ادبیات و مبانی نظری سیستم تولید درست بهنگام ( Just In Time )

اختصاصی از فی ژوو ادبیات و مبانی نظری سیستم تولید درست بهنگام ( Just In Time ) دانلود با لینک مستقیم و پر سرعت .

ادبیات و مبانی نظری سیستم تولید درست بهنگام ( Just In Time )

فرمت فایل اصلی پایان نامه   :  word 

حجم فایل  زیپ  :  263 KB 

تعداد کل صفحات :  54 صفحه

فهرست مطالب

موضوع                                                                                                                                  صفحه

مقدمه ……………………………………………………………………….   6

تعریف انبار………………………………………………………………….   7

تعریف انبارداری…………………………………………………………….  7

انواع انبار…………………………………………………………………….   7

موجودی کالا…………………………………………………………………   9

اهمیت موجودی……………………………………………………………..   10

علت تگهداری موجودی ها…………………………………………………..  10

انواع موجودی ها…………………......……………………………………..   11

هزینه های مربوط به موجودی ها…………….…………………….....……   12

سیستم کنترل موجودی..…….……………………….....………………….   13

شمارش موجودی.....…………………………....…………………………    13

ورود کالابه انبار……………………....……………………………….........   16

صدورکالاازانبار…………………...…………………………………..........   18

مدیریت خرید.....………...…………………………...……………………  20

اهمیت بخش خرید……………………………………………………….  23

انواع خریدازنظرسیستم………………………………………………….   23

انواع خرید ازنظرقیمت…………………………………………………...   24

مناقصه.……………………………………………………………………  25

مزایده……………………………………………………………………   28

اهداف بخش خرید………………………………………………………   29

اصل های مهم درخرید…………………………………………………..   29

مراحل اجرای خرید………………………………………………………  30

خریدداخلی………………………………………………………………   31

خرید خارجی…………………………………………………………….   32

مذاکره……………………………………………………………………  33

قرارداد……………………………………………………………………  34

روش پرداخت درتجارت بین المللی……………………………………..  37

نظام تولیدبه هنگام……………………………………………………….  38

عناصرکلیدی نظام های تولیدبه هنگام……………………………………  39

اتلاف زدایی درتولیدبه هنگام…………………………………………….  47

عوامل اتلاف……………………………………………………………… 49

سیستم خریدبه موقع......…………………………………………………  50

اصول سیستم خرید به موقع……………………………………………...  50

ویژگی های مشارکت درسیستم خریدبه موقع…………………………...  51

سیستم  JIT درعمل..……………………………………………………  51

اثرات اجرای JIT   ……………………………………………………...  52

قسمتی از متن اصلی تحقیق و پژوهش

مقدمه

   یکی از ابعاد بسیار مهم مدیریت سازمانها در حال حاضر، بهترین شیوه بکارگیری از دارائیها سازمان است .

می دانیم که قسمت عمده از دارائیهای موسسات در موجودی های انبارهای آن موسسات نهفته و انباشته شده است. سازمانی موفق است که بهترین ترکیب از موجودی کالا را که متضمن حداکثر سود یا حداقل هزینه برای موسسه باشد معین کند. در این راستا باید از علوم و فنون علم مدیریت صنعتی و بازرگانی بهره های شایان ببرد. چرا که زمان و هزینه از عناصر اصلی تصمیم گیری مدیریت به شمار می آید. در گذشته مدیریت صحیح سیستمهای انبار دارای و طراحی انبار و نگهداری کالا مد نظر بوده و در این زمینه کتابهای فراوانی نوشته شده و تحقیقات فراوانی انجام شده است. به طوری که مدیریت انبار و انبار داری خود بخشی از علوم مدیریت شده و سیستمهای نگهداری و موجودی انبار توسعه فراوانی یافته و برنامه های نرم افزاری در این زمینه تهیه شده و بکار می رود.

   امروز با پیشرفت علوم و تکنولوژی امکان تولید انبوه فراهم شده و با وجود سیستم های پیشرفته حمل ونقل و ارتباطات در کشورهای پیشرفته هر کالائی را که مورد نیاز باشد در دسترس بوده و نیاز به داشتن انبار عریض و طویل منتفی شده است و سازمانها بسوی سیستم درست به موقع (Just in time) حرکت می کند. در این سیستم وجود انبار زاید بوده و کالاو قطعات مورد نیاز زمانی که مورد نیاز است خریداری و به سیستم وارد شده و کالای ساخته شده نیز به محض تولید به بازار عرضه می شود لذا در این سیستم انبار جایگاهی نداشته و از چرخه تولید حذف شده است .

