پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی

word 684 KB 30901 92
1393 کارشناسی ارشد مهندسی الکترونیک
قیمت قبل:۶۳,۵۰۰ تومان
قیمت با تخفیف: ۲۴,۰۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان‌نامه دوره کارشناسی ارشد مهندسی برق-کنترل

    چکیده

    در این نوشتار تشخیص، بازسازی و پیش‌بینی عیب سیستم‌های غیرخطی همراه با عدم قطعیت مورد بررسی قرار می‌گیرد. معیار عیب‌یابی سیگنال باقیمانده‌ای است که از اختلاف خروجی سیستم و یک رویتگر مود لغزشی محاسبه می‌شود. ایده‌ی مود لغزشی در راستای جبران اثر عدم قطعیت‌ها بر سیگنال باقیمانده می‌باشد. توانایی رویتگرلغزشی در رساندن سیگنال باقیمانده به سطح لغزشی صفر با حساسیت روش عیب‌یابی در تضاد است. این مشکل را با تطبیق بهره‌ی رویتگر لغزشی حل می‌کنیم. این الگوریتم تطبیق، بهره‌ها را تا حد نیاز مسئله برای جبران نامعینی‌های مدل کاهش می‌دهد. خطای تخمین با بهره‌ی لغزشی کمینه به سطح صفر می‌رسد. با خروج خطای رویتگر از سطح لغزشی صفر رخداد عیب کشف و تطبیق بهره خاموش می‌گردد. بنابراین، اثر عیب در سیگنال باقیمانده بدون تضعیف توسط رویتگر لغزشی انتشار می‌یابد. به علاوه شبکه‌ی عصبی تخمینگر برای بازسازی دینامیک عیب در متن رویتگر فعال می‌شود. قوانین به‌روزرسانی وزن‌ها به بهبود پایداری روش و همگرایی خطای تخمین کمک می‌کند. با تعریف آستانه‌ی نابودی مناسب برای وزن‌های شبکه، الگوریتم پیش‌بینی عیب از قانون به‌روزرسانی وزن‌ها استخراج می‌شود. بررسی پایداری لیاپانوف روش آشکارساز عیب در هر دو حوزه‌ی پیوسته و گسسته زمان بررسی‌ می‌گردد. اثبات پایداری لیاپانوف در روش‌های عیب‌یابی گذشته به‌ندرت دیده می‌شود.

    کلید واژه: عیب‌یابی، سیستم‌های غیرخطی، عدم قطعیت مدل، شبکه‌ی عصبی، اثبات پایداری.

    فصل 1-          مقدمه

    1-1-     پیشگفتار

    در صنایع ساخت و تولید، تلاش فراوانی در راستای تولید محصول با کیفیت بالا صرف می شود. تولید محصول با کیفیت مطلوب، متعاقبا بایستی ایمنی بالا و توجه به مقررات زیست محیطی را به دنبال داشته باشد. عملیاتی که زمانی برای ما قابل قبول بودند، با توجه به بالا رفتن انتظارات ما از صنایع، بیش از این مناسب به نظر نمی‌رسند. بنابراین، برای دستیابی به استاندارد های مطلوب تر، در فرآیندهای صنعتی مدرن، چندین متغیر سیستم  تحت کنترل حلقه بسته عمل می‌کنند. کنترل‌‌کننده‌های استاندارد( همانند PID ها، کنترل کننده‌های پیش‌بین و....) به گونه‌ای طراحی می‌شوند که باکمرنگ کردن تاثیرات اغتشاش وارده به سیستم، عملکرد سیستم را در شرایط رضایت بخشی نگهدارند. گرچه این کنترل‌کننده ها می توانند، از عهده‌ی انواع مختلفی از اغتشاش برآیند، اما تغییراتی وجود دارند که کنترل‌کننده نمی‌تواند آن‌ها را ساماندهی کند. این تغییرات عیب[1] نامیده می‌شود[[i]]. به بیان دیگر می‌توان هرگونه انحراف غیرمجاز در حداقل یک رفتار و یا پارامتر مشخصه‌ی سیستم را عیب تعریف کرد[1].

    افزایش مداوم پیچیدگی و قابلیت اطمینان و بازدهی در سیستم‌های مدرن، مقتضی توسعه‌ی پیوسته‌ی حوزه ی کنترل و تشخیص خطا می‌باشد. این نیازمندی به وضوح در صنایعی که از لحاظ ایمنی بحرانی هستند، خود را نشان می‌دهد. این موارد شامل نیروگاه اتمی، صنایع شیمیایی و هواپیما گرفته تا صنایع جدید همچون وسایل نقلیه خودگردان و قطارهای سریع السیر می‌باشد. تشخیص و شناسایی به موقع خطا می‌تواند از توقف ناگهانی سیستم و خسارات جانی و مالی انسان‌ها جلوگیری کند. در شکل ‏1—1. سیستم کنترل مدرن نحوه‌ی روبرو شدن با عیب در سیستم‌های مدرن به تصویر کشیده شده‌است. همان‌گونه که مشاهده می‌شود، سیستم کنترل شده، بخش اصلی این تصویر می‌باشد که شامل محرک، سنسور و دینامیک فرآیند است. هرکدام از این بخش‌ها می‌تواند تحت تاثیر عوامل بیرونی مانند نویز فرآیند، نویز اندازه‌گیری و یا اغتشاش خارجی قرار گیرد. به علاوه در مواردی که بحث تشخیص خطا با قابلیت اطمینان بالا مطرح می شود، بایستی عدم قطعیت های سیستم را در نظر گرفت. در چنین شرایطی سیستم همچنان ممکن است تحت تاثیر عیب ( با تعریفی که قبلا از آن ارائه شد) باشد [[ii]]. در این صورت انتظار ما از سیستم تشخیص عیب این است که بتواند رخداد عیب را از بین سایر عوامل بیرونی تمیز دهد.

     

    ‏1—1. سیستم کنترل مدرن [2]

    همان‌گونه که قبلا بیان شد، در حالت کلی می‌توان عیب را هر گونه انحراف غیر مجاز در رفتار و یا پارامترهای مشخصه‌ی سیستم تعریف کرد؛ به عنوان مثال عملکرد نامناسب حسگر[2] در سیستم را می‌توان به عنوان عیب در نظر گرفت. به بیان دیگر هر تغییر غیر منتظره‌ای که موجب تنزل عملکرد سیستم شود، در حوزه‌ی عیوب سیستم قرار می‌گیرد. در مقابل عیب اصطلاح نابودی[3] نیز مطرح می‌شود که به توقف و فروپاشی کامل سیستم اشاره دارد. شایان ذکر است که عیب بیشتر به عملکرد نامناسب گفته می‌شود و استفاده ازاصطلاح نابودی بیشتر مقتضی رخداد فاجعه است؛ چرا که در واقع نابودی، ناتوانی دائمی دستگاه را در انجام وظایفش تحت شرایط عملکرد تعریفی به همراه دارد[2].

    دسته‌بندی‌های مختلفی می‌توان از عیب ارائه داد. دسته بندی‌ می‌تواند براساس مکان رخ دادن عیب در سیستم و یا بر اساس تغییرات زمانی پیشرفت عیب در سیستم باشد. بر اساس محل عیب میتوان سه دسته عیب به صورت زیر تعریف کرد[2]:

    الف. عیب محرک[4]، که شامل عملکرد نادرست در تجهیزاتی است که سیستم را تحریک می‌کند. به عنوان مثال عیب محرک الکترومکانیکی در یک موتور دیزلی.

    ب. عیب فرآیند[5]، هنگامی رخ می‌دهد که تغییرات در سیستم، عدم اعتبار روابط دینامیکی حاکم بر سیستم را به همراه داشته باشد. به عنوان مثال نشت تانک در یک سیستم کنترل دو-تانکه.

    ج. عیب حسگر[6]، که خود را به صورت تغییرات جدی در اندازه‌گیری‌های سیستم نشان می‌دهد.

