شناسایی مدل شبکه عصبی در کنترل پیش بین غیرخطی برای نقاط کار نادر و معمولی

در این پروژه به دنبال ارائه راهکاری برای بهبود مدل شبکه عصبی در کنترل پیش بین هستیم. در واقع در این کار، صورت مسئله از آنجا شروع می شود که سیستم مورد نظر، سیستمی است که رفتار خاصی دارد که در فرایندهای صنعتی معمول است. این رفتار به گونه ای است که سیستم در دو نقطه کاری متفاوت کار می کند، نقطه کار اصلی سیستم نقطه کاری است که سیستم اکثر اوقات در این ناحیه کار کرده و اپراتور به دنبال کنترل سیستم در این نقطه است. اما نقطه کار دیگر سیستم نقطه کار نادر بوده که سیستم گاهی اوقات به آن نقطه تغییر وضعیت می دهد. اما از آنجایی که کنترل پیش بین مدل شبکه عصبی وابستگی شدیدی به مدل دارد، در صورت استفاده مستقیم از داده های بدست آمده از فرایند، به علت پایین بودن تعداد داده ها در ناحیه نادر نسبت به ناحیه معمول، کیفیت شناسایی در ناحیه نادر پایین بوده و لذا عملکرد کنترل کننده در ناحیه نادر دچار اختلال می شود. بنابراین چنانچه فرایندی با درجه غیرخطی بالا، اکثر اوقات در یک ناحیه کاری و گاهی به ناحیه کاری دیگر برود، به دلیل تغییر رفتار سیستم از دیدگاه حوزه فرکانس و حوزه زمان و متعاقباً پایین بودن کیفیت شناسایی در نقطه کار جدید، عملکرد کنترل کننده مناسب نخواهد بود و احتمال ناپایداری افزایش می یابد. لذا لازم است نسبت داده ها به صورتی باشد که شناسایی در ناحیه نادر از حداقل کیفیت برخوردار باشد، و در عین حال مدل سازی در ناحیه معمول از بهترین کیفیت ممکن برخوردار باشد. در این پروژه، الگوریتمی ارائه شده که در آن با توجه به نویز موجود، تعداد داده های ناحیه نادر مشخص شده است، و سپس بازه ای برای انتخاب نسبت داده ها پیشنهاد شده که کران بالای آن وابستگی شدیدی به مقدار غیرخطی گری سیستم دارد. نتایج آزمایش های شبیه سازی برای بررسی صحت بازه موردنظر استفاده شدند. در نهایت نتایج پیاده سازی، بر روی دستگاه خنثی سازی اسید باز به صورت عملی تست شده و نتایج نسبتاً خوبی بدست آمده است.