   در این مجموعه ابتدا به سیستم انبار و انبار داری وموضوعات مرتبط باآنها اشاره می شود سپس به بررسی سیستم درست به موقع می پردازیم .

فهرست منابع تحقیق و پژوهش

• آتشگر، کریم - مجله روش شماره 33 سال هشتم
• اسماعیل پور ، مجید - مجله روش شماره 52 سال ششم                      
• امیرشاهی , منوچهر- اصول کارپردازی وانبارداری درمؤسسات دولتی/ مرکزآموزش مدیریت دولتی  1368
• انواری رستمی , علی اصغر- سیستمهای خرید و انبارداری/ تهران  نشرطراحان 1371
• خلیلی ابیانه, فاطمه - انبارداری 1و2 / تهران  نشرترمه    1378 
• دیبایی , نادر- مدیریت واصول انبارداری/  تهران نشرترمه  1379
• زینال زاده ، ایرج- مدیریت خرید/   تهران  نشرقانون  1377
• سلطانی ، منوچهر- مجله تدبیر  شماره 68 آذرماه  75 
• صالح فتح آبادی , حسن- برنامه ریزی سیستم های تولیدی وموجودی انبار/ تهران نشر آذرخش 1378     
• طالقانی ، محمد - محله روش شماره 36 سال ششم
• فدوی ،عارفه - مجله تدبیر  شماره 61  اردیبهشت 75

مقاله ارتباطات تحریک‌پذیر زمانی در پروتکل شبکهCANا ( Time Triggered CAN)

اختصاصی از فی ژوو مقاله ارتباطات تحریک‌پذیر زمانی در پروتکل شبکهCANا ( Time Triggered CAN) دانلود با لینک مستقیم و پر سرعت .

خرید و دانلود مقاله ارتباطات تحریک‌پذیر زمانی در پروتکل شبکهCANا ( Time Triggered CAN)

نوع فایل : WORD 

تعداد صفحات :12

چکیده :
شبکه‌های صنعتی یکی از مباحث بسیار مهم در اتوماسیون می‌باشد. شبکه‌ی CAN به عنوان یکی از شبکه‌های صنعتی ، رشد بسیار روز افزونی را تجربه کرده است. در این میان ، عدم قطعیت زمان ارسال پیام‌ها در این پروتکل شبکه ، باعث می‌شود که کاربرد این شبکه در کاربرد‌های حیاتی با اشکال مواجه شود. یکی از راه‌حل‌‌های برطرف کردن این مشکل ، استفاده از تکنیک تحریک زمانی است که در ایت مقاله مورد بررسی قرار می‌گیرد.
کلید واژه‌ها : شبکه صنعتی ، تحریک زمانی ، CAN  ارتباطات تحریک‌پذیر زمانی در پروتکل شبکه‌ی CAN
 