    همچنین بر اساس روند تغییرات زمانی عیب می‌توان دسته‌بندی زیر را ارائه نمود[[iii]]:

    الف. عیب ناگهانی[7]، که آن را به صورت توابع پله‌ای شکل مدل می کنند. این عیب معمولا خود را به صورت بایاس در سیگنال موردارزیابی نشان می‌دهد.

    ب. عیب هموار[8]، که آن را به صورت توابع مرتبه اول مدل می‌کنند. این عیب معمولا خود را به صورت واگرا و منحرف شدن سیگنال موردارزیابی از مقادیر عادی نشان می‌دهد.

    ج. عیب متناوب[9]، ترکیبی از ضربه‌ها با دامنه‌های متفاوت است.

    در شکل ‏1—1. سیستم کنترل مدرن [2]بلوکی تحت عنوان تشخیص خطا[10] به موازات سیستم اصلی قرار دارد. نقش اصلی این بلوک، مانیتور کردن رفتار سیستم و جمع‌آوری هرگونه اطلاعات مربوط به عملکرد غیر عادی در هریک از اجزای سیستم است. بنابراین وظیفه‌ی تشخیص خطا را می‌توان به سه قسمت عمده تقسیم کرد[2]:

    الف. کشف عیب[11]، این بخش به تصمیم‌گیری درباره‌ی وضعیت سیستم برمی‌گردد. تشخیص اینکه برای سیستم اتفاق غیر عادی رخ داده است و یا سیستم در شرایط عادی در حال کار است.

    ب. تمیز دادن عیب[12]، این بخش به تعیین موقعیت و محل رخ­دادن خطا می‌پردازد. مثلا اینکه کدام سنسور و یا محرک درگیر عیب هستند.

    ج. شناسایی عیب[13]، تعیین اندازه، نوع و طبیعت عیب در این بخش جا دارد.

    روش­­های تشخیص خطای مختلفی تا کنون طراحی شده­اند. همچنین این روش­ها بر اساس معیارهای مختلفی به گروه­های متفاوت قابل طبقه بندی هستند. در این قسمت دسته­بندی زیر از [[iv]] ارائه شده است. روش­های عیب­یابی را می­توان در سه دسته­ی مختلف جای داد:

    الف. سخت افزاری قابلیت اطمینان[14]، این روش از روش­های قدیمی عیب­یابی می­باشد. پایه­ی این روش بر اساس استفاده از چندین حسگر، محرک و پردازشگر سخت­افزاری و یا نرم­افزاری است که وظیفه­ی کنترل و اندازه­گیری پارامتر بخصوصی از سیستم را به عهده دارند. در ادامه یک سامانه‌ی رای‌گیری به کار گرفته می‌شود که در مورد رخداد و عدم رخداد عیب و محل نسبی رخداد خطا تصمیم می‌گیرد. استفاده از این روش در سیستم‌های بسیار حساس همچون کنترل پرواز بسیار مرسوم می‌باشد. گرچه این متود بسیار قابل اطمینان است؛ اما تجهیزات اضافه و نگهداری و تعمیر آن‌ها هزینه‌بر است. به‌علاوه نیاز به فضای لازم برای تجهیزات سخت افزاری این روش از مشکلات جدی آن به حساب می‌آید.

    ب. روش‌های برپایه‌ی سیگنال[15]، این روش  در عمل یکی از روش‌های متداول برای عیب‌یابی می‌باشد. ایده‌ی اصلی این روش مانیتور کردن سطح یک سیگنال خاص از سیستم می‌باشد؛ در صورتی که این سیگنال به یک حد آستانه‌ی مشخص برسد، آلارم رخداد عیب فعال می‌شود. این متود برای استفاده‌ی عملی بسیار راحت است؛ اما مشکلات و معایب جدی خاص خود را دارد. اولین مشکل این که این روش مقاوم[16] نیست. مقاوم نبودن به این معناست که در حضور نویز، تغییرات ورودی و یا تغییر نقطه‌ی کار ممکن است که آلارم رخداد عیب به اشتباه فعال شود. دومین مشکل این که یک عیب به تنهایی می‌تواند موجب تجاوز تعداد زیادی از سیگنال‌های سیستم از حد آستانه‌شان شود؛ بدین ترتیب، تشخیص موقعیت و محل خطا بسیار سخت می‌شود. در راستای حل این مشکلات، ترکیب این روش‌ها با روش‌های آماری و تصادفی مطرح می‌شود؛ این روش برای توسعه دادن مقاومت و دقت روش‌های عیب یابی است.

    ج. روش‌های برپایه‌ی مدل[17]، کلیت این روش را می توان به این صورت بیان کرد که ابتدا یک مدل ریاضیاتی از سیستم، با اطلاعات اولیه‌ای که از سیستم داریم تعریف می‌کنیم؛ سپس برخی از پارامترهای قابل دسترس از سیستم اصلی اندازه‌گیری می‌شود. با استفاده از مدلی که در ابتدای کار طراحی شد، مقادیر پارامترهای اندازه‌گیری شده را تخمین می‌زنیم و پارامترهای واقعی سیستم  با پارامترهای تخمینی از مدل سیستم مقایسه می‌شوند. سیگنالی به نام سیگنال باقیمانده از تفاوت بین مقادیر واقعی اندازه‌گیری شده‌ی پارامتر ها و مقدار تخمینی آنها ساخته می‌شود. در ادامه حد آستانه‌ای بررای سیگنال باقیمانده تعریف می‌شود. سیگنال‌های باقیمانده‌ی مختلفی برای تشخیص رویداد عیب در قسمت های مختلف سیستم قابل نعریف هستند. تحلیل هر یک از این سیگنال‌های باقیمانده می‌تواند در بخش تشخیص محل خطا مفید باشد.

    گاه با در نظر نگرفتن متودهای  عیب یابی سخت افزاری، که در دسته بندی قبل دسته‌ی الف را شامل می‌شدند، باقی روش های عیب یابی را در سه دسته جای می‌دهند. همانند آن چه در [1] آمده است. سه دسته‌ی یاد شده به این صورت می‌باشند:

    الف. روش‌های بر پایه‌ی داده[18]، این دسته از روش‌های عیب‌یابی را می‌توان معادل دسته‌ی بر پایه‌ی سیگنال در دسته‌بندی قبلی دانست. مقادیر اندازه گیری لازم به صورت مستقیم از داده های فرآیند ضبط می‌شوند. سیستم‌های کنترل صنعتی مدرن، از یک سیستم کاملا صنعتی گرفته تا یک ماشین تولید کاغذ ساده، سیستم‌های بزرگ مقیاس[19] همراه با ابزارآلات پیچیده‌ی فر آیندهای مدرن  هستند. سیستم های بزرگ مقیاس حجم عظیمی از داده‌ها را تولید می‌کنند. گرچه این داده‌های تولیدی معادل اطلاعات زیاد از سیستم هستند؛ اما از سوی دیگر این مسئله حائز اهمیت است که اپراتور و یا مهندس بتواند با مشاهده کردن داده‌های ضبط شده از سیستم به راحتی عملکرد سیستم را مورد ارزیابی قرار دهد. نقطه‌‌ی قوت متودهای عیب یابی برپایه‌ی داده این است که میتواند داده‌ها با ابعاد بالا را به فضای با ابعاد کوچکتر انتقال دهد، که در فضای جدید تنها داده‌های مهم موجود هستند.با محاسبه‌ی اطلاعات آماری معنادار از داده‌های مهم فضای کاهش یافته، روش‌های عیب‌یابی برای سیستم‌های بزرگ مقیاس به طرز قابل توجهی توسعه یافته‌اند. بزرگترین عیب این دسته، وابستگی شدید به کمیت و کیفیت داده‌های فرآیند می‌باشد.

