کنترل‌گر عصبی‎-اسمیت پیش‌بین برای بهبود عملکرد سامانه‌های کنترل از طریق شبکه

کنترل ‌گر اسمیت پیش‌ بین یک راه‌ حل مناسب در برابر چالش تاخیر تصادفی بسته‌ های داده در سامانه ‌های کنترل از طریق شبکه است. مدل ‌سازی دقیق و برخط دستگاه به ویژه در حالتی که دستگاه غیرخطی است و یا دارای پارامترهای مجهول و تغییرپذیر است، می‌ تواند عملکرد کنترلی سامانۀ کنترل از طریق شبکه را به مقدار قابل‌توجهی بهبود بخشد. در این پژوهش، کنترل ‌گری با نام rdquo;کنترل ‌گر عصبی‌اسمیت پیش‌ بین ldquo; ارائه شده که در آن با استفاده از شبکه‌ های عصبی پرسپترون به مدل ‌سازی برخط دستگاه پرداخته و از یک شبکۀ عصبی دیگر به‌عنوان مرکز پردازش سیگنال کنترل‌ گر استفاده شده است. با استفاده از کنترل ‌گر پیشنهادی، تغییرات پارامترهای دستگاه در اثر کارکرد در طول زمان، به‌صورت برخط مدل‌ سازی می‌ شود و سیگنال کنترلی مناسب تولید می‌ شود. نتایج شبیه‌ سازی نشان می ‌دهد در سامانۀ کنترل از طریق شبکه، در حالتی که تاخیر تصادفی شبکه و تغییرات تابع تبدیل دستگاه افزایش می ‌یابد، استفاده از کنترل گر عصبی اسمیت پیش‌ بین نسبت به کنترل ‌گر اسمیت پیش‌ بین ساده، عملکرد بهتری دارد. به‌عنوان مثال وقتی که تاخیر تصادفی شبکه در بازۀ ]21-19[ میلی ثانیه باشد، تفاوت مقدار itae سامانۀ پیشنهادی با اسمیت پیش‌ بین ساده برابر با 0.0004 است، اما به‌ازای تاخیر شبکه در بازۀ ]930-910[ میلی‌ ثانیه این تفاوت درحدود 0.027 است.

Neural-Smith Predictor Method for Improvement of Networked Control Systems

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 timevariant behavior. In this paper, a novel controller, NeuralSmith 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 NeuralSmith 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 rsquo;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.