1) مقدمه
در محیط‌های صنعتی ، کارخانجات ، خطوط تولید و امثالهم ، اتصال میکروکنترلر‌ها ،‌ سنسورها (Sensor) و محرک‌ها (Actuator) با چندین نوع سیستم ارتباطی متفاوت به یکدیگر ، نوعی هنر معماری در الکترونیک و کامپیوتر است. امروزه ارتباطات از نوع تحریک‌پذیر زمانی به‌طور گسترده‌ای در پروتکل ارتباطات برپایه شبکه با پروتکل  CAN (Controller Area Network) استفاده می‌شود. مکانیسم داوری (Arbitrating) در این پروتکل اطمینان می‌دهد که تمام پیام‌ها بر اساس اولویت شناسه (Identifier) منتقل می‌شوند و پیامی با بالاترین اولویت به هیچ عنوان دچار آشفتگی نخواهد شد. در آینده ، بسیاری از زیرشبکه‌های (SubNet) مورد استفاده در کاربرد‌های حیاتی ، به‌عنوان مثال در بخش‌هایی مثل سیستم‌های کنترل الکترونیکی خودرو  (X-By-Wire) ، به سیستم ارتباطی جامعی نیاز دارند که دارای قطعیت ارسال و دریافت در هنگام سرویس‌دهی باشد. به‌ عبارتی ، در ماکزیمم استفاده از باس که به ‌عنوان محیط انتقال این نوع شبکه به‌کار می‌رود ، باید این تضمین وجود داشته باشد که پیام‌هایی که به ایمنی (Safety) سیستم وابسته هستند ، به موقع و به درستی منتقل می‌شوند. علاوه بر این باید این امکان وجود داشته باشد که بتوان لحظه‌ی ارسال و زمانی را که پیام ارسال خواهد شد را با دقت بالایی تخمین زد.
در سیستم با پروتکل CAN استاندارد ، تکنیک بدست آوردن باس توسط گره‌های شبکه بسیار ساده و البته کارآمد است. همان‌گونه که در قبل توضیح داده‌شده است ، الگوریتم مورد استفاده برای بدست آوردن تسلط بر محیط انتقال ، از نوع داوری بر اساس بیت‌های شناسه است. این تکنیک تضمین می‌کند که گره‌ای که اولویت بالایی دارد ، حتی در حالتی‌‌که گره‌های با اولویت پایین‌تر نیز قصد ارسال دارند ، هیچ‌گاه برای بدست آوردن باس منتظر نمی‌ماند. و با وجود این رقابت بر سر باس ، پیام ارسالی نیز مختل نشده و منتقل می‌شود. در همین جا نکته‌ی مشخص و قابل توجهی وجود دارد. اگر یک گره‌ی با اولویت پایین بخواهد پیامی را ارسال کند باید منتظر پایان ارسال گره‌ی با اولویت بالاتر باشد و سپس کنترل باس را در اختیار گیرد. این موضوع یعنی تاخیر ارسال برای گره‌ی با اولویت پایین‌تر ، ضمن این که مدت زمان این تاخیر نیز قابل پیش‌بینی و محاسبه نخواهد بود و کاملا به ترافیک ارسال گره‌های با اولویت بالاتر وابسته است. به عبارت ساده‌تر :
●  گره یا پیام با اولویت بالاتر ، تاخیر کمتری را برای تصاحب محیط انتقال در هنگام ارسال پیش‌رو خواهد داشت.
●  گره یا پیام با اولویت پایین‌تر ، تاخیر بیشتری را برای بدست‌گرفتن محیط انتقال در هنگام ارسال ، تجربه خواهد کرد.
 
