توضیحات
Fuzzy model-based predictive control of dissolved oxygen in activated_sludg processes
کنترل پیش‌بین مبتنی بر مدل فازی اکسیژن محلول در فرآیند تصفیه‌ی آب به روش لجن فعال
مقدمه
در دهه‌ی اخیر کنترل پیش‌بین به عنوان یک زمینه‌ی مهم پژوهشی پا به میدان گذاشته است و از میان کنترل‌کننده‌های پیشرفته پرطرفدارترین کنترل‌کننده برای پیاده‌سازی در فرآیندهای صنعتی بوده است.
ترکیب کنترل پیش‌یین به عنوان یک راه حل برای کنترل سیستم‌های با تاخیر بالا و سیستم‌های فازی به عنوان یک ابزار برای برخورد با عدم قطعیت و نامعینی مدل و همچنین استفاده از دانش بشری، در تحقیقات مختلف مورد بررسی قرار گرفته است[1].
سیستم‌های فازی توانایی توصیف پدیده‌های غیرقطعی و نامعین را دارند، با این حال تئوری فازی یک تئوری دقیق است.
نظریه‌ی فازی اولین بار در 1965 توسط پروفوسور لطفی‌زاده معرفی گردید[3].
با وجود بحث‌های فراوان آن سال ها در تایید یا رد نظریه‌ی فازی به عنوان یک زمینه‌ی تحقیقاتی جدید، فازی توانست در دهه ی 1970 رشد کند و به کاربردهای عملی برسد.
پس از آن کاربردهای سیستم‌های فازی شامل کنترل، پردازش سیگنال، سیستم‌های خبره، شناسایی سیستم‌ها و … گسترده‌تر شد.
مدلسازی فازی یا شناسایی فازی به صورت سیستم‌وار اولین بار توسط تاکاگی و سوگنو در [4] ارائه شد.
برخلاف مدلسازی سیستم‌ها توسط معادلات دیفرانسیل که در برخورد با سیستم‌های نامعین و با تعریف ضعیف مناسب نخواهند بود، سیستم استنتاج فازی با به خدمت گرفتن قواعد اگر- آنگاه می‌تواند نامعینی‌ها را مدل کند.
در 1993 ژانگ با ارائه‌ی سیستم استتناج فازی شبکه-محور تطبیقی (ANFIS) یک ساختار و روند آموزش مشخص برای کاربرد شناسایی فازی هم بر اساس دانش بشری (در قالب قواعد فازی اگر- آنگاه) و هم بر اساس داده‌های ورودی- خروجی توسط یک سیستم فازی معرفی نمود. ا
و برای این کار از روند آموزشی ترکیبی استفاه کرد تا تابع هزینه‌ی شناسایی را کمینه سازد[5].
در این پروژه با استفاده از ترکیب کنترل پیش‌بین مبتنی بر مدل و سیستم‌های فازی، یک کنترل‌کننده‌‌ی پیش‌بین فازی برای کنترل اکسیژن محلول در فرآیند تصفیه‌ی آب به روش لجن فعال طراحی شدهاست تا بتوان در نقاط کار مختلف از آن بهره جست[1].
مدل ASM1
ساختار اساسی فرآیند تصفیه‌ی آب در شکل زیر دیده می‌شود.
این فرآیند شامل 5 رآکتور، 2 تانک بی‌هوایی و 3 تانک هوادهی و 10 لایه‌ی ته‌نشینی ثانویه است.
شکل 1- ساختار اساسی فرآیند تصفیه‌ی آب
معادلات کنترل اکسیژن محلول در فرآیند تصفیه‌ی آب به روش لجن فعال در زیر آمده است.
که نشاندهندهی مقدار اکسیژن محلول و که نشاندهندهی مقدار زیست‌توده‌ی خود شونده است، متغیرهای حالت سیستم می‌باشد.
ورودی‌های این سیستم نشاندهندهی مقدار زیست‌توده‌ی با حرارت است و و می‌باشد.
همچنین ضرایب سیستم به صورت زیر به دست می‌آید:
پارامترهای مربوط به مدل ASM1 که از مقاله‌ی [1] استخراج شده است، در جدول زیر آمده است.
جدول 1- پارامترهای مربوط به مدل ASM1
بقیه‌ی پارامترها مانند مدل BSM1 است که با مراجعه به [2] استخراج شده است، که در جدول زیر می‌آید:
جدول 2- پارامترهای مربوط به مدل BSM1
مدلسازی فازی
اگر ورودی و خروجی سیستم واقعی را به صورت داده‌های ورودی- خروجی داشته باشیم، می‌توانیم سیستم فازی را به عنوان مدلی از سیستم واقعی طراحی کنیم.
یک ایده در طراحی سیستم فازی، خوشه‌سازی داده‌های ورودی- خروجی و استفاده از یک قاعده برای هر خوشه می‌باشد.
ابتدا یک سیستم فازی بهینه را از این نظر که می‌تواند تمامی زوج‌های ورودی-خروجی را با یک دقت مطلوب تطبیق دهد، به وجود می‌آوریم.
