Fuzzy Control of Industrial Systems: Theory and Applications

کنترل فازی سیستم های صنعتی: تئوری و برنامه ها چارچوب نظری اساسی نظریه مجموعه واضح و فازی را ارائه می دهد ، و این مفاهیم را برای کنترل مهندسی بر اساس قیاس بین عملکرد انتقال لاپلاس از سیستم های خطی و مرتبط می کند رابطه فازی یک سیستم فازی غیرخطی. جنبه های عمومی سیستم های فازی با تأکید بر درجات بسیاری از آزادی و پیامدهای طراحی عملی آن ، مدل سازی و تکنیک های شناسایی سیستم ها بر اساس قوانین فازی ، قوانین پارامتر شده و معادلات رابطه ای و اصول سیستم های فازی و نوروفیزی سازگار است. جنبه های طراحی عملی کنترل کننده های فازی با استفاده از ابزارهای طراحی نرم افزاری فازی و نوروفزی با تأکید بر تنظیم فازی تکراری ، در حالی که روشهای تست محدودیت پایداری جدید و تعریف و نمونه های عملی از مفهوم جدید سیستم های کنترل مشترک ارائه شده است. بشر علاوه بر این ، مطالعات موردی در مورد کاربردهای موفق در اتوماسیون صنعتی ، کنترل فرآیند ، فناوری انرژی الکتریکی ، کشش برقی ، مهندسی ترافیک ، تصفیه فاضلاب ، تولید ، فرآوری مواد معدنی و مهندسی خودرو نیز به منظور کمک به مهندسین سیستم های کنترل صنعتی در تشخیص موقعیت ها ارائه شده است. هنگامی که فازی و نوروفوززی مزایای خاصی را نسبت به روشهای سنتی ، به ویژه در کنترل گیاهان و فرآیندهای متغیر بسیار غیر خطی و متغیر ارائه می دهند.

Fuzzy Control of Industrial Systems: Theory and Applications presents the basic theoretical framework of crisp and fuzzy set theory, relating these concepts to control engineering based on the analogy between the Laplace transfer function of linear systems and the fuzzy relation of a nonlinear fuzzy system. Included are generic aspects of fuzzy systems with an emphasis on the many degrees of freedom and its practical design implications, modeling and systems identification techniques based on fuzzy rules, parametrized rules and relational equations, and the principles of adaptive fuzzy and neurofuzzy systems. Practical design aspects of fuzzy controllers are covered by the detailed treatment of fuzzy and neurofuzzy software design tools with an emphasis on iterative fuzzy tuning, while novel stability limit testing methods and the definition and practical examples of the new concept of collaborative control systems are also given. In addition, case studies of successful applications in industrial automation, process control, electric power technology, electric traction, traffic engineering, wastewater treatment, manufacturing, mineral processing and automotive engineering are also presented, in order to assist industrial control systems engineers in recognizing situations when fuzzy and neurofuzzy would offer certain advantages over traditional methods, particularly in controlling highly nonlinear and time-variant plants and processes.