عنوان پایان‌نامه
طراحی و پیاده سازی کنترلر فعال پایداری موتورسیکلت بدون سرنشین با استفاده از روش های هوش مصنوعی
- رشته تحصیلی
- مهندسی مکانیک طراحی کاربردی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 02973;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69180
- تاریخ دفاع
- ۱۴ مرداد ۱۳۹۴
- دانشجو
- رضا پیرایش شیرازی نژاد
- استاد راهنما
- مسعود شریعت پناهی
- چکیده
- خودروهای دوچرخ (موتورسیکلت و دوچرخه) به دلیل ابعاد کوچک و اینرسی کمتر، مصرف انرژی کمتر و نیز توانایی تغییر ناگهانی جهت حرکت در مقایسه با خودروهای چهارچرخ، در کاربردهای ویژه ای که با محدودیت فضای حرکت مواجه بوده و نیازمند وسیله ای با مانور پذیری بالا میباشند، راه حل ایده آلی به شمار می آیند. تفاوت اصلی سیستم های دوچرخ با دیگر سیستم ها، نیاز آنها به حفظ تعادل است، مساله ای که در خودروهای چهارچرخ وجود ندارد. با وجود تحقیقات گسترده ای که در زمینه کنترل پایداری دوچرخه ی در حال حرکت صورت گرفته است، تلاش های انجام شده برای کنترل پایداری دوچرخه در حال سکون (که مساله دشوارتری به حساب می آید) به موارد انگشت شماری محدود بوده است. هدف پژوهش حاضر کنترل پایداری یک دوچرخه¬ی بدون سرنشین ساکن به کمک محرک آونگ افقی و با استفاده از روشهای مبتنی بر یادگیری ماشین است. مزیت آونگ افقی نسبت به دیگر محرک های متداول، نیاز به موتور DC با گشتاور و سرعت خروجی کمتر، و مزیت الگوریتم کنترلی پیشنهادی (الگوریتم بهبود یافته سیستم طبقهبند یادگیرنده ) عدم نیاز به مدل ریاضی سیستم (در صورت وجود نمونه واقعی سیستم) می باشد. در الگوریتم پیشنهادی، مجموعه ای از قوانین عملکردی که به روش یادگیری تقویتی و از طریق آزمون های تصادفی و دریافت بازخورد از محیط "تکامل" می یابد گشتاور مورد نیاز برای پایدارسازی دوچرخه را از هر شرایط اولیه تعیین می کند. برای ارتقاء عملکرد سیستم طبقه بند یادگیرنده و تعمیم توان برون یابی آن، سیستم مزبور با یک شبکه عصبی چندلایه تلفیق شده و از سازوکار ویژه ای برای توزیع پاداش بین نسل های قبل استفاده شده است. در بخش نخست کار برای تعیین مقادیر بهینه پارامترهای سیستم طبقه بند یادگیرنده، از یک کنترل گر جایاب قطب که با الگوریتم ژنتیک ترکیب شده استفاده شده است. سپس برای تربیت کنترل گر هوشمند، از مدل دینامیکی سیستم که توسط نرم افزار تجاری ادمز صحه گذاری شده است استفاده شده و نتایج بدست آمده از کنترل گر هوشمند با نتایج کنترل گر جایاب قطب مقایسه شده است. در پایان نیز برای بررسی کارآیی استراتژی پیشنهادی، کنتر ل گر طراحی شده بر رروی یک دوچرخه نصب و پیاده سازی گردیده است. واژه‌های کلیدی: کنترل پایداری دوچرخه، آونگ افقی، ، هوش مصنوعی، یادگیری ماشین، سیستمهای طبقه بند یادگیرنده
- Abstract
- Two wheels vehicles (bicycles and motorcycles), in comparison with four wheels vehicles, are an ideal way for the applications where there is a limitation on the freedom of movement and there is a need for sharp maneuvers due to their tiny bodies, less energy consumption, and their capability of sudden changes in their direction. The main difference of two wheel vehicles with other systems is their need to balance, which is not an issue in four wheels vehicles. Although there has been an extended research on the control and stability of bicycles with speed, there has been few researches on bicycles with zero speed, which is a more complicated subject. The aim of this research is controlling the stability of an autonomous bicycle with lateral pendulum and a controlling algorithm based on machine learning. The advantage of lateral pendulum, comparing to the other common actuators, is the need for DC motors with less torque and less speed. In addition, the advantage of the proposed controlling algorithm (improved learning Classifier System) is the lack of the need for the mathematical dynamical model of the system (if the real model is available). In the proposed controlling algorithm, a set of applying rules, which are evolved by reinforcement learning algorithm and random examinations while receiving feedback from environment, specifies the needed torques for stabilizing the bicycle for every initial condition. In order to specify the reward or punishment, a special mechanism is implemented on the system. In order to improve the performance of the learning Classifier System and extend its extrapolation, the proposed system is combined with a multi-layer neural network. In order to specify the optimal parameters of the learning Classifier System, a pole placement controller, which is combined with genetic algorithm, is used. Next, In order to train the intelligent controller, the dynamical model of the system, which is verified by the ADAMS software, is used and the results of intelligent controller is compared with the results of pole placement controller. Finally, in order to analyze the proficiency of the proposed strategy, the design controller is implemented on a bicycle. Key words: Controlling the stability of bicycle, Lateral pendulum, artificial intelligence, Machine learning, Learning Classifier System
