Skip to main content
SUPERVISOR
Maryam Zekri,Javad Askari
مریم ذکری (استاد راهنما) جواد عسگری مارنانی (استاد مشاور)
 
STUDENT
Vahid Safari dehnavi
وحید صفری دهنوی

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1396

TITLE

Proposing a type-2 fuzzy wavelet neural network and a hybrid algorithm for fault diagnosis of the three tanks system
Fault occurrence in systems causes loss of life and financial damage; therefore diagnosing a fault occurrence in the shortest time decreases this damage. The persistence of the fault existence for a long time in the system causes damage; so it is essential to supervise the system to diagnose faults in the shortest time. Intelligent networks can diagnose the fault faster and more accurate than huma so different kinds of intelligent networks can be used to diagnose the fault. One of the common networks for the fault diagnosis is the neural network which has appropriate adaptation; however, it is not appropriate because of constrains on the results interpretation. The fuzzy logic is one of the other methods which is used for diagnosing the fault and has appropriate interpretation; however it does not have appropriate adaptation unlike neural networks. So the combination of the neural network and the fuzzy logic can resolve the constrains. The type-1 neuro fuzzy makes by the combination of fuzzy logic and neural network. The analysis functions in the conclusion part are used in the type-1 neuro fuzzy. In this study, in the conclusion, the wavelet functions, which show the conception of the type-1 fuzzy wavelet neural network, have been used to improve the network efficiency and decrease the numbers of rules in the type-1 neuro fuzzy. Also available data for the fault diagnosis is with noise that decrease the accuracy of the fault diagnosis networks. The fuzzy function is not appropriate in the noisy situations and does not have acceptable accuracy. So, the type-2 fuzzy was used in this research. The use of the type-2 fuzzy decreases the noise effect and uncertainty in the fault diagnosis networks. According to the mentioned information, in this study, the structure of a type-2 fuzzy wavelet neural network has been proposed with an appropriate combination algorithm. In this algorithm, three algorithms were used: the k-means cluster algorithm to initialize nonlinear parameters, the least square algorithm to initialize the linear parameters, and the recursive least square method with the adaptive forgetting parameter to update linear parameters. Also to update the nonlinear algorithms, back propagation with the adaptive momentum parameter was used to accelerate convergence and the learning amount that guarantee convergence. In this study, convergence and stability of the proposed combination algorithm were proved and to show the ability of the network and algorithm, examples of the Key Words: Fault diagnosis, Three tank system, Type-2 fuzzy wavelet neural network.
وقوع عیب در سیستم‌ها می‌تواند باعث خسارت مالی و جانی شود؛ بنابراین تشخیص عیب در کوتاه‌ترین زمان ممکن، این خسارت‌ها را کاهش می‌دهد. تداوم وجود عیب برای زمانی طولانی در سیستم ممکن است باعث ایجاد خرابی شود؛ بدین منظور برای تشخیص عیب در کمترین زمان، لازم است که بر سیستم نظارت‌ شود. شبکه‌های هوشمند می‌توانند تشخیص عیب را سریع‌تر و دقیق‌تر از انسان انجام دهند؛ بنابراین برای تشخیص عیب می‌توان از انواع شبکه‌های هوشمند استفاده کرد. یکی از شبکه‌های متداول برای تشخیص عیب، شبکه عصبی است که تطبیق‌پذیری مناسبی دارد؛ ولی به علت محدودیت در تفسیرپذیری نتایج، مناسب نیست. از جمله روش‌های دیگری که برای تشخیص عیب استفاده می‌شود، منطق فازی است که تفسیرپذیری مناسبی دارد؛ ولی برخلاف شبکه‌های عصبی، تطبیق‌پذیری مناسبی ندارد؛ لذا ترکیب شبکه عصبی و منطق فازی می‌تواند محدودیت‌های شبکه عصبی و منطق فازی را برطرف کند. از ترکیب منطق فازی و شبکه عصبی، شبکه عصبی فازی نوع-1 ایجاد می‌شود. در شبکه عصبی فازی نوع-1 در قسمت نتیجه، از توابع تحلیلی استفاده می‌شود، در این پژوهش برای بهبود کارایی شبکه و کاهش تعداد قوانین در شبکه عصبی فازی، در قسمت نتیجه، از توابع موجک کمک گرفته شده که تداعی‌گر مفهوم شبکه‌های عصبی موجک فازی نوع-1 است. به علاوه معمولاً داده‌های در دسترس برای تشخیص عیب، داده‌هایی همراه با نویز هستند که باعث کاهش دقت شبکه‌های تشخیص عیب می‌شوند، تابع فازی نوع-1 در شرایط نویزی مناسب نیست و دقت قابل قبولی ندارد؛ لذا در این پژوهش از فازی نوع-2 استفاده شده است. استفاده از تابع فازی نوع-2 باعث کاهش اثر نویز و عدم قطعیت در شبکه‌های تشخیص عیب می‌شود. با توجه به مطالب بیان شده، در این پژوهش جهت تشخیص عیب، ساختار یک شبکه عصبی موجک فازی نوع-2 همراه با الگوریتم ترکیبی مناسب پیشنهاد شده است. در این الگوریتم برای مقداردهی اولیه پارامترهای غیرخطی از الگوریتم خوشه‌بندی K-MEANS ، برای مقداردهی اولیه پارامترهای خطی از الگوریتم حداقل مربعات و برای به‌روز رسانی پارامترهای خطی از روش حداقل مربعات بازگشتی با فاکتور فراموشی تطبیقی استفاده شده است. همچنین برای به‌روز رسانی پارامترهای غیرخطی، روش پس انتشار خطا همراه با پارامتر ممنتوم تطبیقی جهت تسریع همگرایی و نرخ یادگیری که تضمین کننده همگرایی باشد، مورد استفاده قرار گرفته است. در این پژوهش، همگرایی و پایداری الگوریتم ترکیبی پیشنهادی اثبات شده و برای نشان دادن توانایی شبکه و الگوریتم، مثال‌هایی از کلاس‌بندی، تقریب توابع و پیش‌بینی سری زمانی مورد بررسی قرار گرفته است. سپس تشخیص عیب سیستم سه تانک بررسی شده است که در این سیستم برای تشخیص عیب، از شبکه عصبی موجک فازی نوع-2 استفاده شده است. در این پژوهش به تشخیص عیوب نشتی تانک اول، نشتی تانک دوم، نشتی تانک سوم، گرفتگی جزئی کانال ارتباطی بین تانک اول و دوم و گرفتگی جزئی کانال ارتباطی بین تانک دوم و سوم پرداخته شده است. سپس مزایای روش پیشنهادی نسبت به سایر روش‌های قبلی مورد اشاره قرار گرفته است. کلمات کلیدی:تشخیص عیب، سیستم سه تانک، شبکه عصبی موجک فازی نوع-2.

ارتقاء امنیت وب با وف بومی