در این مقاله شبکه عصبی مصنوعی (ANN) Artificial Neural Network بر اساس کنترل کننده تحریک فازی (FPSS) Fuzzy Power System Stabilizer ارایه می گردد. کنترل کننده ANN بر اساس کنترل کننده FPSS فواید کنترل کننده فازی از جمله مستقل بودن از شناسایی مدل و پاسخ سریع ANN را ادغام کرده و نوع جدیدی از PSS را ارایه می دهد. ANN انتخابی از نوع شبکه پیوند دهنده تابعی Functional Link Net (FLN) می باشد. FLN یک شبکه عصبی تک لایه است که آقای Pao در سال 1989 آن را معرفی نمود. روش آموزش به کار رفته Delta-Rule می باشد. ANN بر اساس الگوهای مختلف تولید شده توسط کنترل کننده FPSS به ازای بارهای متفاوت آموزش داده می شود. آموزش تا جایی صورت می گیرد که خطای موثر به کمتر از مقدار معینی برسد. نتایج حاصله نشانگر آن است که ANN ارایه شده بر اساس FPSS میرایی خوبی را در بازه وسیعی از عمل‍کرد سیستم قدرت فراهم آورده و در ضمن کنترل هموارتری بر روی متغیرهای سیستم داشته و در نهایت عمل‍کرد دینامیکی سیستم را به طور قابل ملاحظه ای بهبود می بخشد.

در این مقاله، یک کنترل کننده فازی عصبی تطبیقی بهینه شده با الگوریتم ژنتیک برای بهبود عملکرد توربین بادی سرعت ثابت طراحی شده است. این کنترل کننده در ابتدا با راه اندازی نرم، کاهش دامنه جریان هجومی و کاهش بیشینه گشتاور الکترومغناطیسی را در لحظه اتصال ژنراتور باعث می شود. همچنین پس از راه اندازی و در طی عملکرد معمول توربین، با کنترل بهینه زاویه پره توربین، باعث جذب حداکثر انرژی باد و کاهش نوسانات توان خواهد شد. برای هر بخش کنترلی، متغیرهای ورودی مناسب با تابع هدف در نظر گرفته خواهند شد. توابع عضویت پارامترهای خروجی در بخش فازی کنترل، تابعی خطی از توابع عضویت ورودی ها انتخاب می شوند. برای کاهش جریان راه اندازی، زاویه آتش سوئیچ های مبدل و برای عملکرد معمول، زاویه پره توربین کنترل خواهند شد. علاوه بر روش پیشنهادی، کنترل مدنظر با دو روش فازی و فازی عصبی تطبیقی بهینه نشده، انجام و هر سه روش با هم مقایسه خواهند شد. محدودسازی جریان راه اندازی و ملایم سازی نوسانات توان در عملکرد عادی توربین به خوبی با روش مذکور صورت می پذیرد.

در این مقاله طراحی کنترل کننده بدون سنسور عصبی-فازی تطبیقی برای موتور سنکرون مغناطیس دایم پیشنهاد می­گردد. کنترل­کننده پیشنهاد شده شامل بخش کنترل کننده منطق فازی و تنظیم کننده پارامترهای شبکه عصبی تابع شعاعی پایه منطبق بر تغییرات شرایط کاری سیستم می­باشد. به­عبارتی دیگر کنترل­کننده پیشنهادی می­تواند بر اساس شرایط کاری سیستم خود را تنظیم نموده و منجر به پاسخ بهینه برای سیستم شود. برای کنترل بدون سنسور موتور سنکرون مغناطیس دایم مشاهده‌گر مود لغزشی و حلقه قفل شده فاز به صورت یکپارچه استفاده شده است تا امکان تخمین موقعیت و سرعت روتور فراهم شود. جهت حذف خطای تخمینگر و همچنین حلقه قفل شده فاز در ابتدای فعالیت روتور استراتژی کنترلی I-f به­کار گرفته شده است. این استراتژی موجب گذار آرام گشتاور- سرعت از مرحله راه اندازی به مرحله کنترل بدون سنسور خواهد شد. جهت نمایش موثر بودن استراتژی کنترلی پیشنهادی شبیه سازی موتور سنکرون مغناطیس دایم در حضور کنترل کننده پیشنهادی، در محیط نرم­ افزار MATLAB انجام شده و نتایج آن مورد بررسی قرارگرفته است.

