شماره ركورد
16084
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
16084
پديد آورنده
مجتبي خدابندهلو
عنوان
مدلسازي ديناميكي عملكرد موتور ميكروجت با استفاده از روش شناسايي سيستم
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
طراحي كاربردي
سال تحصيل
فروردين 1395
تاريخ دفاع
فروردين 1395
استاد راهنما
دكتر مرتضي منتظري
دانشكده
مكانيك
چكيده
چكيده
كاهش هزينههاي ناشي از تعميرات و نگهداري از يكسو و اهميت در اختيار داشتن بستري مناسب براي طراحي سيستم كنترل از سوي ديگر، موجب شده است كه نياز به ايجاد مدلهايي قابل قبول كه قادر به پيشبيني رفتار ديناميكي توربينهاي گازي باشند، بيش از پيش مورد توجه قرار گيرد. در فرايند طراحي كنترلر و بررسي دقت عملكرد آن، انجام آزمايش بر روي موتور واقعي ميتواند بسيار دشوار، پر هزينه، زمانبر و در برخي موارد امكانناپذير باشد. بنابراين ارائه يك مدل رياضي مناسب از سيستم مورد مطالعه ضروري به نظر ميرسد. براي مدلسازي موتور، چنانچه مشخصات عملكردي كمپرسور، توربين و بخصوص محفظه احتراق موتور، پيچيده و اطلاعات كاملاً دقيقي از آنها در دسترس نباشد، مدل¬سازي با روش¬هاي تحليلي، با خطاي زيادي همراه ميگردد، در اين صورت ميتوان از رهيافت شناسايي سيستم به منظور مدلسازي عملكرد ديناميكي موتور استفاده نمود. در اين پايان¬نامه، مدلسازي ديناميكي موتور ميكروجت با استفاده از رهيافت شناسايي مدل و ارائه شدهاست.
مهمترين مسئله در مدل¬سازي سيستم¬ها به روش شناسايي سيستم، انجام تست مناسب و دادهبرداري دقيق مي¬باشد. در اين تحقيق در ابتدا با تعريف نمودن سيستم و تعيين ورودي و خروجي¬ها بستري مناسب براي تست موتور ايجاد شده است. نوآوري انجام شده در تست موتور، اعمال سيگنال¬هاي APRBS براي ايجاد داده¬هاي غني براي مدل¬سازي ديناميكي مي¬باشد. در مرحله بعد، داده¬هاي برگرفته از تست براي مدل¬سازي، با توجه به شرايط محيطي، تصحيح(Correct) و همچنين براي مدل¬سازي نرمالايز شده¬اند. سپس از تكنيكهاي خطي ARX و ARMAX براي ايجاد مدل خطي و از تكنيك¬هاي شبكه-هاي عصبي مصنوعي و سيستم استنتاج فازي-عصبي-تطبيقي براي ايجاد مدل¬هاي غيرخطي استفاده شده¬است. مقايسه مدلها نشان ميدهد كه مدلسازي غيرخطي از دقت قابل قبولي برخوردار بوده و ميتوان از آن در طراحي سيستم كنترل و مانيتورينگ بهره گرفت. همچنين در بين مدلهاي غيرخطي، مدل شبكههاي عصبي مصنوعي (كه با ساختار سري-موازي آموزش ديده باشند) از دقت بالاتري براي مدلسازي موتور ميكروجت برخوردار ميباشد.
واژههاي كليدي: شناسايي سيستم، مدلسازي، موتور ميكروجت، شبكههاي عصبي، سيستم فازي-عصبي-تطبيقي