بخشی از مقاله
چکیده-
با پیشرفت روز افزون تکنولوژی، نیاز به استفاده از کنترلکنندههای پیچیده، محرکها و حسگرهای پیشرفته بیشتر شده است. تشخیص و شناسایی خطا در حسگرهای موجود در فرآیندهای صنعتی امری حیاتی است. پیشبینی و جلوگیری از وقوع خطا، کاری مشکل و پرهزینه بوده و بسته به نوع سیستم، انواع مختلفی از خطاها با درجات اهمیت متفاوت، میتواند رخ دهد.
جهت تشخیص و جلوگیری از وقوع خطاهای سیستم هزینههای بسیاری صرف میشود زیرا وقوع خطا خسارتهایی بر سیستمها وارد میکند که گاهی غیرقابل جبران هستند. در این مطالعه تشخیص خطای حسگرهای هدایت سیستم هواپیما با استفاده از شبکههای عصبی و فضای برابری بررسی شده است.
در این راستا با استفاده از شبکههای عصبی پیشرو چند لایه و به کمک تحلیل نتایج برخط فضای برابری، تشخیص خطای حسگرهای هدایت سیستم هواپیما انجام شد. نتایج شبیهسازیها، بهخوبی دقت عملکرد روش پیشنهادی در تشخیص و جداسازی خطای حسگرهای سیستم با وجود نویز را نشان میدهد.
-1 مقدمه
با پیشرفت روز افزون تکنولوژی، نیاز به استفاده از کنترل-کنندههای پیچیده، محرکها و حسگرهای پیشرفته بسیار بیشتر شده است. ولی وجود خطا در هر یک از اجزای فرآیند، محرکها و حسگرها باعث افت عملکرد سیستم حلقه بسته میشود و در مواردی این خطا منجر به بروز حوادثی جبرانناپذیر میگردد. بنابراین نیاز به روشهایی که تشخیص و جداسازی خطا را در این فرآیندهای پیچیده انجام دهند روز به روز بیشتر احساس میگردد. تشخیص خطا از یک طرف به دلیل افزایش اهمیت امنیت و از طرف دیگر به دلیل بهبود کیفیت و عملکرد سیستم-های صنعتی به مسألهی مهمی در دنیای امروز تبدیل گشته است
امروزه امنیت و اطمینان از ویژگیهای حیاتی سیستم-های الکتریکی میباشد. هدف از کنترل تحملپذیر خطا1، اطمینان از ادامه کار صحیح سیستم حتی بعد از وقوع خطا می-باشد که این امر باعث افزایش امنیت سیستم میشود. بنابراین در کنترل مقاوم باید خطا را تشخیص داده و تاثیر آن را تا حد قابل قبولی کاهش دهد
چنانچه خطاهای پیدرپی در یک زیرسیستم حلوفصل نشوند، نهتنها ممکن است یک مشکل جدی در زیرسیستم به-وجود آید بلکه این مشکل کل سیستم را نیز درگیر خواهد کرد . مشکل تشخیص خطای سنسور در زمان معین، در بسیاری از سیستمهای ناوبری و کنترل مشاهده میشود . در حال حاضر تحقیقات گستردهای با تمرکز بیشتر بر توسعه هواپیماهای ایمن و قابل اعتماد در بخش حمل ونقل هوایی آغاز شده است
روشهای تشخیص خطا را میتوان به دو بخش بر اساس مدل و مستقل از مدل تقسیم نمود. در تشخیص خطا بر اساس مدل، از مدل ریاضی سیستم به همراه برخی تکنیکهای تخمین، جهت تشخیص خطا استفاده میشود. از مهمترین این روشها میتوان به روشهای مبتنی بر مشاهدهگرهای حالت و فضای برابری یاد کرد. از روشهای مستقل از مدل نیز میتوان به روشهای فازی، شبکههای عصبی اشاره نمود
