه­های عصبی مصنوعی و منطق فازی برای حل بسیاری از مشکلات پیچیده به کار می­روند و نتایج نیز عموماً مطلوب است [11-14]، و می­توان به این نکته معترف بود که این روش­ها جایگزینی بر روش‌های کنترلی معمولی و کلاسیک خواهند بود. به عنوان نمونه­ای از قدرت­نمایی و کاربرد هوش مصنوعی می­توان به طراحی کنترل کننده­هایی برای فضاپیماها و ماهواره­ها اشاره کرد که مثالی از آن را در [15] آورده شده است.

     

    1-1-     پیشینۀ پژوهشی

    در ادامۀ بررسی پیشینۀ پژوهشی در موضوع تحقیق به بررسی کارهای انجام شده به صورت گزینشی و خلاصه می­پردازیم:

    شاید یکی از قدیمی­ترین طراحی­ها برای سیستم­های ناشناخته که با موفقیت همراه بود در مقاله­ای که در [27] آورده شده است، ارائه گشته است. این طراحی توسط Gregory C. Chow در سال1973 برای سیستم­های خطی با پارامترهای نامشخص و بر اساس تئوری کنترل بهینه صورت گرفته و به لحاظ تئوری نتایج مطلوبی را از خود نشان داده است. طراحی فوق فقط برای سیستم­های خطی جواب­گو بود و در عالم واقع و در عمل کاربرد چندانی نداشت اما زیر بنای طراحی­های جدید و بهتر را بنا نهاد.

    بعد از سال 73 و در تلاش برای طراحی برای سیستم­های ناشناختۀ غیرخطی مقالات، پایان­نامه­ها و کتب زیادی منتشر شد که اگر بخواهیم به همۀ آنها اشارۀ کوچکی هم داشته باشیم فرصت زیادی را می­طلبد. در اینجا با توجه به امکانات و منابع موجود و به ترتیب تاریخ انتشار مواردی را در حد اشاره­ای مختصر و بیان کلی نقاط ضعف و قوت بیان می­کنیم.

    در ابتدا می­توان به رسالۀ دکتری آقای Moon Ki Kim از دانشگاه ایلینویز شیکاگو [28] اشاره کرد، که در آن زمان (1991) استراتژی جدیدی را در صنعت ماشین­سازی مورد بررسی و تحقیق قرار داد. کار او روش جدیدی در طراحی سیستم­های کنترل به نام کنترل­کنندۀ فازی تطبیقی (AFC)[4] بود که با توجه به قدمت آن مزایا و معایب کار تا حدود زیادی مشخص است و نیازی به توضیح اضافه نیست.

    کارهای مشابه زیادی تا سال 2006 انجام گرفت که از توضیح در مورد آنها اجتناب می­کنیم و فقط چند نمونه را به عنوان مثال برای بررسی علاقه­مندان در مراجع می­آوریم [29-35].

    منابع اصلی ما که در حقیقت معیارهای عملکردی و مقایسه­ای برای ما محسوب می­شوند از سال 2007 به بعد خصوصاً 3 سال اخیر هستند که چند مورد از آن­ها را با بیان مزایا و معایبشان به اختصار بیان می­کنیم.

    I.

    II.

    III.

    IV.[5]

    از سال 2010 به بعد کارهای جدی­تری و البته در کاربردهای خاص در این زمینه انجام گرفته و هر کدام نیز نتایج خوبی را به دست داده­اند. بعضی از تحقیقات نیز جنبۀ کلی­تری داشتند که بررسی آن­ها می­تواند در این پایان­نامه کمک حال ما باشد. در ادامه به چند مورد به اختصار اشاره کرئه و توضیحات تکمیلی و تحلیلی را به آینده و متن اصلی پایان­نامه واگذار می‌کنیم.

    1)

    2)

    3)

    مقالات و پایان­نامه­های دیگری هم هستند که در این زمینه اشاراتی دارند اما موارد مذکور شاید در نوع خود به لحاظ ارتباط با موضوع تحقیق ما نزدیکتر و قابل حصول­تر باشند. اما در اگر آینده نیز منبع مناسب دیگری را هم به دست بیاوریم در به کارگیری و تحلیل آن و استفاده در بهبود کار خود درنگ نخواهیم کرد.

    1-2-     رئوس مطالب

    این پایان­نامه در چارچوب زیر تنظیم خواهد شد:

    فصل اول مقدمه و مثالی از کاربرد هوش مصنوعی در طراحی سیستم کنترل را شامل می‌شود.

     در فصول 2 و 3 کلیاتی از سیستم­های کنترل غیر خطی، کنترل تطبیقی، تئوری لیاپانوف و همچنین شبکه­های عصبی مصنوعی و سیستم­های منطق فازی به عنوان تکنیک­های محاسبات نرم، و را ارائه می­دهیم.

    در فصل چهارم سیستم بازوی رباتیک انعطاف­پذیر با در نظر گرفتن اصطکاک و تداخل را به این شرح مورد بررسی قرار می­دهیم. ابتدا سیستم­های صلب و منعطف را مدل­سازی و مقایسه می­کنیم، سپس کنترل تطبیقی را برای بازوی صلب طراحی می­نماییم. بعد از این مرحله طراحی تطبیقی برای جبران­سازی اثر اصطکاک و تداخل را با روش­های جبران اصطکاک تطبیقی[6] و جبران اغتشاش تطبیقی[7]، انجام خواهیم داد. در قدم بعدی کنترل کنندۀ فازی را برای کنترل بازوی رباتیک منعطف به کار برده و درنهایت با ترکیب دو روش تطبیقی و فازی به طراحی نهایی در این بخش خواهیم رسید و نتایج گویای توفیق طراحی خواهند بود.

