1025-Modelling and Simulation for Optimal Control of Nonlinear Inverted Pendulum Dynamical System Us

مقاله شبیه سازی شده

کد پروژه: 1025

 

موضوع: کنترل بهینه  Optimal Control

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab 

 

عنوان مقاله:

Modelling and Simulation for Optimal Control of Nonlinear Inverted Pendulum Dynamical System Using PID Controller and LQR 

 

Address: ieeexplore

Download: PDF

 

Abstract

This paper presents the modelling and simulation for optimal control design of nonlinear inverted pendulum-cart dynamic system using Proportional-Integral-Derivative (PID) controller and Linear Quadratic Regulator (LQR). LQR, an optimal control technique, and PID control method, both of which are generally used for control of the linear dynamical systems have been used in this paper to control the nonlinear dynamical system. The nonlinear system states are fed to LQR which is designed using linear state-space model. Inverted pendulum, a highly nonlinear unstable system is used as a benchmark for implementing the control methods. Here the control objective is to control the system such that the cart reaches at a desired position and the inverted pendulum stabilizes in upright position. The MATLAB-SIMULINK models have been developed for simulation of control schemes. The simulation results justify the comparative advantages of LQR control methods.

 

سفارش پروژه

1024- Optimal Control with Fuzzy state space Modeling using Riccati Equation

مقاله شبیه سازی شده

کد پروژه: 1024

 

موضوع: کنترل فازی  Fuzzy Control

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

 

عنوان مقاله:

Optimal Control with Fuzzy state space Modeling using Riccati Equation

 دانلود: PDF
نام ژورنال یا کنفرانس مربوط به مقاله: 

International Journal of Information and Electronics Engineering

 

Abstract

Fuzzy logic has a boon for nonlinear controlsystems. Normal fuzzy logic control with a proportional integral – Derivative (PID) controller is common. Controlsystems can be defined through transfer functions and state-space. relations for linear systems. Optimal control to meet aperformance index is possible only through State Spaceanalysis. Optimal control in state space is centered around theRiccati Equation with state variable functions that has to besolved to yield the control law or trajectory. In the controlscheme of an ozone generator, optimal control with aperformance index had to be implemented. The method forfinding the control functions by solving the equationgraphically is described. The data is used for realizing anembedded control scheme for the generator

 

Index Terms

Fuzzy control, neuro-fuzzy systems, fuzzysystem model, process control

 

سفارش پروژه

 

1036- A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location

مقاله شبیه سازی شده

کد پروژه:1036

 

موضوع:

کنترل بهینه

 

شامل:

مقاله اصلی + فایل Word ترجمه و PowerPoint ارائه +  شبیه سازی با مایکروسافت ویژوال C + + 2008 و دارای فیلم Demo طریقه کار با محیط نرم افزار شبیه سازی

 

عنوان مقاله:
A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location

آدرس:

ieeexplore

 

EndNote

X.-S. Lu, et al., "A Bi-level Programming Model for Network Traffic Surveillance of Optimal Camera Location," in Computational Sciences and Optimization (CSO), 2011 Fourth International Joint Conference on, 2011, pp. 1035-1039.

Abstract

Cameras enable synthesis of disaggregated vehicle information from multiple locations. This paper addresses the problem of how to determine the optimal locations of cameras for best traffic surveillance in urban road networks. All users are divided into multiple classes according to their own acceptance degree of camera monitoring (ADOCM). A bi-level programming model for camera location problem (CLP) is introduced. The objective of upper level problem is to maximize the total observed traffic flow from the viewpoint of network planners. The lower level problem is to depict the logit-based stochastic route choice behavior of users. The method of successive averages (MSA) and Frank Wolfe algorithm are employed to solve the problem. Numerical examples show the managerial insight that the behavior against camera monitoring has brought considerable loss to network traffic surveillance.

