پیوندهای مفید
آمار
| تعداد نشریات | 9 |
| تعداد شمارهها | 446 |
| تعداد مقالات | 5,719 |
| تعداد مشاهده مقاله | 8,018,437 |
| تعداد دریافت فایل اصل مقاله | 6,527,279 |
تشخیص خطا با استفاده از شبکه عصبی در روتور تمایل یابنده | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 1، دوره 56، شماره 3، 1403، صفحه 321-344 اصل مقاله (1.76 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2024.22924.7692 | ||
| نویسندگان | ||
| علیرضا یعقوبی؛ محسن محمدی* | ||
| دانشکده مهندسی مکانیک، دانشگاه شیراز، شیراز، ایران | ||
| چکیده | ||
| خطاهای سیستم که معمولاً منجر به تغییر در پارامترهای حیاتی سیستم یا حتی دینامیک سیستم میشوند، ممکن است منجر به کاهش عملکرد و شرایط عملیاتی ناایمن شود. تشخیص خطا نقش مهمی در تضمین ایمنی و قابلیت اطمینان سیستم برای وسایل نقلیه هوایی بدون سرنشین ایفا میکند. شبکههای عصبی مصنوعی پتانسیل خوبی برای تشخیص و جداسازی خطا در فرایندهای پیچیده را دارند. در این مقاله یک مشاهدهگر مبتنی بر شبکه عصبی تطبیقی ارائه شده است که در این مطالعه، شبکه عصبی تطبیقی بهعنوان یک سیستم یادگیری هوشمند برای تشخیص و جداسازی خطای حسگر و عملگر در یک مدل دینامیکی غیرخطی وسیله نقلیه هوایی بدون سرنشین طراحی شده است. به دلیل غیرخطیبودن سیستم، پارامترهای وزن شبکه عصبی با استفاده از کالمن فیلتر توسعهیافته بهروز میشوند که این کار باعث افزایش نرخ همگرایی شبکه عصبی میشود. مجموعهای از خطاهای ناگهانی، متناوب و اولیه برای ارزیابی روش پیشنهادی به یک مدل دینامیکی غیرخطی مالتی روتور تمایل یابنده اعمال میشود. به دلیل نرخ بالای بروزرسانی وزنهای شبکه عصبی، روش پیشنهادی قادر است خطاهای ناگهانی، متناوب و اولیه را بادقت و سرعت مناسب تشخیص دهد. نتایج شبیهسازی عددی نیز برای نشاندادن عملکرد روش پیشنهادی آورده شده است که نشان از عملکرد مناسب روش پیشنهادی دارد. | ||
| کلیدواژهها | ||
| تشخیص خطا؛ روتور تمایل یابنده؛ شبکه عصبی تطبیقی؛ کالمن فیلتر توسعهیافته؛ سیستم غیرخطی | ||
| عنوان مقاله [English] | ||
| Fault Detection Using Neural Network in Tilt Rotor | ||
| نویسندگان [English] | ||
| Alireza Yaghubi؛ Mohsen Mohammadi | ||
| School of Mechanical Engineering, Shiraz University, Shiraz, Iran | ||
| چکیده [English] | ||
| System faults, which usually lead to changes in critical system parameters or even system dynamics, may lead to degraded performance and unsafe operating conditions. Fault detection plays an important role in ensuring system safety and reliability for unmanned aerial vehicles. Artificial neural networks have an excellent potential to detect and isolate faults in complex processes. In this paper, an observer based on an adaptive neural network is presented. In this study, the adaptive neural network is designed as an intelligent learning system to detect and isolate sensor and actuator faults in a nonlinear dynamic model of an unmanned aerial vehicle. Due to the system's nonlinearity, the neural network's weighting parameters are updated using the extended Kalman filter, which increases the convergence rate of the neural network. A set of abrupt, intermittent and incipient faults are applied to a nonlinear dynamic model of a tilt rotor to evaluate the method. Due to the high update rate of neural network weighting, the proposed method can detect abrupt, intermittent and incipient faults accurately and quickly. Numerical simulation results are also given to show the performance of the proposed method, which shows the proper performance of this design. | ||
| کلیدواژهها [English] | ||
| Fault Detection, Tilt Rotor, Adaptive Neural Network, Extended Kalman Filter, Nonlinear Dynamic | ||
| مراجع | ||
|
