بخشی از مقاله
چکیده
با توجه به مخدوش با نویز بودن داده هاي اندازه گیري شده دراکثر سیستم هاي دینامیکی، پالایش و تخمین متغیرهاي حالت یک سیستم دینامیکی، در چند دهه گذشته توجه بسیاري از مهندسین کنترل را به خود معطوف ساخته است. مدل دینامیکی یک جرثقیل دو بعدي با توجه به غیرخطی بودن و همچنین کاربرد روز افزون آن در صنایع داراي اهمیت ویژه اي است. در این مقاله، هدف پالایش و تخمین متغیرهاي حالت مخدوش با نویز یک جرثقیل سقفی است تا از این طریق کنترل بهتري بر حرکت جرثقیل وجود داشته باشد. جهت دستیابی به این هدف از فیلترهاي کالمن بهبود یافته توسط الگوریتم ژنتیک استفاده شده است بگونه اي که میانگین مجذور مربعات خطاي برآورد کمینه گردد.
مقدمه
کنترل مدل دینامیکی یک جرثقیل سقفی بدلیل غیرخطی بودن آن و همچنین کاربرد وسیع آن در صنایع حمل و نقل داراي اهمیت است .[1:3] کنترل نوسانات بار در طول مسیر حرکت - بخصوص در موارد حمل دستگاههاي ابزار دقیق - نیاز به اطلاعات دقیق متغیرهاي حالت سیستم دینامیکی دارد. در مراجع [4:6] به طراحی زمان هاي سوئیچینگ بهینه جرثقیل سقفی تحت اثر نیروهاي کنترلی بنگ-بنگ1 و بنگ-آف-بنگ2 با استفاده از روش هاي الگوریتم ژنتیک، صفحه فاز و منطق فازي پرداخته شده است.
از آنجایی که معمولا داده هاي اندازه گیري شده داراي نویز است لذا جهت کنترل بهتر جرثقیل لازم است اطلاعات اندازه گیري شده پالایش گردیده و مقادیر عاري از نویز تخمین زده شود. در این مقاله جهت تخمین بهینه متغیرهاي حالت جرثقیل سقفی از فیلترهاي کالمن بهبود یافته توسط الگوریتم ژنتیک استفاده گردیده است. فیلتر کالمن یک فیلتر بازگشتی کاراست که متغیر حالت یک سیستم دینامیکی را از دنباله اي از اندازه گیريهاي ناقص و مخدوش تخمین می زند.[7:9 ] فیلتر کالمن آنسنتد3، یکی از معروفترین روشهاي حل تقریبی در مسایل غیرخطی است .[10:12] در روشکالمن آنسنتد ، مبناي تخمین بر اساس مجموعهاي از نقاط سیگما4 متقارن حول متغیرهاي حالت تخمین زده شده در گام گذشته است .[13] در این مقاله روش انتخاب نقاط سیگما تغییر کرده و بوسیله الگوریتم ژنتیک - GA - بگونهاي انتخاب گردیده اند که میانگین مجذور مربعات خطاهاي برآورد کمینه گردد.
نتیجه گیري و جمع بندي
این مقاله به پالایش و تخمین متغیرهاي حالت اندازه گیري شده مخدوش با نویز یک جرثقیل سقفی طول کابل حامل بار متغیر - در حالت بالا بردن بار - اختصاص داده شده است همچنین جهت تخمین متغیرهاي حالت از فیلتر کالمن بهبود یافته توسط الگوریتم ژنتیک استفاده شده است. نتایج شبیه سازي نشان می دهند که روشهاي پیشنهادي در این مقاله در مقایسه با فیلتر کالمن کلاسیک در راستاي پالایش متغیرهاي حالت قابل اندازه گیري و غیر قابل اندازه گیري داراي تخمین بهتري است و اطلاعات دقیق تري را از متغیر حالت سیستم دینامیکی در اختیار کنترلر قرار می دهد. همچنین مشاهده می گردد که روش دوم ارائه شده در مقابل نامعینی هاي مدل مقاوم تر بوده و ساختار تولید شده بوسیله نقاط سیگما در این روش، داراي میانگین و واریانس خطاي کمتري نسبت به روشهاي دیگر ارائه شده در این مقاله می باشد.