Keywords

bi-level programming; camera location; traffic surveillance; multiclass; stochastic user equilibrium

چکیده

دوربین های دیجیتال قادر به سنتز تفکیک اطلاعات خودرو از مکان های مختلف هستند.این مقاله، در مورد مشکل چگونگي تعیین محل بهینه  دوربین برای نظارت ترافیک در شبکه جاده های شهری است. همه کاربران به کلاس های متعدد با توجه به درجه پذیرش از نظارت دوربین (ADOCM) تقسیم شده اند. مدل دو سطحي برنامه نویسی برای مشکل محل دوربین (CLP) معرفی شده است.هدف از مسئله سطح بالایی، به حداکثر رساندن مشاهده جریان ترافیك  کل از نظر برنامه ریزان شبکه است. و مسئله سطح پایین تر به تصویر کشیدن مبتني بر لگاريتم از انتخاب مسير تصادفي كاربران است.  روش میانگین های متوالي (MSA) و الگوریتم فرانک ولف برای حل این مسئله به كار رفته است.نمونه های عددی نشان می دهد، بینش مدیریتی دوربين هاي نظارت که رفتار در برابر دوربین های نظارت بر از دست دادن قابل توجه به نظارت ترافیک شبکه به ارمغان آورد.

 شبیه سازی

مقدمه

     یک شبیه سازی ترافیک (ATS) بسته توسعه یافته شبیه سازی میکروسکوپی ترافیک با استفاده از Visual C++ است.که قادر به تکثیر هزاران وسایل نقلیه این است ، که می تواند راه حل یا به عنوان عوامل راه حل تعیین شود، در حال اجرا بر روی یک شبکه طراحی شده جاده ها، چند خط تقاطع با درگیری های خودرو، چراغ های راهنمایی، حتی شبیه سازی میدان ها و تابلوهای راهنمایی وجود دارد، وسایل نقلیه می تواند به دنبال مدل های مختلف جریان ترافیک حرکت کند.

محیط نرم افزار

مایکروسافت ویژوال C + + 2008

طراحی ATS (نسخه روز به روز  (Day-to-day version

در آغاز یک روز به صورت تصادفی مسافران از ریشه تولید می شود، و مسافران برآورد زمان سفر و/ یا کوتاه ترین مسیر را بر اساس تجارب انتخاب می کنند. مسافران در طول انتخاب کوتاه ترین مسیر با توجه به پیش بینی های خود حرکت می کنند. زمان ورود به عنوان مرجع مورد نیاز است و مسافران در مقصد قبل از رسیدن به زمان ورود نیاز دارند؛ .مسافران به دلیل تاخیر و دیرکرد مجازات نمی شوند. در پایان یک روز تمام مسافران به منظور ایجاد شرایط ترافیک مشابه در تمام طول روز پاک خواهند شد.

سفارش پروژه

 

1030- طراحی کنترل کننده بهینه برای توربین ژنراتور

پروژه شبیه سازی شده

 

کد پروژه: 1030

 

موضوع:multiVariable و کنترل چندمتغیره و LQR و LQG و Kalman Filter  فیلتر کالمن

 

شامل:پروِژه اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از روند کار و نتایج شبیه سازی

 

عنوان پروژه:

طراحی کنترل کننده بهینه برای توربین ژنراتور

 

خلاصه:

 

روند کلی

ما در اینجا یک سیستم مرتبه 11 (توربین- ژنراتور) داریم که میخواهیم بوسیله ی کنترل کننده LQR و همچنین با فیلتر کالمن کنترل کننده LQG را طراحی کنیم.

LQG=)LQR(_Kf+)LQR(_Kc

Kf: گین بهینه کالمن فیلتر

Kc: گین بهینه فیدبک

روند کار کنترل کننده LQG در شکل زیر دیده می شود:

 

این توربین- ژنراتور دارای پارامترهای زیر می باشد:

 

ما اینجا 13 پتانسیومتر در اختیار داریم که 11 تای آنها پارامترهای توربین- ژنراتور(که در بالا آمده است) و 2 تا هم ورودی است.

وظیفه طراح بدست آوردن RوQ بمنظور اهداف کنترلی مورد نظر می باشد که این اهداف عبارتند از:

ü     کم کردن اولین نوسان(اورشوت Overshout)

ü     بهبود میرایی سیستم

مهمترین پارامترها در مدل 11؛ q₁,q₂,q₉می باشند؛ و ورودی r₁5تا 10برابر مهمتر از ورودی r₂ است.

