وبلاگ

:
مهمترین بخش های سیستم کنترلی را حلقه های کنترلی تشکیل می دهند. نقش حلقه های کنترلی در صنایع فرآیندی تنظیم متغیر خروجی پروسه (process variable) به مقدار خروجی مطلوب (set point) در حضور اغتشاشات و نوسانات می باشد. مقدار خروجی مطلوب مقداری است که فرآیند بیشترین بازده را در آن نقاط خواهد داشت. در فصل اول کلیات پروژه ارائه شده است. فصل دوم به ارزیابی عملکرد حلقه های کنترلی اختصاص یافته است در این فصل ابتدا مشکلات حلقه ها مطرح شده و سپس معیارهای ارزیابی عملکرد حلقه ها مورد بررسی قرار گرفته است. فصل سوم حلقه های واحد نمونه در محیط HYSYS شبیه سازی شده و سپس با استفاده از واسط بین نرم افزار HYSYS و MATLAB حلقه های واحد نمونه صنعتی در شرایط مختلف مورد ارزیابی قرار می گیرند. فصل چهارم به نتیجه گیری و ارائه پیشنهادات اختصاص یافته است.
فصل اول: کلیات
1-1- هدف
این پروژه سعی نموده است جهت آماده سازی نرم افزاری جامع که ارزیابی و مونیتورینگ عملکرد حلقه های کنترلی را انجام دهد مقدمات زیر را فراهم آورد:
1- مطالعه و جمع آوری روش های تشخیص حلقه های معیوب و مشکل دار
2- مطالعه و بررسی روش های آشکارسازی ریشه مشکلات به وجود آمده در حلقه ها
3- شبیه سازی ارزیابی عملکرد حلقه های کنترلی بر روی واحد نمونه صنعتی

2-1- پیشینه تحقیق

ارزیابی عملکرد حلقه های کنترلی در صنعت در چند سال اخیر مورد توجه فراوانی قرار گرفته است تعداد مقالات ارائه شده در کنفرانس های بین المللی در این زمینه گواه این مطلب می باشد. علاوه بر تحقیقات آکادمیک در دانشگاه ها، شرکت های مختلفی اعم از سازندگان سیستم های پیشرفته نظیر DCS و دیگر شرکت ها اقدام به ارائه نرم افزارهای تخصصی جهت این امر نموده اند. بر مبنای اطلاعات موجود فعالیت های ثبت شده قابل توجه ای در کشور وجود ندارد در حالی که این موضوع به عنوان یکی از محورهای مهم تحقیقاتی در مجامع علمی و کاربردی در گستره بین المللی مطرح می باشد. به دلیل اهمیت کاربردی این موضع نتایج حاصل عمدتا به صورت نرم افزارهای تخصصی به شیوه تجاری مطرح شده است.
فعالیت های انجام شده در این پروژه در چهار فاز کاری صورت گرفته است فاز اول شامل گردآوری منابع می باشد در یک نگاه کلی منابع شامل موارد زیر می باشند:
1- مقالات ارائه شده در کنفرانس های بین المللی
2- کتب انتشار یافته
3- سایت های تولیدکنندگان محصولات صنعتی از جمله سیستم های کنترلی توزیع یافته DCS
4- تجربه افراد شاغل در صنعت نفت و گاز از جمله تجربه 5 ساله اینجانب در پالایشگاه گاز
در فاز دوم ابتدا با استفاده از تجربه افراد شاغل در صنعت، مشکلات موجود در صنایع فرآیندی که به حلقه های کنترل ارتباط داشته مورد شناسایی قرار گرفته سپس با مطالعه منابع موجود روش های شناسایی این مشکلات و راهکارهای رفع آنها جمع آوری گردید. شبیه سازی واحد نمونه صنعتی در محیط HYSYS و کدنویسی معیارها ارزیابی عملکرد حلقه های کنترلی در محیط Matlab به طور موازی در فاز سوم اجرا شده است. نرم افزار HYSYS یک نرم افزار قوی و شناخته شده جهت شبیه سازی فرآیندهای صنعتی در حالت استاتیک و دینامیک می باشد نرم افزار Matlab دارای یک محیط قوی و مناسب جهت محاسبات پیچیده می باشد.
در فاز چهارم، با استفاده از واسط بین نرم افزار HYSYS و Matlab ارزیابی عملکرد حلقه های کنترلی واحد نمونه صنعتی و همچنین مدیریت آلارم ها اجرا گردید. برقراری واسط بین دو نرم افزار Matlab و HYSYS یکی از بخش های مهم و حیاتی در اجرای این پروژه بوده است چرا که بدون برقراری واسط بین این دو نرم افزار به صورت روی خط (online) ارزیابی عملکرد حلقه های کنترلی واحد نمونه صنعتی عملا امکان پذیر نبود.