    ب. روش‌های تحلیلی[20]، این دسته را می توان به عنوان زیر دسته‌ای از گروه ج دسته‌بندی [4] در نظر گرفت. روش‌های تحلیلی بر خلاف روش‌های بر پایه‌ی داده، از مدل‌های ریاضیاتی استفاده می‌کنند؛ این مدل‌های ریاضیاتی از اصول اولیه به دست می‌آیند. روش‌های تحلیلی در مواردی که اطلاعات کافی از سیستم داریم، کاربرد دارند؛ به عنوان مثال در جایی که مدل رضایت‌بخش و اطلاعات سنسورهای کافی از سیستم را در اختیار داریم. این دسته شامل روش‌های تطبیقی تخیمن پارامتر[21]، روش‌های رویتگر[22] و روش‌های روابط معادل[23] می‌باشد. بیشترین کاربرد روش‌های تحلیلی در سیستم‌های با تعداد ورودی و خروجی و متغیرهای حالت کم می‌باشد. به کار بردن این روش برای سیستم‌های بزرگ مقیاس کار سختی می‌باشد، چرا که نیازمند مدلی با جزئیات کافی از سیستم می‌باشد و تعریف همچین مدلی از سیستم بزرگ مقیاس نیازمند دستیابی به تمام وابستگی‌های متقابل بین قسمت‌های مختلف یک سیستم چند متغیره می‌باشد. مهم‌ترین مزیت این روش همانگونه که از نام آن برمی‌آید قابلیت تفسیرپذیری فیزیکی پارامترهای فرآیند است. به عبارت دیگر هنگامی که مدل ریاضیاتی جزئی از سیستم در دسترس باشد، استفاده از روش‌های تحلیلی عیب‌یابی نسبت به روش‌های برپایه‌ی داده ارجحیت دارد.

    ج. روش‌های برپایه‌ی اطلاعات، این دسته را می توان به عنوان زیر دسته‌ی دیگری ازگروه ج دسته‌بندی [4] در نظر گرفت. این روش‌ها از مدل‌های کیفی برای توسعه‌ی عملکرد عیب‌یابی استفاده می‌کنند.این روش‌ها به خصوص برای زمانی که مدل ریاضیاتی دقیقی از سیستم در دست نیست، بسیار قابل استفاده است.بسیاری از این روش‌ها بر پایه‌ی اطلاعات غیر دقیق، سیستم‌های هوشمند و شناسایی الگو عمل می‌کنند. همانند روش‌های تحلیلی، از این دسته نیز در مورادی که تعداد ورودی، خروجی و متغیرهای حالت سیستم کم باشد استفاده می‌کنند چرا که تعریف یک مدل کیفی از سیستم‌های بزرگ مقیاس نیازمند تلاش بسیار است. گاه با استفاده از روش‌های نرم‌افزاری، امکان استفاده از روش‌های برپایه‌ی اطلاعات، حتی برای سیستم‌های پیچیده فراهم می‌شود.

    تا کنون دو دسته بندی متداول از روش‌های عیب‌یابی بیان شده است. اما دسته‌بندی کامل‌تری که در برخی مراجع دیده می‌شود به شرح زیر است. در این دسته‌بندی، روش‌ها را به دو دسته‌ی اصلی  برپایه‌ی مدل و بر پایه‌ی حافظه‌ی فرآیند تقسیم می‌کنند. هر کدام از این دسته‌های اصلی به دو زیر دسته تقسیم می‌شوند، زیر دسته‌ی کمی[24] و کیفی[25].

    روش‌های بر پایه‌ی مدل  که در دسته‌ی ج دسته‌بندی[4] قبلا توضیح داده شد. این روش‌ها بر اساس فهم فیزیکی اولیه‌ای است که از سیستم در اختیار داریم. این اطلاعات پیشین هم در غالب مدل‌های کمی و هم در غالب مدل‌های کیفی قابل تحقق هستند. مدل‌های کمی نیازمند اطلاعات دقیق و جزئی از فیزیک سیستم هستند، در حالی که مدل‌های کیفی به صورت قواعد کیفی و مفاهیم فیزیکی کیفی قابل پیاده‌سازی هستند. دو زیر دسته‌ی اخیر پیش از این در دسته‌ی ب و ج از دسته‌بندی [1] توضیح داده شدند.

    روش‌های بر پایه‌ی حافظه‌ی فرآیند[26]، از مقادیر کافی داده‌های موجود در حافظه‌ی سیستم برای عیب‌یابی بهره می‌برند. داده‌های حافظه به اطلاعات مفیدی تغییر شکل یافته و به سیستم تشخیص خطا گزارش می‌شود. به فرآیند تغییر شکل داده‌های حافظه به اطلاعات مفید، استخراج مشخصه گویند. استخراج مشخصه هم می تواند طی یک پروسه‌ی کمی صورت پذیرد و هم می‌تواند طی یک پروسه‌ی کیفی باشد. حالت اول از طریق روش‌های جعبه‌ی سیاه[27]، بدون هیچ گونه اطلاعاتی از سیستم و حالت دوم از طریق روش‌های جعبه‌ی خاکستری[28]، با اطلاعات کیفی و نسبی راجع به سیستم ممکن است [[v]].

    دسته‌بندی فوق از بین سایر دسته‌بندی‌ها کامل‌تر به نظر می‌آید. روش‌های برپایه‌ی مدل کمی را می‌توان مجددا به دو زیر دسته‌ی جامع[29] و ساده شده[30] تقسیم کرد.  برای مدل کردن حالت گذرای رفتار یک سیستم، استفاده از مدل جامع شامل جزئیات بسیار مفید است. زیر دسته‌ی دوم به جهت سادگی در مورد توجه است؛ چرا که با تبدیل مشتقات جزئی به مشتقات معمولی و یا حتی معادلات جبری، موجب سادگی محاسبات می‌گردد [[vi]]. مدل‌های فیزیکی ساده شده، معمولا از یک مدل ریاضی صریح و ساده استفاده می‌کنند؛این امر تشخیص عیب را با سهولت بیشتری همراه می‌کند. مشکل روش‌های کمی برپایه‌ی مدل این است که پیچیده هستند و به سختی قابل توسعه می‌باشند[6]، [[vii]]، [[viii]].

    بر خلاف روش‌های کمی برپایه‌ی مدل که از روابط ریاضی برای نمایش اطلاعات سیستم استفاده می‌کنند، روش‌های کیفی برپایه‌ی مدل از روابط کیفی و اطلاعات پایه‌ای برای نمایش اطلاعات سیستم استفاده می‌کنند. این دسته را می‌توان به دو گروه روش‌های برپایه‌ی قواعد و گروه روش‌های بر پایه‌ی اطلاعات فیزیکی کیفی تقسیم کرد. روش‌های برپایه‌ی قواعد از اطلاعات سیستم برای نوشتن پایگاهی از قواعد اگر-آنگاه استفاده می‌کند.این روش‌ها به راحتی قابل توسعه و کاربرد هستند[6]. مدل‌های کیفی دربردارنده‌ی اطلاعات کیفی هستند که از رفتار فیزیکی سیستم استنباط می‌شود [[ix]]. روش های کیفی در فرآیندهای غیر حساس بسیار پرکاربرد هستند[6]. وبرای این که بتوان عیب را به درستی تشخیص داد بایستی پایگاه قواعد کاملی داشته باشیم.

     

    [1]Fault

    [2] Sensor

    [3] Failure

    [4] Actuator fault

    [5] Process fault

    [6] Sensor fault

    [7] Abrupt fault

    [8] Incipient fault

    [9] Intermittent fault

    [10] Fault diagnosis

    [11] Fault detection

    [12] Fault isolation

    [13] Fault identification

    [14] Hardware redundancy

    [15] Signal based fault detection

    [16] Robust

    [17] Model based fault detection

    [18] Data-driven methods

    [19] Large-scale systems

    [20] Analytical methods

    [21] Adaptive parameter estimation

    [22] Observer-based methods

    [23] Parity relations

    [24] Quantitative methods

    [25] Qualitative methods

    [26] Process history based

     

    [27] Black box

    [28] Gray box

    [29] Quantitative detailed models

    [30] Quantitative simplified models

     

    [[i]] L. H. Chiang, E. L. Russell, and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems. Springer, 2001.

    [[ii]]  M. Witczak, Modelling and Estimation Strategies for Fault Diagnosis of Non-Linear Systems. Springer, 2007.

