Journal of Control
مجله کنترل
JoC
Engineering & Technology
http://joc.kntu.ac.ir
1
admin
2008-8345
2538-3752
10.52547/joc
fa
jalali
1390
6
1
gregorian
2011
9
1
5
2
online
1
fulltext
fa
شناسایی و پیش بینی سیستم غیرخطی کوره دوار سیمان با استفاده از شبکه عصبی - فازی و انتخاب ورودی ها به کمک الگوریتم ژنتیک
Prediction and Identification of Nonlinear Rotary Cement Kiln System with Neuro-Fuzzy ANFIS Network by Using Feature Selection with Genetic Algorithm
تخصصي
Special
پژوهشي
Research paper
با توجه به اهمیت کوره دوار سیمان در صنعت و عدم وجود یک مدل قابل قبول برای آن، شناسایی و پیش بینی وضعیت کوره از ملزومات شبیه سازی و اتوماسیون سیستم کوره دوار سیمان می باشد. کوره دوار سیمان یک سیستم غیرخطی و متغیر با زمان می باشد. در این نوشتار به منظور شناسایی و پیش بینی وضعیت کوره دوار سیمان از شبکه عصبی- فازی تطبیقی ANFIS استفاده شده است. از آنجا که داده های استخراج شده مرتبط با سیستم واقعی است، لذا انجام عملیات پیش پردازش بر روی داده های موجود یکی از مهمترین و دشوارترین مراحل شناسایی می باشد. علاوه بر ورودیهای سیستم، دینامیک های سیستم که از روش لیپشیتز انتخاب شده با تأخیر خالص سیستم با یک گام عقب تر به عنوان ورودی های شبکه عصبی- فازی اعمال شده است. با توجه به مسأله تعداد قوانین در سیستم فازی در زمان حضور تعداد زیادی متغیر ورودی و همچنین با وجود زیاد بودن تعداد ورودیها مورد نیاز برای اعمال آنها به شبکه عصبی-فازی، از الگوریتم ژنتیک بعنوان روش انتخاب ویژگی به منظور کاهش تعداد متغیرهای ورودی سیستم فازی استفاده شده است. نتایج حاصل از اعمال روش مطرح شده بر روی داده های واقعی کوره دوار سیمان ساوه نشان دهنده کارایی بالای روش ارائه شده در پیش بینی عملکرد این سیستم صنعتی و غیرخطی دارد.
Due to the status of Rotary Kiln Cements (RKCs) in different industries and lack of a mature model for these systems, identification and prediction of the Kiln system are necessary for any simulation and automation approaches. Intrinsically, RKCs are non-linear and time-variant systems. This paper proposes a novel approach of using ANSFI to predict the status of a RKC system in a scale of few minutes in advance. Since the data used in this research has been extracted from a real system, pre-analysis of data is one of the critical parts of identification process. In addition to the system inputs, dynamic of the system which has been selected according to the LIPSCHITZ method with a system’s genuine delay are applied as inputs for Neural Network system with one step phase lag. Genetic algorithm has been utilized as a characteristic selection and phasor rules reduction method due to the existing challenges on the number of rules in phasor systems specifically with a large number of variables to be applied to the Neural Network. To verify the performance of the proposed identification and prediction method on a non-linear industrial system, simulation results have been carried out on a real data extracted from SAVEH Cement Company
شناسایی سیستم, انتخاب ویژگی, کوره دوار سیمان, شبکه عصبی-فازی ANFISو الگوریتم ژنتیک
System Identification, Feature Selection, Cement Rotary Kiln, Algorithm Genetic
22
33
http://joc.kntu.ac.ir/browse.php?a_code=A-10-82-2&slc_lang=fa&sid=1
Armita
Fatemi Moghadam
آرمیتا
فاطمی مقدم
Armitafatemimoghadam@gmail.com
1003194753284600182
1003194753284600182
Yes
دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
Arash
Sharifi
آرش
شریفی
A.sharifi@srbiau.ac.ir
1003194753284600183
1003194753284600183
No
دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
Mohammad
Teshnelab
محمد
تشنه لب
Teshnehlab@eetd.kutu.ac.ir
1003194753284600184
1003194753284600184
No
دانشگاه صنعتی خواجه نصیر الدین طوسی