22262

كنترل بويلر-توربين با كنترل كننده پيش بين مدل غيرخطي عصبي - تطبيقي

كارشناسي ارشد

كنترل

98-99

1398/12/18

دكتر محمد فرخي

كنترل

در اين پايان‌نامه، ابتدا به معرفي بويلر-توربين و ساختار آن پرداخته شده و سپس روش هاي كنترلي مدل پيش بين خطي و غيرخطي كلاسيك برروي آن اعمال شده است. در ادامه، براي بهبود عملكرد كنترل كننده با توجه به خاصيت تقريب عمومي شبكه هاي عصبي و قابليت آنها در مدل سازي سيستم هاي غيرخطي براساس دادههاي ورودي-خروجي، از شبكه عصبي پرسپترون چندلايه به عنوان مدل پيش بين استفاده شده است. با مرور روش هاي مختلفي كه با ديدگاه رديابي سيگنال مرجع در مراجع وجود دارند، از ويژگي تطبيقي بودن مدل براي رسيدن به اين هدف استفاده شده است چرا كه مدل تطبيقي، تغييرات سيستم را در هر گام زماني آموزش مي‌بيند. مسائل اصلي اين پايان‌نامه رديابي سيگنال مرجع، كاهش اثر اغتشاشات و نويز با استفاده از كنترل‌كننده‌هاي بيان‌شده مي‌باشد. اغتشاش‌هاي درنظرگرفته‌شده به دو دسته اغتشاش داخلي كه ناشي از تغيير در پارامترهاي سيستم (عدم قطعيت) هستند، و اغتشاش‌هاي خارجي تقسيم‌مي‌شوند. هدف اصلي اين پايان‌نامه، تحليل عملكرد سيستم حلقه‌بسته از طريق تضمين پايداري سيستم در حضور اغتشاش و رديابي سيگنال مرجع با استفاده از كنترل‌كننده‌هاي بيان‌شده مي‌باشد. با درنظرگرفتن قيود سيستم، براي تضمين پايداري سيستم حلقه‌بسته در حضور اغتشاش، ثابت ليپشيتزِ مدل تطبيقي پيشنهادشده است. اين رويكرد، پايداري ورودي-به-حالت سيستم حلقه‌بسته را در حضور اغتشاش‌هايي از جنس پله برآورده‌مي‌كند. ساختار تركيبي كنترل پيش‌بين با جبرانساز پيشرو پيشنهاد شده است كه مبتني بر استفاده از رويتگر اغتشاش است. اين ساختار، اين قابليت را به سيستم حلقه‌بسته اضافه مي‌كند كه بتوان طراحي كنترل پيش‌بين براي عملكرد مناسب رديابي را مستقل از طراحي جبرانساز پيشرو براي حذف اغتشاش انجام داد. در تمامي مراحل پيشنهادي، پايداري سيستم حلقه‌بسته به‌صورت تحليلي بررسي‌شده و نتايج شبيه‌سازي مربوط به رديابي سيگنال مرجع و حذف اغتشاش و نويز نمايش داده‌شده‌است.

1399/05/02

Control of Boiler-Turbine unit using Nonlinear Model Predictive Control based on Adaptive Neural Network Model

3/8/2020 12:00:00 AM

In this thesis, first the boiler-turbine and its structure are introduced and then the control methods of the MPC and NMPC are applied on it. In order to improve the performance of the controller, since the neural networks are general approximators and can model any Lipschitz nonlinear systems using input-output data of the system, neural network model is utilized as the predictor model. Adaptive models can consider the system changes in each time step, therefore the adaptive neural network model is used and this helps to achieve tracking. The main objectives of this thesis are to trace the reference signal, reduce the effect of disturbances and noise using the expressed controllers. The intended disturbances are divided into two categories: internal disturbances caused by changes in system parameters (uncertainty), and external disturbances. To guarantee the closed-loop stability in the presence of disturbances, a constraint tightening approach based on the bounds of the disturbances and the Lipschitz constant of the adaptive model is proposed. This approach guarantees the Input-to-State Stability (ISS) of the closed-loop system in the presence of the step disturbances. To eliminate the effect of long time disturbances, a hybrid predictive control with feed-forward control based on disturbance observer is proposed. The important feature of this structure is that the design of predictive control for reference tracking can perform independent of the design of feedforward control for disturbance rejection. The effectiveness of the proposed methods is evaluated in the simulation and experimental studies and is compared with the recently reported methods in literature.