    [[iii]] S. Simani, C. Fantuzzi, and R. J. Patton, Model-Based Fault Diagnosis in Dynamic Systems using Identification Techniques. Springer, 2002.

    [[iv]]  I. Izadi Najaf Abadi, “Fault diagnosis in sampled-data systems”,Ph. D. Dissertation, Dept. ECE, University of Alberta, Edmonton, Fall 2006.

    [[v]] M. D. Shah, “Fault detection and diagnosis in nuclear power plant- a brief introduction”, International Conference on current trends in technology, NuiCone, 2011.

    [[vi]] S. Katipamula, M. Brambley, “Methods for fault detection, diagnostics, and prognostics for building systems- a review”, International Journal of HVAC&R research, vol.11, no.2, Apr. 2005.

    [[vii]]  V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part I: Quantitative model-based methods”, Computers & Chemical Engineering 27, pp. 293-311, Apr. 2002.

    [[viii]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part III: Process history based methods”, Computers & Chemical Engineering 27, pp. 327-346, Apr. 2002.

    [[ix]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part II: Qualitative models and search strategies”, Computers & Chemical Engineering 27, pp. 313-326, Apr.2002.

  • فهرست:

    عنوان                                                                                                                               صفحه

    فصل 1-   مقدمه. 1

    1-1-     پیشگفتار 1

    1-2-   تاریخچه‌ی روش‌های تشخیص و پیش‌بینی عیب... 9

    1-2-1-    تاریخچه‌ی مطالعات روش‌های برپایه‌ی مدل.. 10

    1-2-1-1-  تاریخچه‌ی مطالعات روش‌های عیب‌یابی با مدل کمی.. 10

    1-2-1-2-  تاریخچه‌ی مطالعات روش‌های عیب‌یابی با مدل کیفی.. 12

    1-2-2-    تاریخچه‌ی روش‌های برپایه‌ی حافظه‌ی فرآیند. 17

    1-2-2-1-  تاریخچه‌ی روش‌های کیفی برپایه‌ی حافظه‌ی فرآیند. 17

    1-2-2-2-  تاریخچه‌ی روش‌های کمی برپایه‌ی حافظه‌ی فرآیند. 19

    1-3-   روش‌های نوین عیب‌یابی.. 23

    1-3-1-    روش‌های نوین بر پایه‌ی داده‌ 23

    1-3-1-1-  روش‌های نوین آنالیز حوزه‌ی زمان-فرکانس.... 23

    1-3-1-2-  روش‌های نوین طبقه‌بندی‌کننده 25

    1-3-1-3-  روش‌های نوین آماری   27

    1-3-2-    روش‌های نوین بر پایه‌ی مدل.. 29

    1-3-2-1-     روش‌های نوین برپایه‌ی مدل، سیستم‌های خطی.. 29

    1-3-2-2-  روش‌های نوین برپایه‌ی مدل، سیستم‌های غیرخطی.. 31

    1-4-   هدف و مراحل گردآوری.. 34

    فصل 2-   روش‌های برپایه‌ی مدل در سیستم‌های غیر خطی.. 37

    2-1-   مقدمه  37

    2-2-   دسته‌بندی روش‌های برپایه‌ی مدل عیب‌یابی سیستم‌های غیرخطی.. 38

    2-2-1-    روش‌های هندسی.. 38

    2-2-2-    رویتگر تطبیقی.. 41

    2-2-3-    رویتگر مقاوم  44

    2-2-3-1-  رویتگرهای مقاوم برپایه‌ی سیستم‌های فازی.. 44

    2-2-3-2-  رویتگرهای مقاوم برپایه‌ی شبکه‌های عصبی.. 48

    2-2-3-3-  اضافه کردن ترم مقاوم به رویتگر تطبیقی.. 57

    2-2-4-    رویتگر مود لغزشی.. 64

    2-3-   جبران عیب در سیستم‌های غیرخطی.. 71

    2-4-   خلاصه‌ و نتیجه‌گیری از فصل.. 72

    فصل 3-   جمع‌بندی.. 73

    3-1-   نتیجه گیری.. 73

    3-2-   پیشنهادات... 74

    فهرست مراجع.. 76

    منبع:

    [[1]] L. H. Chiang, E. L. Russell, and R. D. Braatz, Fault Detection and Diagnosis in Industrial Systems. Springer, 2001.

    [[1]]  M. Witczak, Modelling and Estimation Strategies for Fault Diagnosis of Non-Linear Systems. Springer, 2007.

    [[1]] S. Simani, C. Fantuzzi, and R. J. Patton, Model-Based Fault Diagnosis in Dynamic Systems using Identification Techniques. Springer, 2002.

    [[1]]  I. Izadi Najaf Abadi, “Fault diagnosis in sampled-data systems”,Ph. D. Dissertation, Dept. ECE, University of Alberta, Edmonton, Fall 2006.

    [[1]] M. D. Shah, “Fault detection and diagnosis in nuclear power plant- a brief introduction”, International Conference on current trends in technology, NuiCone, 2011.

    [[1]] S. Katipamula, M. Brambley, “Methods for fault detection, diagnostics, and prognostics for building systems- a review”, International Journal of HVAC&R research, vol.11, no.2, Apr. 2005.

    [[1]]  V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part I: Quantitative model-based methods”, Computers & Chemical Engineering 27, pp. 293-311, Apr. 2002.

    [[1]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part III: Process history based methods”, Computers & Chemical Engineering 27, pp. 327-346, Apr. 2002.

    [[1]] V. Venkatasubramanian, R. Rengaswamy, K. Yin and S. N. Kavuri, “A review of process fault detection and diagnosis Part II: Qualitative models and search strategies”, Computers & Chemical Engineering 27, pp. 313-326, Apr.2002.

    [[1]] F. P. Lees, “ Loss prevention in pocess industries : hazard identification, assessment and control. London, Butterworth-Heinemann, 1996.

    [[1]] R. Patton, P. Frank and R. Clark, Fault diagnosis in dynamic systems. Prentice Hall, 1989.

    [[1]] M. Basseville, “Detecting changes in signals and systems- a survey”, Automatica, vol.24, no.3, 309-326, 1988.

    [[1]] M. Basseville, and I. V. Nikiforov, “Detection of abrupt changes_ theory and application”, Prentice Hall, 1993.

    [[1]] P. M. Frank, S. X. Ding, and T. Marcu, “Model-based fault diagnosis in technical processes”, Transaction of the institution of measurement and control, vol.22, no.1, pp.57-101, 2000.

    [[1]] D. M. Himmelblau, Fault detection and diagnosis in chemical and petrochemical processes. Elsevier Scientific Pub. Co., 1978.

    [[1] ] R. Isermann, “Process faults detection based on modeling and estimation methods-a survey”, Automatica, vol.20, no.4, pp.387-404.

    [[1]] J. Gertler, and D. Singer, “A new structural framework for parity equation-based failure detection and isolation”, Automatica, vol.26, pp.381-388, 1990.

    [[1]] H. Yang, and M. Saif, “Nonlinear adaptive observer design for fault detection”, In proceeding of American Control Conference, Washingtone, pp.1136-1139, 1995.

    [[1]] M. Soroush, “State and parameter estimation and their applications in process control”, Computer and chemical engineering, vol.23, pp.229-245, 1998.

    [[1]] K. Watanabe, and D. M. Himmelblau, “Instrument fault detection in systems with uncertainties”, International Journal System Science, vol.13, no.2, pp.137-158, 1982.

    [[1]] K. Watanabe, and D. M. Himmelblau, “Fault diagnosis in  nonlinear chemical processes_part I: Theory”, AIChE, vol.29, no.2, pp.243-249, 1983.

    [[1]] K. Watanabe, and D. M. Himmelblau, “Incipient fault diagnosis of nonlinear processes with multiple causes of faults”, Chemical engineering scince, vol.39, no.3, pp.491-508, 1984.

