وبلاگ

تعلیق مغناطیسی تکنولوژی ایی است که در چند دهه اخیر مورد توجه بسیاری قرار گرفته است. سیستم های مبتنی بر تعلیق مغناطیسی در حمل و نقل استفاده زیادی دارد و پیاده سازی سیستم حمل و نقل عمومی بر این اساس اثرات اجتماعی و اقتصادی فراوانی دارد.
دانشمندان روش های بسیاری جهت تعلیق یافته اند که به دور از هرگونه نویزی و نیاز به سوخت عمل می کند که می توان به استفاده از امواج الکترومغناطیسی به عنوان یک نمونه آن اشاره کرد.
از جمله کاربردهای این تکنولوژی می توان قطارهای سریع السیر، کنترل ارتفاع ماهواره های کوچک، سیستم های هدایت مواد مذاب به درون کوره های حرارت بالا، تفنگ های الکترونیکی، جداساز ارتعاشات، بلند کردن هواپیما از باند، جابجایی دقیق را نام برد.

Maglev مختصر شده عبارت magnetically levitated vehicle است. قطار Maglev توسط نیروی الکترومغناطیسی در هوا نگه داشته می شود و توسط نیروی الکترومغناطیسی در جهت ریل حرکت می کند. این نوع قطارها هیچ نوع تماسی در زمان حرکت با ریل ندارد و حدود 10 – 12 میلیمتر از آن فاصله دارد. این قطارها بی سر و صدا هستند و آلودگی کمتری در محیط زیست را سبب می شوند. سرعت این قطارها بیش از نصف سرعت یک هواپیمای مسافربری است. Maglev بر فراز یخ هم حرکت می کند و 1/3 هواپیما انرژی مصرف می کند.

در این قطارها فقدان سوخت در داخل قطار احتمال آتش سوزی در تصادفات را به شدت کاهش می دهد. همچنین ایمنی این قطارها به هواپیما و اتومبیل بیشتر است و همچنین ظرفیت زیادی برای بار و مسافر دارند.
نداشتن اصطکاک با ریل 3 مزیت مهم دارد: 1- سرعت خیلی بالا 2- بازدهی بالاتر 3- نویز در محیط کم می شود. در این پروژه یک کنترل پیش بین عصبی برای دستگاه Maglev طراحی و پیاده سازی شده است. توانایی ذاتی کنترل پیش بین در کنترل سیستم های متغیر با زمان، دارای تاخیرهای زمانی، برآورده کردن قیدهای ورودی و خروجی و همچنین استفاده از مدل پلنت در حل مسائل بهینه سازی از دلایل موفقیت چشمگیر این استراتژی کنترلی می باشد.
لازم به ذکر است که کنترل Maglev از روش های متفاوتی می تواند انجام گیرد، نظیر کنترلر PID و کنترلر شبکه عصبی و کنترلر نروفازی. البته کنترل پیش بین هم بر روی Maglev پیاده سازی شده است. به کنترل پیش بین عصبی هم اشاره شده است. منتها انواع شبکه عصبی را می توان جهت پیش بینی در این نوع کنترلر استفاده نمود و همچنین الگوریتم های بهینه سازی متفاوتی را هم می توان پیاده سازی نمود. نتایج ترکیب هرکدام از این روش ها بر روی سیستم Maglev قابل بررسی و تفحص است و تحقیقات انجام شده نشان می دهد که با توجه با ناپایداری سیستم و متغیر با زمان بودن و غیرخطی بودن، نیاط به کنترلرهای بهینه تر وجود دارد.
در فصل اول خلاصه ای از کارهای انجام شده بر روی Maglev آورده شده است. در فصل دوم کلیات دستگاه Maglev آورده شده است و همچنین معادلات ریاضی حاکم بر Maglev. در فصل سوم درباره شبکه های عصبی و نحوه عملکرد آنها در شناسایی و پیش بینی مطالبی ارائه شده است. در ادامه نحوه شناسایی Maglev با استفاده از شبکه عصبی بیان شده است. در فصل چهارم روش بهینه سازی مطرح شده است که دو روش بیان شده اند روش اول الگوریتم های تکاملی اند و روش دوم مبتنی بر گرادیان می باشند. دو مسئله مهم در بکارگیری عملی GA در کاربردهای کنترلی زمان واقعی وجود دارد، اولی زمان ایجاد نسل است و دیگر اینکه مطمئن شویم که یک قانون کنترلی قابل قبول در هر نسل وجود دارد. در پیاده سازی نرم افزاری جهت این تز روش های مبتنی بر گرادیان پیاده سازی گردید و از وزن های شبکه عصبی برای محاسبه گرادیان و هسین استفاده شده است. در فصل پنجم اصول کنترل پیش بین و دو نوع کنترل پیش بین بیان شده است و به طور کامل بررسی شده است. کنترل پیش بین عصبی در Maglev پیاده سازی شده است و نتایج حاصل از پیاده سازی نرم افزاری کنترل پیش بین عصبی در Maglev در فصل پنجم بیان شده است. در فصل ششم هم نتایج و پیشنهادات حاصل از این تز ارائه شده است.