بوسیله ی روش سعی و خطا و تغییر پارامترها بهترین q و r ها را پیدا می کنیم(که روش پیدا کردن و نمودارهای آن در ادامه قرار داده شده است)

می دانیم که LQG:

LQG(A,B,C,Q,R,Q_f,R_f)

که Q_f,R_f  مربوط به کالمن فیلتر می باشد که K_fرا می دهد.

 

Q_f,R_f   روی عملکرد سیستم تاثسر زیادی نمی گذارند؛ که هر چه K_f بزرگتر انتخاب شود سرعت تخمین بالا میرود ولی مصونیت در مقابل نویز پایین می آید به همین علت در حاشیه امنیت حرکت می کنیم و K_f را کم می کنیم تا نویز تاثیر نگذارد.

R_f=1 , Q_f=0.1

حال کنترل کننده طراحی شده که بهینه ترین کنترل کننده برای مدل 11 است را بر روی مدل 21 اعمال می کنیم که نمودار حاصل آن نشان می دهد که مدل 21 بسمت بی نهایت می رود و ناپایدار می شود و علت این ناپایداری دینامیک های حذف شده مهم مدل 11 نسبت به مدل 21 است. که نشان می دهد LQG کنترل کننده خوبی نیست توان مقابله با عدم قطعیت را ندارد.

LQR و فیلتر کالمن (بعنوان سیستم فیدبک حالت تصور کنیم) دارای خواص عملکردی مناسبی می باشند؛ ولی نشان داده شد که کنترل LQG که ترکیب دو LQR فیدبک بهینه حالات و کالمن فیلتر می باشند دارای  رباتسنس ضعیف و غیر قابل قبولی می باشد. حال به روش LTR که وادار می نماید که ماتریس گشن حلقه در LQG به ماتریس گین حلقه در LQR میل نماید؛ که بدنبال این هستیم که خواص رباتسنس از دست رفته LQR در LQG را بازیابی نماییم. بعبارت دیگر طراحی LQG/LTR همان طراحی LQG است که در آن کالمن فیلتر به شکل خاص زیر طراحی می شود:

L₂(s)=-K_c(sI-A)^-1B

L₂(s)=K_LQG(s)G(s)

نكات:

1)     در اين پروژه ابتدا مختصري درباره LQR  و LQG و فيلتر كالمن به صورت ساده و كلي توضيح داده شده است.

2)     تمام مطالب ذكر شده با منبع مي باشند كه منبع هر مطلب به طور كامل مشخص شده است.

3)     صحت مطالب منابع در اينجا مورد بررسي قرار نگرفته است.

4)     همراه با اين فايل در CD ارائه شده فايل بعضي از منابع و مطالب مورد بررسي قرار گرفته وجود دارد.

5)     چون چندين برنامه MATLAB براي اين پروژه وجود داشت سورس برنامه هم در CD قرار گرفته تا اعداد با همان برنامه تست شوند.

6)     فايل pdf اين txt نيز در CD موجود است.

7)     در اينجا فقط تعداد محدودي از نمودار ها طراحي آمده است.

8)     اينجانب هيچ ادعايي براي درستي نتايج بدست آمده ندارم و فقط نظر خود را گفته ام.

9)     کار اصلی پروژه در بخش های روند کلی و نمودارها و نتیجه گیری(5و6و7) می باشد.

10) بخش های 1تا 4 ترجمه و چکیده از زبان اصلی(انگلیسی ) می باشد؛ منابع آنها هم ذکر شده است.

11)  پیشاپیش از هر گونه غلط املایی و اشتباهات بازگردانی متون از زبان اصلی عذر خواهم.