    در فصل پنجم برای ماشین سنکرون با آهنربای دائم (PMSM) استراتژی­های مختلف کنترلی، که اساس آن­ها تئوری لیاپانوف و کنترل تطبیقی است را مورد بررسی قرار می­دهیم. روند کار به این صورت خواهد بود که، در ابتدا مدلی را برای شروع کار انتخاب می­کنیم (این مدل در همین گزارش آورده شده است). در ادامه برای کنترل سرعت و جریان از طراحی بردار کنترل تطبیقی و کنترل تطبیقی بر اساس روئیتگر، استفاده می­کنیم. برای توسعۀ کار در مرحلۀ بعد طراحی را در حالتی که پارامترهای سیستم ناشناخته است، تعمیم می­دهیم. در قدم بعدی و همان­طورکه قبلاً هم گفته شد از شبکۀ عصبی مصنوعی برای بالا بردن مقاومت سیستم و هوشمند شدن آن در کنار کنترل تطبیقی و بردار تطبیقی، که متضمن پایداری خواهد بود بهره خواهیم برد. در ادامه کنترل کنندۀ فازی تطبیقی برای اینکه هم به مقاومت و پایداری لازم دست یافت و هم اینکه از پیچیدگی سیستم کنترل کاست، استفاده می­کنیم. در آخر نیز نتایج با هم مقایسه خواهند شد.

    در فصل ششم طراحی هوشمند برای یک سیستم تولید انرژی مد نظر است. مانند دو فصل قبل، اولین مرحله مدل­سازی است که به مقدمات آن اشاره شده است. در ادامه طراحی کنترل کنندۀ تطبیقی فازی برای مبدل DC-DC و کنترل کنندۀ تطبیقی برای باس DC مورد نظر می­باشد که هدف آن ایجاد مقاومت، جریان صاف خروجی، حذف ریپل و ... است. از سوی دیگر در بحت مصرف انرژی، باید گفت که استفادۀ بهینه نه تنها باعث صرفه­جویی در مصرف می­شود بلکه موجبات افزایش طول عمر کل سیستم و کاهش اثرات تخریبی و آلودگی را فراهم می­آورد. در اینجا عملکرد بهینۀ باطری و باس DC بر اساس الگوریتم حالت شارژ  (SOC)برنامه­ریزی می­شود. برای این منظور از روئیتگر حالت و یا کنترل تطبیقی می­توان بهره جست. در حالتی که برای تولید انرژی از چند وسیلۀ مختلف استفاده شود برای مدیریت مناسب و بهره­وری بالا می­توان از کنترل کنندۀ فازی استفاده کرد، که در بخش آخر به آن پرداخته خواهد شد. نتایج نیز در انتها بررسی خواهند شد.

    نهایتاً در فصل هفتم و انتهایی نتیجه گیری و کارهای آینده را بیان می­نماییم.

    فصل 2- مقدمه‌ای بر کنترل غیرخطی

    2-1-     مقدمه

    در دنیای واقعی بسیاری از سیستم­های فیزیکی غیرخطی هستند و یک سیستم کنترل باید بتواند بر این خاصیت غیرخطی غلبه کند.

     دلایل استفاده از کنترل کننده های غیرخطی عبارت است از :

    تعدیل سیستمهای کنترل موجود

    بعضی از سیستمهای کنترل خطی براین اساس طراحی شده اند که تغییرات ورودی حول نقطه کار بسیار کوچک است. اما در عمل چون سیستم ذاتاً غیرخطی عمل می کند و امکان دارد تغییرات ورودی حول نقطۀ کار بزرگ باشد لذا احتمال ناپایداری کنترل کننده خطی سیستم بسیار زیاد است.

    آنالیز عوامل غیرخطی شدید

    در بعضی از سیستمهای کنترل عوامل غیرخطی وجود دارد که بواسطه طبیعت غیرپیوسته آنها امکان هیچ گونه تقریب خطی وجود ندارد. این عوامل غیرخطی شدید معمولاً شامل یکی از موارد اصطکاک کولمبی، اشباع، ناحیه مرده، backlash و هیسترزیس می باشد.

    وارد نمودن عدم قطعیت های مدل در طراحی

    در طراحی سیستمهای کنترل خطی، لازم است که فرض کنیم پارامترهای مدل سیستم به گونه ای معقول شناخته شده هستند. اما خیلی از مسائل کنترلی در مدل پارامتریک سیستم دارای یک سری عدم قطعیت هستند.

    سادگی در طراحی

    در بسیاری از مواقع، یک کنترل کننده غیرخطی که خوب طراحی شده بود میتواند نسبت به کنترل کننده خطی نظیرش بسیار ساده تر نیز باشد.

    معمولاً عوامل غیرخطی به دو دسته ذاتی و قراردادی تقسیم بندی می شوند.

    عوامل ذاتی آن دسته از عوامل هستند که به طور طبیعی جزء سیستم می باشند و اصطلاحاً به طور سخت افزاری در ذات سیستم واقع شده اند همچون اصطکاک کولمبی بین دو سطح، هیسترزیس، اشباع و backlash. عوامل غیرخطی قراردادی به طور مصنوعی توسط طراح به سیستم اعمال می گردد. قوانین کنترل غیرخطی قراردادی، همچون قوانین کنترل تطبیقی و قوانین کنترل بهینه Bang-Bang جزء دسته مواردی هستند که به سیستم کنترل اعمال می‌گردند تا عملکرد سیستم را بهبود بخشد [32].

    2-2-     سیستم غیرخطی

    سیستمی که اصل جمع آثار در مورد آن صادق نباشد، سیستم غیرخطی نامیده می‌شود و معمولاً به صورت زیر نمایش داده می‌شود.

    که در رابطۀ فوق:

     بردار کنترل ورودی،  تابع بردار غیرخطی،  بردار حالت، و n تعداد حالات یا مرتبۀ سیستم است.

    2-3-     تئوری پایداری لیاپانوف

    در بین خواص مختلف سیستم‌های کنترل، اولین و مهم‌ترین آن‌ها، مسئله پایداری می‌باشد.

    در هر سیستم کنترل چه خطی و چه غیرخطی، بررسی مسئله پایداری بسیار حائز اهمیت بوده و بایستی به دقت مورد مطالعه قرار گیرد.

    با این تفاوت عمده که در مورد سیستم‌های خطی، پایداری برای کل سیستم تعریف می شود و در سیستم‌های غیرخطی، پایداری نقطه تعادل مورد بررسی قرار می‌گیرد و در ضمن این امکان وجود دارد که سیستمی غیرخطی بازاء شرط اولیه‌ای پایدار و بازاء ورودی خاصی ناپایدار باشد.