یک راه حل برطرف کردن نیاز‌های ذکرشده در بالا ، استفاده از شبکه‌ی استاندارد CAN با اضافه‌کردن تکنیک تحریک زمانی (Time Trigger) به آن می‌باشد. استفاده از تکنیک تحریک زمانی در CAN ، طبق توضیحاتی که داده خواهد شد ، باعث اجتناب از این تاخیر می‌شود و باعث استفاده‌ی مفیدتر و کارآمدتر از پهنای باند شبکه ، به کمک ایجاد قطعیت در زمان‌های انتظار و ارسال ، می‌شود. به عبارت دیگر ، مزایای این شبکه با استفاده از تکنیک تحریک زمانی عبارت خواهد بود از :
●  کاهش تاخیر‌های غیر قابل پیش‌بینی در حین ارسال
●  تضمین ارتباط قطعی و تاخیر‌های قابل پیش‌بینی
●  استفاده‌ی مفید‌تر و کارآمد از پهنای باند شبکه
با توجه به مکانیسم‌های پیش‌بینی شده در TTCAN ، این پروتکل زمان‌بندی پیام‌هایی با تحریک زمانی (TT) را به خوبی پیام‌هایی با تحریک رویداد (Event Trigger) را که قبلا در این پروتکل قرار داشت ، مدیریت می‌کند. این تکنیک اجازه می‌دهد که سیستم‌هایی که دارای عملگرهای بلادرنگ هستند نیز بتوانند از این شبکه استفاده کنند. همچنین این تکنیک انعطاف بیشتری را برای شبکه‌هایی که قبلا از CAN استفاده می‌کردند ، ایجاد می‌کند. این پروتکل برای استفاده در سیستم‌هایی که ترافیک دیتا بصورت مرتب و متناوب در شبکه رخ می‌دهد ، بسیار مناسب و کارآمد می‌باشد.
در این تکنیک ، ارتباطات بر پایه‌ی یک زمان محلی بنا شده است. زمان محلی توسط پیام‌های متناوب یک گره که به‌عنوان گره‌ی مدیر زمان (Time Master) تعیین شده است ، هماهنگ و تنظیم می‌شود. این تکنیک اجازه‌ی معرفی یک زمان سراسری و با دقت بالا را بصورت یکپارچه (Global) را ، در کل سیستم فراهم می‌کند. بر پایه‌ی این زمان ، پیام‌های متفاوت توسط یک سیکل ساده ، در پنجره‌هایی قرار می‌گیرند که متناسب با زمان پیام چیده شده است. یکی از مزایای بزرگ این تکنیک در مقایسه با شبکه‌ی CAN با روش زمان‌بندی کلاسیک ، امکان ارسال پیغام‌های تحریک‌ شونده‌ی زمانی با قطعیت و در پنجره‌های زمانی است.
اگر فرستنده‌ی فریم مرجع دچار خرابی شود (Fail) ، یک گره‌ی از پیش تعریف شده‌ی دیگر به‌طور اتوماتیک وظیفه‌ی گره‌ی مرجع را انجام می‌دهد. در این‌حالت ، گره‌ی با درجه‌ی پایین‌تر جایگزین گره‌ی با درجه‌ی بالاتر که دچار خرابی شده است ، می‌شود. حال اگر گره‌ی با درجه‌ی بالاتر ، تعمیر شده و دوباره به سیستم باز گردد ، به‌صورت اتوماتیک تلاش می‌کند تا به‌عنوان گره‌ی مرجع انتخاب شود. توابعی به‌صورت پیش‌فرض در تعاریف و خصوصیات TTCAN قرار داده شده است تا سیستم از این تکنیک خروج و بازگشت خودکار ، پشتیبانی کند. در ادامه‌ی این مقاله ، جزییات این پروتکل مورد بررسی دقیق‌تر قرار می‌گیرد.

