آرشیو دسته: کنترل هوشمند

Adaptive Control for Robotic Manipulators base on RBF

شبیه سازی آماده از کنترل تطبیقی عصبی بازوی ربات

شبیه سازی به همراه گزارش آماده از مقاله با عنوان

Adaptive Control for Robotic Manipulators base on RBF Neural Network

Adaptive Control for Robotic Manipulators base on RBF Neural

در این مقاله برای کنترل سیستم بازوی ربات، از روش کنترل عصبی تطبیقی استفاده شده است. از شبکه عصبی تطبیقی برای تخمین توابع غیرخطی سیستم استفاده شده است. کنترل کننده بر اساس تئوری پایداری لیاپانوف طراحی شده است.

برای تهیه این پروژه و ثبت سفارش با ما تماس بگیرید.

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

pidfractionalblck

کنترل کننده PID مرتبه کسری بهینه با استفاده از PSO

شبیه سازی آماده به همراه گزارش کار، کنترل PID مرتبه کسری بهینه با استفاده از الگوریتم بهینه سازی تجمع ذرات. در این مقاله، پارامترهای کنترل کننده PID مرتبه کسری با استفاده از الگوریتم بهینه سازی تجمع ذرات، به صورت بهینه تنظیم می شوند.

pidfractionalfopidd

برای تهیه این پروژه و ثبت سفارش با ما تماس بگیرید.

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

dvrstructurecode-320224909432

شبیه سازی آماده کنترل فازی بازیاب دینامیکی ولتاژ DVR

در این مقاله کنترل فازی و کنترل PI برای یک DVR یا همان Dynamic Voltage Restorer طراحی شده است. مقاله به صورت شبیه سازی و گزارش آماده می باشد. عنوان دقیق مقاله :

Design of PI and Fuzzy Controller for Dynamic Voltage Restorer (DVR

DVRnewPIfuzzycode-323232094343

در این مقاله افت ولتاژ با استفاده از روش سری فوریه و اندازه ولتاژ خروجی بدست می آید، این اندازه باید همواره برابر واحد باشد، و با مقاله اندازه ولتاژ اگر اختلافی بین مقدار مطلوب و مقدار واقعی باشد، این خطا به کنترل کننده داده شده و این کنترل کننده افت ولتاژ ایجاد شده را جبران سازی می کند.

در این مقاله دو کنترل کننده مجزای PI و فازی برای سیستم بازیاب دینامیکی ولتاژ طراحی شده است که عملکرد هر دو با یکدیگر مقایسه شده اند.

برای تهیه این پروژه و ثبت سفارش با ما تماس بگیرید.

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

pidcontrolpsocode884932001

پروژه و مقاله آماده تنظیم بهینه و هوشمند کنترل PID

مقاله و شبیه سازی آماده از مقاله با عنوان دقیق

Tuning of PID Controller for Liquid Level Tank System using
Intelligent Techniques

pidcontrollerpsocode3213101

مقاله آماده به همراه گزارش و شبیه سازی، برای آموزش و آشنا شدن دانشجویان با کنترل کننده های PID و روش تنظیم آنها توسط الگوریتم بهینه سازی هوشمند PSO.

در این مقاله، هدف تنظیم سطح مایع در یک تانک می باشد، مدل ریاضی سیستم بدست آمده و برای آن یک کنترل کننده PID طراحی می شود. کنترل کننده PID طراحی شده پاسخ مناسبی ندارد، چرا که ضرایب آن به صورت آزمون و خطا بدست آمده اند. در نتیجه با استفاده از الگوریتم بهینه سازی تجمع ذرات ضرایب کنترل کننده به صورت بهینه بدست آمده است.

در این روش، یک تابع هزینه وابسته به خطای ردیابی و یا هر سیگنال مطلوب دیگر از حلقه، تشکیل می شود، سپس این تابع هزینه با تغییر ضرایب کنترل کننده بهینه سازی می شود.

برای تهیه شبیه سازی و گزارش این مقاله با ما تماس بگیرید

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

neuralnetworkcode852200

انجام پروژه شبکه عصبی و کنترل عصبی

شبیه سازی، شبکه های عصبی، تخمین انواع توابع، غیرخطی چند متغیره توسط شبکه عصبی. شبکه های عصبی چند لایه MLP و تک لایه RBF شبکه های عصبی SHL تک لایه مخفی. به عنوان شناسایی و کنترل کننده.

انجام پروژه کنترل عصبی تطبیقی پایدار با استفاده از تئوری پایداری لیاپانوف.
طراحی رویتگر تطبیقی پایدار با استفاده از MLP تک لایه.
کنترل کننده عصبی تطبیقی مستقیم و غیر مستقیم با استفاده از RBF تطبیقی.
شناسایی سیستم های غیرخطی و چند وروددی چند خروجی توسط شبکه های عصبی.
آموزش شبکه عصبی توسط رویتگر KF, EKF
آموزش شبکه عصبی توسط روش مشتق (روش نزول گرادیان)
آموزش شبکه عصبی به صورت دینامیک و قانون تطبیق

برای تهیه  پروژه و ثبت سفارش با ما تماس بگیرید.

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

depthcontrollercode4895532

پروژه و مقاله آماده کنترل فازی تطبیقی مودلغزشی عمق زیر دریایی

شبیه سازی آماده به همراه گزارش آموزشی، از مقاله، کنترل فازی تطبیقی مود لغزشی برای عمق زیر دریایی، با عنوان دقیق

Depth control of remotely operated underwater vehicles using an adaptive
fuzzy sliding mode controller

depthcontroAFCSM

در این مقاله، عمق مدل زیر دریایی با استفاده از روش کنترل مود لغزشی کنترل می شود، کنترل کننده مود لغزشی دارای چترینگ استف در نتیجه با استفاده از تابع اشباع این نوسانات نامطلوب حذف می شوند، علاوه بر این توابع غیزخطی و نامعلوم سیستم توسط کنترل کننده فازی تطبیقی تخمین زده می شوند.