در این تحقیق، با استفاده از یک شبکه عصبی فازی به همراه آموزش پس خور خطا یک کنترلر غیرخطی برای کنترل سیستم تعلیق فعال جهت مدل نیم خودرو طراحی شده است. هدف سیستم تعلیق یک خودرو کاهش انتقال ارتعاشات از جاده به بدنه و تامین راحتی سفر می باشد. این کار باید حداقل افت در تماس با جاده در جاده های ناهموار را به دنبال داشته باشد. همچنین، نقش سیستم تعلیق در کنترل خودرو در مسیر منحنی و در حین شتاب و ترمز کردن کاملا مشهود است. برای این کار لازم است نخست با استفاده از روش های مرسوم یک کنترلر PD برای سیستم تعلیق طراحی و از آن جهت آموزش کنترلر عصبی فازی استفاده شود. این کنترلر با استفاده از خطای خروجی کنترلر PD به صورت برخط آموزش می بیند و پس از آموزش، کنترلر PD از مدار خارج و کنترل کننده عصبی فازی به تنهایی کار کنترل سیستم را به عهده می گیرد. در صورت تغییر پارامترهای سیستم تحت کنترل، کنترلر PD مجددا وارد مدار شده و شبکه با استفاده از خطای جدید بار دیگر آموزش می بیند. از وی‍ژگی های مهم این روش عدم نیاز به مدل ریاضی اجزای سیستم نظیر عملگر، فنر و کمک فنر که همگی غیرخطی هستند و عدم نیاز به ژاکوبین سیستم می باشد. در انتهای کار نتایج عملکرد کنترل کننده PD با کنترلر FNN مقایسه شده است. این نتایج نشان می دهد که کنترل کننده طراحی شده توانسته اهداف خواسته شده را به خوبی برآورده نماید.

هدف از کنترل هوشمند، کنترل یک سیستم بدون در دست داشتن معادلات دینامیکی حاکم بر آن سیستم با حداقل اطلاعات می باشد. فرآیند تولید یک محصول،همواره تحت تاثیر عوامل گوناگونی قرار گرفته و رفتار آن از یک رابطه ریاضی مشخص تبعیت نمی کند. یکی از روش های رایج برای کنترل فرآیند، استفاده از نمودارهای کنترل کیفیت شوهارت می باشد. تجزیه و تحلیل این نمودارها مستلزم دانش و تجربه کافی است که در عمل ممکن است همه اپراتورها از آن برخوردار نباشند. شبکه های عصبی - فازی به عنوان یکی از مولفه های هوش مصنوعی، می توانند نقش موثری را در تقویت روش های رایج کنترل فرآیند بر عهده بگیرند. در این تحقیق به کمک نرم افزار MATLAB و با استفاده از شبکهANFIS ، به طبقه بندی دو الگوی غیر طبیعی در نمودارهای کنترل کیفیت پرداخته شده است. نتایج نهایی به دست آمده در این تحقیق نشان می دهند که با استفاده از ANFIS می توان با کاهش خطاهای مرتبط، ضریب اطمینان سیستم های کنترل کیفیت را به خصوص در زمینه نمودارهای کنترل کیفیت، تا حدود زیادی افزایش داد.

خلاصه: در این مقاله عملکرد و سیستم کنترل جبران کننده سنکرون استاتیکی توزیع (DSTATCOM) به عنوان یک جبرانگر موازی موثر در تامین شاخص های کیفیت توان مورد بررسی قرار گرفته است. سپس جهت بهبود عملکرد جبران کننده هر یک از تنظیم کننده های خطی تناسبی- انتگرالی (PI) سیستم کنترل جبران کننده با یک تنظیم کننده غیرخطی فازی- عصبی مناسب بر اساس خطا و مشتق خطای سیستم جایگزین شده است. با بهره گیری از نرم افزارMATLAB  چگونگی ایجاد عوامل مخرب کیفیت توان و نحوه جبران سازی آنها در یک شبکه توزیع نمونه مورد بررسی و تحلیل قرار گرفته است. نتایج شبیه سازی نشان می دهند که با بهره گیری از کنترلرهای فازی- عصبی به جای کنترلرهای خطی در سیستم کنترل DSTATCOM، توانایی جبران کننده در جبران سازی توان های اکتیو و راکتیو، کمبود ولتاژ (Sag)، بیشبود ولتاژ (Swell)، فلیکر ولتاژ و هارمونیک های فرکانس پایین ولتاژ و جریان به نحو چشمگیری افزایش یافته است.

در این مقاله طراحی یک کنترل کننده برای سیستمهای غیر خطی چند ورودی، چند خروجی (MIMO) مورد نظر است. کنترل این سیستمها در روشهای کنترل کلاسیک بخاطر وجود تداخل و غیر خطی بودن آنها مشکل است. اساس طراحی کنترل کننده در این مقاله، استفاده از شبکه های عصبی و عصبی فازی می باشد. اشکال این شبکه ها در کنترل سیستمهای غیر خطی چند ورودی چند خروجی بالا بودن حجم محاسبات، طولانی بودن دوره آموزش و اثر مخرب وجود ورودیهای غیر ضروری است. برای فائق آمدن بر این مشکلات، یک شبکه عصبی فازی مدولار خاص که جهت کنترل سیستمها تنها از اطلاعات ورودی خروجی استفاده می کند مورد نظر طراحی شده و ساختار کنترل کننده بهمراه الگوریتم یادگیری مناسب جهت بکارگیری آن در کنترل سیستمهای غیر خطی MIMO ارائه شده است. این کنترل کننده به چند سیستم غیر خطی MIMO اعمال شده و نتایج بدست آمده نشان می دهد که کنترل کننده مورد نظر از کیفیت و قابلیت خوبی برخوردار است.

کنترل کننده های فازی در دو دهه اخیر به صورت موفقیت آمیزی در کنترل سیستم های مختلف مورد استفاده قرار گرفته اند. در این مقاله روشی جدید برای کنترل موتور DC مغناطیس دائم متصل به بار نامتعادل ارایه می شود. عدم تعادل بار باعث ارتعاشات ماشین، نوسانی شدن توان، ایجاد خستگی در محورماشین و استهلاک تجهیزات می شود. در این مقاله از کنترل کننده فازی-عصبی برای کنترل بار نامتعادل استفاده می شود. به علت طبیعت غیر خطی بار و ماشین، در سرعت های مختلف نوسانات ماشین متفاوت است، لذا به منظور تطبیقی بودن کنترل کننده با ماشین با استفاده از یک شبکه عصبی مصنوعی ضرایب ورودی-خروجی کنترل کننده فازی در هر سرعت به هنگام می شوند. ضرایب بهینه در هر سرعت با استفاده از جستجوی مستقیم بدست آمده و با این ضرایب شبکه عصبی مصنوعی به روش لوونبرگ-مارکواردت آموزش می بیند. نتایج عملی بدست آمده از سیستم ساخته شده حکایت از کارایی روش ارایه شده دارد.

امروزه افزایش قیمت سوخت های فسیلی و کاهش منابع از یک سو و آلودگی های زیست محیطی از سوی دیگر باعث افزایش استفاده از منابع تجدیدپذیر گردیده است. در این مقاله ریزشبکه مورد مطالعه از منابع بادی و خورشیدی، ذخیره ساز (باتری و فلایویل) خودرو الکتریکی، دیزل ژنراتور و حضور سیستم های انرژی چند حاملی MCH)) به عنوان انرژی ترکیبی برق و حرارت (CHP) تشکیل شده است. فرکانس ریزشبکه باتوجه به شبکه گاز و پیک مصرف کنترل می شود. در ریزشبکه چند حاملی پخش بار شبکه گاز همزمان با پخش بار الکتریکی منظور می گردد. همچنین فرکانس به صورت غیرخطی کنترل می شود. از طرف دیگر روند رو به رشد تولید و به کارگیری خودروهای برقی (V2G) بارهای جدیدی برای شبکه برق ایجاد کرده است که در صورتی که مدیریت صحیحی بر روی نحوه شارژ آنها صورت نگیرد انحراف فرکانس شبکه افزایش یافته و می تواند سبب فروپاشی شبکه گردد. لذا از خودروهای برقی به منظور مشارکت در عملیات تنظیم فرکانس ریزشبکه با روش سیستم استنتاج فازی عصبی تطبیقی (ANFIS) استفاده می شود. به منظور مقایسه روش پیشنهادی در شبیه سازی ها از کنترل کننده فازی استفاده شده است. نتایج حاصل از شبیه سازی ها در پنج مطالعه مورد بررسی قرار می گیرند که بیان گر عملکرد مطلوب روش پیشنهادی در کاهش انحراف فرکانس، استحکام در برابر اغتشاشات و مقاوم بودن در برابر عدم قطعیت های موجود در سیستم است. همچنین روش پیشنهادی توان خروجی پایدارتری در منابع تولید ریزشبکه دارد.