تشخیص عیب در یک سیستم گسسته با استفاده از ترکیب یادگیری تقویتی و الگوریت مهای داده محور

نوع: Type: رساله

مقطع: Segment: دکتری

عنوان: Title: تشخیص عیب در یک سیستم گسسته با استفاده از ترکیب یادگیری تقویتی و الگوریت مهای داده محور

ارائه دهنده: Provider: محسن شیری - مهندسی برق

اساتید راهنما: Supervisors: دکتر هادی دلاوری

اساتید مشاور: Advisory Professors: دکتر یونس سلگی

اساتید ممتحن یا داور: Examining professors or referees: دکتر محمدحسن مرادی، دکتر سید جلیل ساداتی رستمی، دکتر سید محمدمهدی موسوی

زمان و تاریخ ارائه: Time and date of presentation: ساعت 14 - 1404/11/12

مکان ارائه: Place of presentation: کلاس 33

چکیده: Abstract: در این رساله، یک چارچوب نوین تشخیص عیب مبتنی بر هوش مصنوعی و داده‌محور برای شناسایی انواع عیب‌های سنسور و عملگر در سیستم‌های غیرخطی گسسته بدون مدل ارائه شده است. به‌منظور تضمین عملکرد مطلوب سیستم در شرایط سالم و معیوب، هم‌زمان با طراحی سیستم تشخیص عیب، کنترل‌کننده‌های مد لغزشی گسسته شامل کنترل‌کننده مد لغزشی تطبیقی گسسته و کنترل‌کننده مد لغزشی ترمینال ناتکین گسسته جهت ردیابی دقیق خروجی مرجع طراحی و توسعه داده شده‌اند. سیستم تشخیص عیب پیشنهادی از دو بخش اصلی آشکارساز و تخمین‌گر عیب تشکیل شده است. در بخش آشکارساز، رویتگر مد لغزشی گسسته نوین، رویتگر مد لغزشی تطبیقی گسسته نوین و رویتگر مد لغزشی ترمینال ناتکین گسسته نوین به‌منظور تشخیص سریع و دقیق وقوع عیب ارائه گردیده‌اند. در بخش تخمین‌گر، نوع و دامنه عیب‌های رخ‌داده در سیستم‌های گسسته به ترتیب با استفاده از شبکه عصبی مرتبه کسری نوین، یادگیری تقویتی با تابع پاداش مرتبه کسری و یادگیری تقویتی مبتنی بر ساختار بازیگر–نقاد مرتبه کسری تخمین زده می‌شود. روش‌های پیشنهادی دارای ویژگی‌های کلیدی متعددی از جمله کاهش آلارم‌های کاذب و کاهش پدیده چترینگ در بخش آشکارساز می‌باشند. همچنین در بخش تخمین‌گر، تحقق یادگیری برخط، همگرایی مناسب و قابلیت تطبیق در مواجهه با شرایط جدید و عیب‌های ناشناخته، از طریق به‌کارگیری شبکه‌های عصبی و الگوریتم‌های یادگیری تقویتی مبتنی بر حسابان کسری تضمین شده است. بهره‌گیری از حسابان کسری موجب مدل‌سازی دقیق‌تر دینامیک سیستم، کاهش نوسانات ناخواسته و بهبود رفتار گذرا گردیده و درعین‌حال، با کاهش بار محاسباتی، امکان پیاده‌سازی روش‌های پیشنهادی در سیستم‌های بلادرنگ فراهم شده است. فرایند یادگیری و به‌روزرسانی وزن‌ها در شبکه‌های عصبی و الگوریتم‌های یادگیری تقویتی از طریق الگوریتم گرادیان نزولی مبتنی بر مشتق مرتبه کسری انجام می‌گیرد. پایداری سیستم حلقه بسته تحت کنترل نیز با استفاده از توابع لیاپانوف به‌صورت تحلیلی بررسی و اثبات شده است. علاوه بر این، به‌منظور تنظیم بهینه ضرایب کنترل‌کننده‌ها و رویتگرهای پیشنهادی و دستیابی به مقایسه‌ای منصفانه و دقیق، از الگوریتم‌های بهینه‌سازی مبتنی بر کلونی مورچگان، شبکه‌های عصبی و یادگیری تقویتی استفاده شده است. در نهایت، کارایی و برتری روش‌های پیشنهادی از طریق شبیه‌سازی بر روی مدل‌های تئوری، آزمایشگاهی و صنعتی مورد ارزیابی قرار گرفته و نتایج حاصل، بهبود قابل‌توجه در دقت، سرعت تشخیص و کیفیت تخمین عیب را نسبت به روش‌های موجود تأیید می‌نماید.