دانلود پروژه مدار فرمان بی سیم (Plc wireless) رشته برق
چکیده پروژه
در عصر حاضر علوم به طرز شگفت انگیزی رشد نموده اند فن آروی نیز با استفاده از علوم رشد نموده است در این پروژه از تلفیق علوم کنترل صنعتی و کامپیوتر به عنوان یک فن آوری برای حل چند مشکل بزرگ صنعتی استفاده شده است در صنعت برای کنترل یک پروسه صنعتی از PLC استفاده می شود که ملزم به سیم کشی های فراوان از پروسه با تابلوی PLC است در دستگاه متحرک انبوه سیمهای متحرک باعث توقفات فراوان خط تولید می شود که می توان با استفاده از یک تابلوی کوچک PLC بر روی دستگاه مورد نظر و LINK کردن آنها با هم توسط مودم نوری می توان با استفاده از نور برای انتقال اطلاعات در سطح صنعتی استفاده نمود که به تفصیل توضیح داده خواهد شد .
95 صفحه فایل ورد قابل ویرایش با فونت 14
فصل اول
مروری بر تاریخچه سایپا
ورود خودرو به ایران
تولید اتومبیل به صورت مونتاژ
تاسیس شرکت سهامی ایران تولید اتومبیلهای سیتروئن
تغییر نام شرکت
تولید رنو
تولید انواع نیسان
تولید انواع خودرو کلاس متوسط
استراتژی و برنامه های گروه خودرو سازی سایپا
فصل دوم
ساختار دستگاه AFM S/F عمل HOIST /UP/DOWN عمل TRAVEL عمل STOPPER LOCK /UNLOCK عمل FRAM LOCK/UNLOCK عمل SWING عمل CLAMP /UNCLAMP
فصل سوم
ساختمان P L C و اجزاء تشکیل دهنده آن
منبع تغذیه
حافظه
واحد پردازش مرکزی (CPU)
ترمینال ورودی
ترمینال خروجی
زبان برنامه نویسی
مراحل برنامه نویسی در PLC
طراحی برنامه ( تعریف پروژه)
فلوچارت سیستم عامل
لیست ابزار مورد نیاز
دانلود مقاله پیاده سازی VLSI یک شبکه عصبی آنالوگ مناسب برای الگوریتم های ژنتیک
خلاصه
مفید بودن شبکه عصبی آنالوگ مصنوعی بصورت خیلی نزدیکی با میزان قابلیت آموزش پذیری آن محدود می شود .
این مقاله یک معماری شبکه عصبی آنالوگ جدید را معرفی می کند که وزنهای بکار برده شده در آن توسط الگوریتم ژنتیک تعیین می شوند .
اولین پیاده سازی VLSI ارائه شده در این مقاله روی سیلیکونی با مساحت کمتر از 1mm که شامل 4046 سیناپس و 200 گیگا اتصال در ثانیه است اجرا شده است .
از آنجائیکه آموزش می تواند در سرعت کامل شبکه انجام شود بنابراین چندین صد حالت منفرد در هر ثانیه می تواند توسط الگوریتم ژنتیک تست شود .
این باعث می شود تا پیاده سازی مسائل بسیار پیچیده که نیاز به شبکه های چند لایه بزرگ دارند عملی بنظر برسد .
1- مقدمه
شبکه های عصبی مصنوعی به صورت عمومی بعنوان یک راه حل خوب برای مسائلی از قبیل تطبیق الگو مورد پذیرش قرار گرفته اند .
علیرغم مناسب بودن آنها برای پیاده سازی موازی ، از آنها در سطح وسیعی بعنوان شبیه سازهای عددی در سیستمهای معمولی استفاده می شود .
یک دلیل برای این مسئله مشکلات موجود در تعیین وزنها برای سیناپسها در یک شبکه بر پایه مدارات آنالوگ است .
موفقترین الگوریتم آموزش ، الگوریتم Back-Propagation است .
این الگوریتم بر پایه یک سیستم متقابل است که مقادیر صحیح را از خطای خروجی شبکه محاسبه می کند .
یک شرط لازم برای این الگوریتم دانستن مشتق اول تابع تبدیل نرون است .
در حالیکه اجرای این مسئله برای ساختارهای دیجیتال از قبیل میکروپروسسورهای معمولی و سخت افزارهای خاص آسان است ، در ساختار آنالوگ با مشکل روبرو می شویم .
دلیل این مشکل ، تغییرات قطعه و توابع تبدیل نرونها و در نتیجه تغییر مشتقات اول آنها از نرونی به نرون دیگر و از تراشه ای به تراشه دیگر است و چه چیزی می تواند بدتر از این باشد که آنها با دما نیز تغییر کنند .
ساختن مدارات آنالوگی که بتوانند همه این اثرات را جبران سازی کنند امکان پذیر است ولی این مدارات در مقایسه با مدارهایی که جبران سازی نشده اند دارای حجم بزرگتر و سرعت کمتر هستند .
برای کسب موفقیت تحت فشار رقابت شدید از سوی دنیای دیجیتال ، شبکه های عصبی آنالوگ نباید سعی کنند که مفاهیم دیجیتال را به دنیای آنالوگ انتقال دهند .
در عوض آنها باید تا حد امکان به فیزیک قطعات متکی باشند تا امکان استخراج یک موازی سازی گسترده در تکنولوژی VLSI مدرن بدست آید .
شبکه های عصبی برای چنین پیاده سازیهای آنالوگ بسیار مناسب هستند زیرا جبران سازی نوسانات غیر قابل اجتناب قطعه می تواند در وزنها لحاظ شود .
25 صفحه فایل ورد قابل ویرایش
خلاصه
۱- مقدمه
۲- تحقق شبکه عصبی.
۲-۱- اصول عملکرد
۲-۲- پیاده سازی مدارهای شبکه
۳- پیاده سازی الگوریتم آموزش ژنتیک…
۴- نتایج تجربی.
۵- نتیجه و چشم انداز
منابع.