مشخصات مقاله:
عنوان فارسی مقاله:
کنترل کننده PID مبتنی بر PSO برای کوادروتور با سنسور مجازی
عنوان انگلیسی مقاله:
PSO Based PID Controller for Quadrotor with Virtual Sensor
کلمات کلیدی مقاله:
سنسور مجازی، شبکه ی عصبی بازگشتی قطری، فیلتر کالمن توسعه یافته، بهینه سازی ازدحام ذرات، کنترلر PID، کوادروتور
مناسب برای رشته های دانشگاهی زیر:
مهندسی برق
مناسب برای گرایش های دانشگاهی زیر:
مهندسی الکترونیک، مهندسی کنترل، هوش ماشین
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. تخمین زدن متغیرها با استفاده از طرح سنسور مجازی
2.1 شبکه عصبی بازگشتی قطری
2.2 فیلتر توسعه یافته ی کالمن EKF
3.بهینه سازی PID با استفاده از PSO
4. مدل QUADROTOR
5. پیاده سازی و ارزيابي
6. نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Recent development and implementation on intelligent control system has lead to the development of virtual sensing system technology. Virtual sensing system allows immeasureable state variables to be accurately predicted, which is very beneficial to reduce the amount of sensors required to monitor and control a system, especially for the case of controlling a quadrator. This paper proposes a novel technique to design a PID control using virtual sensing system, consisting of Diagonal Recurrent Neural Network (DRNN) and Extended Kalman Filter (EKF), which predicts the immeasureable states of the quadrator system based on the current states and control inputs. A bio-inspired optimization technique, Particle Swarm Optimization (PSO), is proposed to be applied in DRNN to avoid any possibilities from local extreme condition. Further, a PSO based PID position controller is also developed to be integrated with the designed virtual sensing system to control a quadrator.
1. INTRODUCTION
Proportional Integral Derivative (PID) controllers have been implemented for a long time especially in various industries, and mostly applied for Single Input Single Output (SISO) systems. Basically, tuning methods of PID controller parameters are performed by adjusting the proportional, integral and derivative gains to make the output of a controlled system track a target set-point properly (Taeib et al., 2013). There are several techniques available to find the value of the gains such as Ziegler-Nichols, gain-phase margin, root locus, minimum variance, gain scheduling, etc., (see e.g. first literatures on the issues by Koivo and Tanntu, 1991, Aström and Hagglund, 1995), however, these methods were considered less than optimal for systems that are nonlinear and of higher order. Although in general, until now PID type of controllers are still succesfully applied in many industrial processes as well as in many other applications, nevertheless it has still many limitations.
چکیده
توسعه و پیاده سازی های اخیر در سیستم کنترل هوشمند منجر به پیشرفت و توسعه فن آوری سیستم سنسور مجازی شده است. سیستم سنسور مجازی اجازه می دهد تا متغیر های غیر قابل اندازه گیری با دقت پیش بینی شوند، که برای کاهش میزان سنسورهای مورد نیاز نظارت و کنترل یک سیستم، به ویژه برای مورد کنترل یک quadrator بسیار سودمند است. این مقاله تکنیک جدیدی برای طراحی یک کنترل PID با استفاده از سیستم سنجش مجازی، که متشکل از شبکه عصبی بازگشتی قطری (DRNN) و فیلتر کالمن توسعه یافته (EKF) می باشد، ارائه می دهد که متغیر های غیر قابل اندازه گیری در سیستم کوادروتور را بر اساس وضعیت فعلی و ورودی های کنترلی پیش بینی می کند. تکنیک بهینه سازی زیست شناسی، بهینه سازی ازدحام ذرات (PSO)، برای استفاده در DRNN برای جلوگیری از هر گونه شرایط فوق العاده محلی پیشنهاد شده است. علاوه بر این، یک کنترل کننده موقعیت PID مبتنی بر PSO نیز برای یکپارچه سازی با سیستم سنسور مجازی برای کنترل یک کوادروتور طراحی شده است.
1. مقدمه
کنترل کننده های مشتق انتگرال نسبی (PID) برای مدت طولانی به ویژه در صنایع مختلف اجرا شده است و بیشتر برای سیستم های یک ورودی یک خروجی (SISO) استفاده شده است. اساسا، روش های تنظیم پارامترهای کنترل کننده PID با تنظیم مقادیر متناسب، انتگرال و منافع مشتق شده می باشد که برای تولید (Taeib et al., 2013).خروجی یک سیستم کنترل شده و قرار دادن نقطه هدف درست استفاده می شود. چندین روش برای پیدا کردن متغیرهای هدف وجود دارد مانند Ziegler-Nichols، حاشیه ی تدریجی، ژن ریشه، حداقل واریانس، برنامه ریزی بهبود و غیره، (به عنوان مثال اولین نوشته ها در مورد مسائل Koivo و Tanntu را ببینید،1991، Aström و Hagglund، 1995)،