وبلاگ

تشخیص اشیاء مختلف و تعامل با آنها بخش عمده ای از فعالیت مغزی انسان را در فعالیت های روزمره شامل می شود. چهره ها یک دسته مهم از اشیاء هستند که در تعاملات انسانی نقش ویژه ای را ایفا می نمایند به همین دلیل در طی سال های گذشته دانشمندان و مهندسین سعی در جهت به وجود آوردن ماشین هایی که توانایی درک چهره انسان را داشته باشند، در تلاش بوده اند. این تلاش ها در زمینه های مختلفی از قبیل علوم کامپیوتر، علوم ادراکی، ریاضیات، فیزیک، روانشناسی و علوم اعصاب شناختی انجام شده و در واقع تلفیقی از زمینه های مختلف علوم در پیشرفت های اخیر نقش داشته اند.
ادراک چهره مبتنی بر کامپیوتر از اهمیت ویژه ای برخوردار بوده و دارای کاربردهای متنوعی از قبیل رابط های ماشین و انسان، چند رسانه ای، سیستم های نظارتی و امنیتی، مخابرات تصویری، متحرک سازی و غیره می باشد. لذا، در طی سال های اخیر روش های محاسباتی، الگوریتم ها و سیستم های بینایی ماشین متنوعی برای ادراک خودکار چهره به وجود آمده اند.
1-1- آشکار سازی چهره

ادراک چهره جنبه های مختلفی از قبیل درک حالت چهره، درک وضعیت و موقعیت چهره، تشخیص هویت از روی چهره، دنبال کردن چهره و غیره را شامل می شود. تشخیص چهره عبارت است از مشخص کردن وجود چهره ها و محل آن ها در یک تصویر، اولین گام جهت کاربردهای

 ادراکی می باشد. لذا از تشخیص چهره تحت عناوین تشخیص سطح اولیه یا سطح ورودی نیز یاد می شود.

آشکارسازی چهره در واقع عمل تفکیک چهره از سایر اشیاء یا الگوها را شامل شده و سایر عملیات ادراکی در مراحل بعدی انجام می شوند. در اغلب روش های تشخیص چهره از این واقعیت که چهره ها کلاس منحصر بفردی از اشیاء را تشکیل می دهند استفاده می شود. بدین معنا که چهره ها دارای ساختار مشابهی هستند و اجزا چهره همواره به صورت مشابهی چیده شده و ارتباط مکانی مشخصی دارند. اما کلاس چهره ها دارای دامنه وسیعی از تغییرات درون کلاسی می باشد که این امر یافتن یک روش ارائه مناسب برای چهره را که توانایی در برگرفتن این تغییرات را داشته باشد، دشوار می سازد. تغییرات درون کلاسی، علاوه بر وجود تفاوت بین چهره افراد مختلف، می تواند به دلیل عوامل متغیر ذیل نیز به وجود بیاید:
1- موقعیت چهره:
تصویر چهره با توجه به موقعیت نسبی چهره و دستگاه تصویربرداری دچار تغییر می شود و برخی اجزا چهره مانند چشم یا بینی ممکن است به صورت جزئی یا کلی در تصویر دیده نشوند.
2- وجود یا عدم وجود برخی اجزا:
برخی اجزا چهره از قبیل ریش، سبیل و عینک ممکن است وجود داشته یا نداشته باشند و بعلاوه این اجزا از لحاظ رنگ، شکل و اندازه دارای تغییرات زیادی می باشند.

