فلش‌کارت‌های آموزشی طراحی کنترل‌کننده MPC عمیق برای فرآیندهای صنعتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی کنترل‌کننده MPC عمیق برای فرآیندهای صنعتی

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: MPC برای سیستم‌های کنترل با درک عمیق

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر کنترل پیش‌بین مدل (MPC)
• 2. مبانی سیستم‌های دینامیکی در فرآیندهای صنعتی
• 3. مدل‌سازی فرآیندها برای MPC
• 4. معادلات حالت و خروجی
• 5. حل معادلات حالت
• 6. پایداری و کنترل‌پذیری سیستم‌ها
• 7. مشاهده‌پذیری سیستم‌ها
• 8. بهینه‌سازی خطی برای MPC
• 9. حل مسائل بهینه‌سازی خطی
• 10. بهینه‌سازی غیرخطی برای MPC
• 11. حل مسائل بهینه‌سازی غیرخطی
• 12. مقدمه‌ای بر یادگیری عمیق
• 13. شبکه‌های عصبی پرسپترون چندلایه
• 14. توابع فعال‌سازی در شبکه‌های عصبی
• 15. پس‌انتشار خطا (Backpropagation)
• 16. بهینه‌سازی در شبکه‌های عصبی
• 17. معماری‌های شبکه‌های عصبی کانولوشنی (CNN)
• 18. کاربرد CNN در پردازش سیگنال
• 19. معماری‌های شبکه‌های عصبی بازگشتی (RNN)
• 20. کاربرد RNN در سری‌های زمانی
• 21. حافظه طولانی کوتاه مدت (LSTM)
• 22. واحد بازگشتی دروازه‌دار (GRU)
• 23. مقدمه‌ای بر یادگیری تقویتی
• 24. مفاهیم یادگیری تقویتی: عامل، محیط، پاداش
• 25. فرآیندهای تصمیم‌گیری مارکوف (MDP)
• 26. الگوریتم‌های یادگیری تقویتی: Q-learning
• 27. الگوریتم‌های یادگیری تقویتی: SARSA
• 28. یادگیری تقویتی عمیق (DRL)
• 29. شبکه‌های عصبی عمیق در یادگیری تقویتی
• 30. الگوریتم Deep Q-Network (DQN)
• 31. الگوریتم Actor-Critic
• 32. الگوریتم Proximal Policy Optimization (PPO)
• 33. الگوریتم Soft Actor-Critic (SAC)
• 34. طراحی مدل پیش‌بین عمیق (DMPC)
• 35. ترکیب یادگیری عمیق و MPC
• 36. شبکه‌های عصبی به عنوان مدل پیش‌بین
• 37. شبکه‌های LSTM برای مدل‌سازی فرآیند
• 38. شبکه‌های GRU برای مدل‌سازی فرآیند
• 39. استفاده از CNN برای مدل‌سازی فرآیند
• 40. آموزش مدل پیش‌بین عمیق
• 41. اعتبارسنجی مدل پیش‌بین عمیق
• 42. پیاده‌سازی کنترل‌کننده MPC مبتنی بر مدل عمیق
• 43. الگوریتم‌های بهینه‌سازی برای DMPC
• 44. کنترل‌کننده MPC مبتنی بر یادگیری تقویتی عمیق
• 45. ترکیب DRL با MPC برای کنترل بهینه
• 46. طراحی تابع پاداش در DMPC
• 47. مدیریت عدم قطعیت در DMPC
• 48. کنترل‌کننده MPC برای فرآیندهای با تاخیر
• 49. کنترل‌کننده MPC برای فرآیندهای چندمتغیره
• 50. کنترل‌کننده MPC برای سیستم‌های غیرخطی
• 51. پیاده‌سازی DMPC در محیط‌های شبیه‌سازی شده
• 52. شبیه‌سازی فرآیندهای صنعتی با DMPC
• 53. ارزیابی عملکرد DMPC
• 54. مقایسه DMPC با روش‌های سنتی MPC
• 55. کاربرد DMPC در صنایع نفت و گاز
• 56. کاربرد DMPC در صنایع شیمیایی
• 57. کاربرد DMPC در صنایع دارویی
• 58. کاربرد DMPC در سیستم‌های قدرت
• 59. کاربرد DMPC در رباتیک صنعتی
• 60. کاربرد DMPC در سیستم‌های حمل و نقل هوشمند
• 61. کاربرد DMPC در بهینه‌سازی مصرف انرژی
• 62. کاربرد DMPC در کنترل کیفیت فرآیند
• 63. کاربرد DMPC در مدیریت ریسک فرآیند
• 64. ملاحظات امنیتی در DMPC
• 65. روش‌های افزایش استحکام (Robustness) در DMPC
• 66. کنترل‌کننده MPC برای فرآیندهای گسسته-زمان
• 67. کنترل‌کننده MPC برای فرآیندهای پیوسته-زمان
• 68. بهینه‌سازی مقید در DMPC
• 69. کاربرد بهینه‌سازی مقید در کنترل صنعتی
• 70. مدل‌سازی عدم قطعیت پارامتریک
• 71. مدل‌سازی عدم قطعیت ساختاری
• 72. روش‌های مقاوم‌سازی کنترل‌کننده MPC
• 73. کنترل‌کننده MPC با پیش‌بینی چندگانه
• 74. مدل‌سازی پیش‌بین عمیق برای پیش‌بینی سری‌های زمانی
• 75. کاربرد شبکه‌های عصبی در پیش‌بینی مقادیر آینده
• 76. فیلتر کالمن و فیلتر کالمن توسعه‌یافته
• 77. استفاده از فیلترهای تطبیقی در DMPC
• 78. بهینه‌سازی پارامترهای کنترل‌کننده MPC
• 79. تنظیم خودکار پارامترهای DMPC
• 80. یادگیری پارامترهای مدل فرآیند از داده
• 81. یادگیری پارامترهای کنترل‌کننده از داده
• 82. مقدمه‌ای بر شبکه‌های عصبی گراف (GNN)
• 83. کاربرد GNN در مدل‌سازی فرآیندهای صنعتی
• 84. ترکیب GNN با MPC
• 85. تحلیل حساسیت در DMPC
• 86. تشخیص و مدیریت خطا در DMPC
• 87. توسعه کنترل‌کننده‌های MPC نسل جدید
• 88. مروری بر آخرین تحقیقات در DMPC
• 89. چالش‌های پیاده‌سازی DMPC در صنعت
• 90. راهکارهای عملی برای پیاده‌سازی DMPC
• 91. آینده DMPC در کنترل فرآیندهای صنعتی
• 92. اصول مهندسی نرم‌افزار در توسعه DMPC
• 93. مستندسازی و نگهداری سیستم‌های DMPC
• 94. ارزیابی اقتصادی پیاده‌سازی DMPC
• 95. اخلاق در توسعه و استفاده از هوش مصنوعی در صنعت
• 96. ارائه پروژه‌های عملی DMPC
• 97. طراحی یک سیستم DMPC برای یک فرآیند خاص
• 98. شبیه‌سازی و تحلیل نتایج پروژه DMPC
• 99. نکات کلیدی در موفقیت پروژه‌های DMPC
• 100. جمع‌بندی و چشم‌اندازهای آینده DMPC