فهرست مطالب

1. کنترل کننده LQR........................................................................................................................................4

1.1.  LQR زمان پیوسته متناهی.................................................................................................................4

1.2.  LQR زمان پیوسته نامتناهی .............................................................................................................5

1.3.  LQR زمان گسسته متناهی ...............................................................................................................6

1.4.  LQR زمان گسسته نامتناهی ............................................................................................................6

1. کنترل کننده LQG .......................................................................................................................................7

2.1.  مشکلات LQR و LQG سنتی ..........................................................................................................8

2.2.  فیدبک حالت مطلوب ..........................................................................................................................10

2.3.  فیلتر کالمن ...........................................................................................................................................10

2.4.  برآورد حالت مطلوب ترکیبی و فیدبک حالت مطلوب .................................................................11

1. خصوصیات robustness ..........................................................................................................................11
2. فیلتر کالمن .....................................................................................................................................................12
3. روند کلی ..........................................................................................................................................................13
4. نمودارها ............................................................................................................................................................16
5. نتیجه گیری ....................................................................................................................................................28
6. منابع .................................................................................................................................................................29

 

سفارش پروژه

 

1064- SIMULATION OF OPTIMAL SPEED CONTROL FOR A DC MOTORUSING LINEAR QUADRATIC REGULATOR (LQR)

مقاله شبیه سازی شده

کد پروژه: 1064

 

موضوع: کنترل بهینه - کنترل کننده های LQR

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

 

عنوان مقاله:

SIMULATION OF OPTIMAL SPEED CONTROL FOR A DC MOTORUSING LINEAR QUADRATIC REGULATOR (LQR)

 

آدرس: coeng.uobaghdad

خلاصه:

ABSTRACT:

This paper describes DC motor speed control based on optimal Linear Quadratic Regulator (LQR) technique. Controller's objective is to maintain the speed of rotation of the motor shaft with a particular step response. The controller is modeled in MATLAB environment, the simulation results show that the proposed controller gives better performance and less settling time when compared with the traditional PID controller.

.

Keywords:

 DC motor, Optimal Speed control, PID controllers, LQR

خلاصه

 در این پروژه یک مدل موتور DC معرفی شده است. سیستم این موتور دارای سه متغیر حالت است. هدف کنترل سرعت موتور است. ابتدا پاسخ پله موتور سیستم حلقه بسته بررسی شده است. سپس کنترل کننده PID به سیستم اعمال شده و تغییرات در پارامترهای آن بررسی شده است.. در ادامه فیدبک حالت برای سیستم در نظر گرفته شده است. در فیدبک حالت قطب ها را طوری تغییر می دهیم که سیستم پایدار بماند یعنی در سمت چپ محور موهومی قرار می گیرند. در برخی از مثالها دور کردن یک قطب از محور موهومی منجر به افزایش سرعت پاسخ و بهبود مشخصه های پاسخ پله سیستم می شود. سپس کنترل کننده LQR بررسی شده است. دو حالت برای کنترل کننده LQR بررسی شد در حالت اول یک فیدبک اضافه به سیستم اعمال شد و نتایج بررسی شد. در مثال دوم کنترل کننده LQR به همان روشی که در مقاله آمده است طراحی شد و نتایج گرفته شده نشان داده که بهبود زیادی در پاسخ پله بدست آمده است. سپس پاسخی که خود مقاله بدست آورده است نیز بررسی شد. کنترل کننده ای که با سعی و خطا طراحی نموده ایم پاسخ سریعتری نسبت به مقاله داشته است.

سفارش پروژه

 

1006- Aircraft Control System Using LQG and LQR Controller with Optimal Estimation-Kalman Filter Des

مقاله شبیه سازی شده

کد پروژه: 1006

 

موضوع:کنترل کننده های LQR و LQG؛ فیلتر کالمن

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

 

عنوان مقاله:

 

Aircraft Control System Using LQG and LQR Controller with

Optimal Estimation-Kalman Filter Design

 

 

آدرس: ScienceDirect

 

خلاصه:

Abstract

This paper, describes a LQG and LQR robust controller for the lateral and longitudinal flight dynamics of an aircraft control system. The controller is used in order to achieve robust stability and good dynamic performance against the variation of aircraft parameters. The application of the proposed LQG and LQR robust control scheme is implemented through the simulation. The proposed robust controller for aircraft stability is designed using Matlab/Simulink program. Simulation results confirm the performance of the proposed controller for aircraft control system. Since the time of its introduction, the Kalman filter has been the subject of extensive research and application, particularly in the area of autonomous or assisted navigation. For example, to determine the velocity of an aircraft or sideslip angle, one could use a Doppler radar, the velocity indications of an inertial navigation system, or the relative wind information in the air data system. Rather than ignore any of these outputs, a Kalman filter could be built to combine all of this data and knowledge of the various systems dynamics to generate an overall best estimate of pitch, roll and sideslip angle.