آنگاه خوشه‌های ورودی- خروجی را با استفاده از الگوریتم خوشه‌سازی نزدیک‌ترین همسایگی تعیین می‌کنیم.
سپس خوشه‌ها را به دید زوج‌های ورودی- خروجی نگاه کرده و سیستم فازی بهینه را برای تطابق آن‌ها طراحی می‌کنیم.
هدف تعمیم ایده به سیستم‌های چند ورودی- چند خروجی است.
از آنجا که یک سیستم دو ورودی- دو خروجی داریم، از دو سیستم فازی دو ورودی- یک خروجی استفاده می‌کنیم.
ورودی هر سیستم فازی به صورت است و در آن می‌باشد؛ تعداد ورودی‌هاست و خروجی هر سیستم فازی به صورت خواهد بود.
همچنین زوج داده‌های به صورت ورودی تابع غیرخطی یعنی و خروجی تابع غیرخطی یعنی می‌باشد.
فرض کنید N زوج ورودی- خروجی که را برای آموزش هر سیستم در اختیار داریم.
هدف ما ساخت یک سیستم فازی است که بتوان تمامی N زوج را با دقت دلخواه داده شده تطبیق دهد.
بدین معنی که برای هر داده شده لازم است که برای ، باشد.
این سیستم فازی بهینه بدین شکل ساخته می‌شود:
(2)
سیستم فازی (2) از روی N قاعده‌ی فازی با تابع عضویت‌های ورودی و مرکز تابع عضویت خروجی برابر با و استفاده از ماشین استنتاج ضرب، فازی‌ساز منفرد و غیرفازی‌ساز میانگین مراکز ساخته شده است.
با انتخاب مناسب پارامتر ، سیستم فازی (2) می‌تواند N زوج ورودی- خروجی را با هر دقت خواسته شده تطبیق دهد.
پارامتر ، یک پارامتر هموار کننده است.
کوچک‌تر باعث می‌شود خطای تطبیق کوچک‌تر گردد، ولی کمتر هموار خواهد بود.
یک تابع غیرخطی است که یک درون‌یابی هموار بین نقاط مشاهده شده‌ی فراهم می‌کند.
طراحی سیستم‌های فازی به وسیله‌ی خوشه‌سازی
سیستم فازی بهینه در رابطه‌ی (2) برای هر زوج ورودی- خروجی از یک قاعده استفاده می‌کند.
در نتیجه اگر تعداد زوج‌های ورودی- خروجی زیاد باشد یک سیستم عملی قابل استفاده را به دست نخواهد داد.
برای مسائلی از این دست، تکنیک‌های خوشه‌سازی مختلفی را برای گروه‌بندی داده‌ای ورودی- خروجی میتوان مورد استفاده قرار داد، به نحوی که هر گروه را بتوان با یک قاعده نمایش داد.
برای هر قاعده مدل فضای حالت زیر را در نظر می‌گیریم:
جدول 3- قواعد فازی بر اساس خوشه‌بندی داده‌ها
شبیه‌سازی
داده‌های مربوط به مجموعه‌داده‌ی خشک از [2] استخراج و با کمک خوشه‌سازی مراکز و شعاع 4 خوشه به دست آمده است، که به شرح زیر است:
سپس تمام پارامترهای مجهول از روش LS شناسایی می‌شود:
شکل 2- شناسایی پارامترها
دیده می‌شود همه‌ی پارامترها همگرا شده است.
مقایسه‌ی خروجی مدل فازی و خروجی فرآیند ASM1 در شکل زیر آمده است.
شکل 3- مقایسه‌ی خروجی مدل فازی با خروجی سیستم
خروجی مدل فازی با دقت خوبی خروجی سیستم را تقریب زده است.
کنترل پیش‌بین
نتایج حاصل از کنترل پیش‌بین مبتنی بر مدل فازی در شکل زیر آمده است.
شکل 4- کنترل پیش‌بین مبتنی بر مدل فازی اکسیژن محلول
مراجع
[1] Yang, T., Qiu, W., Ma, Y., Chadli, M., & Zhang, L. (2014). Fuzzy model-based predictive control of dissolved oxygen in activated sludge processes. Neurocomputing, 136, 88-95.
[2] Alex, J., et al. “Benchmark simulation model no. 1 (BSM1).” (2008).
[3] L. A. Zadeh, “Fuzzy sets,” Information and control, vol. 8, pp. 338-353, 1965.
[4] T. Takagi and M. Sugeno, “Fuzzy identification of systems and its applications to modeling and control,” Systems, Man and Cybernetics, IEEE Transactions on, pp. 116-132, 1985.
[5] J.-S. Jang, “ANFIS: Adaptive-network-based fuzzy inference system,” Systems, Man and Cybernetics, IEEE Transactions on, vol. 23, pp. 665-685, 1993.
ActivatedSludgeModel, Dissolvedoxygen, Fuzzy model, Model predictivecontrol
پروژه متلب, پروژه matlab , شبیه سازی با متلب
شبیه سازی
Fuzzy model-based predictive control of dissolved oxygen in activated_sludg processes
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