:

برای دستیابی به كنترل مطلوب تطبیقی و برخط سیستم ها استفاده از روش شناسایی مناسب الزامی است. عدم وجود مدل دقیق ریاضی برای فرایندهای صنعتی و وجود ترم های غیرخطی در اكثر سیستم های فیزیكی، فاز شناسائی را در پروتكل های كنترلی حائز اهمیت فراوان ساخته است. لذا در این پایان نامه شناسائی فازی سیستمهای غیرخطی چندمتغیره براساس مدل فازی Takagi-sugeno در فاز شناسائی

 سیستم بررسی شده و به كارگرفته می شود.

در حالت برخط تمام داده ها را در ابتدای پروسه آموزش در اختیار نداریم، بنابراین آموزش مدل فازی TS باید با اولین نمونه داده شروع شود. در این شرایط ساختار مدل در ابتدا در دست نیست و به صورت تدریجی در خلال پروسه شناسایی تكامل می یابد. آموزش پیوسته و برخط مدل TS، برپایه روش دسته بندی بازگشتی غیر تكرارشونده بنا شده است، كه قسمت مقدم را تخمین می زند و الگوریتم حداقل مربعات بازگشتی پارامترهای زیر مدل های خطی تالی را محاسبه می كند. در این روش، ساختار مدل در ابتدا شناخته شده نیست و در طی پروسه شناسایی تكامل می یابد. (قابل ذكر است كه این تكامل بسیار آهسته تر از تكامل پارامترهای مدل صورت می گیرد. در مدل eTS پتانسیل داده جدید برای به هنگام كردن پایگاه قوانین، استفاده می شود. در این الگوریتم داده های پرت هیچگونه شانسی برای اینكه به عنوان مركز قانون انتخاب شوند، ندارند. دلیل این مسئله روش خاص تعریف مراكز قانون است. این مسئله بسیار مهم است كه آموزش بدون هیچ گونه دانش اولیه از سیستم و فقط با استفاده از اولین داده آغازمی شود. این ویژگی جالب توجه كاربرد این شیوه را در بسیاری از سیستم های تطبیقی سودمند می سازد.
به دلیل مزایای زیاد كنترل كننده پیش بین نسبت به سایر روش های كنترل كلاسیك و همینطور بدیع بودن اعمال این كنترل كننده بصورت تطبیقی و برخط به همراه این روش شناسایی هوشمند غیرخطی، در صنعت و مخصوصا برای سیستم های چند متغیره، كنترل پیش بین تطبیقی بصورت برخط در مرحله كنترل استفاده گردیده است.

