پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 622 |
| تعداد مقالات | 9,157 |
| تعداد مشاهده مقاله | 67,490,711 |
| تعداد دریافت فایل اصل مقاله | 8,020,460 |
معرفی رویکرد جدید برای طراحی نگهدارنده و بهبود دقت با روش هوشمند به‌منظور استفاده در کنترل دیجیتال | ||
| مدل سازی در مهندسی | ||
| دوره 23، شماره ویژه 81، تیر 1404، صفحه 65-76 اصل مقاله (1.32 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.30448.2439 | ||
| نویسندگان | ||
| مهدی شاکری؛ مهرداد بابازاده* | ||
| دانشکده مهندسی برق، دانشگاه زنجان، زنجان، ایران | ||
| تاریخ دریافت: 04 اردیبهشت 1402، تاریخ بازنگری: 17 مهر 1403، تاریخ پذیرش: 28 مهر 1403 | ||
| چکیده | ||
| در این مقاله یک نگهدار مرتبه کسری معرفی می‌شود که در بازسازی یک سیگنال از روی نمونه‌های آن نسبت به سایر نگهدارهای سنتی خطای کمتری دارد. در نگهدارهای مرتبه کسری یک ضریب ثابت کوچکتر از یک به طور بهینه تنظیم می-گردد. در حقیقت نگهدار مرتبه صفر (ZOH) و نگهدار مرتبه اول (FOH) حالت-های خاصی از نگهدار مرتبه کسری با ضرایب صفر و یک هستند. در مقاله حاضر ابتدا روشی جهت تعیین ضریب مذکور به صورت ثابت و تنظیم‌شده ارائه می‌شود. در ادامه خطای حاصل از این نگهدار جدید در بازسازی سیگنال اصلی با نگهدار مرتبه اول مقایسه می‌شود. سپس برای کاهش خطای نگهدار، رهیافتی بر اساس خطای حداقل مربعات در نظر گرفته شده است. این روش در واقع از تاریخچه رفتار سیگنال برای بازسازی نمونه‌های بعدی استفاده می‌کند. به این منظور با استفاده از شبکه‌های عصبی مصنوعی (ANNs) یک نگهدار هوشمند نمونه‌های بعدی سیگنال را پیش‌بینی می‌کند. بررسی‌های انجام شده در خصوص میزان تاخیر حاصل از این روش هوشمند تطبیقی معرفی شده نشان می‌دهد که خللی در پایداری حلقه بسته ایجاد نخواهد کرد. علاوه بر آن رهیافت جدیدی در پیش‌بینی تطبیقی رفتار سیگنال با استفاده از تاریخچه آن معرفی می‌شود. | ||
| کلیدواژه‌ها | ||
| نگهدار مرتبه صفر؛ نگهدار مرتبه اول؛ نگهدار مرتبه کسری؛ شبکه-های عصبی مصنوعی؛ پردازش سیگنال | ||
| عنوان مقاله [English] | ||
| Introducing a New Approach for Holder Design and Accuracy Improvement with Intelligent Method for Use in Digital Control | ||
| نویسندگان [English] | ||
| Mahdi Shakeri؛ Mehrdad Babazadeh | ||
| Department of Electrical Engineering, University of Zanjan, Zanjan, Iran | ||
| چکیده [English] | ||
| This article introduces a Fractional-Order Hold (FROH) that has less error in reconstructing a signal from its samples compared to other traditional holders. In fractional-order holds, a constant coefficient smaller than one is optimally adjusted. In fact, the Zero-Order Hold (ZOH) and First-Order Hold (FOH) are special cases of fractional-order holds with coefficients of zero and one, respectively. This paper presents a method for determining this coefficient, which is fixed and adjusted. The error resulting from this new holder in reconstructing the original signal is then compared to that of the first-order hold. To reduce the hold's error, an approach based on least mean square error is considered. This method uses the signal's behavior history to reconstruct future samples. Specifically, an intelligent holder predicts the next samples of the signal using Artificial Neural Networks (ANNs). Investigations into the delay caused by this adaptive intelligent holder show that it will not cause any instability in the closed-loop control system. Additionally, a new approach is introduced to adaptively predict the signal's behavior using its history. | ||
| کلیدواژه‌ها [English] | ||
| Zero-order hold, First-order hold, Fractional order hold, Artificial neural networks, Signal processing | ||
| مراجع | ||
|
