اطلاعات پایان نامه
شماره شناسایی : 39105521
نام و نام خانوادگی : محمد مهدي اقاجري
عنوان پایان نامه : جبران سازی تطبیقی خرابی عملگر برای سیستم‌های غیرخطی تصادفی
رشته تحصیلی : مهندسي برق كنترل
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : مهناز هاشمي
استاد مشاور :
چکیده : در این تحقیق پایداری سیستم های تصادفی غیرخطی به فرم فیدبک-اکید با دینامیک های نامعلوم مورد بررسی قرار گرفته است. به این منظور، یک رویه طراحی سیستماتیک کنترل کننده با استفاده از روش کنترل سطح دینامیکی ارائه شده است. به هر حال، روش طراحی گام-به-عقب یک روش طراحی سیستماتیک را فراهم می آورد، اما دارای یک مشکل ذاتی به نام "انفجار پیچیدگی" می باشد. همچنین فرض شده که عملگر سیستم در معرض غیرخطی گونگی هایی از جمله ناحیه-مرده، یا پسماند قرار دارد. با استفاده از شبکه های عصبی تابع بنیادی شعاعی، دینامیک های نامعلوم سیستم تقریب زده می شوند، همزمان برای کاهش پیچیدیگی در فرایند تقریب زنی آنلاین از الگوریتم پارامترهای-یادگیری-کمینه استفاده شده است. اثبات می شود که روش طراحی ارائه شده قادر است هم به پدیده ناحیه-مرده، و هم به پدیده پسماند در عملگر فائق آید، و پایداری در احتمال تمام سیگنال های حلقه-بسته سیستم را تضمین می کند. نشان داده شده است که با استفاده از روش طراحی پیشنهاد شده خروجی سیستم، می تواند ورودی آن را با خطایی به اندازه دلخواه کوچک دنبال نماید. مثال های شبیه سازی نیز به منظور نشان دادن کارایی روش پیشنهادی ارائه شده اند.
کلمات کلیدی : کنترل سطح دینامیکی (DSC), سیستم های غیر خطی تصادفی فیدبک اکید, پسماند پرندل-ایشلینسکی, ناحیه-مرده در عملگر, الگوریتم پارامترهای-یادگیری-کمینه, شبکه های عصبی تابع بنیادی شعاعی (RBFNN)
تاریخ دفاع : 1398/06/16
دانلود فایل چکیده

About Proposal
Title : Adaptive actuator failure compensation for nonlinear stochastic systems
Abstract : In this study the stability of nonlinear stochastic systems in the strict-feedback form with unknown dynamics is investigated. To this end, a systematic controller design procedure is proposed using dynamic surface control approach. However, the backstepping design provides a systematic design approach, but involves an intrinsic problem of “explosion of complexity”. It is also assumed that the actuator of the system is subjected to nonlinearities such as dead-zone, or hysteresis. For each of these nonlinearities a proper mathematical method is proposed. Employing the radial basis function neural networks, the unknown dynamics of the system are approximated, and at the same time for decreasing the complexity of this approximation the minimal-learning-parameter algorithms is utilized. It is proved that the proposed method is capable to overcome both of the actuator dead-zone, and the actuator hysteresis nonlinearities, and it guarantees the boundedness in probability of all closed-loop signals. It is shown that by applying the proposed design method the system output will track the reference input with an arbitrarily small error. Simulation examples are provided to demonstrate the performance of the proposed method.
Keywords : Dynamic Surface Control (DSC), Nonlinear Stochastic Strict-Feedback Systems, Prandtl-Ishlinskii Hysteresis, Actuator Dead-Zone, Minimum-Learning-Parameters Algorithm, Radial Basis Function Neural Network (RBFNN)
Download Abstract File