 

Keywords

Aircraft motion; LQG control; LQR control; lateral stability; longitudinal stability; State estimator Kalman filter.

توضیحات:

برای مقاله موارد زیر انجام شده است:

• طراحی یک کنترل PID
• طراحی یک کنترل کننده فیدبک حالت
• طراحی یک کنترل کننده LQR
• تغییر مقادیر QR و مقایسه.
• مقایسه کنترل کننده بهینه شده را با قبل
• تهیه گزارش به فرمت مقاله

سفارش پروژه

1003- Improving collaborative filtering recommender system results and performance using genetic al

مقاله شبیه سازی شده

کد پروژه: 1003

 

موضوع:الگوریتم ژنتیک و کنترل بهینه

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

 

عنوان مقاله:

Improving collaborative filtering recommender system results and performance

using genetic algorithms 

آدرس:sciencedirect

خلاصه:

Abstract

This paper presents a metric to measure similarity between users, which is applicable in collaborative filtering processes carried out in recommender systems. The proposed metric is formulated via a simple linear combination of values and weights. Values are calculated for each pair of users between which the similarity is obtained, whilst weights are only calculated once, making use of a prior stage in which a genetic algorithm extracts weightings from the recommender system which depend on the specific nature of the data from each recommender system. The results obtained present significant improvements in prediction quality, recommendation quality and performance.

 

Highlights

 

►Metric formulated via a simple linear combination of values and weights. ► Model-based approach using genetic algorithms to improve results. ► Collaborative filtering predictions accuracy and performance improvements.

 

Keywords

Collaborative filtering; Recommender systems; Similarity measures; Metrics; Genetic algorithms; Performance

سفارش پروژه

1002- Optimal brushless DC motor design using genetic algorithms

مقاله شبیه سازی شده

کد پروژه: 1002

 

موضوع:الگوریتم ژنتیک و کنترل بهینه

 

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

 

عنوان مقاله:

Optimal brushless DC motor design using genetic algorithms

 

آدرس:sciencedirect

خلاصه:

Abstract

This paper presents a method for the optimal design of a slotless permanent magnet brushless DC (BLDC) motor with surface mounted magnets using a genetic algorithm. Characteristics of the motor are expressed as functions of motor geometries. The objective function is a combination of losses, volume and cost to be minimized simultaneously. Electrical and mechanical requirements (i.e. voltage, torque and speed) and other limitations (e.g. upper and lower limits of the motor geometries) are cast into constraints of the optimization problem. One sample case is used to illustrate the design and optimization technique.

Keywords

Optimization;  Brushless DC;  Motor;  Slotless;  Radial flux;  Genetic algorithm;  Surface mounted; Magnet

سفارش پروژه

 

1001_ Application of an improved PSO algorithm to optimal tuning of PID gains for water turbinegover

مقاله شبیه سازی شده

کد پروژه: 1001

موضوع:الگوریتم PSO و کنترل بهینه

شامل:مقاله اصلی + فایل شبیه سازی با نرم افزار متلبMatlab +گزارش کامل از خلاصه ای از مقاله و نتایج شبیه سازی

عنوان مقاله:

Application of an improved PSO algorithm to optimal tuning of PID gains for water turbinegovernor

آدرس:sciencedirect

خلاصه:

Abstract

In this paper, an improved particle swarm optimization (IPSO) algorithm is proposed. Besides the individual best position and the global best position, a nominal average position of the swarm is introduced in IPSO. The performance of IPSO is compared to different PSO variants with five well-known benchmark functions. The experimental results show that the proposed IPSO algorithm improves the searching performance on the benchmark functions. And then, IPSO, as well as other PSO variants, is applied to optimal tuning of Proportional–Integral–Derivative (PID) gains for a typical PID control system of water turbine governor. The computer simulation results of an actual hydro power plant in China show that IPSO algorithm has stable convergence characteristic and good computational ability, and it is an effective and easily implemented method for optimal tuning of PID gains of water turbine governor.

 

سفارش پروژه