اخیراً اكثر تكنیك هایی كه برای فشرده سازی سیگنال گفتار بكار میروند، براساس پیش بینی خطی ساختار یافته اند. سیگنال گفتار بعنوان یك ابزار مهم در ارتباطات انسان در فناوری های دیجیتالی مورد توجه خاص قرار گرفته است. نرخ بیت سیگنال گفتار ارسال شده باید كاهش یابد. سیگنال گفتار یك سیگنال پیوسته و غیرخطی بوده كه بصورت فیزیكی توسط لوله صوتی انسان تولید و شكل داده میشود، بنابراین ویژگی های سیگنال گفتار به حركات لوله صوتی در طول زمان و همچنین مشخصات گوینده بستگی دارد. تبدیل پارامترهای LPC به LSP كارایی كدكننده های با نرخ بیت كم را بهبود میبخشد.

پارامترهای LSP فركانس های فرمنت لوله صوتی را بصورت ریاضی مدلسازی میكنند. ازسوی دیگر شبكه های عصبی به عنوان ابزاری

 موفق تاكنون در كاربردهای گوناگونی از پردازش گفتار و زبان مورد استفاده قرار گرفته اند. در این راستا كاربردهای بازشناسی خودكار گفتار (ASR)، سنتز گفتار طبیعی و پردازش زبان طبیعی (NLP) به عنوان نمونه هایی كه توسط مؤلف برای زبان فارسی تجربه شده اند، قابل ذكر است. برای كدكننده های گفتار نیز شبكه های عصبی در حوزه كاری مورد استفاده قرار گرفته اند: پیش بینی كننده های نورونی برای بهبود كیفیت و كاهش پیچیدگی محاسباتی در كدكننده ها. در این تحقیق یك روش جدید برای كد كردن گفتار با نرخ بیت كم معرفی میشود كه از پارامترهای LSP برای استخراج و نگاشت ویژگیهای سیگنال گفتار با استفاده از نوعی شبكه عصبی مصنوعی بنام شبكه خود سازمانده (SOM) استفاده میكند. استفاده از این روش نرخ بیت گفتار بازسازی شده را كاهش می دهد، در حالی كه كیفیت سیگنال تفاوت آشكاری با گفتار اصلی ندارد. برای اندازه گیری كیفیت گفتار سنتز شده از معیار میانگین امتیاز آرا داده شده (MOS) استفاده می شود.

فصل اول: كلیات
1-1) هدف
یكی از ابزارهای ارتباطی انسان، گفتار است. سیستمهای ارتباطی نوین و پیشرفته بطور گستردهای براساس پردازش و ارسال گفتار بنا نهاده شده اند. خطوط تلفن دیجیتال، شبكه های اینترنت، ویدیو كنفرانسها و پیام های صوتی تنها تعدادی از كاربردهای روزمره چنین سیستمهایی است. با وجود چنین كاربردهای وسیعی، ناگزیر نیاز به گفتاری باكیفیت بالا در پهنای باند ارسال كمتر وجود دارد. كار اصلی كدكننده های گفتار پیشرفته، رقمی كردن سیگنال گفتار آنالوگ با استفاده از فرآیند نمونه برداری است. بنابراین یك كدكننده برای تولید شكل كدشده از یك سیگنال گفتار، یك دنباله ی عددی را پردازش میكند. گفتار كد شده بسته به كاربردی كه دارد، ارسال یا ذخیره میشود. كار هر واكدكننده نیز بازسازی گفتار اصلی از دنباله های كدشده است. كد كردن گفتار یك فشرده سازی همراه با اتلاف است، یعنی مقداری از كیفیت سیگنال گفتار اصلی در طی عملیات فشرده سازی به ازای كاهش حجم اطلاعات و افزایش سرعت ارسال، كاسته میشود. برای بهبود كیفیت گفتار فشرده شده روشهای مختلفی وجود دارد، در این تحقیق، از یك شبكة عصبی با قابلیت خودسازماندهی برای این كار استفاده شده است. از این شبكه عصبی مصنوعی همان گونه كه توضیح داده خواهد شد، برای دسته بندی بردارهای حاصل از پردازش گفتار استفاده میشود. دسته بندی بردارهای بدست آمده از پردازش و چندیسازی گفتار باعث كاهش بیت های بكار رفته در گفتار كد شده و در نتیجه فشرده سازی بیشتر آن میشود، در حالی كه كیفیت گفتار حاصل بر اساس معیارهای MOS حفظ می شود.

