طراحی بهینه چندهدفه انواع سیستم‌ها در دامنه‌‌های مختلف، به‌وسیله ادغام دو روش باندگراف و برنامه‌ریزی ژنتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

2 دانشیار، مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

3 استاد، مهندسی مکانیک، دانشگاه گیلان، رشت، ایران

چکیده

مدل‌سازی یکپارچه سیستم‌های فیزیکی در دامنه‌های مختلف، نیازمند یک زبان مشترک است. یکی از روش‌هایی که می‌توان به‌وسیله آن این کار را انجام داد، باندگراف نام دارد. این روش با استفاده از المان‌ها، باندها و اتصال‌های خود، ارتباط میان اجزای مختلف یک سیستم را تشریح می‌کند. همچنین می‌توان با استفاده از روش برنامه‌ریزی ژنتیک، مدل اولیه یک سیستم را بر اساس نیاز از یک حالت اولیه به حالت نهایی مطلوب توسعه داد. با استفاده از ویژگی جستجوپذیری بالا و مدل‌سازی شماتیک روش باندگراف، می‌توان مدل اولیه‌ سیستم در دامنه الکتریکی یا مکانیکی را بر اساس خروجی مورد نظر، به یک مدل باندگراف نهایی مدل‌سازی کرد. مدل اولیه یک سیستم در روش باندگراف، امبریو نام دارد و بایستی دارای ورودی، خروجی و المان‌های اصلی یک سیستم باشد. با تعریف مجموعه‌ای از توابع عملیاتی در برنامه‌ریزی ژنتیک، مدل امبریو توسعه داده می‌شود و مدل نهایی باندگراف در دو حالت تک‌هدفه و چندهدفه پارتویی به‌دست می‌آید. این پژوهش با ادغام دو روش باندگراف و برنامه‌ریزی ژنتیک، ابزار طراحی مناسبی جهت توسعه یک مدل را در اختیار کاربر قرار می‌دهد. به ‌منظور بررسی عملکرد روش ارائه شده جهت مدل‌سازی با باندگراف، ابتدا نتایج آن با نرم‌افزار 20-سیم مقایسه شده و سپس به‌وسیله آن، دو مدل فیلتر الکتریکی و یک مدل سیستم جرم، فنر و میراگر طراحی می‌گردد و نتایج با مرجع مقایسه می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing Optimum Multi-Domain System by Integrating Bond Graph and Genetic Programming

نویسندگان [English]

  • Behzad Bahrami Joo 1
  • Ali Jamali 2
  • Nader Nariman-zadeh 3
1 PhD Candidate, Guilan University/ Faculty of Mechanical Engineering
2 Associate Professor, Guilan University/ Faculty of Mechanical Engineering
3 Professor, Guilan University/ Faculty of Mechanical Engineering
چکیده [English]

Integrated modeling of multi-domain physical systems requires a common language. One of the methods which has been used to do so is called the bond graph. The bond graph provides a common and core language for describing basic elements and connections across different fields by using its elements, bonds and junctions. Also, by using genetic programming as an evolutionary method, an initial model can be evolved into a final model. The initial model of a system in a bond graph called Embryo and must have input, output and basic elements of the desired model. By defining a series of operational functions in genetic programming, an embryo model evolves and a final model obtained in one objective and multi-objective approaches. The current research presents an optimized design tool by the integration of a bond graph and a Pareto multi-objective genetic programming for guiding automated topology synthesis. In order to evaluate the performance of the proposed method, obtained results were first compared to the 20-sim software and then two models of electric filter and a mass, spring and damper system compared to the reference.
 

کلیدواژه‌ها [English]