    [[1]] Y. Huang, S. Dash, G. V. Rektailis, and V. Venkatasubramanian, “EKF based estimator for FDI in Model IV FCCU”, IFAC proceedings of safe process, Hungary, 2000.

    [[1]] S. Dash, S. Kantharao, R. Rengaswamy, and V. Venkatasubramanian, “Application and evaluation of a linear/restricted nonlinear observer to a nonlinear CSTR”, European symposium on computer aided process engineering, Denmark, pp.853-858, 2001.

    [[1] ] V. Venkatasubramanian, and S. H. Rich, “An object-oriented two-tier architecture for engineering compiled and deep-level knowledge for process diagnosis”, Computer and chemical engineering, vol. 12, no. 9/10, pp.903-921, 1988.

    [[1]] R. Davis, “Diagnosis reasoning based on structure and behavior” Artificial intelligence, vol. 24, no. 1/3, pp.347-410, 1984.

    [[1]] M. Iri, K. Aoki, E. O’Shima, and H. Matsuyama, “An algorithm for diagnosis of system failures in the chemical process”, Computers and Chemical Engineering, vol. 3, no. 1/4, pp.489-493, 1979.

    [[1]] T. Umeda, T. Kuriyama, E. O’shima, & H. Matsuyama, “A graphical approach to cause and effect analysis of chemical processing systems”, Chemical engineering science, vol. 35, no.12, pp.2379-2388, 1980.

    [[1]] M. Kokawa, M. Satoshi, & S. Shigai, “Fault location using digraph and inverse direction search with application”, Automatica, vol.19, no.6, pp.729-735, 1983.

     

    [[1]] M. A. Kramer, & B. L. Palowitch, “A rule based approach to fault diagnosis using the signed directed graph”, American institute of chemical engineers journal, vol. 33, no. 7, pp.1067-1078,1987.

    [[1]] C. C. Chang, & C. C. Yu, “On-line fault diagnosis using the signed directed graph”, Industrial and engineering chemistry research, vol. 29, no.7, pp.1290-1299, 1990.

    [[1]] N. A. Wilcox, & D. M. Himmelblau, “Possible cause and effect graphs (PCEG) model for fault diagnosis II. Applications”, Computers and chemical engineering, vol. 18, no. 2, pp. 117-127, 1994.

    [[1]] E. Tarifa, & N. Scenna, “Fault diagnosis, directed graphs, and fuzzy logic”, Computers and chemical engineering, vol.21, pp. 649-654, 1997.

    [[1]] H. Kim, & K. Lee, “Fuzzy implications of fuzzy cognitive map with emphasis on fuzzy causal relationship and fuzzy partially causal relationship”, Fuzzy sets and systems, vol. 97, no. 3, pp.303-313, 1998.

    [[1]] A. Genovesi, J. Harmand, & J. P. Steyer, “A fuzzy logic based diagnosis system for the on-line supervision of an anaerobic digestor pilot-plant”, Biochemical engineering Journal, vol. 3, no. 3, pp.171-183, 1999.

    [[1]] R. Li, & X. Wang, “Qualitative/quantitative simulation of process temporal behavior using clustered fuzzy digraphs”, American institute of chemical engineers Journal, vol.47, no.4, pp.906-919, 2001.

    [[1]] N. H., Ulerich, & G. A. Powers, “Online hazard aversion and fault diagnosis in chemical processes: the digraph/fault tree method”,  IEEE Transactions on Reliability vol.37, no.2, pp.171-177, 1988.

    [[1]] Y. Iwasaki, & H. A. Simon, “Causality in device behavior”, Artificial Intelligence, vol.29, no.1, pp. 3-32, 1986.

    [[1]] P. R. Prasad, J. F. Davis, Y. Jirapinyo, J. R. Josephson, & M. Bhalodia, “Structuring diagnostic knowledge for large-scale process systems”, Computers and chemical engineering, vol. 22, no. 12, pp. 1897-1905, 1998.

    [[1]] S. H. Rich, V. Venkatasubramanian, M. Nasrallah, & C. Matteo, “Development of a diagnostic expert system for a whipped toppings process”, Journal of loss prevention in the process industries, vol.2, no.3, pp.145-154, 1989.

    [[1]] W. Becraft, & P. Lee, “An integrated neural network/expert system approach for fault diagnosis”, Computers and chemical engineering, vol. 17, no. 10, pp.1001-1014. 1993.

    [[1]] J. T. Cheung, & G. Stephanopoulos, “Representation of process trends part I. A formal representation framework”, Computers and chemical engineering, vol. 14, no. 4/5, pp.495-510, 1990.

    [[1]] J. E. Jackson, A user’s guide to principal components.Wiley-Interscience,1991.

    [[1]] T. W. Anderson, An introduction to multivariate statistical analysis. Wiley, 1984.

    [[1]] S. Qin, “Recursive PLS algorithm for adaptive data monitoring”, Computers and chemical engineering, vol.22, no.4/5 , pp.503-514, 1998.

    [[1]] B. Bakshi, “Multiscale PCA with application to multivariate statistical process monitoring”, American institute of chemical engineers Journal, vol.44, no.7, pp.1596-1610, 1998.

    [[1]] K. Fukunaga, Introduction to statistical pattern recognition. Academic press, 1972.

    [[1]] E. Parzen, “On the estimation of probability density function and the mode” ,Annals of mathematical statistics, vol.33 , pp.1065-1076, 1962.

    [[1]] V. Venkatasubramanian, & K. Chan, “A neural network methodology for process fault diagnosis”, American institute of chemical engineers Journal, vol.35, no.12, pp.1993-2002, 1989.

    [[1]] D. Liu, Y. Zhao, B. Yang, and J. Sun, “A New motor fault detection method using multiple window S-method time-frequency analysis”, International Conference on Systems and Informatics, 2012.

    [[1]] S. Rajagopalan, J. M. Aller, and J. A. Restrepo, “Diagnosis of rotor faults in brushless DC (BLDC) motors operating under non-stationary conditions using windowed Fourier ridges”, Conf. Rec. 40th IEEE IAS, pp.26-33, 2005.

    [[1]] S. Rajagopalan, J. A. Restrepo, and J. M. Aller, “Wigner-Ville distributions for detection of rotor faults in brushless DC (BLDC) motors operation under non-stationary conditions”, 5th IEEE International Symposium, SDEMPED, 2005.

    [[1] ] M. Blodt, M. Chabert, and J. Regnier, “Mechanical load faul detection in induction motors by stator current time-frequency analysis”, IEEE Transactions on Industry Applications, vol.42, no.6, pp.1454-1463 ,2006.

    [[1]] S. Rajagopalan, J. A. Restrepo, and J. M. Aller, “Nonstationary motor fault detection using recent quadratic time-frequency representations”, IEEE Transactions on Industry Applications, vol.44, no.3, pp.735-744, 2008.

    [[1]] K. Kim, and A. G. Parlos, “Induction motor fault diagnosis based on neuropredictors and wavelet signal processing,” IEEE/ASME Transactions on Mechartronics, vol.7, no.2, pp.201-219, 2002.

    [[1]] R. M. Tallam, L. Sang Bin, G. C. Stone, G. B. Kliman, Y. Jiyoon, T. G. Habetler, and R. G. Harley, “A survey of methods for detection of stator-related faults in induction machines,” IEEE Trans. on industry application, vol. 43, no. 4, pp. 920–933, 2007.

    [[1]] A. Gandhi, T. Corrigan, and L. Parsa, “Recent advances in modeling and online detection of stator interturn faults in electrical motors”, IEEE Trans. on industrial electronics, vol. 58, no. 5, pp. 1564–1575, 2011.

    [[1]] J. Cusido, L. Romeral, J. A. Ortega, J. A. Rosero, and A. Garcia Espinosa, “Fault detection in induction machines using power spectral density in wavelet decomposition”, IEEE Trans. on industrial electronics, vol. 55, no. 2, pp. 633–643, 2008.

    [[1]] A. Bouzida, O. Touhami, R. Ibtiouen, A. Belouchrani, M. Fadel, and A. Rezzoug, “Fault diagnosis in industrial induction machines through discrete wavelet transform,” IEEE Trans. on industrial electronics, vol. 58, no. 9, pp. 4385–4395, 2011.