بخش مهمی از آسیبهای وارده به سیستم بهدلیل خطای حسگرهای آن میباشد. از ابتدای دهه هفتاد، پیشرفتهای تئوریکی زیادی مبنی بر طراحی و آنالیز طرحهای تشخیص خطا صورت گرفته است. همچنین از اوایل این دهه، مشکل شناسایی و جداسازی خطا در فرآیندهای دینامیکی مورد توجه بسیاری از پژوهشگران قرار گرفته و طیف گستردهای از روشهای مبتنی بر مدل ارائه و توسعه یافت. روشهای مبتنی بر مدل بهطور گستردهای بهعنوان روشهای قدرتمند برای تشخیص خطا شناخته شدهاند و نیازمند یک مدل ریاضی واقعی از سیستم میباشند
در طی دو دههی اخیر تلاشهای زیادی برای تشخیص خطای حسگرهای سیستمهای مختلف و جداسازی خطا بهطور گستردهای در فرآیندهای صنعتی مورد استفاده قرار گرفته است. چنانچه خطایی شناسایی شد، میتوان ساختار کنترل را برای بهدست آوردن بهترین پاسخ ممکن از سیستم تغییر داد و یا حتی سیستم را بهطور اضطراری متوقف نمود .[7] تشخیص و جداسازی خطای حسگر - FDI2 - برای یک فرآیند کندانس، بر اساس مدل غیرخطی در مرجع [8] انجام شده است. در این مطالعه، کندانسور - چگالنده - با معادلات دینامیکی و ترمودینامیکی مدلسازی شده است.
تشخیص خطای حسگرهای فیبر نوری در یک موتور aero را در حضور اغتشاش با استفاده از مشاهدهگر ورودی ناشناخته بررسی کرده است. طی مطالعهی 10]و [11 به تشخیص خطای درایوهای الکتریکی با استفاده از فضای برابری و تأثیر این روش در شناسایی خطاهای ناگهانی حسگرهای موقعیت یک پمپ توربین پرداخته شده است.
در 12]و[13 با ترکیبی از یک کنترلکننده و روش تشخیص خطای پارامتراسیون YJBK، کنترل تحملپذیر خطا در پاندول معکوس دوتایی و تشخیص خطای یک پاندول معکوس همراه با عدم قطعیت ساختاری توسط روشهای هندسی مورد مطالعه قرار گرفته است. در مطالعه [14]، تشخیص خطای حسگرهای یک سیستم ربات را با استفاده از مشاهدهگر مبتنی بر فیلتر کالمن بررسی نمودهاند. تشخیص خطای سه حسگر یک توربین بادی و قطارهای حملونقل بار را با استفاده از مشاهدهگر ورودی ناشناخته مورد مطالعه قرار دادند
[17] به پژوهش دربارهی تشخیص خطاهای نرم حسگرهای یک زیردریایی بدون سرنشین با استفاده از شبکههای عصبی RBF پرداخته است. در مطالعهی [18] تشخیص خطای یک زیردریایی بدون سرنشین را توسط یک مشاهدهگر دینامیکی بررسی نمودهاند. طبق [19] تشخیص و جداسازی خطا بر اساس مشاهدهگر ورودی ناشناخته بر روی سیستمهای قدرت با هم مرتبط - حلقههای کنترل فرکانس بار - بررسی شده است. همینطور [20] با استفاده از دو مشاهدهگر ورودی ناشناخته به تشخیص خطا در یک هواپیما پرداخته است.
در [21] یک روش تشخیص خطا - FDD - برای سنسورهای پارامتر پرواز Aircraft، ارائه شده است. در این مقاله تشخیص خطای سنسورهای Aircraft با استفاده از یک منطق اندازهگیری انجام، و یک نوع فرآیند تحلیلی معرفی شده است که با اندازهگیریها، میتواند عملکرد تشخیص خطا را افزایش و همینطور باعث کاهش وزن Aircraft شود، زیرا دیگر نیازی به سخت افزار اضافی وجود ندارد. و [22] تشخیص خطا با استفاده از مشاهدهگر ورودی ناشناخته برای سیستمهای کلیدزنی خطی را ارائه کرده است. سیستمهای کلیدزنی خطی نوع خاصی از سیستمهای ترکیبی هستند و شامل چندین زیرسیستم و سیگنال کلیدزنی میباشند.