منابع :

1. 
   CiA (CAN in Automation) website, http://www.can-cia.org
   2.  Thomas Fuhrer , “Time Triggered Communication on CAN” , CAN in Automation Official WebSite , 2006.
   3.  Etschberger, K., “Controller Area Network:Basics, Protocols, Chips and Application”, IXXAT Press, 2001.

پردازشگرهای دیجیتال یا (DSP) Discrete time signal processing)

اختصاصی از فی ژوو پردازشگرهای دیجیتال یا (DSP) Discrete time signal processing) دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word(قابل ویرایش)تعداد صفحات13

مقدمه
بخش مخابرات هوایی از مهمترین و اصلی ترین بخش هاست و زیرسیستم های یک سیستم هوایی را تشکیل می دهد. درحوزه صنعت هوایی و ناوبری، گیرنده ها و فرستنده های رادیویی نقش اساسی را دربخش مخابراتی برعهده دارند بخش مخابرات از سه بخش اساسی گیرنده، فرستنده و کانال مخابراتی تشکیل شده است که دراین مقاله بیشتر به پردازش سیگنالهای گسسته درزمان می پردازیم که در گیرنده ها و فرستنده های مخابراتی نقش اساسی را ایفا می کنند گیرنده های رادیویی نقش اساس درآشکارسازی، آنالیز، شنود و جهت یابی سیگنالهای دریافتی داشته که عمدتاً از نوع سوپرهیتروداین استفاده می شود.
علاوه بر سیستم های رادیویی، بسیاری از انواع سیتمها برای ارسال دیتاهای با ارزش، از سیگنال های رادیویی RF استفاده می کنند که دارای رشدی مداوم ، پیوسته و قابل توجه هستند، گیرنده های هوایی برای انواع مختلفی از کاربردها و حوزه ای عملیاتی طراحی و بنا به نیاز، بصورت انفرادی و یا عمدتاً درقالب سیستم بکارگیری می شوند که عمده اهداف و مقاصد این نوع گیرنده ها برای ارتباطات هوایی یا زمین به هوا و بالعکس انجام می شود عمده تعاریف به کاررفته درمخابرات هوایی یا درکل، مخابرات:
رنج دینامیکی : رنج از کمترین تا بیشترین سیگنالهای ورودی برحسب dB، که یک گیرنده می تواند احساس کند بطور مثال اگر یک گیرنده قادر به آشکارسازی ، سیگنالهای بین dB 10 و dB50- باشد در این صورت رنج دینامیکی گیرنده dB 60 خواهد بود.
-پهنای باند لحظه ای : پهنای باند گیرند درهر نقطه معلوم از زمان (که اساساً کمتر از پهنای باندکلی سیستم برای هرگیرنده می باشد.
-حساسیت یا Sensitivity: کمترین سطح توان سیگنال دریافتی که هر گیرنده قادر به آشکارسازی آن می باشد را گویندکه (برحسب dBm اندازه گیری می شود)
-پهنای باند رادیویی کل : رنج فرکانسی که گیرنده قادر به آشکارسازی آنها می باشد راگویند.
-توانایی پردازش چندین سیگنال: میزان قابلیت و توانایی گیرنده درتشخیص و تمیز دادن بین دو سیگنال راداری درفرکانس های متفاوت در درون پهنای باند لحظه‌ای یک گیرنده
پردازشگرهای دیجیتالی درگیرنده های دیجیتالی
به دلیل استفاده از تکنیک سوپرهیتروداین درگیرنده های دیجیتالی ابتدا به مقدمه ای از این گیرنده ها می پردازیم سپس گیرنده های دیجیتالی را شرح داده و سپس به پردازشگر دیجیتالی که مهمترین قسمت این بخش از گیرنده هاست می پردازیم.

Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains, 2013, Wiley

اختصاصی از فی ژوو Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains, 2013, Wiley دانلود با لینک مستقیم و پر سرعت .

Nonlinear System Identification, NARMAX method in the time, frequency and spatio-temporal domains

2013, Wiley

table of contents

1 Introduction 1
1.1 Introduction to System Identification 1
1.1.1 System Models and Simulation 1
1.1.2 Systems and Signals 3
1.1.3 System Identification 3
1.2 Linear System Identification 3
1.3 Nonlinear System Identification 5
1.4 NARMAX Methods 7
1.5 The NARMAX Philosophy 8
1.6 What is System Identification For? 9
1.7 Frequency Response of Nonlinear Systems 11
1.8 Continuous-Time, Severely Nonlinear, and Time-Varying Models
and Systems 12
1.9 Spatio-temporal Systems 13
1.10 Using Nonlinear System Identification in Practice and Case Study Examples 13
References 14
2 Models for Linear and Nonlinear Systems 17
2.1 Introduction 17
2.2 Linear Models 18
2.2.1 Autoregressive Moving Average with Exogenous Input Model 18
2.2.2 Parameter Estimation for Linear Models 20
2.3 Piecewise Linear Models 22
2.3.1 Spatial Piecewise Linear Models 23
2.3.2 Models with Signal-Dependent Parameters 26
2.3.3 Remarks on Piecewise Linear Models 29
2.4 Volterra Series Models 30
viii Contents
2.5 Block-Structured Models 31
2.5.1 Parallel Cascade Models 32
2.5.2 Feedback Block-Structured Models 32
2.6 NARMAX Models 33
2.6.1 Polynomial NARMAX Model 35
2.6.2 Rational NARMAX Model 37
2.6.3 The Extended Model Set Representation 39
2.7 Generalised Additive Models 40
2.8 Neural Networks 41
2.8.1 Multi-layer Networks 41
2.8.2 Single-Layer Networks 42
2.9 Wavelet Models 45
2.9.1 Dynamic Wavelet Models 46
2.10 State-Space Models 48
2.11 Extensions to the MIMO Case 49
2.12 Noise Modelling 49
2.12.1 Noise-Free 50
2.12.2 Additive Random Noise 50
2.12.3 Additive Coloured Noise 50
2.12.4 General Noise 51
2.13 Spatio-temporal Models 52
References 53
3 Model Structure Detection and Parameter Estimation 61
3.1 Introduction 61
3.2 The Orthogonal Least Squares Estimator and the Error Reduction Ratio 64
3.2.1 Linear-in-the-Parameters Representation 64
3.2.2 The Matrix Form of the Linear-in-the-Parameters
Representation 65
3.2.3 The Basic OLS Estimator 65
3.2.4 The Matrix Formulation of the OLS Estimator 67
3.2.5 The Error Reduction Ratio 68
3.2.6 An Illustrative Example of the Basic OLS Estimator 69
3.3 The Forward Regression OLS Algorithm 70
3.3.1 Forward Regression with OLS 72
3.3.2 An Illustrative Example of Forward Regression with OLS 77
3.3.3 The OLS Estimation Engine and Identification Procedure 78
3.4 Term and Variable Selection 79
3.5 OLS and Sum of Error Reduction Ratios 80
3.5.1 Sum of Error Reduction Ratios 82
3.5.2 The Variance of the s-Step-Ahead Prediction Error 82
3.5.3 The Final Prediction Error 83
3.5.4 The Variable Selection Algorithm 83
3.6 Noise Model Identification 84
3.6.1 The Noise Model 84
3.6.2 A Simulation Example with Noise Modelling 87
Contents ix
3.7 An Example of Variable and Term Selection for a Real Data Set 87
3.8 ERR is Not Affected by Noise 94
3.9 Common Structured Models to Accommodate Different Parameters 95
3.10 Model Parameters as a Function of Another Variable 98
3.10.1 System Internal and External Parameters 98
3.10.2 Parameter-Dependent Model Structure 98
3.10.3 Modelling Auxetic Foams – An Example of External
Parameter-Dependent Model Identification 99
3.11 OLS and Model Reduction 100
3.12 Recursive Versions of OLS 102
References 102
4 Feature Selection and Ranking 105
4.1 Introduction 105
4.2 Feature Selection and Feature Extraction 106
4.3 Principal Components Analysis 107
4.4 A Forward Orthogonal Search Algorithm 108
4.4.1 The Basic Idea of the FOS-MOD Algorithm 108
4.4.2 Feature Detection and Ranking 109
4.4.3 Monitoring the Search Procedure 111
4.4.4 Illustrative Examples 112
4.5 A Basis Ranking Algorithm Based on PCA 113
4.5.1 Principal Component-Derived Multiple Regression 113
4.5.2 PCA-Based MFROLS Algorithms 114
4.5.3 An Illustrative Example 115
References 117
5 Model Validation 119
5.1 Introduction 119
5.2 Detection of Nonlinearity 121
5.3 Estimation and Test Data Sets 123
5.4 Model Predictions 124
5.4.1 One-Step-Ahead Prediction 124
5.4.2 Model Predicted Output 126
5.5 Statistical Validation 127
5.5.1 Correlation Tests for Input–Output Models 128
5.5.2 Correlation Tests for Time Series Models 132