    [[1]] J. Seshadrinath, B. Singh, and B. K. Panigrahi, “Single-Turn fault detection in induction machine using complex-wavelet-based method”, IEEE Trans. on industry application, vol. 48, no. 6, 2012.

    [[1]]  M. I. Khalil, “Neural network based fault diagnosis procedure for the detector system of CFDF”, Journal of computer and science technology, vol. 10, no. 3, pp.137–142, 2010.

    [[1]] J. Zarei, L. Mahmoodi, M. A. Tajeddini, “ Intelligent Bearing Fault Diagnosis based

          on Vibration Analysis”, ICECC2012.

    [[1]] E. Tafazzoli, and M. Saif, “Application of combined support vector machines in process fault diagnosis,” in Proc. Am. Contr. Conf., pp. 3429–3433, 2009.

    [[1]] H. J. Chang, D. S. Song, P. J. Kim, and J. Y. Choi, “Spatiotemporal Pattern Modeling for Fault Detection and Classification in Semiconductor Manufacturing”, IEEE Trans on Semiconductor manufacturing , vol. 25, no. 1, 2012.

    [[1]] A. Soualhi, G. Clerc, H. Razik, and O. Ondel, “Detection of induction motor faults by an improved artificial ant clustering”, in Proc. 37th IEEE IECON, pp. 3446–3451, 2011.

    [[1]] A. Soualhi, G. Clerc, and H. Razik, “Detection and diagnosis of faults in induction

           motor using an improved artificial ant clustering technique”, IEEE Trans. on industrial

           electronics, vol. 60, no. 9, pp. 4053-4062, 2013.

    [[1]] V. Chatzigiannakis, S. Papavassiliou, M. Grammatikou, and B. Maglaris, “Hierarchical anomaly detection in distributed large-scale sensor networks,” in Proc. IEEE ISCC, pp. 761–767, 2006.

    [[1]] D. X. Tien, K. W. Lim, and L. Jun, “Comparative study of PCA approaches in process monitoring and fault detection” in Proc. IECON, vol. 3, pp. 2594–2599, 2004.

    [[1]] S. Lane, E.Martin, A.Morris, and P. Gower, “Application of exponentially weighted principal component analysis for the monitoring of a polymer film manufacturing process,” IEEE Trans. on instrumentation and measurement, vol. 25, no. 1, pp. 17–35, 2003.

    [[1]] W. Li, H. Yue, S. Valle-Cervantes, and S. Qin, “Recursive PCA for adaptive process monitoring,” Journal of Process Control, vol. 10, no. 5, pp. 471–486, 2000.

    [[1]] S. C. Chan, H. C. Wu, and K. M. Tsui, “Robust recursive eigendecomposition and subspace-based algorithms with application to fault detection in wireless sensor networks”, IEEE Trans. on instrumentation and measurement, vol. 61, no. 6, pp. 1703–1718, 2012.

    [[1]] L. Ljung, System Identification—Theory for the User.Prentice-Hall, 1987.

    [[1]] M. Zhong, S. X Ding, Q.L. Han, and Q. Ding, “Parity space-based Ffault estimation fo linear discrete time-varying systems”, IEEE Trans. on Automatic Control, vol. 55, no. 7, pp.1726-1731, 2010.

    [[1]] S. X. Ding, Model-based fault diagnosis techniques. Springer, 2008

    [[1]] M. Verhaegen and V. Verdult, Filtering and System Identification: A least squares approach. Cambridge Univ. Press, 2007.

    [[1]]  J. Dong and M. Verhaegen, “Identification of fault estimation filter from I/O data for systems with stable inversion,” IEEE Trans. Automatic Control, vol. 57, no. 6, pp. 1347–1361, 2011.

    [[1]] A. Chiuso, “On the relation between CCA and predictor-based subspace identification”, IEEE Trans. Automatic Control, vol. 52, pp. 1795–1812, 2007.

    [[1]]  S. Ding, P. Zhang, A. Naik, E. Ding, and B. Huang, “Subspace method aided data-driven design of fault detection and isolation systems”, Journal of Process Control, vol. 19, pp. 1496–1510, 2009.

    [[1]] N. Liu and K. Zhou, “Optimal robust fault detection for linear discrete time systems”, in Proc. 46th IEEE Conf. Decis. Control, pp. 989–994, 2007.

    [[1]] H. Liu and G. Yang, “Fault detection observer design for linear discrete- time systems in finite frequency domain”, in Proc. 46th IEEE Conf. Decision Control, pp. 378–383. 2007.

    [[1]] M. Mahmoud, “Sufficient conditions for the stability of input delayed discrete time fault tolerant control systems,” in Proc. IEEE Int. Conf. Control Appl., pp. 504–509, 2008.

    [[1]] X. G. Yan and C. Edwards, “Adaptive sliding-mode-observer-based fault reconstruction for nonlinear systems with parametric uncertainties,” IEEE Trans. on iddustrial electronics, vol. 55, no. 11, pp. 4029–4036, 2008.

    [[1]] X. G. Yan and C. Edwards, “Nonlinear robust fault reconstruction and estimation using a sliding mode observer,” Automatica, vol. 43, no. 9, pp. 1605–1614, 2007.

    [[1]] B. T. Thumati, and S. Jagannathan, “A model-based fault-detection and prediction scheme for nonlinear multivariable discrete-time systems with asymptotic stability guarantee”, IEEE Trans. on Neural Network, vol. 21, no. 3, pp.404-423, 2010.

    [[1]]  H. Dong, Z. Wang, J. Lam, , and H. Gao, “Fuzzy-model-based robust fault detection  

           with stochastic mixed time delays and successive packet dropouts”, IEEE Trans. on     

           Systems, Man, and Cybernetics, vil. 42, no. 2, pp. 365-376, 2012.

    [[1]] F. Caccavale and L. Villani, Fault Diagnosis and Fault Tolerance for Mechatronic Systems: Recent Advances. Springer, 2003.

    [[1]] Y. Zhao, J. Lam, and H.J. Gao, “Fault detection for fuzzy systems with intermittent measurements”, IEEE Trans. on Fuzzy System, vol.17, no. 2, pp. 298-410, 2009.

    [[1]] D.  Zhang, L. Yu, and Q. G. Wang, “Fault detection for network-based nonlinear systems with communication constraints and missing measurements”, 8th Asian Control Conference, pp.180-186, 2011.

    [[1]] H. Hammouri, P. Kabore, S. Othman, and J. Biston, “Failure diagnosis and nonlinear observer. Application to a hydraulic process”, Journal of  Franklin Inst., vol. 339, no. 4–5, pp. 455–478, 2002.

    [[1]]  B. Jiang and F. N. Chowdhury, “Parameter fault detection and estimation of a class of nonlinear systems using observers”, Journal of Franklin Inst., vol. 342, no. 7, pp. 725–736, 2005.

    [[1]] M. L. McIntyre, W. E. Dixon, D. M. Dawson, and I. D.Walker, “Fault identification for robot manipulators,” IEEE Trans. on Robotics and Automation, vol. 21, no. 5, pp. 1028–1034, 2005.

    [[1]] F. Caccavale, and L.Villani, “An adaptive observer for fault diagnosis in nonlinear discrete-time systems,” in Proc. Amer. Control Conf., pp. 2463–2468, 2004.

    [[1]] G. Antonelli, F. Caccavale, and L.Villani, “Adaptive discrete-time fault diagnosis for a class of nonlinear systems: Application to a mechanical manipulator,” in Proc. IEEE Int. Symp. Intell. Control, pp.667–672. 2003.

    [[1]] B. T. Thumati and S. Jagannathan, “An online approximator-based fault detection framework for nonlinear discrete-time systems,” in Proc. IEEE Conf. Decision Control, pp. 2608–2613, 2007.