:
امروزه اهمیت و پیشرفت روز افزون سیستم های مخابراتی بر کسی پوشیده نیست. میتوان گفت که در حال حاضر کمتر فردی وجود دارد که به نوعی با یکی از سیستم های مخابراتی سر و کار نداشته باشد. فراگیرترین تکنولوژی مخابرات در این روزها تکنولوژی موبایل میباشد. اولین شبکه موبایل با مدولاسیون آنالوگ در سال 1980 شروع بکار کرد و مشکلات زیادی اعم از کمبود ظرفیت، پوشش نامناسب، نداشتن امنیت، قابلیت اطمینان پایین و غیره داشت. انجمن CEPT اروپا، در سال 1987 به معرفی یک سیستم استاندارد به نام GSM نمود تا مشکلات قبلی حل شود. سیستم استاندارد GSM در حال حاضر در بیش از 200 کشور جهان به کار گرفته شده است و برای اینکه از تمام ظرفیت و ویژگی های برجسته آن به بهترین نحو استفاده شود، باید از سیستم بهینه آن استفاده شود. یکی از مزایای اصلی سیستم GSM، استاندارد بودن این سیستم است. یکی از ویژگی های مهم سیستم GSM، ترکیب FDMA و TDMA به وسیله مدولاسیون خاصی به نام GMSK می باشد.

هر شبکه سیاری که از این سیستم استفاده میکند در اجرا و پیاده سازی و استفاده از قابلیت های آن مشکلاتی دارد که در عمل تمام

 کارایی این سیستم نمایان نمیشود. برای این منظور با توجه به بررسی تئوری و عملی که بر روی شبکه GSM ایران انجام شد، نرم افزاری به نام BKOPT با این هدف طراحی شد که بتواند مشکلات پارامتری و مغایرت های طرح و اجرا را استخراج کند. و به عنوان راه حلی جدید می توانیم الگوریتمی که در این پایان نامه ارائه شده است و با استفاده از نرم افزار BKOPT می توانیم بسیاری از مشکلات پارامتری و پایگاه داده ای را خیلی سریع حل نمود و نتیجه آن بهبود عملکرد و کیفیت شبکه می باشد که نمونه ای از آنها در فصل نتایج آورده شده است.

این پایان نامه در 9 فصل تنظیم شده است که توضیحات کلی در مورد فصول در ذیل آمده است.
در فصل اول، با عنوان ساختار شبکه GSM و معرفی اجزاء آن و بحث انتشار امواج، اجزاء شبکه سلولی GSM (MSC,BSC,BTS,MS,HLR,VLR و غیره و وظایف آنها و انواع انتشار و پلاریزاسیون های عمودی و افقی و مدل انتشار هاتا و آکومارا در سیستم سلولی تشریح شده اند.
در فصل دوم، با عنوان تعریف کلی بهینه سازی و الگوریتم فرآیند بهینه سازی، به این مطلب که هدف از بهینه سازی در شبکه GSM چیست و بهترین روش و الگوریتم برای بهینه کردن شبکه چیست؟ پرداخته شده است.
در فصل سوم، پارامترهای GSM در مد Idle و مد Dedicated که یکی از مباحث اصلی بهینه سازی است، معرفی و بررسی شده اند.
در فصل چهارم، ویژگی های GSM و کاربردهای آن در بهینه سازی تشریح شده اند که با بکارگیری این ویژگی ها می توان از منابع موجود شبکه، حداکثر استفاده را کرد و شبکه را برای توسعه آماده نمود.
در فصل پنجم، با عنوان مدیریت عملکرد شبکه و شاخص های شبکه به تعریف و ارائه فرمول شاخص ها (KPI) که بیانگر عملکرد و کیفیت شبکه فیدبکی برای امر بهینه سازی می باشند می پردازد.
در فصل ششم به مشخصات شبکه، مشکلات شبکه معرفی شده و روش رفع مشکلات بیان شده اند.
در فصل هفتم، به الگوریتم بهینه سازی و راه حلی برای بهینه کردن شاخص ها می پردازیم.
در فصل هشتم، به تشریح نرم افزاری که جهت آنالیز Dump File های BSC طراحی و تدوین شده است، پرداخته ایم. این نرم افزار با استفاده از برنامه نویسی Visual Basic .NET نوشته شده است و مشکلاتی در اجرا دارد که می توان با بکارگیری Application های دیگر Visual Basic .NET زمان اجرا را سریع تر نمود و جهت کاربردهای دیگر این برنامه را توسعه داد.
در فصل نهم، نتایج بکارگیری الگوریتم بهینه سازی و نرم افزار طراحی شده ارائه شده است و ما میتوانیم نتایج بکارگیری راه حل ها را بصورت گرافیگی در جهت بهبود کیفیت و شاخص های شبکه مشاهده کنیم.