  • Bond graph
  • Genetic Programming
  • Embryo
  • Multi-objective
  • Pareto
[1] D.C. Karnopp, R.C. Rosenberg, Analysis and Simulation of Multiport Systems, MIT Press, Massachusetts, 1968.
[2] D.C. Karnopp, D.L. Margolis, R.C. Rosenberg, System Dynamics: A Unified Approach, 2nd Edition ed., John Wiley & Sons, New York, 1990.
[3] E.S. Barjuei, S. Toxiri, G.A. Medrano-Cerda, D.G. Caldwell, J. Ortiz, Bond Graph Modeling Of An Exoskeleton Actuator, 10th Computer Science and Electronic Engineering (CEEC), IEEE, (2018), pp. 101-106.
[4] S. Samaddar, P. Kushwaha, S. Ghoshal, Bond graph modelling and simulation of a variable inertia flywheel, IOP Conference Series: Materials Science and Engineering, IOP Publishing, (2018), pp. 012206.
[5] D. Zhang, S. Mu, C. Chan, G.Y. Zhou, Optimization Control of SOFC Based on Bond Graph Model, Energy Procedia, 152 (2018) 174-179.
[6] G. Soharu, R. Singh, T. Bera, Bond Graph Modelling and Simulation of Planar Quadruple Robot with Different Gaits, Arabian Journal for Science and Engineering,  (2019) 1-13.
[7] M. Louzazni, A. Khouya, K. Amechnoue, M. Mussuta, R. Herbazi, Bond Graph Modelling of Different Equivalent Models of Photovoltaic Cell, Procedia Manufacturing, 32 (2019) 802-809.
[8] J.R. Koza, F.H. Bennett, D. Andre, M.A. Keane, F. Dunlap, Automated synthesis of analog electrical circuits by means of genetic programming, IEEE Transactions on Evolutionary Computation, 1(2) (1997) 109-128.
[9] J.R. Koza, M.A. Keane, J. Yu, F.H. Bennett, W. Mydlowec, Automatic Creation of Human-Competitive Programs and Controllers by Means of Genetic Programming, Genetic Programming and Evolvable Machines, 1(1) (2000) 121-164.
[10] M.A. Keane, J. Yu, J.R. Koza, Automatic Synthesis of Both the Topology and Tuning of a Common Parameterized Controller for Two Families of Plants using Genetic Programming, GECCO 2000,  (2000) 496-504.
[11] J.R. Koza, D. Andre, F.H. Bennett, M.A. Keane, Evolution using genetic programming of a low-distortion 96 Decibel operational amplifier, Proceedings of the 1997 ACM Symposium on Applied Computing,  (1997) 207-216.
[12] J.R. Koza, F.H. Bennett, D. Andre, M.A. Keane, Synthesis of topology and sizing of analog electrical circuits by means of genetic programming, Computer Methods in Applied Mechanics and Engineering, 186(2) (2000) 459-482.
[13] M.A. Keane, J.R. Koza, M.J. Streeter, Automatic synthesis using genetic programming of an improved general-purpose controller for industrially representative plants, Evolvable Hardware, Proceedings. NASA/DoD Conference on, 2002.
[14] J.R. Koza, M.A. Keane, M.J. Streeter, W. Mydlowec, J. Yu, G. Lanza, Genetic Programming IV: Routine Human Competitive Machine Intelligence, Kluwer Academic Publishers, 2003.
[15] A. Jamali, E. Khaleghi, I. Gholaminezhad, N. Nariman-zadeh, Modelling and prediction of complex non-linear processes by using Pareto multi-objective genetic programming, International Journal of Systems Science, 47(7) (2016) 1675-1688.
[16] A. Tahmassebi, A.H. Gandomi, Building energy consumption forecast using multi-objective genetic programming, Measurement, 118 (2018) 164-171.
[17] E.C. Pedrino, T. Yamada, T.R. Lunardi, J.C. de Melo Vieira Jr, Islanding detection of distributed generation by using multi-gene genetic programming based classifier, Applied Soft Computing, 74 (2019) 206-215.
[18] R.C. Rosenberg, E.D. Goodman, S. Kisung, Some Key Issues in Using Bond Graphs and Genetic Programming for Mechatronic System Design, Proceedings of ASME International Mechanical Engineering Congress and Exposition, 2001.
[19] E.D. Goodman, K. Seo, R.C. Rosenberg, Z. Fan, J. Hu, B. Zhang, Automated Design Methodology for Mechatronic Systems Using Bond Graphs and Genetic Programming, Proceedings 2002 NSF Design, Service and Manufacturing Grantees and Research Conference,  (2002) 206-221.
[20] S. Behbahani, C. W. de Silva, Automated Identification of a Mechatronic System Model Using Genetic Programming and Bond Graphs, Journal of Dynamic Systems, Measurement, and Control, 135 (2013).
[21] S. Behbahani, C. W. de Silva, Mechatronic Design Evolution Using Bond Graphs and Hybrid Genetic Algorithm With Genetic Programming, IEEE/ASME TRANSACTIONS ON MECHATRONICS, 18(1) (2013).
[22] S. Behbahani, C. W. de Silva, Niching Genetic Scheme With Bond Graphs for Topology and Parameter Optimization of a Mechatronic System, IEEE/ASME TRANSACTIONS ON MECHATRONICS, 19(1) (2014) 269-277.
[23] B.L. Samarakoon, L.B. Gamage, C. W. de Silva, Design evolution of engineering systems using bond graphs and genetic programming, Mechatronics,  (2015).
[24] S.K. Tabatabaei, S. Behbahani, C. W. de Silva, Self-adjusting multidisciplinary design of hydraulic engine mount using bond graphs and inductive genetic programming, Engineering Applications of Artificial Intelligence,  (2016) 32-39.