عنوان پایان‌نامه
طراحی و تحلیل کنترل کننده های یاد گیرنده چرخشی مقاوم
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1432;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38118;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1432
- تاریخ دفاع
- ۱۳ مرداد ۱۳۸۷
- دانشجو
- رضا ارسطو
- استاد راهنما
- فرزاد رجایی سلماسی
- چکیده
- کنترل کننده های یادگیرنده چرخشی1 برپایه بهبود کارایی سیستم های تکرار شونده از طریق یادگیری عمل میکنند که این یادگیری از روی اطلاعات سیگنال خطای تکرارهای قبلی انجام می پذیرد و ما را قادر می سازد که ورودی مورد نظر را با کمترین خطای حالت گذرا ردگیری نماییم. تفاوت عمده این روش با سایر استراتژی های کنترلی یادگیرنده مانند کنترل تطبیقی، شبکه های عصبی و کنترل تکراری در آن است که این روشها پارامترهای کنترل کننده را اصلاح میکنند اما کنترل کننده های یادگیرنده چرخشی مستقیماً بر سیگنال کنترلی تاثیر میگذارد. این نوع کنترل کننده ها نیز مانند سایر کنترل کننده ها نسبت به نایقینی های موجود در مدل ارائه شده برای سیستم، خطای حالت اولیه سیستم و نیز اغتشاش وارد بر آن حساس میباشند. از این رو هدف از اجرای این پروژه طراحی کنترل کننده های یاد گیرنده چرخشی میباشد که تا حد امکان نسبت به عوامل فوق مقاوم بوده و همچنین همگرایی آنها نیز تضمین شده باشند. بدین منظور در ابتدا تحلیل همگرایی کنترل کننده های یادگیرنده چرخشی مرتبه اول برای سیستم های خطی را به مراتب بالاتر تعمیم داده زیرا همانطور که نشان داده خواهد شد این کنترل کننده ها توانایی دفع اغتشاش بالاتری دارند. سپس روشی برای اثبات همگرایی این نوع کنترل کننده ها در حالتی که به سیستم های غیرخطی خاصی اعمال میگردند ارایه نموده که این روش برای کنترل کننده های مرتبه اول اعمال شده بر سیستم های غیرخطی نیز قابل استفاده میباشد. علاوه بر آن روشی برای طراحی کنترل کننده های یادگیرنده مرتبه دوم در سیستمهای خطی دارای نایقینی به همراه اثبات همگرایی آن ارایه نموده و در نهایت مثالی از کاربرد کنترل کننده های یادگیرنده چرخشی در یک سیستم تعلیق مغناطیسی را بیان خواهیم نمود.
- Abstract
- ABSTRACT Iterative Learning Controllers are based on the idea that the performance of a system which executes the same task multiple times can be improved by learning from previous iterations. In this method, we use the input signal and the output error of the previous iterations to generate a new input for the current iteration such that the desired specification, which is usually tracking the desired trajectory with the least possible transient error, achieved after sufficient iterations. ILC differs from other learning-type control strategies, such as adaptive control, neural networks, and repetitive control. For example, adaptive control strategies modify the controller, which is a system, whereas ILC modifies the control input, which is a signal. Furthermore, ILC’s are sensitive to modeling uncertainties, disturbances and the initial state error; therefore, the main goal of this project is to design convergent controllers which are robust to the above factors, so after an exhaustive survey of recent reasearches in some related fields of iterative learning controllers, we generalize the convergence analysis of the first order iterative learning controllers for the higher order controllers due to their higher ability to reject disturbances. Then, we propose a convergence analysis for the Iterative learning controllers applied to specific type of nonlinear plants, and a method of designing second order controllers for applying to linear uncertain plants. Also, the convergences of each of the above controllers are proved using mathematical manipulations. At last, an application of iertaive learning controllers in a magnetic suspension system is presented to show their efficiency even in non-repetitive processes.