    هدف اصلی از این بخش، ارائه تئوری پایداری لیاپانوف و کاربرد آن در آنالیز و طراحی سیستم‌های غیرخطی می باشد.

    قبل از پرداختن به تعاریف پایداری برحسب لیاپائوف مجبوریم به چند تعریف بپردازیم:

    2-3-1-          سیستم وابسته به زمان[8]

    سیستم  را وابسته به زمان گویند، اگر تابع f به زمان وابسته باشد.

    طبیعت متغیر با زمان بودن سیستم‌های کنترل یا به ذات پروسه سیستم مربوط می باشد و یا به قانون کنترلی سیستم.

     یک پروسه متغیر با زمان همراه با دینامیک  را در نظر بگیرید. اگر کنترل کننده این سیستم به زمان وابسته باشد مثلاً  آنگاه سیستم f متغیر با زمان نامیده می‌شود.

    2-3-2-         تفاوت اصلی بین سیستمهای متغیر با زمان و نامتغیر با زمان

    مسیر حالت در سیستم‌های نامتغیر با زمان مستقل از زمان اولیه می باشد با آنکه در سیستم‌های متغیر با زمان اصلاً اینطور نیست. اختلاف فوق ما را ملزم می‌کند که در تعریف مفهوم پایداری برای سیستم‌های متغیر با زمان، زمان اولیه مطلقاً تاثیر گذار است و به همین دلیل آنالیز سیستم‌های متغیر بازمان بسیار پیچیده تر از سیستم‌های نامتغیر با زمان است.

    2-3-3-        مفهوم پایداری به بیان لیاپانوف

    حالت تعادل x=0 را پایدار گوییم اگر برای هر ،  وجود داشته باشد به نحوی که اگر ، آنگاه برای تمام زمان‌های  داشته باشیم . در غیر این صورت سیستم را به بیان لیاپانوف ناپایدار گویند.

    تعریف پایداری فوق که بنام پایداری براساس مفهوم لیاپانوف نیز نامیده می‌شود به این معنی است که برای یک سیستم پایدار که شروع کار سیستم بسیار نزدیک به مبداء باشد آنگاه مسیر حالت سیستم نیز به مبداء بسیار نزدیک خواهد بود. اگر بخواهیم کلاسیک‌تر صحبت کرده باشیم می‌توان گفت که تعریف فوق بیان می دارد که مبداء در یک سیستم غیر خطی پایدار است اگر مسیر حالت شروع شده از هر نقطه دلخواه نزدیک به مبدأ و با گذشت زمان از ناحیه کروی گون به شعاع R خارج نگردد.

    شکل  ‏2.1- مفهوم پایداری لیپانوف

    در این بخش مفاهیم مختلف پایداری از جمله پایداری مجانبی[9]، پایداری نمائی[10]، پایداری مجانبی مطلق[11] را برای سیستم های نامتغیر با زمان ارائه خواهیم داد.

    2-3-3-1-        تعریف پایداری مجانبی

    نقطه تعادل صفر را پایدار مجانبی می گوئیم اگر اولاً پایدار باشد (در مفهوم لیاپانوف) و ثانیاً اگر  بازاء هر ، کوچکتر از r باشد، آنگاه زمانی که  میل می‌کند،  میل کند.

    2-3-3-2-        تعریف پایداری نمائی

    نقطه تعادل صفر را پایدار نمائی می‌گویند اگر اعداد مثبت  به نحوی وجود داشته باشند که:

    باید توجه داشت که پایداری نمائی الزاماً پایداری مجانبی را نتیجه می‌دهد اما عکس این مطلب صادق نیست.

     

    [1] Artificial neural networks

    [2] Fuzzy logic systems

    [3] Universal approximation theorem

    [4] Adaptive Fuzzy Controller

    [5] Adaptive Neuro-Fuzzy Interface System

    [6] Adaptive Friction Compensation

    [7] Adaptive Disturbance Compensation

    [8] Non-Autonomous

    [9] Asymptotic Stability

    [10] Exponential Stability

    [11] Global Asymptotic Stability

    ABSTRACT

    Optimal Adaptive Control Design of Complex Dynamic Systems Based on Soft-Computing Method

     

    Nonlinear dynamical systems face numerous challenges that need to be addressed such as, severe nonlinearities, varying operating conditions, structured and unstructured dynarnical uncertainties, and external disturbances. In spite of the recent advances in the area of nonlinear control systems, conventional control techniques depend heavily on precise mathematical system models to provide satisfactory performance. In real life, and due to high nonlinearities, deriving a precise model could be a difficult undertaking. Although convention al nonlinear control strategies, such as adaptive and sliding mode controllers, compensate for parametric uncertainties, they are still vulnerable in the presence of unstructured modeling uncertainties. On the other hand, computational intelligence based controllers do not have su ch a limitation, thanks to their mathematical model dependence free characteristic. Despite of the recent results, neural network-based controllers remain incapable of incorporating any human-like expertise and fuzzy logic-based controllers are unable to incorporate any learning already acquired about the dynamics of the system in hand.  Driven by the aforementioned motivation, this thesis is meant to contribute to the latest developments and merits of such tools by novel adaptive control methodologies developments. The proposed controllers assume uncertain/unknown systems dynamics to achieve robustness to both structured and unstructured uncertainties of higher and different magnitudes. Conventional control structures offer poor performance in the presence of these kinds of uncertainties. Unlike these approaches, the proposed controllers are based on soft-computing tools, which do not have such limitations, thanks to their learning and generalization capabilities. However, these tools are often based on heuristics and tuning may not be trivial. Furthermore, many softcomputing based controllers lack stability proofs in various control applications. In this thesis, the proposed control architectures are designed using Lyapunov-based adaptation techniques instead of conventional heuristic tuning methods. Thus, the stability of the proposed controllersis guaranteed unlike many computational intelligence-based control schemes.

