مدل سازی سامانه کنترل ارتفاع با استفاده از شبکه های عصبی مصنوعی

ماشین های کشاورزی

مقاله 7، دوره 6، شماره 2 - شماره پیاپی 12، 1395، صفحه 350-361   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v6i2.45162

نویسندگان

علیرضا تهور^{* 1}؛ شاهین حیدری²؛ پویا زرین چنگ¹

¹گروه مهندسی مکانیک، دانشکده مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

²گروه مهندسی مکانیک، دانشگاه هرمزگان، بندرعباس، ایران

چکیده

سامانه های ابزار دقیق و خودکار در ماشین آلات کشاورزی، میدانی و عمرانی به شکل فزآینده موجب افزایش بهره وری، دقت و توسعه کاربردی گردیده است. دستگاه کنترل ارتفاع جهت اندازه گیری ارتفاع نمونه های مختلف، از بخش های مکانیکی شامل مجموعه محرکه تسمه نقاله، بدنه اصلی، موتور الکتریکی، مبدل و بخش الکترونیکی شامل حسگر فراصوت فرستنده و گیرنده امواج، مجموعه الکترونیکی، مجموعه کنترل و میکروکنترلر ای تی مگا 32 ساخته شده است. در ابتدا عملکرد دستگاه به کمک شبکه عصبی مصنوعی مورد بررسی قرار گرفته و سپس آزمایش هایی جهت جمع آوری و معتبرسازی داده ها انجام گردیده است. در این مطالعه مشاهده گردید که استفاده از شبکه عصبی مصنوعی چند لایه همراه با الگوریتم یادگیری لونبرگ-مارکواردت دارای بهترین معیار برای برآورد و همگرایی نتایج داده های آزمایشگاهی می باشد و جایگزینی ماتریس واحد با ماتریس هسیان در معادله بهینه سازی شده قانون لونبرگ-مارکواردت تأثیر به سزایی در همگرایی و کاهش زمان محاسبات دارد. همچنین مطالعه حاضر جهت توسعه فرآیندهای کشاورزی، مهندسی و افزایش تأثیر دستگاه های تولید شده مورد نیاز در آموزش واحدهای اندازه گیری هوشمند بسیار مفید بوده و مسائل تخمین تابع در الگوریتم لونبرگ- مارکواردت کارایی، سرعت، دقت و همگرایی بالایی را از خود نشان داده و خطای کمینه4-10× 7/77 را دارا می باشد.

کلیدواژه‌ها

ابزار دقیق؛ حسگر آلتراسونیک؛ شبکه های عصبی مصنوعی؛ کنترل ارتفاع

مراجع

1. Bird, J. 2003. Mean and root mean square values, Fourth Edittion, USA: Elsevier Limited: 457-460.

2. Cetinkunt, S. 2006. Mechatronic with Experiments, USA: John Wiley & sons Inc.: 358-372.

3. Cetinkunt, S., U. Pinosopon, C. Chen, A. Egelja, and S. Anwar. 2001. Positive flow control of closed center electro hydraulic implement by wire systems for mob equipment applications. Mechatronics 14: 403-420.

4. Darold, W., Z. Ming, and S. Vasaraghavan. 2005. An ultrasonic/optical pulse sensor for precise distance measurements. Sensors for industry conference Houston, Texas, USA.

5. Dragoi, C., N. Vasiliu, and C. Calinoiu. 2010. Experimental identification of the electrohydraulic servo systems used in speed governors for hydraulic turbines. A Doua Conferinta 1: 661-672.

6. Elsadiq, A. A. B., and A. A. B. Mohammad. 1996. Evaluating the accuracy of laser for engineering surveying, Journal of Kingsoud University Engineering Sciences 8: 121-131.

7. Figueroa, F., and A. Mahajan. 1994. A robust navigation system for autonomous vehicle using ultrasonic, Control Engineering Practice 2 (1): 49-59.

8. Hojjat, Y., A. R. Ghane, and Sh. Mirzamohamadi. 2013. Design and fabrication of a transit time ultrasonic flow meter. Modares Mechanical Engineering 13 (5): 153-156. (In Farsi).

9. Khadem, S. M. R., S. M. Khadem, A. Afsari, H. Dokoohaki. 2010. Development of a Machine-Road Simulator for Performance Investigation of Height Measuring Sensors in Earth Moving Machinery, Proceeding of first international conference on sensor device technologies and applications, Venice, Italy 10-15.

10. Levenberg, K. 1994. A method for the solution of certain nonlinear problems in least square. Quarterly of applied mathematics 2 (2): 164-168.

11. Marquardt, D. W. 1963. An algorithm for least-squares estimation of nonlinear parameters. SIAM journal of applied mathematics 11: 431-441.

12. Massa, D. P. 1987. An Automatic Ultrasonic Bowling Scoring system. Sensors 4 (10).

13. Massa, F. 1992. Ultrasonic in industry, Fiftieth Anniversary issue Proc IRE, Ireland.

14. McNamee, J. M., and V. Y. Pan. 2013. Root-Squaring Method, Studies in Computational Mathematics 16: 139-214.

15. Patterson, D. W. 2005. Artificial Neural Networks Theory and Applications. Prentice-Hall International, UK, London.

16. Shirley, P. A. 1989. An introduction to Ultrasonic Sensing. Sensors 6 (11).

17. Shraga, S., and B. Johann. 2001. Using coded signals to benefit from ultrasonic sensor crosstalk in mobile robot obstacle avoidance. 1EEE international conference on robotics and automation, Seoul, Korea.

18. Wilamowski, B., M. lplikci, S. Kaynak, and O. Efe. 2001. An algorithm for fast convergence in training neural networks, proceedings of international joint conference on neural networks, Washington DC, USA.

19. Wobschall, D., M. Zeng, and B. S. Vasaraghavan. 2005. An ultrasonic/optical sensors for precise distance measurements, in The SI con/05-Sensors for industry conference, USA, Texas, Huston.

20. Zeb, J. 2004. Mathematical modeling of a position control electro hydraulic servo-system. In second international conference of bhurban, Pakistan, bhurban.