مکانیسم حذف نویز در محرکهای جریان مستقیم در سیستمهای کنترل بروش یادگیری ماشین
- سال انتشار: 1398
- محل انتشار: چهارمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی
- کد COI اختصاصی: CARSE04_151
- زبان مقاله: فارسی
- تعداد مشاهده: 684
نویسندگان
دانشجوی کارشناسی ارشد مهندسی برق کنترل دانشگاه فردوسی مشهد
دانشجوی کارشناسی ارشد مهندسی برق قدرت دانشگاه صنعتی قم
چکیده
در اکثر موقعیتهای کاری در صنعت ، سیستمهای کنترل و ابزار دقیقی که معمولا در رنج توان مصرفی کم کار می کنند ،در مجاورت منابع تولید نویز صنعتی که شامل مقادیر بالائی از توان هستند ، قرار دارند. گستره نفوذ این نویزها از نویز الکترومغناطیسی و ولتاژ القائی ناشی از قطع و وصل منابع توان تا اغتشاشات گذرای ناشی از شرایط جوی و حتی نویز فلیکرناشی از ادوات روشنائی را شامل می شود. در حوزه های پالایش و استخراج منابع نفتی اهمیت این موضوع چندین برابر می شود . در مواردی اطلاعات ارسالی از ترنسمیترها و سنسورها اهمیت کلیدی و ویژه ای برای ما داشته و تمهیدات بیشتر و موثرتری برای حفاظت از اطلاعات را طلب می کند.دقت در انتخاب اجزاء و طراحی مناسب سیستم کنترل ، در اکثر مواقع کارگشا است . ولی با این وجود موقعیتهائی هستند که به دلیل حساسیت بالای فرآیند به مقادیر اندازه گیری شده و ریسک بالای از دست رفتن کل فرآیند به دلیل وجود نویز در بخشی از مسیر، ما مجبور به استفاده از حلقه های حذف کننده نویز از جمله اتصال به زمین می شویم.با تمام این تمهیدات باز موقعیتهای زیادی در صنعت پیش می آیند که اطلاعاتی که از فرآیند اخذ می شود دچار خطا و اعوجاج و انحراف شوند. پس ما باید عملا به دنبال روشی برای حدس زدن و مدل سازی پترن نویز آن هم بصورت زمان واقعی با تمرکز بر سرعت و دقت عملیات باشیم .شاید یکی از موثرترین روشهائی که می توان در بازیابی اطلاعات با حضور نویز پیشنهاد و ارائه کرد روش مدل کردن پترن نویز و بازیابی اطلاعات با روشهای یادگیری می باشد. در این روش طیف نویز موجود در محیط با قراردادن فیلترهای دیجیتال در ورودی دستگاه به محدوده عملکرد وسیله اندازه گیری محدود شده و سپس این طیف در بازه های مشخص گسسته سازی شده و عملا با محاسبه مقادیر وزندار در هر فرکانس پترن طیف را حدس زده و سپس با روش یادگیری با این فرض که استراتژی اولیه با این پترن اولیهشروع شده و سپس برای هر فرکانس عملیات گسسته سازی اعمال شده و با انتخاب روش بهینه مناسب می توان در کمترین زمان ممکن پترن را حدس زد و سپس از روشهای کلاسیک برای حذف اثر نویز، آنرا حذف کنیم.حسن این روش در این است که تمام عملیات تقریب پترن نویز و حذف اثر آن بصورت دائم و پیوسته انجام شده و در مواقعی که این پترن بصورت دائم در حال تغییر است نیز بخوبی کارائی خواهد داشت.روشهای یادگیری مرسوم مبتنی بر هوش مصنوعی بوده و عملا شبیه سازی هوش انسان را بسته به نوع روش بکار رفته با شدت و ضعف انجام می دهند. از جمله این روشهای یادگیری می توان به روش یادگیری تقویتی ، یادگیری ماشین و یادگیری عمیق اشاره کرد که در ادامه به مورد دوم پرداخته می شود و تمرکز بر روی روش یادگیری ماشین است.در اینجا کاربرد این روش را برای حذف نویز در ورودی محرکهای جریان مستقیم سیستمهای کنترل بررسی می کنیم.کلیدواژه ها
حذف نویز ، سیستمهای کنترل ، محرکهای جریان مستقیم ، سیستمهای یادگیری ماشینمقالات مرتبط جدید
- تحلیل چالشها و راهکارهای تقویت ارتباط دانشگاه و صنعت: با تمرکز بر حلقههای مفقوده
- بازخوانی نقش دانشگاه و صنعت در توسعه ملی: از موانع تا راهکارها
- نشانگر تشخیصی جدید در ژن C-myc به عنوان کیت غیر تهاجمی تشخیص سرطان دهان
- برنامه ریزی منابع تجدید پذیر با درنظر گرفتن برنامه ریزی توسعه انتقال و تولید منابع توان راکتیو
- برنامه ریزی همزمان توسعه انتقال و منابع تولید توان راکتیو با استفاده از یک الگوریتم تکاملی بهبود یافته
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.