  • فهرست و منابع پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم

    فهرست:

    فصل 1- مقدمه. 2

    1-1- پیشینۀ پژوهشی.. 3

    1-2- رئوس مطالب... 5

    فصل 2- مقدمه‌ای بر کنترل غیرخطی.. 8

    2-1- مقدمه. 8

    2-2- سیستم غیرخطی.. 9

    2-3- تئوری پایداری لیاپانوف... 9

    2-3-1- سیستم وابسته به زمان.. 9

    2-3-2- تفاوت اصلی بین سیستم‌های متغیر با زمان و نامتغیر با زمان.. 10

    2-3-3- مفهوم پایداری به بیان لیاپانوف... 10

    2-3-3-1- تعریف پایداری مجانبی.. 11

    2-3-3-2- تعریف پایداری نمائی.. 11

    2-3-3-3- تعریف پایداری مطلق.. 11

    2-4- کنترل تطبیقی.. 11

    4-2-1- غیر مستقیم.. 12

    2-4-2- مستقیم.. 12

    فصل 3- مقدمه‌ای بر محاسبات نرم. 15

    3-1- مقدمه. 15

    3-2- شبکۀ عصبی مصنوعی.. 16

    3-2-1- مقدمه. 16

    3-2-2- الهام از بیولوژی.. 19

    3-2-3- مدل نرون.. 20

    3-2-4- معماری شبکۀ چند لایه. 20

    3-3- کنترل فازی.. 21

    3-3-1- مقدمه. 21

    3-3-2- مفاهیم اولیه و تعاریف مقدماتی.. 22

    3-3-3- ساختار کلی کنترل کنندۀ فازی.. 24

    3-3-4- اجزای یک کنترل کنندۀ فازی.. 24

    3-3-5- انواع کنترل کنندههای فازی.. 25

    3-3-6- مقاسیۀ فازی نوع 1 با نوع 2.. 26

    3-3-6-1- نمایش عدم قطعیت سیستم‌های Type-1  بوسیله Type-2. 26

    3-3-6-2- توابع عضویت در فازی نوع 2.. 27

    3-3-7- طراحی کنترل کننده فازی.. 28

    3-3-7-1- طراحی سیستم‌های ردیاب با فیدبک حالت... 28

    3-3-8- دیاگرام روش طراحی کنترل کنددۀ فازی.. 29

    فصل 4- طراحی کنترل‌کننده برای بازوی رباتیک با هدف خنثی کردن اثرات اصطکاک، تداخل و ارتجاع   32

    4-1- مقدمه. 32

    4-2- مدل‌سازی.. 33

    4-2-1- مدل‌سازی سیستم صلب: 33

    4-2-2- مدل‌سازی سیستم منعطف: 34

    4-3- کنترل‌کننده تطبیقی برای سیستم صلب... 37

    4-3-1- شبیه‌سازی.. 40

    4-3-2- نتایج.. 41

    4-4- طراحی کنترل‌کننده تطبیقی با هدف خنثی کردن اصطکاک... 42

    4-4-1- شبیه‌سازی.. 50

    4-4-2- نتایج.. 51

    4-5- طراحی کنترل کنندۀ تطبیقی بر اساس شبکۀ عصبی برای خنثی کردن اغتشاش.... 53

    4-5-1- توضیح شماتیک کنترل کننده: 55

    4-5-2- شبیه‌سازی و نتایج.. 55

    4-6- طراحی کنترل کننده فازی برای بازوی رباتیک.... 59

    4-6-1- شبیه‌سازی و نتایج.. 61

    4-7- طراحی‌کننده فازی تطبیقی برای بازوی رباتیک.... 65

    4-7-1- شبیه‌سازی و نتایج.. 70

    4-7-2- نتیجه‌گیری.. 73

    فصل 5- طراحی سیستم کنترل هوشمند بر اساس تئوری لیپانوف برای ماشین‌های سنکرون با آهنربای دائم (PMSM) 77

    5-1- مقدمه. 77

    5-2- مدلس‌ازی سیستم: 80

    5-3- بردار تطبیقی براساس رویتگر. 81

    5-3-1- تئوری تطبیقی.. 85

    5-4- طراحی کنترل تطبیقی براساس رویتگر. 88

    5-4-1- شبیه‌سازی.. 93

    5-4-2- نتایج.. 94

    5-5- طراحی سیستم کنترل تطبیقی برای سیستم با دینامیک نامعلوم. 97

    5-5-1- نتایج.. 101

    5-6- طراحی سیستم کنترل کنندۀ تطبیقی بدون سنسور براساس شبکه عصبی.. 104

    5-6-1- شبیه‌سازی و نتایج.. 111

    5-7- کنترل فازی تطبیقی.. 115

    5-7-1- شبیه‌سازی و نتایج.. 121

    5-8- نتیجه‌گیری.. 125

    فصل 6- مدیریت و کنترل سیستم‌های تولید انرژی هوشمند.. 129

    6-1- مقدمه. 129

    6-1-1- مدل‌سازی سیستم.. 131

    6-1-1-1- مبدل DC-DC دوطرفه. 131

    6-1-1-2- باطری‌ها 133

    6-2- طراحی کنترل تطبیقی فازی برای مبدل DC-DC.. 135

    6-2-1- شبیه‌سازی و نتایج: 138

    6-3- کنترل تطبیقی باس DC: 144

    6-3-1- شبیه‌سازی و نتایج: 146

    6-4- برآورد حالت شارژ (SOC) بر اساس رؤیتگر. 149

    6-4-1- شبیه‌سازی و نتایج.. 151

    6-5- برآورد حالت شارژ (SCC) با تئوری تطبیقی.. 155

    6-5-1- شبیه‌سازی و نتایج.. 158

    6-6- طراحی سیستم نظارتی فازی برای مدیریت انرژی وسایل الکتریکی با چند منبع مختلف: 161

    6-6-1- شبیه‌سازی و نتایج.. 165

    6-7- نتیجه‌گیری.. 168

    فصل 7- نتیجه‌گیری.. 172

    فهرست مراجع.. 174

    منبع:

    فهرست مراجع

    [1]K. Pathak, J. Franch, and S. Agrawal, "Velocity and position control of a wheeled inverted pendulum by partial feedback linearization," IEEE Transactions on Robotics, vol. 21, no. 3, pp. 505-513, Jun. 2005.

    [2]Z. Li and J. Luo, "Adaptive robust dynamic balance and motion controls of mobile wheeled inverted pendulums," IEEE Transactions on Control Systems Technology, vol. 17, no. 1, pp. 233-241. Jan. 2009.