[1] H. Lim, J. Park, D. Lee, H.J. Kim, Build Your Own Quadrotor: Open-Source Projects on Unmanned Aerial Vehicles, IEEE Robotics & Automation Magazine, 19(3) (2012) 33-45. [2] I. Samy, I. Postlethwaite, D.-W. Gu, Survey and application of sensor fault detection and isolation schemes, Control Engineering Practice, 19(7) (2011) 658-674. [3] R.J. Patton, P.M. Frank, R.N. Clark, Issues of fault diagnosis for dynamic systems, Springer Science & Business Media, 2013. [4] D. Du, B. Jiang, Actuator fault estimation and accommodation for switched systems with time delay: Discrete-time case, ISA Transactions, 62 (2016) 137-144. [5] P. Lu, E.-J. van Kampen, C. de Visser, Q. Chu, Nonlinear aircraft sensor fault reconstruction in the presence of disturbances validated by real flight data, Control Engineering Practice, 49 (2016) 112-128. [6] K. Zhang, B. Jiang, X.-G. Yan, Z. Mao, Sliding mode observer based incipient sensor fault detection with application to high-speed railway traction device, ISA Transactions, 63 (2016) 49-59. [7] D. Henry, Fault Diagnosis of Microscope Satellite Thrusters Using H-infinity/H_ Filters, Journal of Guidance, Control, and Dynamics, 31(3) (2008) 699-711. [8] H. Ballesteros-Moncada, E.J. Herrera-López, J. Anzurez-Marín, Fuzzy model-based observers for fault detection in CSTR, ISA Transactions, 59 (2015) 325-333. [9] M. Chen, P. Shi, C.C. Lim, Adaptive Neural Fault-Tolerant Control of a 3-DOF Model Helicopter System, IEEE Transactions on Systems, Man, and Cybernetics: Systems, 46(2) (2016) 260-270. [10] A. Abbaspour, P. Aboutalebi, K.K. Yen, A. Sargolzaei, Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV, ISA Transactions, 67 (2017) 317-329. [11] G. Tao, S. Chen, S.M. Joshi, An adaptive actuator failure compensation controller using output feedback, IEEE Transactions on Automatic Control, 47(3) (2002) 506-511. [12] W. Qing, M. Saif, Neural adaptive observer based fault detection and identification for satellite attitude control systems, in: Proceedings of the 2005, American Control Conference, 2005., 2005, pp. 1054-1059 vol. 1052. [13] G. Heredia, A. Ollero, Detection of sensor faults in small helicopter UAVs using observer/Kalman filter identification, Mathematical Problems in Engineering, (2011). [14] Q. Shen, B. Jiang, P. Shi, C.C. Lim, Novel Neural Networks-Based Fault Tolerant Control Scheme With Fault Alarm, IEEE Transactions on Cybernetics, 44(11) (2014) 2190-2201. [15] H.A. Talebi, K. Khorasani, S. Tafazoli, A Recurrent Neural-Network-Based Sensor and Actuator Fault Detection and Isolation for Nonlinear Systems With Application to the Satellite's Attitude Control Subsystem, IEEE Transactions on Neural Networks, 20(1) (2009) 45-60. [16] A. Nemati, M. Kumar, Modeling and control of a single axis tilting quadcopter, in: 2014 American Control Conference, 2014, pp. 3077-3082. [17] B. Safarinejadian, E. Kowsari, Fault detection in non-linear systems based on GP-EKF and GP-UKF algorithms, Systems Science & Control Engineering, 2(1) (2014) 610-620. [18] M. Namdari, H. Jazayeri-Rad, Incipient fault diagnosis using support vector machines based on monitoring continuous decision functions, Engineering Applications of Artificial Intelligence, 28 (2014) 22-35. [19] L. Ljung, T. Söderström, Theory and practice of recursive identification, MIT press, 1983. [20] J. Chen, R.J. Patton, Robust model-based fault diagnosis for dynamic systems, Springer Science & Business Media, 2012. [21] S. Sridhar, G. Gupta, R. Kumar, M. Kumar, K. Cohen, Tilt-Rotor Quadcopter Xplored: Hardware based Dynamics, Smart Sliding Mode Controller, Attitude Hold & Wind Disturbance Scenarios, in: 2019 American Control Conference (ACC), 2019, pp. 2005-2010. [22] A. Abaspour, S.H. Sadati, M. Sadeghi, Nonlinear optimized adaptive trajectory control of helicopter, Control Theory and Technology, 13(4) (2015) 297-310. [23] A. Sargolzaei, K.K. Yen, M.N. Abdelghani, Preventing Time-Delay Switch Attack on Load Frequency Control in Distributed Power Systems, IEEE Transactions on Smart Grid, 7(2) (2016) 1176-1185. [24] G. Ducard, H.P. Geering, Efficient Nonlinear Actuator Fault Detection and Isolation System for Unmanned Aerial Vehicles, Journal of Guidance, Control, and Dynamics, 31(1) (2008) 225-237. [25] Z. Gao, C. Cecati, S.X. Ding, A Survey of Fault Diagnosis and Fault-Tolerant Techniques—Part I: Fault Diagnosis With Model-Based and Signal-Based Approaches, IEEE Transactions on Industrial Electronics, 62(6) (2015) 3757-3767. | ||
|
آمار تعداد مشاهده مقاله: 680 تعداد دریافت فایل اصل مقاله: 663 |
||