5.5.3 Correlation Tests for MIMO Models 133
5.5.4 Output-Based Tests 134
5.6 Term Clustering 135
5.7 Qualitative Validation of Nonlinear Dynamic Models 137
5.7.1 Poincaré Sections 139
5.7.2 Bifurcation Diagrams 139
5.7.3 Cell Maps 140
5.7.4 Qualitative Validation in Nonlinear System Identification 140
References 145
x Contents
6 The Identification and Analysis of Nonlinear Systems
in the Frequency Domain 149
6.1 Introduction 149
6.2 Generalised Frequency Response Functions 151
6.2.1 The Volterra Series Representation of Nonlinear Systems 153
6.2.2 Generalised Frequency Response Functions 156
6.2.3 The Relationship Between GFRFs and Output Response
of Nonlinear Systems 157
6.2.4 Interpretation of the Composition of the Output Frequency Response
of Nonlinear Systems 162
6.2.5 Estimation and Computation of GFRFs 165
6.2.6 The Analysis of Nonlinear Systems Using GFRFs 176
6.3 Output Frequencies of Nonlinear Systems 184
6.3.1 Output Frequencies of Nonlinear Systems under
Multi-tone Inputs 185
6.3.2 Output Frequencies of Nonlinear Systems for General Inputs 187
6.4 Nonlinear Output Frequency Response Functions 191
6.4.1 Definition and Properties of NOFRFs 192
6.4.2 Evaluation of NOFRFs 195
6.4.3 Damage Detection Using NARMAX Modelling and NOFRF-Based
Analysis 196
6.5 Output Frequency Response Function of Nonlinear Systems 202
6.5.1 Definition of the OFRF 203
6.5.2 Determination of the OFRF 203
6.5.3 Application of the OFRF to Analysis of Nonlinear Damping
for Vibration Control 207
References 213
7 Design of Nonlinear Systems in the Frequency Domain – Energy
Transfer Filters and Nonlinear Damping 217
7.1 Introduction 217
7.2 Energy Transfer Filters 218
7.2.1 The Time and Frequency Domain Representation
of the NARX Model with Input Nonlinearity 220
7.2.2 Energy Transfer Filter Designs 222
7.3 Energy Focus Filters 240
7.3.1 Output Frequencies of Nonlinear Systems with Input Signal Energy
Located in Two Separate Frequency Intervals 241
7.3.2 The Energy Focus Filter Design Procedure and an Example 245
7.4 OFRF-Based Approach for the Design of Nonlinear Systems in the
Frequency Domain 249
7.4.1 OFRF-Based Design of Nonlinear Systems
in the Frequency Domain 249
7.4.2 Design of Nonlinear Damping in the Frequency Domain for
Vibration Isolation: An Experimental Study 251
References 259
Contents xi
8 Neural Networks for Nonlinear System Identification 261
8.1 Introduction 261
8.2 The Multi-layered Perceptron 263
8.3 Radial Basis Function Networks 264
8.3.1 Training Schemes for RBF Networks 266
8.3.2 Fixed Kernel Centres with a Single Width 266
8.3.3 Limitation of RBF Networks with a Single Kernel Width 268
8.3.4 Fixed Kernel Centres and Multiple Kernel Widths 269
8.4 Wavelet Networks 270
8.4.1 Wavelet Decompositions 271
8.4.2 Wavelet Networks 272
8.4.3 Limitations of Fixed Grid Wavelet Networks 273
8.4.4 A New Class of Wavelet Networks 274
8.5 Multi-resolution Wavelet Models and Networks 277
8.5.1 Multi-resolution Wavelet Decompositions 277
8.5.2 Multi-resolution Wavelet Models and Networks 280
8.5.3 An Illustrative Example 282
References 284
9 Severely Nonlinear Systems 289
9.1 Introduction 289
9.2 Wavelet NARMAX Models 291
9.2.1 Nonlinear System Identification Using Wavelet Multi-resolution
NARMAX Models 292
9.2.2 A Strategy for Identifying Nonlinear Systems 299
9.3 Systems that Exhibit Sub-harmonics and Chaos 301
9.3.1 Limitations of the Volterra Series Representation 301
9.3.2 Time Domain Analysis 302
9.4 The Response Spectrum Map 305
9.4.1 Introduction 305
9.4.2 Examples of the Response Spectrum Map 306
9.5 A Modelling Framework for Sub-harmonic and Severely
Nonlinear Systems 313
9.5.1 Input Signal Decomposition 314
9.5.2 MISO NARX Modelling in the Time Domain 317
9.6 Frequency Response Functions for Sub-harmonic Systems 320
9.6.1 MISO Frequency Domain Volterra Representation 320
9.6.2 Generating the GFRFs from the MISO Model 322
9.7 Analysis of Sub-harmonic Systems and the Cascade to Chaos 326
9.7.1 Frequency Domain Response Synthesis 326
9.7.2 An Example of Frequency Domain Analysis for
Sub-harmonic Systems 332
References 334
10 Identification of Continuous-Time Nonlinear Models 337
10.1 Introduction 337
xii Contents
10.2 The Kernel Invariance Method 338
10.2.1 Definitions 338
10.2.2 Reconstructing the Linear Model Terms 342
10.2.3 Reconstructing the Quadratic Model Terms 346
10.2.4 Model Structure Determination 348