    [3]T. Batzel and K. Lee, "An approach to sensorless opération of the permanent-magnet synchronous motor using diagonally récurrent neural networks," IEEE Transactions on Energy Conversion, vol. 18, no. 1, pp. 100-106, Mar. 2003.

    [4]C.-H. Chen, C.-J. Lin, and C.-T. Lin, "Nonlinear system control using adaptive neural fuzzy networks based on a modified differential évolution," IEEE Transactions on Systems, Man, and Cybernetics, Part C : Applications and Reviews, vol. 39, no. 4, pp. 459-473, Jul. 2009.

    [5]S. Ge and I. Postlethwaite, "Adaptive neural network controller design for flexible joint robots using singular perturbation technique," Transactions ofthe Institute of Measurementand Control, vol. 17, no. 3. pp. 120-131, 1995.

    [6]H. Hagras, "A hierarchical type-2 fuzzy logic control architecture for autonomous mobile robots," IEEE Transactions on Fuzzy Systems, vol. 12, no. 4, pp. 524-539, August 2004.

    [7]G. Hongyu, J. Jiuchun, and W. Zhanguo, "Estimating the state of charge for Ni-MH battery in HEV by RBF neural network," in IEEE International Workshop on Intelligent Systems and Applications, ISA 2009, Wuhan, China, May 2009, pp. 1-4.

    Zadeh, Lotfi A., "Fuzzy Logic, Neural Networks, and Soft Computing," Communication of the ACM, March 1994, Vol. 37 No. 3, pages 77-84.

    [9]F.-J. Lin and P.-H. Chou, "Adaptive control of two-axis motion control system using interval type-2 fuzzy neural network," IEEE Transactions on Industrial Electronics, vol. 56, no. 1, pp. 178-193, Jan. 2009.

    [10]L. X. Wang, Adaptive Fuzzy Systems and Control : Design and Stability Analysis. PTR Prentice Hall, 1994. 289 Bibliography 290

    [11]F.-J. Lin and C.-H. Lin, "A permanent-magnet synchronous motor servo drive using self-constructing fuzzy neural network controller," IEEE Transactions on Energy Conversion, vol. 19, no. 1, pp. 66-72, Mar. 2004.

    [12]C.-W. Park, "Robust stable fuzzy control via fuzzy modeling and feedback linearization with its applications to controlling uncertain single-link flexible joint manipulators," Journal of Intelligent and Robotic Systems : Theory and Applications, vol. 39, no. 2, pp. 131-147, February 2004.

    [13]S. Jung and S. Kim, "Control experiment of a wheel-driven mobile inverted pendulum using neural network," IEEE Transactions on Control Systems Technology, vol. 16, no. 2, pp. 297-303, Mar. 2008.

    [14]C. Tao, J. Taur, T. Hsieh, and C. Tsai, "Design of a fuzzy controller with fuzzy swingup and parallel distributed pôle assignment schemes for an inverted pendulum and cart System," IEEE Transactions on Control Systems Technology, vol. 16, no. 6, pp. 1277- 1288, Nov. 2008.

    [15]S. Bolognani, L. Peretti, and M. Zigliotto, "Design and implementation of model predictive control for electrical motor drives," IEEE Transactions on Industrial Electronics, vol. 56, no. 6, pp. 1925-1936, Jun. 2009.

    [16]H. Jin and J. Lee, "An RMRAC current regulator for permanent-magnet synchronous motor based on statistical model interprétation," IEEE Transactions on Industrial Electronics, vol. 56, no. 1, pp. 169-177, Jan. 2009.

    Goldberg, David E. (1989). Genetic Algorithms in Search Optimization and Machine Learning. Addison Wesley. pp. 41.

    [18]A. Colorni, M. Dorigo et V. Maniezzo, Distributed Optimization by Ant Colonies, actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.

    Luke,S. Essentials of Metaheuristics, Department of Computer Science George Mason University, February, 2010.

    [20]

    [21]

    [22]J. J. E. Slotine, W. Li, “Applied Nonlinear Control”, Prentice Hall. 1991.

    [23]Taylor, D. G., Kokotovic, P. V., Marino, R. and Kanellakopoulos, I, "Adaptive Regulation ofNonlinear Systems with Unmodeled Dynamics I.EEE. Trans. Aut. Contr., 34, pp. 405-412 (1999).

    [24]Sastry, S. and Bodson, M., “ Adaptive Control: Stability, Convergence, and Robustness”, Prentice- Hall (2008).

    [25]K. M. Passino, S. Yurkovicch. “Fuzzy Control”, Addison-Wesley Longman, .Inc. (1998).

    [26]W. li, Xin, “A course in Fuzzy Systems and Control”, Prentice-Hall. (1995).

    [27]G. C. Chow, “A solution to optimal control of linear systems with unknown parameters”, Econometric Research Program No 157, (1973).

    [28]M. K. Kim, “A new control strategy Adaptive fuzzy control (AFC) in machining”, Thesis for degree of doctor of philosophy in mechanical engineering, Illinois University at Chicago, 1991.

    [29]C. Y. Su, Y. Stepanenko, “Adaptive control of a class of nonlinear systems with fuzzy logic” IEEE Transaction on Fuzzy Systems VOL. 2, NO. 4, (1994).

    [30]T. Yang, C. M. Yang, L. B. Yang, “A Detailed Study of Adaptive Control of Chaotic Systems with Unknown Parameters” Dynamics and Control, 8, 255–267 (1998).

    [31]L. Chen, G. Chen, Y. W. Lee, “Fuzzy modeling and adaptive control of uncertain chaotic systems” Information Sciences 121, 27-37, (1999).

    [32]H. K. Lam, F. H. F. Leung, Y.S. Lee, “Design of a Switching Controller for Nonlinear Systems With Unknown Parameters Based on a Fuzzy Logic Approach” IEEE Transaction on Fuzzy Systems VOL. 34, NO. 2 (2004).

    [33]W. Y. Chun, Z. H. Gung, W. Y. Zhong “Fuzzy adaptive control of stochastic nonlinear systems with unknown  virtual control gain function” ACTA Automatica Sinica, (2006).

    [34]T. Hayakawa, “Direct Adaptive Control for Nonlinear Uncertain Dynamical Systems” Thesis for degree of doctor of philosophy in Aerospace enineering, Georgia Institute of Technology, (2003).