در [23] با استفاده از روابط دینامیکی حرکت، تشخیص و جداسازی خطای حسگرهای هواپیما مورد بررسی قرار گرفته است. در مطالعهی [24] محققین به بررسی عملکرد روشهای مبتنی بر سیگنال و مبتنی بر مدل بر روی سیستمهای هواپیما پرداخته-اند. روشهایی از قبیل مشاهدهگر لیونبرگ، فیلتر کالمن و مشاهدهگر مود لغزشی از جملهی این روشها بوده است. و [25] تشخیص خطای حسگرهای هواپیما با استفاده از شبکههای عصبی بازگشتی بررسی شده است. شبکههای عصبی بازگشتی توانایی بالاتری در شناسایی رفتار سیستم نسبت به شبکههای پیشرو چندلایه دارا میباشند.
با بررسی مطالعات پیشین در حوزه تشخیص و جداسازی خطا مشاهده میشود روش فضای برابری دارای سرعت مناسب، دقت مطلوب، پیاده سازی آسان و حجم محاسبات کمتر می-باشد. روشهای تشخیص خطا در مطالعات اخیر،عمدتاً وابسته به مدل یا مستقل از مدل میباشند و از روش ترکیبی که عملکرد بهتری در مقابل نویز و عوامل ناخواسته دارد، کمتر استفاده شده است. لذا در این مطالعه سعی میشود، تشخیص خطای حسگرهای هدایت سیستم هواپیما با استفاده از روش ترکیبی شبکههای عصبی و فضای برابری ارائه گردد.
در ابتدا مقدار اندازهگیریشدهی متغیرهای سیستم و پارامترها با مقدار پیش-بینیشده توسط مدل، مورد مقایسه قرار میگیرند و یک مقدار مانده3 از این طریق تولید میشود. طراحی مانده با کمک روش معادلات برابری با استفاده از تابع تبدیل یا فضای حالت میسر میباشد. ما در این پژوهش برای طراحی مانده با کمک روش معادلات برابری از فضای حالت استفاده نمودهایم. در حقیقت، مانده نشاندهنده وقوع خطا میباشد و بر اساس اختلاف بین سیگنال فرآیند و مدل محاسبه میشود. جهت تحلیل خطای سیستم هواپیما، مقدار مانده توسط شبکهی عصبی هوشمند مورد بررسی قرار میگیرد تا وجود یا عدم وجود خطا و همچنین ویژگی خطاهای احتمالی سیستم تعیین گردد.
بهطوریکه اگر سیستم در حالت ایدهآل و بدون خطا عمل کند مقدار ماندهها صفر و یا کمتر از حد آستانهی خود خواهد بود، ولی چنانچه سیستم دچار خطا شود مقدار ماندهها دیگر صفر نخواهد بود و این امر نشاندهندهی وجود خطا در سیستم است. در صورت وجود خطا در سیستم، شبکهی عصبی دامنهی خطای رخ داده در سیستم را تعیین مینماید. شبیهسازی با استفاده از نرم افزار MATLAB ارائه میشود. نتایج بدست آمده نشان از موثر بودن روش پیشنهادی دارد.
ساختار مقاله به این صورت است که در بخش دوم روش تولید مانده با استفاده از فضای برابری تشریح و در بخش بعدی شبکههای عصبی پیشرو چند لایه مورد بررسی قرار میگیرد همچنین روشهای پیشنهادی در بخش چهارم بیان میشود و سپس برآیند پژوهش در بخش نهایی ارائه میگردد.
-2 تولید مانده با استفاده از روش فضای برابری
معادلات فضای حالت یک فرآیند خطی چند ورودی-چند خروجی را که به صورت زیر است در نظر بگیرید:
که در این روابط، . بردار فضای حالت، بردار ورودی، A, B , C ماتریسهای ثابت هستند. به ترتیب نویز و خطای افزوده در حسگرها، N و M ماتریسهای ثابت و y خروجی سیستم میباشد.
مطابق[1]، معادلهی خطای چند جملهای یک فرآیند چند ورودی، چند خروجی به صورت زیر است:
که در آن سیگنال مانده، صورت تابع تبدیل سیستم، مخرج تابع تبدیل سیستم، و به ترتیب ورودی و خروجی پیشبینی شده میباشند.