پایداری سیستم توسط روش لیاپانوف تضمین شده و همچنین همگرایی خطای ردیابی به نزدکی مبدا اثبات و تضمین شده است. در این مقاله روش کنترل فازی تطبیقی با کنترل مود لغزشی ترکیب شده و در نهایت یک کنترل کننده مقاوم و تطبیقی بدست آمده است.

شبیه سازی به همراه گزارش این مقاله برای آموزش و استفاده دانشجویان، تهیه شده است. برای تهیه این فایل آموزشی با ما تماس بگیرید.

آی دی تلگرام:

                                                                                                             @ae_pr

abscontroller_code58977

شبیه سازی آماده مقاله کنترل عصبی تطبیقی ترمز ضد قفل

شبیه سازی مقاله کنترل عصبی تطبیقی ترمز ضد قفل مربوط به سال 2009، با عنوان دقیق

Adaptive feedback linearization control of antilock braking systems using
neural networks

abscontrol_code9873

شبیه سازی به همراه گزارش کامل از مقاله، فوق برای آموزش و استفاده دانشجویان تهیه شده است.

در این مقاله، شبکه عصبی RBF تطبیقی برای کنترل سیستم ترمز ضد قفل طراحی شده است. طراحی بر اساس تئوری پایداری لیاپانوف می باشد. و تضمین همگرایی و پایداری سیستم ضمن کنترل عصبی مهیا شده است.

در کنترل کننده عصبی RBF، وزن های لایه خروجی شبکه به عنوان پارامتر تطبیق استفاده شده و پاسخ سیستم بسیار مناسب خوب می باشد.

شماره تماس:
09304692657
09307810797

آی دی تلگرام:

                                                                                                             @ae_pr

ایمیل:
aerocontrol.project@gmail.com
aerocontrol.project@yahoo.com

mpc control

انجام پروژه کنترل پیش بین

به سادگی باید گفت، که پیشگویی امری غیرعلمی، ولی پیش بینی امری علمی و شدنی است. که با هنر ریاضیات و علم کنترل، به نتایج بسیار مطلوب از سیستم های طبیعی منجر می شود.

کنترل پیش بین خانواده ای کنترل کننده ها نامیده می شود که رفتار آینده خروجی سیستم توسط مدل سیستم یا پاسخ آن به سیگنالی خاص (معمولا ضربه یا پله) پیش بینی شده و سپس کنترل کننده مناسب برای آن طراحی می شود. به طور کلی کنترل کننده های پیش بین نوعی کنترل بهینه هستند که امر بهینه سازی به صورت آنلاین انجام می شود. Continue reading “انجام پروژه کنترل پیش بین” »

neural network

انجام پروژه شبکه عصبی

قانون یادگیری شبکه های عصبی رقابتی، در گروه یادگیری بدون ناظر قرار می گیرد. در این شبکه ها، چنانچه از نام آنها برمی آید، خروجی های سلول عصبی با یکدیگر به رقابت می پردازند تا یکی از آنها که دارای امتیاز بیشتری است در رقابت برنده شده و در بین سایر سلولها متمایز شود. در مدل همینگ نمونه ساده ای از این نوع رقابت مشاهده می شود. شبکه همینگ را شاید بتوان یکی از ساده ترین نمونه های شبکه های رقابتی دانست. لایه اول و سوم این شبکه از نوع پیشخور هستند. لایه اول عمل همبستگی ورودی با کلاسهای مرجع را انجام می دهد و لایه سوم هم که حکم لایه خروجی کل مدل را دارد، الگوی مرجعی را که از بیشترین شباهت به ورودی برخوردار است تعیین می کند. Continue reading “انجام پروژه شبکه عصبی” »

fuzzy system

انجام پروژه کنترل فازی

کنترل فازی و کنترل کلاسیک دارای شباهت ها و تفاوت هایی مب باشند. این دو در موارد زیر مشابه می باشند:

  • این دو سعی در حل نوع یکسانی از مسائل دارند، که همان مسائل کنترل می باشند. بنابراین بایستی به جنبه های یکسانی که در هر مساله کنترل مشترک می باشد توجه داشته باشند. به عنوان مثال، پایداری و عملکرد.
  • ابزارهای ریاضی مورد استفاده جهت تحلیل سیستم های کنترل طراحی شده مشابه می باشند، چرا که به مطالعه جنبه های یکسانی (پایداری، همگرایی و غیره) برای یک سیستم می پردازند.
    به هر حال، یک تفاوت اساسی بین کنترل فازی و کنترل کلاسیک وجود خواهد داشت
  • کنترل کلاسیک جهت طراحی کنترل کننده با یک مدل ریاضی از فرایند شروع می نماید و کنترل کننده ها برای مدل طراحی می گردند، در حالیکه کنترل فازی با استفاده از تجربیات شخص خبره (بصورت قواعد اگر-آنگاه فازی) شروع می گردد و کنترل کننده ها بوسیله ترکیب این قواعد طراحی می گردند. بدین معنی که اطلاعات لازم جهت ساخت این دو نوع کنترل کننده فازی متفاوت است.
    کنترل کننده های فازی پیشرفته می توانند با استفاده از هر دو مدل ریاضی و هیورستیک ساخته شوند.

Continue reading “انجام پروژه کنترل فازی” »