    [35]Y. Shin, “Neural Network Based Adaptive Control for Nonlinear Dynamic Regimes” Thesis for degree of doctor of philosophy in Mechanical Engineering, Georg W. Woondruff School, (2005).

     Mark W.Spong. S.Hutchinccn. M.Vidyasagar, “Robot Dynumic and control”, Second Eddition, Amazon com. 2004.

    H. chaui, P.sicard, Gueaieb”Ann-Based Adaptive control of Robatic Manipulator With friction and Jaint Elusticity” IEEE Trans friction & Indusbrial Edoctronics Val, 56 no. & pp 3174-s187 005.

     S-J. Huang and C.-L. Huang “control of an inverted pendulum using grey prediction model,” IEEE Transaction cu control systems Technology, 2005.

     B.Armstrong and c.c de wit, “friction modeling and compensation” the control Handbook 1995.

    H.olsson, k.Astorm. C.D de wit M.Grafvert and P.Lischinsky, “friction models & friction compensation” 1998.

     C.de wit. “Robust control for servo-mechanisems under inexact friction compensation” Automatic 1993.

     H.chaoui, … “Nerual Network based model Reference adaptive control strueture for flexible Joint with hard nonlineavities” 2004.

     H.chaui, P.sicard… “Refence model supervisory loop for neural network based adaptive control of a flexible Joint with hard nonlinearities” 2004.

     f.Ghorbd and M.spong. “Adaptive integral manifold control of flexible joint robot manipulators” 1992.

     W. pedryez “why triangular membership functions?” 1994

    [46]B. Chen, X. Liu and S. Tong, “Adaptive Fuzzy Output Tracking Control of MIMO Nonlinear Uncertain Systems”, IEEE Transaction on Fuzzy Systems VOL. 15, NO. 2 (2007).

    [47]A. E. Ougli, I. Lagrat and I. Boumhidi, “A Type-2 Fuzzy Adaptive Controller of a Class of Nonlinear System”, International Journal of Information & Mathematic Science 4:4(2008).

    [48]D. B. Pietri and M. Krstic, “Adaptive Tracking Controller for Systems With Unknown Long Delay and Unknown Parameters in the Plant”, American Control Conference, ThA18.1(2009).

    [49]A. Kusagur, S. F. Kodad and B. V. Sankar Ram, “Modeling, Design & Simulation of an Adaptive Neuro-Fuzzy Inference System (ANFIS) for Speed Control of Induction Motor”, International Journal of Computer Application 0975-8887, VOL. 6, NO. 12, (2010).

    [50]R. Qi, G. Tao, B. Jiang and C. Tan, “Adaptive Control Schemes for Discrete-Time T-S Fuzzy Systems with Unknown Parameters and Actuator Failures”, American Control Conference, (2011).

    [51]M. Bahita and K. Belarbi, “International Journal of Information Technology Convergence and Services (IJITCS) Vol.1, No.1(2011).

    [52]D. Elleuch and T. Damak, “” International Journal of Information Technology Convergence and Services (IJITCS) Vol.2, No.2 (2012).

    [53]A. D. Luca, A. Isidori, and F. Nicolo, "Control of robot arm with elastic joints via nonlinear dynamic feedback," in Proceedings ofthe IEEE Conférence on Décision and Control Including The Symposium on Adaptive Pro, Fort Lauderdale, FL, USA, 1985, pp.1671-1679.

    [54]K. Khorasani, "Nonlinear feedback control of flexible joint manipulators : A single link case study," IEEE Transactions on Automatic Control, vol. 35, no. 10, pp. 1145-1149, Oct. 1990.

    [55] C. de Wit, "Robust control for servo-mechanisms under inexact friction compensation," Automatica, vol. 29, no. 3, p. 757Û761, 1993.

    [56] H. Chaoui and W. Gueaieb, "Type-2 Fuzzy Logic Control of a Flexible-Joint Manipulator," Journal of Intelligent and Robotic Systems, vol. 51, no. 2, pp. 159-186, Feb. 2008.

    [57]H. Chaoui, W. Gueaieb, and M. C. Yagoub, "Artificial Neural Network Control of a Flexible-Joint Manipulator under Unstructured Dynamic Uncertainties," in IEEE International Workshop on Robotic and Sensors Environments, 2007.

    [58]H. Chaoui, S. Miah, and P. Sicard, "Adaptive Fuzzy Logic Control of a DC-DC Boost Converter with Large Parametric and Load Uncertainties," in IEEE/ASME Advanced Intelligent Mechatronics International Conférence, 2010, pp. 757-580.

    [59]H. Chaoui and W. Gueaieb, "Type-2 Fuzzy Logic Control of a Flexible-Joint Manipulator," Journal of Intelligent and Robotic Systems, vol. 51, no. 2, pp. 159-186, Feb 2008.

    [60]F. Morel, J.-M. Rétif, L.-S. Xuefang, and C. Valentin, "Permanent magnet synchronous machine hybrid torque control," IEEE Transactions on Industrial Electronics, vol. 55,no. 2, pp. 501-511, Feb. 2008.

    [61] A. Piippo, M. Hinkkanen, and J. Luomi, "Analysis of an adaptive observer for sensorless control of interior permanent magnet synchronous motors," IEEE Transactions on Industrial Electronics, vol. 55, no. 2, pp. 570-576, Feb. 2008.

    [62]M. F. Rahman, L. Z. E. Haque, and M. A. Rahman, "A direct torque-controlled interior permanent-magnet synchronous motor drive without a speed sensor," IEEE Transactions on Energy Conversion, vol. 18, no. 1, pp. 17-22. Mar. 2003.

    [63]S. Bolognani, L. Tubiana. and M. Zigliotto. "Extended Kalman filter tuning in sensorless PMSM drives," IEEE Transactions on lndustry Applications, vol. 39, no. 6, pp. 1741-1747, Nov.-Dec. 2003.

    [64]M. Boussak, "Implementation and expérimental investigation of sensorless speed control with initial rotor position estimation for interior permanent magnet synchronous motor drive," IEEE Transactions on Power Electronics, vol. 20, no. 6, pp. 1413-1422,Nov. 2005.

