آموزش شناسایی سیستم پاندول معکوس با استفاده از شبکه های عصبی مصنوعی

با سلام

در این دوره سعی شده تا با مراحل مهم فرآیند شناسایی سیستم آشنا شده، آن ها را در محیط متلب اجرا نمائیم. سه مرحله مهم در فرآیند شناسایی عبارتند از: ۱٫ جمع آوری چندین دیتای آزمایشی ورودی، خروجی از فرآیندی که می خواهیم آن را مدلسازی کنیم ( در مورد سیستم پاندول معکوس ورودی و خروجی ها به ترتیب عبارتند از نیروی وارده بر ارابه و جابه جایی و زاویه انحراف پاندول). ۲٫ انتخاب ساختار مناسب ۳٫ تخمین و تنظیم پارامترهای مدل به طوری که خروجی این مدل شبیه به خروجی فرآیند باشد. بهترین راه انتخاب ساختار یک مدل، انتخاب تعدادی مدل های مختلف، آزمایش کردن آن ها و در نهایت استفاده از مدلی است که نزدیک ترین خروجی به فرآیند اصلی را داشته باشد.

در این آموزش ابتدا پاندول معکوس را معرفی کرده، روابط و معادلات مربوط به آن را توضیح داده و  مدل خطی و غیر خطی آن را در سیمولینک اجرا می کنیم. با توجه به اینکه  نیاز به دیتای دقیق و درستی از سیستم پاندول معکوس می باشد، دیتای خروجی از سیستم ناپایدار اطلاعات کافی از دینامیک های سیستم را نخواهد داشت به همین دلیل از یک کنترل کننده به منظور پایداری سیستم استفاده می کنیم. از شبکه عصبی feed forward به منظور شناسایی غیر خطی سیستم و از toolbox شناسایی سیستم به منظور شناسایی خطی استفاده شده است.

فهرست مطالب این دوره آموزشی :

1. معرفی پاندول معکوس، روابط و معادلات لاگرانژ
2. مدل سازی پاندول خطی و غیر خطی به صورت open loop در سیمولینک
3. قرار دادن کنترل کننده (سیستم حلقه بسته)
4. معرفی شبکه عصبی feed forward
5. مقدمه ای بر فرآیند شناسایی پاندول معکوس
6. شناسایی غیر خطی پاندول معکوس با استفاده از شبکه عصبی feed forward
7. شناسایی غیر خطی تک ورودی، تک خروجی (ورودی های مختلف مثل سینوسی و نویز و خروجی زاویه انحراف پاندول)
8. شناسایی غیر خطی تک ورودی، چند خروجی (خروجی می تواند زاویه انحراف پاندول و جابه جایی باشد)
9. شناسایی غیر خطی دو ورودی (نویز و زاویه انحراف در زمان i)، تک خروجی (زاویه در زمان i+1)
10. شناسایی خطی پاندول با استفاده از تولباکس های شناسایی سیستم
11. مدل ARX
12. مدل ARMAX
13. مدل Box-Jenkins
14. مدل Output error

تذکر : در کنار این آموزش موارد زیر نیز موجود است:

1. اسلایدها
2. کدهای متلب و سیمولینک