تمایل جدیدی که در جهت عینی شدن، اخیرأ مطرح شده است استفاده از منطق فازی در ترکیب با محاسبات عصبی و الگوریتم ژنتیک می باشد.عمومأ منطق فازی ،شبکه های عصبی و الگوریتم ژنتیک به عنوان پایه و اساس تشکیل دهنده می باشد.انچه که به عنوان محاسبات نرم دیده می شود، به حساب می ایند.بر خلاف روشهای متداول قدیمی که محاسبه سخت به شمار می روند، محاسبات نرم با هدف به کاربردن تولرانس برای موارد عدم دقت در دنیای واقعی سازمان دهی شده است.اصول راهنمای محاسبات نرم عبارتند از در نظر گرفتن تولرانس برای عدم دقت،عدم اطمینان و تا حدی درست،به منظور دستیابی به توانایی ردیابی ،مقاوم بودن و همچنین راه حل ارزان و سریع می باشد،در بین ترکیبات مختلفمربوط به محاسبات نرم ،موردی که بیش از بقیه در این زمان مورد توجه است ترکیب منطق فازی و محاسبات عصبی می باشد که تحت نام سیستمهای عصبی – فازی شناخته می شوند.در منطق فازی چنین سیستمهایی نقش بسیار مهمی را در تاثیر پذیری قوانین از مشاهدات بازی می کنند.

تحقیقات شبکه های نوروفازی جدید می باشد و اولین کتاب احتمالا توسط kasko (1992 بوده است.

شبکه های عصبی این توانایی را دارا می باشند که یک تابع را تخمین بزنند .ولی غیر ممکن است که نتایج را بصورت زبان محاوره ای طبیعی بیان کنند.در ساخت مستقیم یک شبکه عصبی، اطلاعات مورد نیاز جهت اموزش ارائه می گرددو مدلهای مات و مبهم و غیر قابل درک بوجود می اید.ولی یک سیستم فازی به شما اجازه می دهد که از تجربه افراد خبره که سیستم راتجربه کرده اند استفاده نمایید. قوانین فازی شامل بیانی از جملات می باشد که تقریبا به زبان طبیعی می باشند اما نمی توانند قوانینشان را یاد بگیرند.
ترکِیب شبکه عصبی و منطق فازیدر مدلهای نورو فازی یادگیری را به خوبی با قابیت خواندن تهیه می کند. مهندسان کنترل این فایده را پیدا می کنند زیرا مدلها می تواند با پردازش اپراتور بیان و تکمیل شوند.
سیستمهای استنتاج فازی بدلیل انعطاف، شفافیت ساختار و قابلیت یادگیری بسیار مورد توجه قرار گرفته اند، بطوریکه در دو دهه اخیر روشهای بسیاری برای آموزش آنها توسعه یافته اند. از آنجمله میتوان به روش تطبیقی که تاکاگی و سوگنو برای مدل فازی عصبیشان ارائه کرده اند، مدلسازی B-spline تطبیقی توسط (ASMOD) Kavli، سیستم استنتاج فازی عصبی تطبیقی (ANFIS) توسط Jang و آموزش قواعد فازی با الگوریتم ژنتیکی (FUREGA) توسط Nelles اشاره کرد. همة این روشها برای آموزش مدل فازی عصبی تاکاگی و سوگنو طراحی شده و در کاربردهای مختلفی مانند شناسایی، تخمین، کنترل، پردازش سیگنال و پیشبینی بکار رفته اند. در این بخش ایده یادگیری عاطفی برای این مدل طراحی شده و مورد آزمایش قرار گرفته است. در زیر شرح مختصری از روشها ی مختلف یادگیری نوروفازی اورده شده است.

در گذشته برای ساخت شبیه ساز از مدل های کوچک ساخته شده استفاده می شد که تمام جوانب و نکات یک نیروگاه را بعضا در بر نمی گرفت اما با پیشرفت علم و تکنولوژی در زمینه شبیه سازی رایانه ای سیستم ها و چه در علم ریاضی روش های قدیمی منسوخ شد. آنچه مسلم است این است که مطالعه رفتار دینامیکی یک سیستم قدرت مستلزم مدلسازی دینامیکی اجزای مختلف آن به ویژه نیروگاه می باشد.
اخیرا توربین های گازی با بازده بالا و غیر ایزوله که به شبکه سراسری متصل می شوند در شبکه های قدرت توسعه بسیاری پیدا کرده اند. امروزه این نیروگاه ها از این جهت که سریع وارد مدار شده و قادر به جبران اوج بار می شوند بسیار مورد توجه قرار گرفته اند. همچنین این نیروگاه ها به واسطه سیکل ترکیبی شدن دارای راندمان بالاتری نسبت به حالت سیکل باز شده اند. از آنجا که بخش اعظم تولید نیروگاه های سیکل ترکیبی در قسمت گازی آن می باشد لذا مدلسازی قسمت گازی این نیروگاه ها اهمیت بیشتری پیدا می کنند. نیروگاه های پیشرفته توربین گازی به تغییرات فرکانس بسیار حساس هستند و ممکن است در یک اغتشاش فرکانسی دچار قطع اضطراری شوند.

همراه با روند توسعه و پیشرفت روش ساخت توربین های گازی با توربین های بخار بازدهی نیروگاه را به حدود 50 درصد می رساند.

 تجزیه و تحلیل ترمودینامیکی نشان می دهد که توربین های گازی دارای 30 درصد بازدهی هستند و درجه حرارت گاز خروجی آنها 500 تا 600 درجه سانتیگراد است که برای یک نیروگاه حرارتی دمای مناسبی است. با سرد کردن این گاز در یک بویلر بازیاب حرارت (Heat Recovery Steam Generator) می توان بخار سوپر هیت تولید نمود و به این طریق یک توربین بخار را به کار انداخت. این مجموعه را سیکل ترکیبی گویند.

نیروگاه های سیکل ترکیبی می توانند در دو مد تک و سیکل ترکیبی کار کنند. در مد تک فقط توربین گاز کار می کند و محصولات احتراق خروجی توربین گاز از طریق میراکننده کنار گذر خارج می شوند. در مد سیکل ترکیبی هر دو توربین گاز و بخار کار می کنند و محصولات احتراق خروجی توربین گاز از طریق میراکننده ورودی به بویلر راه می یابد. لازم به توضیح است که میراکننده ها در طی بهره برداری عادی واحد نقشی در کنترل بار ندارند و در طی بهره برداری عادی واحد، میراکننده ورودی بویلر کاملاً باز می باشد، که این امر به منظور استفاده حداکثر از انرژی حرارتی توربین های گاز می باشد. میراکننده ها فقط در هنگام راه اندازی و توقف یا توقف اضطراری، قابل کنترل بوده و در حفاظت بویلرها نقش اساسی ایفا می کنند.
یک امتیاز مهم نیروگاه های گازی این است که به سرعت می توان آنها را به شبکه متصل کرد و یا قطع نمود.
این نوع سیستم ها بعد از اغتشاش شدید سریعا ناپایدار می گردند. علاوه بر آن در اکثر موارد به موتورهای با توان اکتیو بالا وصل می شوند و دائماً در حال تغییر نقطه کار هستند و گاهی ورودی های با تغییر ناگهانی زیاد به آنها اعمال می شود که تمامی این موارد انجام مطالعات دینامیکی و پایداری را که در مرحله بعد از مدلسازی صورت می گیرد، ضروری می سازد.
با توجه به ضروری بودن حجم بالای مطالعات و کار مورد نیاز برای تهیه شبیه ساز نیروگاه گازی و اینکه برای شناسایی سیستم گاورنر ابتدا در نظر گرفته شد که از روش جعبه سیاه استفاده شود ولی امکان گرفتن نمونه در نیروگاه را پیدا نکردیم و با اطلاعات و نمونه های در دسترس مجبور شدیم مدل گاورنر را به صورت جعبه خاکستری و با استفاده از روابط فیزیکی پیدا کنیم در نهایت با توجه به وسعت کار مجبور به مدلسازی نیروگاه در یک قسمت از ناحیه کنترل بار شدیم که IGV تنها در این بازه در 5 درصد مقدار حداکثر خود قرار دارد.
در این پروژه ضمن بررسی نحوه عملکرد نیروگاه به ویژه در حالت کنترل بار فرکانس به مدلسازی نیروگاه از نوع V94.2 با سیستم کنترل TELEPERM-XP با ظرفیت 159 مگاوات می پردازیم که توسط شرکت مپنا در بیشتر نیروگاه های در دست احداث از جمله ارومیه – جهرم – عسلویه – دماوند و کرمان و… در حال اجرا است. این نیروگاه ها از نوع تک محوره و قابل کار با دو سوخت گاز و گازوئیل می باشد.

:

مبدل های ماتریسی، مبدل هایی هستند که قابلیت های بسیار بالایی را دارند و توانایی تبدیل یک ولتاژ با فاز و دامنه و فرکانس معین به یک ولتاژ با فاز و دامنه و فرکانس متفاوت از آن را دارند برتری های این مبدل ها نسبت به مبدل های رایج AC/DC/AC باعث شده تا در سال های اخیر مورد توجه ویژه قرار گیرد. مبدل های رایج AC/DC/AC در باس DC خود دارای یک خازن الکترولیتی بزرگ می باشند که باعث افزایش هزینه و حجم این مبدل ها می باشند. و همچنین استفاده از آنها در دماهای بالا را ممکن نمی سازد. همچنین وجود سلف های بزرگ در هر فاز ورودی که برای سینوسی کردن جریان ورودی به کار می رود باعث افزایش قابل ملاحظه حجم و هزینه می شوند. البته در بعضی مقالات برای حل این مشکل استفاده از خازن های پلی پروپیلن به جای خازن های الکترولیتی توصیه می شود. اما با این حال مشکل

 سلف های بزرگ همچنان باقی است. ساختارهای مبدل های ماتریسی برای اولین بار در سال 1980 معرفی شد. از جمله مزایای مبدل های ماتریسی عدم نیاز به عناصر ذخیره کننده انرژی در ساختار این مبدل ها بود که ساخت آنها را به صورت مدار مجتمع امکان پذیر می سازد. از دیگر مزایای مبدل های ماتریسی می توان به قابلیت تنظیم ضریب قدرت ورودی تا عدد یک، قابلیت انتقال توان در هر دو جهت، شکل موج های با کیفیت بسیار بالا در خروجی و ورودی اشاره کرد. علت اینکه این مبدل ها تا سالهای اخیر در صنعت استفاده نشده بودند مشکل کموتاسیون این مبدل ها بوده است.

فصل اول
کلیات
1-1) هدف
هدف کلی این سمینار تحقیق کردن در مورد ساختارهای مختلف مبدل های ماتریسی و شبیه سازی و مقایسه مزایا و معایب این مبدل ها در مقایسه با مبدل های رایج AC/DC/AC می باشد. همچنین تحلیل و شبیه سازی روش های مختلف کنترل این مبدل ها مدنظر است. این کار با استفاده از نرم افزار مطلب و در محیط سیمولینک انجام شد. در این سمینار ضمن شبیه سازی روش های کنترل مبدل ماتریسی، سعی شده که از لحاظ THD ولتاژ خروجی، قابلیت کنترل ضریب قدرت ورودی و برخی مشخصات دیگر مربوط به این مبدلها، مزایای آنها نشان داده شود.
2-1- پیشینه تحقیق
ساختار مبدل ماتریسی اولین بار توسط Gyugyi و Pelly در 1976 پیشنهاد شد. آنها قاعده کلی سیکلوکنورتر را برای به دست آوردن یک فرکانس خروجی نامحدود توسط کلیدهای دوطرفه، بسط دادند. عیب اصلی ساختار اولیه این بود که جریان ورودی آن نامطلوب بود و همچنین ولتاژ خروجی دارای هارمونیک هایی بود که به راحتی توسط فیلتر از بین نمی رفتند.
این عیب در (4-2) توسط Venturini حل شد. او یک الگوریتم PWM جدید پیشنهاد کرد که جریان های ورودی سینوسی و ولتاژ خروجی با فرکانس نامحدود تولید می کرد. همچنین این الگوریتم، قابلیت کنترل ضریب قدرت ورودی را نیز به دست می داد. اما متاسفانه در این الگوریتم نسبت ولتاژ خروجی به ورودی به 0.5 محدود می شد.
در (5)، MAytum و Colman الگوریتم  Velturini را بسط داده و توانستند نسبت ولتاژ خروجی به ورودی را به 0/866 برسانند.