    [65]J. Solsona, M. I. Valla, and C. Muravchik, "Nonlinear control of a permanent magnet synchronous motor with disturbance torque estimation," IEEE Transactions on Energy Conversion, vol. 15, no. 2, pp. 163-168, Jun. 2000.

    [66]R. Yan, B. Li, and F. Zhou, "Sensorless control of PMSMs based on parameter optimized MRAS speed observer," in IEEE International Conference on Automation and Logistics, Sep. 2008, pp. 1573-1578.

    [67]L. Jiaxi, Y. Guijie, and Y. Pengfei, "Rotor position estimation for PMSM based on sliding mode observer," in IEEE International Conférence on Mechatronics and Automation, Aug. 2007, pp. 3684-3689.

    [68]B.-H. Bae, S.-K. Sul, J.-H. Kwon, and J.-S. Byeon, "Implementation of sensorless vector control for super-high-speed PMSM of turbo-compressor," IEEE Transactions on lndustry Applications, vol. 39, no. 3, pp. 811-818, May-June 2003.

    [69]C. French and P. Acarnley, "Direct torque control of permanent magnet drives," IEEE Transactions on lndustry Applications, vol. 32, no. 5, pp. 1080-1088, Sep.-Oct. 1996.

    [70]N. Idris and A. Yatim, "Direct torque control of induction machines with constant switching frequency and reduced torque ripple," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 758-767, Aug. 2004.

    [71]G. Buja and M. Kazmierkowski, "Direct torque control of PWM inverter-fed AC motors - a survey," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 744-757, Aug. 2004.

    [72]V. Ambrozic, G. Buja, and R. Menis, "Band-constrained technique for direct torque control of induction motor," IEEE Transactions on Industrial Electronics, vol. 51, no.4, pp. 776-784, Aug. 2004.

    [73]K. Drobnic, M. Nemec, D. Nedeljkovic, and V. Ambrozic, "Prédictive direct control applied to AC drives and active power filter," IEEE Transactions on Industrial Electronics, vol. 56, no. 6, pp. 1884-1893, Jun. 2009.

    [74]S. Bolognani, L. Peretti, and M. Zigliotto, "Design and implementation of model predictive control for electrical motor drives," IEEE Transactions on Industrial Electronics, vol. 56, no. 6, pp. 1925-1936, Jun. 2009.

    [75]H. Jin and J. Lee, "An RMRAC current regulator for permanent-magnet synchronous motor based on statistical model interprétation," IEEE Transactions on Industrial Electronics, vol. 56, no. 1, pp. 169-177, Jan. 2009.

    [76]H. Ndjana and P. Lautier, "Sensorless vector control of an IPMSM using unscented Kalman filtering," in IEEE International Symposium on Industrial Electronics, July 2006, pp.2242-2247.

    [77]R. A. Freeman and P. V. Kokotovic, "Lyapunov design," The Control Handbook, vol. 77, pp. 932-940, 1996.

    C. Olalla, R. Leyva, A. E. Aroudi, and I. Queinnec, "Robust LQR control for PWM converters : An LMI approach," IEEE Transactions on Industrial Electronics, vol. 56, no. 7, pp. 2548-2558, Jul. 2009.

    T. Qi, L. Xing, and J. Sun, "Dual-boost single-phase PFC input current control based on output current sensing," IEEE Transactions on Power Electronics, vol. 24, no. 11, pp. 2523-2530, Nov. 2009.

    F. Oettmeier, J. Neely, S. Pekarek, R. DeCarlo, and K. Uthaichana, "MPC of switching in a boost converter using a hybrid state model with a sliding mode observer," IEEE Transactions on Industrial Electronics, vol. 56, no. 9, pp. 3453-3466, Sep. 2009.

    S.-C. Tan, Y. Lai, and C. Tse, "Indirect sliding mode control of power converters via double intégral sliding surface." IEEE Transactions on Power Electronics, vol. 23, no. 2, pp. 600-611, Mar. 2008.

    H.-S. Song and K. Nam, "Dual current control scheme for PWM converter under unbalanced input voltage conditions," IEEE Transactions on Industrial Electronics, vol. 46, no. 5, pp. 953-959, Oct. 1999.

    J. Morales-Saldaa, J. Leyva-Ramos, E. Carbajal-Gutierrez, and M. Ortiz-Lopez, "Average current-mode control scheme for a quadratic buck converter with a single switch," IEEE Transactions on Power Electronics, vol. 23, no. 1, pp. 485-490, Jan. 2008.

    J. Mendel, Uncertain Rule-Based Fuzzy Logic Systems : Introduction and New Directions. Prentice-Hall, 2001.

    P. Thounthong, S. Rael, and B. Davat, "Control algorithm of fuel cell and batteries for distributed génération System," IEEE Transactions on Energy Conversion, vol. 23, no. 1, pp. 148-155, Mar. 2008.

    B. Singh and J. Solanki, "An implementation of an adaptive control algorithm for a three-phase shunt active filter," IEEE Transactions on Industrial Electronics, vol. 56, no. 8, pp. 2811-2820, Aug. 2009.

    L. Tzann-Shin, "Input-output linearization and zero-dynamics control of three-phase ac/dc voltage-source converters," IEEE Transactions on Power Electronics, vol. 18, no. l,pp. 11-22, Jan. 2003.

    Lagrangian modeling and passivity-based control of three-phase ac/dc voltagesource converters," IEEE Transactions on Industrial Electronics, vol. 51, no. 4, pp. 892- 902, Jan. 2004.

    A. Payman, S. Pierfederici, and F. Meibody-Tabar, "Energy management in a fuel cell/supercapacitor multisource/multiload electrical hybrid System," IEEE Transactions on Power Electronics, vol. 24, no. 12, pp. 2681-2691, Dec. 2009.

    K.-H. Cheng, C.-F. Hsu, C.-M. Lin. T.-T. Lee, and C. Li, "Fuzzy-neural sliding-mode control for DC-DC converters using asymmetric gaussian membership functions," IEEE Transactions on Industrial Electronics, vol. 54, no. 3, pp. 1528-1536, Mar. 2007.

    T. Hansen and C.-J. Wang, "Support vector based battery state of charge estimator," Journal of Power Sources, vol. 141, no. 2, pp. 351-358, Mar. 2005.

