طراحی کنترل‌کنندۀ pid تطبیقی با استفاده از الگوریتم تقریبات تصادفی انحرافات هم‌زمان و آموزش شبکۀ عصبی

در این مقاله، روش جدید طراحی کنترل‌کنندۀ داده‌محور، با استفاده از الگوریتم تقریبات تصادفی انحرافات هم‌زمان(spsa) و آموزش شبکۀ عصبی ارائه شده است. در روش پیشنهادی، الگوریتم تقریبات تصادفی انحرافات هم‌زمان با استفاده از آموزش شبکۀ عصبی، مقداردهی می‌شود که این امر باعث افزایش سرعت همگرایی و همچنین بهبود عملکرد الگوریتم در برابر تغییرات سیگنال مرجع می‌شود. در spsa فرض بر این است که کنترل‌کننده دارای ساختاری ثابت است. پارامتر‌های این کنترل‌کننده به‌صورت برخط تخمین زده می‌شوند. در این مقاله، کنترل‌کننده به‌کاررفته، کنترل‌کنندۀ تناسبی، انتگرالی و مشتق‌گیر (pid) است. شبیه‌سازی‌های انجام‌شده روی پروسۀ توزیع اندازۀ ذرات سنگ‌زنی سیمان و کنترل زاویۀ پیچ هواپیما نشان‌دهندۀ موثربودن روش پیشنهادی در بهبود عملکرد سیستم است.

Adaptive (PID) controller design using simultaneous perturbation stochastic approximation algorithm and neural network training

In this paper, a new method of datadriven controller (DDC) design using Simultaneous Perturbation Stochastic Approximation Algorithm (SPSA) and Neural Network (NN) training is presented. This method can be used to control a variety of linear and nonlinear systems. In the simultaneous perturbation stochastic approximation algorithm, the controller is assumed to have a fixed structure and its parameters must be estimated. In this paper, a Proportional, Integral, and Derivative controller (PID) is considered and the parameters that should be estimated by the proposed algorithm are proportional, integral and derivative terms of this controller. In the proposed method, the simultaneous perturbation stochastic approximation algorithm is quantified by using neural network training which increases the convergence speed and also improves the performance of the algorithm against system input changes. Simulations performed on cement grinding particle size distribution process and pitch angle control of aircraft show the high efficiency and potential of the proposed method.