فلش‌کارت‌های آموزشی استقرار کنترل پیش‌بین مدل در سیستم‌های صنعتی با استفاده از یادگیری ماشینی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استقرار کنترل پیش‌بین مدل در سیستم‌های صنعتی با استفاده از یادگیری ماشینی

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC برای سیستم‌های کنترل مبتنی بر داده

📋 سرفصل‌های دوره

• 1. مقدمه: کنترل پیش‌بین مدل و اهمیت آن
• 2. مدل‌سازی سیستم‌های صنعتی: اصول و روش‌ها
• 3. شناخت سیستم: گام اول در کنترل پیش‌بین مدل
• 4. انواع مدل‌ها در کنترل پیش‌بین مدل
• 5. مدل‌های مبتنی بر فیزیک
• 6. مدل‌های مبتنی بر داده
• 7. مدل‌های هیبریدی
• 8. کالیبراسیون مدل: اطمینان از دقت
• 9. استقرار یادگیری ماشینی در شناخت سیستم
• 10. شبکه‌های عصبی برای مدل‌سازی
• 11. ماشین‌های بردار پشتیبان در مدل‌سازی
• 12. درختان تصمیم و جنگل‌های تصادفی
• 13. یادگیری عمیق برای مدل‌سازی پیچیده
• 14. انتخاب ویژگی و مهندسی ویژگی
• 15. ارزیابی مدل یادگیری ماشینی
• 16. معیارهای ارزیابی عملکرد مدل
• 17. اعتبارسنجی متقابل
• 18. تنظیم هایپرپارامترها
• 19. مبانی کنترل پیش‌بین مدل (MPC)
• 20. فاز پیش‌بینی: پیش‌بینی رفتار آینده سیستم
• 21. فاز بهینه‌سازی: محاسبه اعمال کنترلی
• 22. فاز تصحیح: اعمال اعمال کنترلی محاسبه شده
• 23. تابع هزینه در MPC: تعریف و اجزا
• 24. محدودیت‌ها در MPC: اعمال و انواع
• 25. محدودیت‌های حالت
• 26. محدودیت‌های ورودی
• 27. محدودیت‌های خروجی
• 28. مزایای MPC در سیستم‌های صنعتی
• 29. کاهش مصرف انرژی
• 30. افزایش بهره‌وری
• 31. بهبود کیفیت محصول
• 32. پایداری سیستم
• 33. مقابله با اختلالات
• 34. MPC در مقابل روش‌های کنترلی سنتی
• 35. کاربرد MPC در صنایع شیمیایی
• 36. کنترل راکتورها
• 37. کنترل برج‌های تقطیر
• 38. کنترل فرآیندهای پلیمریزاسیون
• 39. کاربرد MPC در صنایع نفت و گاز
• 40. کنترل پالایشگاه‌ها
• 41. کنترل سکوهای دریایی
• 42. کاربرد MPC در صنایع تولیدی
• 43. کنترل خطوط تولید
• 44. کنترل ربات‌ها
• 45. کاربرد MPC در سیستم‌های انرژی
• 46. کنترل نیروگاه‌ها
• 47. کنترل شبکه‌های توزیع برق
• 48. کاربرد MPC در سیستم‌های حمل و نقل
• 49. کنترل ناوگان خودروها
• 50. کنترل هواپیماها
• 51. استقرار MPC با استفاده از یادگیری ماشینی
• 52. هم‌افزایی MPC و یادگیری ماشینی
• 53. مزایای ترکیب MPC و یادگیری ماشینی
• 54. یادگیری ماشینی برای بهبود مدل MPC
• 55. یادگیری ماشینی برای پیش‌بینی اختلالات
• 56. یادگیری ماشینی برای تنظیم تابع هزینه MPC
• 57. یادگیری ماشینی برای مدیریت محدودیت‌ها
• 58. یادگیری تقویتی برای MPC
• 59. یادگیری عمیق برای MPC
• 60. یادگیری ماشینی آنلاین در MPC
• 61. آموزش مدل‌های یادگیری ماشینی برای MPC
• 62. داده‌های مورد نیاز برای آموزش
• 63. فرایند جمع‌آوری داده
• 64. پیش‌پردازش داده‌ها
• 65. تقسیم داده‌ها به مجموعه‌های آموزشی، اعتبارسنجی و تست
• 66. انتخاب معماری یادگیری ماشینی
• 67. پیاده‌سازی مدل‌های یادگیری ماشینی
• 68. ادغام مدل‌های یادگیری ماشینی با MPC
• 69. چارچوب‌های نرم‌افزاری برای MPC
• 70. نرم‌افزارهای تجاری MPC
• 71. کتابخانه‌های متن‌باز MPC
• 72. ابزارهای توسعه یادگیری ماشینی
• 73. پیاده‌سازی MPC با یادگیری ماشینی در MATLAB/Simulink
• 74. پیاده‌سازی MPC با یادگیری ماشینی در Python
• 75. استقرار MPC در سیستم‌های زمان واقعی
• 76. چالش‌های استقرار MPC در سیستم‌های زمان واقعی
• 77. نیازمندی‌های محاسباتی
• 78. تاخیر محاسباتی
• 79. قابلیت اطمینان
• 80. امنیت
• 81. مانیتورینگ عملکرد MPC مستقر شده
• 82. ابزارهای مانیتورینگ
• 83. تحلیل لاگ‌ها
• 84. تجسم داده‌های عملکرد
• 85. عیب‌یابی و بهینه‌سازی MPC مستقر شده
• 86. استراتژی‌های عیب‌یابی
• 87. روش‌های بهینه‌سازی پارامترها
• 88. بازآموزی مدل‌های یادگیری ماشینی
• 89. به‌روزرسانی مداوم مدل‌ها
• 90. یادگیری فعال در MPC
• 91. یادگیری ماشینی برای تشخیص انحراف مدل
• 92. ملاحظات پیاده‌سازی
• 93. انتخاب سخت‌افزار مناسب
• 94. شبکه‌بندی و ارتباطات
• 95. امنیت داده‌ها
• 96. مدیریت تغییرات
• 97. مطالعات موردی استقرار MPC با یادگیری ماشینی
• 98. مطالعه موردی ۱: صنعت پتروشیمی
• 99. مطالعه موردی ۲: صنعت خودروسازی
• 100. مطالعه موردی ۳: صنعت انرژی تجدیدپذیر