    J. Chiasson and B. Vairamohan, "Estimating the state of charge of a battery," IEEE Transactions on Control Systems Technology, vol. 13, no. 3, pp. 465-^470, May 2005.

    S. Duryea, S. Islam, and W. Lawrance, "A battery management System for stand-alone photovoltaic energy Systems," IEEE Industry Applications Magazine, vol. 7, no. 3, pp. 67-72, Jun. 2001.

    I.-S. Kim, "Nonlinear state of charge estimator for hybrid electric vehicle battery," IEEE Transactions on Power Electronics, vol. 23, no. 4, pp. 2027-2034, July 2008.

    A. Szumanowski and Y. Chang, "Battery management system based on battery nonlinear dynamics modeling," IEEE Transactions on Vehicular Technology, vol. 57, no. 3, pp. 1425-1432, May 2008.

    G. Hongyu, J. Jiuchun, and W. Zhanguo, "Estimating the state of charge for Ni-MH battery in HEV by RBF neural network," in IEEE International Workshop on Intelligent Systems and Applications, ISA 2009, Wuhan, China, May 2009, pp. 1-4.

    D.-T. Lee, S.-J. Shiah, C.-M. Lee, and Y.-C. Wang, "State-of-charge estimation for electric scooters by using learning mechanisms," IEEE Transactions on Vehicular Technology, vol. 56, no. 2, pp. 544-556, Mar. 2007.

    S. Teleke, M. Baran, S.Bhattacharya, and A. Huang, "Optimal Control of Battery Energy Storage for Wind Farm Dispatching," IEEE Transactions on Energy Conversion, vol. 25, no. 3, pp. 787-794, Sep. 2010.

    M. Tekin, D. Hissel, M.-C. Pera, and J. Kauffmann, "Energy-Management Strategy for Embedded Fuel-Cell Systems Using Fuzzy Logic," IEEE Transactions on Industrial Electronics, vol. 54, no. 1, pp. 595-603, Feb. 2007.

    J. Moreno, M. Ortuzar, and J. Dixon, "Energy-management system for a hybrid electric vehicle, using ultracapacitors and neural networks," IEEE Transactions on Industrial Electronics, vol. 53, no. 2, pp. 614-623, Mar. 2006.

    S. Pourmousavi, M. Nehrir, C. Colson, and C. Wang, "Real-Time Energy Management of a Stand-Alone Hybrid Wind-Microturbine Energy System Using Particle Swarm Optimization," IEEE Transactions on Sustainable Energy, vol. 1, no. 3, pp. 193-201, Oct. 2010.

    J. Lagorse, M. Simoes, and A. Miraoui, "A Multiagent Fuzzy-Logic-Based Energy Management of Hybrid Systems," IEEE Transactions on Industry Applications, vol. 45, no. 6, pp. 2123-2129, Nov./Dec. 2009.

    H. Yoo, S.-K. Sul, Y. Park. and J. Jeong, "System Intégration and Power-Flow Management for a Séries Hybrid Electric Vehicle Using Supercapacitors and Batteries," IEEE Transactions on Industry Applications, vol. 44, no. 1, pp. 108-114, Jan./Feb. 2008.

    [104]M. Camara. H. Gualous, F. Gustin, and A. Berthon, "Design and New Control of DC/DC Converters to Share Energy Between Supercapacitors and Batteries in Hybrid Vehicles," IEEE Transactions on Vehicular Technology, vol. 57, no. 5, pp. 2721-2735, Sep. 2008.

    [105]  Milos Manic, “Uncertainty-Robust Design of Interval Type-2 Fuzzy Logic Controller for Delta Parallel Robot”. Industrial Informatics, IEEE Transactions on  (Volume:7 ,  Issue: 4 ), pp 661 – 670, Nov. 2011.

    [106]Luc Le-Tien , Alin Albu-Schaffer, “Adaptive Friction Compensation in Trajectory  racking Control of DLR Medical Robots with Elastic Joints”, Intelligent Robots and Systems (IROS), 2012 IEEE/RSJ International Conference on , 7-12 Oct. 2012.

    [107]Amir Babaie, Abolfath Nikranjbar, “Adaptive Fuzzy Control of Uncertain (P-R) Robot Manipulator using Lyapunov Method Compared to RLSE, Majlesi Journal of Mechatronic Systems, Vol. 1, No. 2, June 2012.

    [108]K.Y. Kuo , J. Lin, “Fuzzy logic control for flexible link robot arm by singular perturbation approach”, Applied Soft Computing, Volume 2, Issue 1, August 2002, Pages 24–38.

    [109]Dong Quang Dang, Nga Thi-Thuy Vu, Han Ho Choi and Jin-Woo Jung, “Neuro-Fuzzy Control of Interior Permanent Magnet Synchronous Motors: Stability Analysis and Implementation” J Electr Eng Technol Vol. 8, No. 6: 1439-1450, 2013.

    [110]Hicham CHAOUI, Pierre SICARD, “Adaptive control of permanent magnet synchronous machines with disturbance estimation” J Control Theory 10 (3) 337–343, Appl 2012.

    [111]

    [112]Wei He, Nicholas Williard, Chaochao Chen, Michael Pecht, “State of charge estimation for electric vehicle batteries using unscented kalman filtering” Reliability 53 . 2013.

    [113]Xiaosong Hu, Fengchun Sun and Yuan Zou, “ Estimation of State of Charge of a Lithium-Ion Battery Pack for Electric Vehicles Using an Adaptive Luenberger Observer”,   

    [114]Estimation of State of Charge of Batteries for Electric Vehicles” Journal of Microelectronics Reliability, impact 1.137, Volume 53, Issue 6,  Pages 840–847, June 2013.



تحقیق در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, مقاله در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, پروژه دانشجویی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, پروپوزال در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, تز دکترا در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, تحقیقات دانشجویی درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, مقالات دانشجویی درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, پروژه درباره پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, گزارش سمینار در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, پروژه دانشجویی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, تحقیق دانش آموزی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, مقاله دانش آموزی در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم, رساله دکترا در مورد پایان نامه طراحی کنترل بهینۀ تطبیقی برای سیستم¬های با دینامیک پیچیده بر مبنای روش‌ های محاسبات نرم

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس