کنترل NARMA-L2 فرآیندهای غیر خطی از طریق شناسایی فرآیند و برای توابع شبکه عصبی MGAP-RBF

در این مقاله از کنترل کننده NARMA-L2 (Nonlinear Autoregressive Moving Average) جهت کار برای صنعتی، از طریق استخراج مدل Affine فرایند هستیم و بر پایه توابع شبکه عصبی این RBF (Radial Basis Function) به جد. با استفاده از روش MGAP (Modified Growing And Pruning ) جهت آموزش نرونهای شبکه عصبی، تعداد نرونهای مورد نیاز جهت شناسایی فرآیند را به حداقل رسانده این نکته تعداد نرونهای شبکه عصبی به صورت دینامیکی تعیین خواهد شد و از روش EKF (Extended Kalman Filter ) جهت اصلاح پارامترها شبکه RBF نبرد. با توجه به ویژگی‌های فرایندهای صنعتی که می‌توان به حواس غیرخطی، موج دنا معینی و متغیر با زمان بودن پارامترهای آن اشاره نمود لذا تکنیک شبکه عصبی در شناسایی فرآیند از کارایی بسیار بالایی برخوردار است. پس از شناسایی و استخراج مدل Affine برند، از کنترل کننده NARMA-L2 برای پاس به قانون کنترل ورودی جهت اعمال به فرایند در مسیر دنبال بودن خروجی مطلوب بهره گرفته‌اید. ثمر بخشی این تکنیک روی راکتور شیمیایی CSTR ( Continuous Stirred Tank Reactor ) ارزیابی شده است.

کلیدواژه های کنترل NARMA-L2 فرآیندهای غیر خطی از طریق شناسایی فرآیند و برای توابع شبکه عصبی MGAP-RBF:

کنترل‌کننده NARMA-L2 ، مدل Affine ، توابع شبکه عصبی RBF ، تکنیک MGAP ، روش EKF