دانلود ترجمه مقاله تشخیص و کنترل موقعیت زمان واقعی عملگر دورانی سروو هیدرولیک

1. مقدمه 2. مدل محاسباتی الگوریتم یادیگری عاطفی مغز (BEL) در بادامه مغز 3. مدل سازی دینامیک سیستم 4. الگوریتم تشخیص پارامتر 5. میز کار و تنظیمات آزمایش 6. روش طراحی کنترلر موقعیت زاویه ای 7. نتایج آزمایش و بحث و بررسی 8. نتیجه گیری ضمیمه A ضمیمه B ضمیمه C

چکیده – این مقاله روش جدیدی برای کنترل سازگار سیستم دینامیک غیرخطی ارائه می دهد. نسخه تعدیل شده کنترلر هوشمند مبتنی بر یادگیری عاطفی مغز (BELBIC)، الگوریتم الهام گرفته از زیست براساس مدل محاسباتی یادگیری عاطفی که در بادامه (مغز) روی می دهد، برای کنترل موقعیت سیستم دورانی الکترو سروو هیدرولیک (EHS) بکار رفته است. سیستم های EHS تحت عنوان سیستم های غیرخطی و غیرهموار شناخته شده اند که ناشی از فاکتورهایی مثل نشت، اصطکاک، هیسترسیس، شیفت نول، اشباع، ناحیه مرده، و بویژه جریان مایع از شیر سروو است. مقدار بزرگ این فاکتورها به راحتی می تواند عملکرد کنترل را در طراحی ضعیف تحت تاثیر قرار دهد. در مقاله حاضر مدل محاسباتی سیستم EHS بدست آمده است و سپس پارامترهای مدل با استفاده از روش حداقل مربعات بازگشتی شناسایی شده است. در مرحله بعد، BELBIC براساس این مدل پویا طراحی شده و برای کنترل سیستم EHS آزمایشگاهی واقعی بکار رفته است. برای اثبات کارآیی توانایی یادگیری آنلاین BELBIC تعدیل شده در کاهش کل خطای ردیابی، نتایج بدست آمده با نتایج حاصل از کنترلر بهینه PID، کنترلر PI فازی با تنظیم خودکار (ATFPIC)، و کنترلر پیش بینی کننده شبکه عصبی (NNPC) تحت شرایط یکسان مقایسه شده است. نتایج نشان می دهد که علاوه بر بهبود بسیار خوب کار کنترل، مصرف انرژی نیز کم شده است.

This paper presents a new intelligent approach for adaptive control of a nonlinear dynamic system. A modified version of the brain emotional learning based intelligent controller (BELBIC), a bio-inspired algorithm based upon a computational model of emotional learning which occurs in the amygdala, is utilized for position controlling a real laboratorial rotary electro-hydraulic servo (EHS) system. EHS systems are known to be nonlinear and non-smooth due to many factors such as leakage, friction, hysteresis, null shift, saturation, dead zone, and especially fluid flow expression through the servo valve. The large value of these factors can easily influence the control performance in the presence of a poor design. In this paper, a mathematical model of the EHS system is derived, and then the parameters of the model are identified using the recursive least squares method. In the next step, a BELBIC is designed based on this dynamic model and utilized to control the real laboratorial EHS system. To prove the effectiveness of the modified BELBIC’s online learning ability in reducing the overall tracking error, results have been compared to those obtained from an optimal PID controller, an auto-tuned fuzzy PI controller (ATFPIC), and a neural network predictive controller (NNPC) under similar circumstances. The results demonstrate not only excellent improvement in control action, but also less energy consumption.

بخشی از ترجمه مقاله (صفحه 14 و 15 فایل ورد ترجمه)