بازشناسی خودکار گفتار (ASR) به فرایندی گفته می شود که گفتار انسان را به متن یا فرمان معادل تبدیل می کند. این مسئله رایانه ها یا ماشین ها را قادر می سازد تا گفتار انسان را بشنوند و در مقابل آن واکنش مناسب نشان دهند، مسئله ای که منجر به برقراری ارتباط سریع و آسان با ماشین های اطراف شده و انسان را از دکمه ها و کلیدها برای برقراری ارتباط بی نیاز می سازد.
در حقیقت بازشناسی گفتار تبدیل یک سیگنال صوتی به رشته ای از لغات می باشد. این کار فرآیندی بسیار پیچیده است که علت آن پیچیدگی اندام های تولید کننده و تشخیص دهنده گفتار در انسان و ناشناخته بودن نحوه عملکرد آنهاست. مسائل مختلفی مانند تفاوت صدای کاربران مختلف، نوع بیان کلمات، نویزها و شرایط محیطی، تعداد کلمات مورد نظر و معنی و مفهوم گفتار، پیچیدگی سیستم های تشخیص گفتار را تعیین می کنند.

از میان رویکردهای مختلفی که برای بازشناسی گفتار وجود دارد، رویکرد مبتنی بر بازشناسی الگو موفق ترین آنهاست و تقریبا تمامی سیستم های موفق امروزی براساس آن عمل می کنند. در این رویکرد، گفتار به کمک تعدادی واحد آوایی (مانند کلمه، هجا، سه واجی یا واج) مدل می شود و در بازشناسی نیز از تشخیص این واحدها و کنار هم قرار دادن آنها، متن متناسب با گفتار تشخیص داده می شود. سیستم های بازشناسی گفتار با این رویکرد دارای دو فاز آموزش و آزمون می باشند که در فاز آموزش الگوهای مربوط به هر کلاس که همان واحدهای آوایی هستند، با استفاده از روش هایی مدلسازی می شوند. مقایسه گفتار ورودی با الگوهای آموزش داده شده جهت تشخیص واحدهای آوایی موجود در گفتار ورودی، در فاز آزمون انجام می گردد. در فاز آموزش معمولا دو نوع مدل آوایی و زبانی آماده می

 شود که در فاز آزمون از آنها استفاده شود. استخراج مدل های آوایی از روی دادگان گفتاری با استفاده از روش های مختلفی امکانپذیر است که از مهمترین آنها می توان روش های مدل پیچش زمانی پویا یا DTW (که در گوشی های تلفن همراه برای شماره گیری صوتی با بیان نام فرد به کار می رود)، شبکه عصبی مصنوعی و مدل مخفی مارکوف (HMM) را نام برد. از میان این روش ها، مدل مخفی مارکوف به نسبت سایرین موفق تر عمل کرده و عمده سیستم های کاربردی امروزی از آن استفاده می نمایند.

