Signal and Data Processing

fa کنترل‌گر عصبی‎-اسمیت پیش‌بین برای بهبود عملکرد سامانه‌های کنترل از طریق شبکه Neural-Smith Predictor Method for Improvement of Networked Control Systems مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">کنترل‌گر اسمیت پیش‌بین یک راه‌حل مناسب در برابر چالش تأخیر تصادفی بسته‌های داده در سامانه&rlm;‌های کنترل از طریق شبکه است. مدل&rlm;‌سازی دقیق و برخط دستگاه به ویژه در حالتی که دستگاه غیرخطی است و یا دارای پارامترهای مجهول و تغییرپذیر است، می‌&rlm;تواند عملکرد کنترلی سامانۀ کنترل از طریق شبکه را به مقدار قابل‌توجهی بهبود بخشد. در این پژوهش، کنترل&rlm;‌گری با نام”کنترل‌گر عصبی‌اسمیت پیش‌&rlm;بین“ ارائه شده که در آن با استفاده از شبکه‌&rlm;های عصبی پرسپترون به مدل&rlm;‌سازی برخط دستگاه پرداخته و از یک شبکۀ عصبی دیگر به‌عنوان مرکز پردازش سیگنال کنترل‌گر استفاده شده است. با استفاده از کنترل‌گر پیشنهادی، تغییرات پارامترهای دستگاه در اثر کارکرد در طول زمان، به‌صورت برخط مدل‌سازی می‌&rlm;شود و سیگنال کنترلی مناسب تولید می‌&rlm;شود. نتایج شبیه‌&rlm;سازی نشان می‌دهد در سامانۀ کنترل از طریق شبکه، در حالتی که تأخیر تصادفی شبکه و تغییرات تابع تبدیل دستگاه افزایش می‌یابد، استفاده از کنترلگر عصبی- اسمیت پیش‌&rlm;بین نسبت به کنترل‌گر اسمیت پیش‌بین ساده، عملکرد بهتری دارد. به‌عنوان مثال وقتی که تأخیر تصادفی شبکه در بازۀ ]21-19[ میلیثانیه باشد، تفاوت مقدار ITAE سامانۀ پیشنهادی با اسمیت پیش‌&rlm;بین ساده برابر با 0004/0 است، اما به‌ازای تأخیر شبکه در بازۀ ]930-910[ میلی‌&rlm;ثانیه این تفاوت درحدود 027/0 است.</div> Networked control systems (NCSs) are distributed control systems in which the nodes, including controllers, sensors, actuators, and plants are connected by a digital communication network such as the Internet. One of the most critical challenges in networked control systems is the stochastic time delay of arriving data packets in the communication network among the nodes. Using the Smith predictor as the controller is a common solution to overcome network time delay. Online and accurate modeling of the plant improves the performance of the networked control system, especially when the plant is nonlinear and has unknown parameters and time-variant behavior. In this paper, a novel controller, Neural-Smith predictor, is proposed, which firstly models plant using a perceptron neural network and secondly, another neural network is used as the core of signal processing of the controller. The parameters variation of the plant during time is considered online by the controller, and then the desired control signal is generated. The Integral of Time multiplied by the Absolut value of Error (ITAE) is a proper performance index for position control, so this index has been used to compare the results. Results of simulations show that NCS using the Neural-Smith predictor has better performance in comparison to the common Smith predictor and the novel compensation method using a modified communication disturbance observer (MCDOB) when the values of network time delay and variation of plant’s transfer function are excessive. For example, while the range of stochastic time delay is between 19 and 21 ms, the difference between the ITAE of controllers is 0.0004. This value increases to 0.027, while the range of stochastic time delay is between 910 and 930 ms. تأخیر تصادفی شبکه, سامانۀ کنترل از طریق شبکه, شبکه‌های عصبی, کنترل‌گر اسمیت پیش‌بین ساده, کنترل‌گر عصبی-اسمیت پیش‌‌بین, مدل‌سازی برخط. Networked Control Systems, Neural Networks, Neural-Smith predictor, Online System Modeling, Smith predictor, Stochastic Time Delay 86 75 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-461-2&slc_lang=fa&sid=1 Benyamin Haghniaz Jahromi بنیامین حق نیاز جهرمی b.haghniaz@stu.yazd.ac.ir 10031947532846009889 10031947532846009889 Yes Yazd University دانشگاه یزد Seyed Mohammad Taghi AlModarresi سید محمد تقی المدرسی smta@yazd.ac.ir 10031947532846009890 10031947532846009890 No Yazd University دانشگاه یزد Pooya Hajebi پویا حاجبی Hajebi@stu.yazd.ac.ir 10031947532846009891 10031947532846009891 No Yazd University دانشگاه یزد