    [[1]] H. A. Talebi, S. Tafazoli, and K. Khorasani, “A recurrent neural-network-based sensor and actuator fault detection and isolation for nonlinear systems with application to the satellite’s attitude control subsystem,” IEEE Trans. on Neural Network, vol. 20, no. 1, pp. 45–60, 2009.

    [[1]] C. De Persis and A. Isidori, “A geometric approach to nonlinear fault detection and isolation” IEEE Trans. Automatic Control, vol. 46, no. 6, pp. 853–865, 2001.

    [[1]] X. Zhang, “Sensor bias fault detection and isolation in a class of nonlinear uncertain systems using adaptive estimation”, IEEE Trans. on Automatic control, vol.56, no. 5, pp.1220-1226, 2011.

    [[1]] J. Zhang, A.K. Swain,and S.K. Nguang, “Detection and isolation of incipient sensor faults for a class of uncertain non-linear systems”, IET Control Theory Appl., vol. 6, iss. 12, pp. 1870–1880, 2012.

    [[1]] G. Luders, and K. Narendra, “An adaptive observer and identifier for a linear system”, IEEE Trans. on Automatic Control, vol.8, no.5, pp. 496–499, 1973.

    [[1] ] Y. Han, S. Oh, B. Choi, D. Kwak, H.J. Kim, and Y. Kim, “Fault detection and identification of aircraft control surface using adaptive observer and input bias estimator”, IET Control Theory Appl.,  vol. 6, iss. 10, pp. 136-138, 2012.

    [[1]] H. J. Ma, and  G. H.Yang, “Detection and adaptive accommodation for actuator faults of a class of non-linear systems”, IET Control Theory Appl., vol. 6, iss. 14, pp. 2292–2307, 2012.

    [[1]] A. Xu, and Q. Zhang, “Nonlinear system fault diagnosis based on adaptive estimation”, Automatica, vol.40, pp. 1181 – 1193, 2004.

    [[1]] J. P.Gauthier,  & I. A. K. Kupka, “ Observability and observers for nonlinear

            systems”,  SIAM Journal on Controland Optimization, vol.32, no.4, pp. 975–994, 1994.           

    [[1]] T. Marcu, and L. Mirea, “Robust detection and isolation of process faults using neural network”, IEEE Symposium on Computer-Aided Control System Design, pp.72-79, 1997.

    [[1]] J. Chen, C. J. Lopez-Toribio, and R. J. Patton, “Non-linear dynamic systems fault detection and isolation using fuzzy observers”, Journal of Systems and Control Engineering, vol. 213, no. 16, pp. 467-476, 1999.

    [[1]] J. Zhao, L. Gao, and Y. Shi, “Robust fault detection for nonlinear systems based on observer”, International Conference on Computer Application and System Modeling, pp.29-33, 2010.

    [[1]] D. Blake, and M. Brown, “Simultaneous, multiplicative actuator and sensor fault estimation using fuzzy observers”, in Proc. IEEE Int. Fuzzy Syst. Conf., pp. 1–6, 2007.

    [[1]] G. Chunyan, Z. Qing, and D. Guang-Ren, “Multiplicative fault estimation for a type of nonlinear uncertain system”, in Proc. 30th Chinese Control Conf. (CCC), pp. 4355–4360, 2011.

    [[1]] I. A. Al-Zyoud, and K. Khorasani, “Neural network-based actuator fault diagnosis for attitude control subsystem of an unmanned space vehicle”, in Proc. World Congr. Computational Intell. (WCCI), pp.3686–3693, 2006.

    [[1]] Z. Q. Li, L.Ma, and K. Khorasani, “A dynamic neural network-based reaction wheel fault diagnosis for satellites”, in Proc. World Congr. Computational Intell. (WCCI), pp. 3714–3721, 2006.

    [[1]]  I. A. Al-Zyoud and K. Khorasani, “Detection of actuator faults using dynamic neural network for the attitude control subsystem of a satellite”, in Proc. Int. Joint Conf. Neural Netw., pp. 1746–1751, 2005.

    [[1]] Q.Wu and M. Saif, “Robust fault diagnosis for a satellite system using a neural slidingmode observer,” in Proc. IEEE Conf. Decision Control, pp. 7668–7673, 2005.

    [[1]] Q.Wu and M. Saif, “Robust fault diagnosis for a satellite large attitude system using      

             an iterative neuron pid (inpid) observer,” in Proc. Amer.Control Conf.,pp 5710–5714,

            2006  

    [[1]] R. M. G. Ferrari, T. Parisini, and M. M. Polycarpou, “Distributed fault diagnosis with overlapping decompositions: An adaptive approximation approach,” IEEE Trans. Autom. Control, vol. 54, no. 4, pp.794–799, 2009.

    [[1]] X. Zhang, “Decentralized fault detection for a class of large-scale nonlinear uncertain systems,” in Proc. Amer. Control Conf., pp.5650–5655, 2010.

    [[1]] Z.Wang and H. Zhang, “Robust fault diagnosis for a class of nonlinear systems”, Journal of Control Theory Appl., vol. 4, no. 3, pp. 245–251, 2006.

    [[1]]  H. A. Talebi, and K. Khorasani, “A neural network-based multiplicative actuator       

             fault detection and isolation of nonlinear systems”, IEEE Trans. on control systems   

             technology, vol. 21, no. 3, pp. 842-851, 2013.

    [[1]] B. T. Thumati, G. R. Halligan, and S. Jagannathan, “A Novel fault diagnostics and prediction scheme using a nonlinear observer with artificial immune system as an online approximator”, IEEE Trans. on control systems technology, vol. 21, no. 3, pp. 569-578, 2013.

    [[1]] Q. Yang, J. B. Vance, and S. Jagannathan, “Control of nonaffine nonlinear discrete-time systems using reinforcement-learning-based linearly parameterized neural networks”, IEEE Trans on Systems, Man, Cybernetics, vol. 38, no. 4, pp. 994–1001, 2008.

    [[1]] C. C. Luh, and W. C. Cheng, “Nonlinear systemidentification using an artificial immune system,” Proc. Inst. Mech. Eng., vol. 215, pt. I, pp. 569–585, 2001.

    [[1]] C. Lascu, and G.-D. Andreescu, “Sliding-mode observer and improved integrator with DC-offset compensation for flux estimation in sensorlesscontrolled induction motors,” IEEE Trans. on industrial electronics, vol. 53, no. 3, pp. 785–794, 2006.

    [[1]] W. F. Xie, “Sliding-mode-observer-based adaptive control for servo actuator with friction,” IEEE Trans. on industrial electronics, vol. 54, no. 3, pp. 1517–1527, 2007.

    [[1]] L. Fridman, Y. Shtessel, C. Edwards, and X. G. Yan, “Higher-order sliding-mode observer for state estimation and input reconstruction in nonlinear systems”, International journal of Robust Nonlinear Control, vol. 18, no. 4/5, pp. 399–412, 2008.

    [[1]] C. Edwards, S. K. Spurgeon, and R. J. Patton, “Sliding mode observers for fault detection and isolation”, Automatica, vol. 36, no. 4, pp. 541–553, 2000.

    [[1]] C. P. Tan, and C. Edwards, “Sliding mode observers for detection and reconstruction of sensor faults”, Automatica, vol. 38, no. 10, pp. 1815–1821, 2002.

    [[1]] T. Floquet, J. P. Barbot, W. Perruquetti, and M. Djemai, “On the robust fault detection via a sliding mode disturbance observer,” International Journal of Control, vol. 77, no. 7, pp. 622–629, 2004.

    [[1]] Q. Wu, and M. Saif, “Robust fault Diagnosis of a satellite system using a learning strategy and second order sliding mode observer”, IEEE Systems journal, vol. 4, no. 1,  pp. 112-121, 2010.

    [[1]] G. H. Yang, S. Y. Zhang, J. Lam, and J. L. Wang, “Reliable control using redundant controllers”, IEEE Trans. on  Automatic Control, vol.43, pp. 1588–1593, 1998.

    [[1]]  H. J. Ma, and G. H. Yang, “Fault-tolerant control synthesis for a class of nonlinear systems: sum of squares optimization approach”, International Journal of Robust Nonlinear Control, vol.19, pp. 591–610, 2009.