10.3 Using the GFRFs to Reconstruct Nonlinear Integro-differential Equation
Models Without Differentiation 352
10.3.1 Introduction 352
10.3.2 Reconstructing the Linear Model Terms 355
10.3.3 Reconstructing the Quadratic Model Terms 358
10.3.4 Reconstructing the Higher-Order Model Terms 361
10.3.5 A Real Application 364
References 367
11 Time-Varying and Nonlinear System Identification 371
11.1 Introduction 371
11.2 Adaptive Parameter Estimation Algorithms 372
11.2.1 The Kalman Filter Algorithm 372
11.2.2 The RLS and LMS Algorithms 375
11.2.3 Some Practical Considerations for the KF, RLS,
and LMS Algorithms 376
11.3 Tracking Rapid Parameter Variations Using Wavelets 376
11.3.1 A General Form of TV-ARX Models Using Wavelets 376
11.3.2 A Multi-wavelet Approach for Time-Varying Parameter Estimation 377
11.4 Time-Dependent Spectral Characterisation 378
11.4.1 The Definition of a Time-Dependent Spectral Function 378
11.5 Nonlinear Time-Varying Model Estimation 380
11.6 Mapping and Tracking in the Frequency Domain 381
11.6.1 Time-Varying Frequency Response Functions 381
11.6.2 First and Second-Order TV-GFRFs 382
11.7 A Sliding Window Approach 388
References 389
12 Identification of Cellular Automata and N-State Models
of Spatio-temporal Systems 391
12.1 Introduction 391
12.2 Cellular Automata 393
12.2.1 History of Cellular Automata 393
12.2.2 Discrete Lattice 393
12.2.3 Neighbourhood 394
12.2.4 Transition Rules 396
12.2.5 Simulation Examples of Cellular Automata 399
12.3 Identification of Cellular Automata 402
12.3.1 Introduction and Review 402
12.3.2 Polynomial Representation 403
12.3.3 Neighbourhood Detection and Rule Identification 405
Contents xiii
12.4 N-State Systems 414
12.4.1 Introduction to Excitable Media Systems 414
12.4.2 Simulation of Excitable Media 415
12.4.3 Identification of Excitable Media Using a CA Model 419
12.4.4 General N-State Systems 424
References 427
13 Identification of Coupled Map Lattice and Partial Differential
Equations of Spatio-temporal Systems 431
13.1 Introduction 431
13.2 Spatio-temporal Patterns and Continuous-State Models 432
13.2.1 Stem Cell Colonies 433
13.2.2 The Belousov–Zhabotinsky Reaction 434
13.2.3 Oxygenation in Brain 434
13.2.4 Growth Patterns 435
13.2.5 A Simulated Example Showing Spatio-temporal Chaos
from CML Models 435
13.3 Identification of Coupled Map Lattice Models 437
13.3.1 Deterministic CML Models 437
13.3.2 The Identification of Stochastic CML Models 454
13.4 Identification of Partial Differential Equation Models 458
13.4.1 Model Structure 458
13.4.2 Time Discretisation 459
13.4.3 Nonlinear Function Approximation 459
13.5 Nonlinear Frequency Response Functions for Spatio-temporal Systems 466
13.5.1 A One-Dimensional Example 467
13.5.2 Higher-Order Frequency Response Functions 468
References 471
14 Case Studies 473
14.1 Introduction 473
14.2 Practical System Identification 474
14.3 Characterisation of Robot Behaviour 478
14.3.1 Door Traversal 478
14.3.2 Route Learning 482
14.4 System Identification for Space Weather and the Magnetosphere 484
14.5 Detecting and Tracking Iceberg Calving in Greenland 493
14.5.1 Causality Detection 494
14.5.2 Results 495
14.6 Detecting and Tracking Time-Varying Causality for EEG Data 498
14.6.1 Data Acquisition 499
14.6.2 Causality Detection 500
14.6.3 Detecting Linearity and Nonlinearity 504
14.7 The Identification and Analysis of Fly Photoreceptors 505
14.7.1 Identification of the Fly Photoreceptor 506
14.7.2 Model-Based System Analysis in the Time
and Frequency Domain 507
xiv Contents
14.8 Real-Time Diffuse Optical Tomography Using RBF Reduced-Order Models
of the Propagation of Light for Monitoring Brain Haemodynamics 514
14.8.1 Diffuse Optical Imaging 515
14.8.2 In-vivo Real-Time 3-D Brain Imaging Using Reduced-Order
Forward Models 517
14.9 Identification of Hysteresis Effects in Metal Rubber Damping Devices 522
14.9.1 Dynamic Modelling of Metal Rubber Damping Devices 523
14.9.2 Model Identification of a Metal Rubber Specimen 526
14.10 Identification of the Belousov–Zhabotinsky Reaction 528
14.10.1 Data Acquisition 529
14.10.2 Model Identification 530
14.11 Dynamic Modelling of Synthetic Bioparts 534
14.11.1 The Biopart and the Experiments 535
14.11.2 NARMAX Model of the Synthetic Biopart 536
14.12 Forecasting High Tides in the Venice Lagoon 539
14.12.1 Time Series Forecasting Problem 540
14.12.2 Water-Level Modelling and High-Tide Forecasting 541
References 543
Index 5