یکی از ویژگی های مهم گفتار، حالت گفتار فرد می باشد. به عبارت دیگر انتقال حالت درونی فرد به شنونده در مکالمات اهمیت بسزایی دارد زیرا اگر حالت بیان یک جمله تغییر کند، آن عبارت می تواند مفهوم متفاوت و یا حتی متناقض پیدا کند. اعمال حالت و یا تاکید به گفتار موجب تغییرات اساسی در پارامترهای استخراج شده از گفتار گردیده و بازشناسی گفتار با حالت را با چالشی بزرگ مواجه نموده و نرخ بازشناسی را کاهش می دهد.
برخلاف زبان انگلیسی که سابقه کار در زمینه بازشناسی گفتار برای آن به حدود پنج دهه پیش برمی گردد، کارهای انجام شده در این زمینه برای زبان فارسی قدمتی به اندازه کمتر از دو دهه دارد. شروع فعالیت های تحقیقاتی در زمینه بازشناسی گفتار روی زبان فارسی در داخل کشور به اوایل دهه 70 شمسی برمی گردد که عمده کارهای انجام شده نیز به صورت تحقیقات دانشگاهی پراکنده بوده است. با تاسیس “پژوهشکده پردازش هوشمند علائم” در اواسط سال 1371 و شکل گیری پردازش گفتار به همراه گروهی جهت تهیه دادگان صوتی، جهشی نسبتا جدی به سوی داشتن چنین تکنولوژی برای زبان فارسی صورت گرفت. تهیه دادگان های گفتاری مختلف از جمله فارس دات (FarsDat) برای محیط عادی در سال 1375 و برای گفتار تلفنی (TFarsDat) در سال 1378 از کارهای اساسی این پژوهشکده در این زمینه بوده است.
از چند سال قبل تحقیقات مستقلی در خصوص بازشناسی گفتار فارسی با حالت در دانشکده تحصیلات تکمیلی دانشگاه آزاد اسلامی – واحد تهران جنوب آغاز شده و با آماده سازی دیتابیس اختصاصی از گویندگان متفاوت، گام های مهمی در این تکنیک نوظهور برداشته شده است. در این گزارش کوشش گردیده تا با استفاده از نتایج تجربیات و پروژه های پیشین و افزودن ویژگی های جدید به سیستم بازشناسی، نرخ بازشناسی این نوع از گفتار بهبود یابد.
هدف ما در این پروژه توسعه سیستم های آمیختار برای به هنجارسازی فرمنت ها در بازشناسی گفتار با حالت می باشد. در طراحی بخش شبکه عصبی از شبکه MLP برای نگاشت فرمنت های مختلف استفاده کرده و با مقایسه عملکرد، بهترین روش انتخاب شده است. برای آموزش و آزمون نیز از دادگان تهیه شده در دانشکده تحصیلات تکمیلی واحد تهرا نجنوب که مبتنی بر جملات فارس دات می باشد، استفاده گردیده است.
ساختار این گزارش به صورت خلاصه به این شرح می باشد: در فصل اول به پیشینه این تحقیق اشاره گذرایی خواهد گردید. در فصل دوم شرح مختصری درباره انواع فایل هایی که در این تحقیق استفاده خواهیم کرد، ارائه می دهیم. در فصل سوم به نحوه هنجارسازی فرمنت ها و استفاده از نتیجه به دست آمده در سیستم بازشناسی گفتار مورد بررسی قرار می گیرد. در فصل چهارم با استفاده از نتایج فصل سوم، روش های مختلف پیچش فرکانسی بررسی شده و ضرایب کپسترال جدید باز تولید خواهد گردید. در فصل پنجم نیز در مورد روش های ذکر شده نتیجه گیری صورت گرفته است. در فصل ششم، متن کامل کدهای نوشته شده برای این تحقیق ضمیمه گردیده است.