    [[1]]  G. Tao, S. Chen, X. Tang, and S. M. Joshi, Adaptive control of systems with actuator failures. Springer, 2004.

    [[1]]  C. P. Tan, and C. Edwards, “Sliding mode observers for robust detection and reconstruction of actuator and sensor faults”, International Journal of Robust Nonlinear Control, vol.13, pp. 443–463, 2003.

    [[1]] M. L. Corradini, and G. Orlando, “Actuator failure identification and compenation through sliding modes”, IEEE Trans. on Control Systems and Technology, vol. 15, pp. 184–190, 2007.

    [[1]]  Z. Gao, and S. X. Ding, “Actuator fault robust estimation and fault-tolerant control for a class of nonlinear descriptor systems”, Automatica, vol.43, pp. 912–920, 2007.

    [[1]] D. Ye, and G. H. Yang, “Adaptive fault-tolerant tracking control against actuator faults with application to flight control”, IEEE Trans. on Control and Systems and Technology, vol. 14, pp. 1088–1096, 2006.

    [[1]]  B. Jiang, M. Staroswiecki, and V. Concquempot, “Fault accommodation for nonlinear dynamic systems”, IEEE Trans. on Automatic Control, vol.51, pp. 1578–1583, 2006.

    [[1]] H. Yang, B. Jiang, and V. Cocquempot, “A fault tolerant control framework for periodic switched non-linear systems”, International  Journal of Control, vol. 82, no. 1, pp. 117–129, 2009.

    [[1]] H. Yang, B. Jiang, and M. Staroswiecki, “Supervisory fault tolerant control for a class of uncertain nonlinear systems’, Automatica, vol.45, pp. 2319–2324, 2009.

    [[1]] W. Wang, and C. Y. Wen, “Adaptive compensation for infinite number of actuator failures or faults”, Automatica, vol. 47


موضوع پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , نمونه پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , جستجوی پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , فایل Word پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , دانلود پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , فایل PDF پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , تحقیق در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , مقاله در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , پروژه در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , پروپوزال در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , تز دکترا در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , تحقیقات دانشجویی درباره پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , مقالات دانشجویی درباره پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , پروژه درباره پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , گزارش سمینار در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , پروژه دانشجویی در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , تحقیق دانش آموزی در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , مقاله دانش آموزی در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی , رساله دکترا در مورد پایان نامه آشکارسازی عیب سیستم ¬های غیرخطی چند متغیره با عدم قطعیت، با استفاده از رویتگر غیرخطی مقاوم و تخمینگر عیب عصبی

پایان‌نامه دوره کارشناسی ارشد مهندسی برق-کنترل چکیده در این نوشتار تشخیص، بازسازی و پیش‌بینی عیب سیستم‌های غیرخطی همراه با عدم قطعیت مورد بررسی قرار می‌گیرد. معیار عیب‌یابی سیگنال باقیمانده‌ای است که از اختلاف خروجی سیستم و یک رویتگر مود لغزشی محاسبه می‌شود. ایده‌ی مود لغزشی در راستای جبران اثر عدم قطعیت‌ها بر سیگنال باقیمانده می‌باشد. توانایی رویتگرلغزشی در رساندن سیگنال ...

چکیده این پایان نامه به تخمین عدم قطعیت در کنترل مقاوم بازوهای رباتیک می‌پردازد و روش­های جدیدی مبتنی بر راهبرد کنترل ولتاژ برای تخمین عدم قطعیت ارائه می‌دهد. روش کنترل ولتاژ در مقایسه با روش مرسوم کنترل گشتاور بسیار ساده­تر است، زیرا نیازی به مدل غیر خطی پیچیده ربات ندارد. در نتیجه، حجم محاسبات کنترل کننده برای تعیین ولتاژ اعمالی به موتورها کمتر می‌شود. طبق قضیه تقریب عمومی، ...

رساله جهت اخذ درجه دکتری چکیده این پایان نامه به تخمین عدم قطعیت در کنترل مقاوم بازو های رباتیک می‌پردازد و روش­های جدیدی مبتنی بر راهبرد کنترل ولتاژ برای تخمین عدم قطعیت ارائه می‌دهد. روش کنترل ولتاژ در مقایسه با روش مرسوم کنترل گشتاور بسیار ساده­تر است، زیرا نیازی به مدل غیر خطی پیچیده ربات ندارد. در نتیجه، حجم محاسبات کنترل کننده برای تعیین ولتاژ اعمالی به موتورها کمتر ...

پايان‌نامه براي دريافت درجه کارشناسي ارشد “M.Sc” مهندسي صنايع-مهندسي صنايع تابستان 1392 چکيده : در عصر حاضر کمتر شرکت? را م?توان ?افت که منحصرا به تول?د ?ک محصول بپردازد.

چکیده طراحی کنترل کننده استاتیکی مقاوم خروجی برای نیل به تعقیب فازی برای سیستم های غیرخطی توصیف شده با مدل تاکاگی- سوگنو T-S موضوع این رساله در ارتباط است با مسئله طراحی کنترل کننده استاتیکی مقاوم خروجی به منظور حصول تعقیب فازی برای سیستم های دارای تأخیر زمانی و عدم قطعیت که قابل مدل شدن توسط مدلسازی فازی تاکاگی- سوگنو (T-S) میباشند. کنترل کننده به فرم جبران سازی توزیع شده موازی ...

پایان نامه‌ی کارشناسی ارشد در رشته­ی مهندسی پزشکی بهبود روش فیلترینگ الگوی مکانی مشترک جهت ارتقاء راندمان سیستم­های واسط کامپیوتری-مغزی سیستم­های واسط کامپیوتری-مغزی سیستم­هایی هستند که می­توانند سیگنال­های الکتریکی مغزی مرتبط با تصورات حرکتی در مغز انسان را به دستورات قابل فهم کامپیوتری ترجمه کنند. لذا این قابلیت می­تواند به کمک بسیاری از بیماران حسی-حرکتی بیاید و تا حد بسیار ...

پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت چکیده سیستم­های دینامیکی غیرخطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر در ...

پایان‌نامه دوره کارشناسی ارشد مهندسی ابزاردقیق و اتوماسیون صنعتی در صنایع نفت چکیده سیستم­ های دینامیکی غیر خطی با چالش­های متعددی روبرو هستند که باید آنها را مورد بررسی قرار داد. از جملۀ این مشکلات می­توان به مواردی همچون غیرخطی بودن شدید، تغییر شرایط عملیاتی، عدم قطعیت دینامیکی اعم از ساختار یافته و ساختار نیافته، و اغتشاشات و اختلالات خارجی اشاره کرد. به رغم پیشرفت­های اخیر ...

پایان نامه برای دریافت درجه کارشناسی ارشد(. M.Sc) رشته مهندسی برق-قدرت چکیده در این پایان نامه طراحی کنترل کننده مقاوم در برشگرهای الکترونیک قدرت و مقایسه آن با روشهای کنترل خطی مورد بررسی قرار گرفته­است. هدف اصلی تحقیق و توسعه در این زمینه، همواره یافتن مناسب­ترین روش کنترل به منظور پیاده­سازی کنترل حلقه بسته بر روی توپولوژی­های مختلف برشگر های الکترونیک قدرت می­باشد. به عبارت ...

پایان نامه برای دریافت درجه کارشناسی ارشد(M.Sc.) بررسی کاربرد روش شبکه عصبی مصنوعی در برآورد رواناب سالانه حوزه‌های آبخیز (مطالعه موردی: حوزه آبخیز کل، استان فارس) به وسیله: جلال زارعی چکیده: اهمیت و جایگاه آب در زندگی بشر به ویژه در دنیای پیشرفته و پر جمعیت کنونی بر کسی پوشیده نیست و زندگی صنعتی و شهری مصرف سرانه آب را نسبت به شرایط زندگی سنتی چندین برابر نموده است. امروزه این ...

ثبت سفارش