[1] S.R. Burge, D.A. Hoffman, M.J. Hartman, and R.J. Venedam. "Automated ground-water sampling and analysis of hexavalent chromium using a “universal” sampling/analytical system." Sensors 5, no. 1 (2005): 38-50. [2] X. Zhang, and H. Hong. "Design of Ship Course Keeping Controller Based on Zero-Order Holder and Nonlinear Modification." Chinese Journal of Ship Research 19, no. 1 (2024). [3] K. Ogata. "Discrete-Time Control Systems." Vol. 2. Englewood Cliffs: Prentice Hall (1995): 52-53. [4] Y. Gholipour, E.M. Shams, and I. Mehriz. "Introduction New Combination of Zero-Order Hold and First-Order Hold." International Electrical Engineering Journal (IEEJ) 5, no. 2 (2014): 1269-1272. [5] M. Sen. "About Optimal Fractional Hold Circuits for Inter-Sample Output Reconstruction in Sampled-Data Systems." Sensors 7, no. 12 (2007): 3146-3155. [6] M.B. Naumović. "A Revisit to the Fractional-Order Hold Device." Electrical Engineering 9, no. 3 (2014): 267-273. [7] M. Ishitobi. "Properties of Zeros of a Discrete-Time System with Fractional Order Hold." In Proceedings of 35th IEEE Conference on Decision and Control, 4339-4344, 1996. [8] J.T. Machado. "Fractional Order Modelling of Fractional-Order Holds." Nonlinear Dynamics 70, no. 1 (2012): 789-796. [9] F. Hashemzadeh, A. Rezaei, and P. Jabehdar-Maralani. "A New Fractional Order Hold and Its Capability in Frequency Response and Zero Placement." Journal of Applied Mathematics (2013): 1-7. [10] M. Babazadeh, J. Garcia, and W. Lang. "A New Practical ARC-Shaped Fractional Order Hold." In 23rd Mediterranean Conference on Control and Automation (MED), 951-955. IEEE, 2015. [11] K. Basterretxea, R. Bárcena, and U. Ugalde. "Design and Synthesis of a Configurable Fractional Order Hold Device for Sampled-Data Control Systems." WSEAS Transactions on Circuits and Systems 7, no. 8 (2008): 869-878. [12] R. Bárcena, M. De La Sen, and K. Basterretxea. "Improvement of a Measurement Plotting System Performance with Fractional Order Hold Adjusted by Neural Networks." [13] R. Bárcena, and A. Etxebarria. "Adaptive Control of Printing Devices Using Fractional-Order Hold Circuits Adjusted Through Neural Networks." Journal of the Franklin Institute 344, no. 6 (2007): 801-812. [14] M. Khashei, and M. Bijari. "An Artificial Neural Network (p, d, q) Model for Time Series Forecasting." Expert Systems with Applications 37, no. 1 (2010): 479-489. [15] P. Garanayak, R. Naayagi, and G. Panda. "A High-Speed Master-Slave ADALINE for Accurate Power System Harmonic and Inter-Harmonic Estimation." IEEE Access (2020): 51918-51932. [16] Z. Chen, M. Ma, T. Li, H. Wang, and C. Li. "Long sequence time-series forecasting with deep learning: A survey." Information Fusion 97 (2023): 101819. [17] M.A. Morid, O.R.L. Sheng, and J. Dunbar. "Time Series Prediction Using Deep Learning Methods in Healthcare." ACM Transactions on Management Information Systems 14, no. 1 (2023): 1-29. [18] Z. Liu, P. Jiang, L. Zhang, and X. Niu. "A combined forecasting model for time series: Application to short-term wind speed forecasting." Applied Energy 259 (2020): 114137. [19] D.O. Abdeslam, P. Wira, J. Mercklé, D. Flieller, and Y.A. Chapuis. "A unified artificial neural network architecture for active power filters." IEEE Transactions on Industrial Electronics 54, no. 1 (2007): 61-76. [20] M. Jannati, B. Vahidi, S.H. Hosseinian, and S.M. Ahadi. "A novel approach to adaptive single phase auto-reclosing scheme for EHV transmission lines." International Journal of Electrical Power & Energy Systems 33, no. 3 (2011): 639-646. | ||
|
آمار تعداد مشاهده مقاله: 33 تعداد دریافت فایل اصل مقاله: 25 |
||