برای داشتن اطلاعات دقیق از قسمت های مختلف و متغیر های مهم در نقاط مختلف یک سیستم نظامی و یا صنعتی ابزار های اندازه گیری متعددی تعبیه شده است . به کمک این ابزار ها می توان به دانش درستی از وضعیت فعلی سیستم دست یافته و عکس العمل به موقع و مناسب را در مواقع لزوم ارائه داد.

به دلیل وجود رطوبت، گرما و امواج الکترومغناطیسی در محیط های صنعتی و نظامی به مرور زمان اندازه گیری سنسور دچار اختلال می گردد و مقدار اندازه گیری از میزان واقعی فاصله می گیرد. این در حالی است که سیستم به درستی عمل می کند و خطا فقط در اندازه گیری رخ داده است. صنایع نظامی همواره به دنبال یافتن یک سطح بالاتری از دانش در مورد وضعیت دشمن می باشند. برای تحقق این مهم نیازمند داده های صحیح و قابل اطمینانی است که از وسایل تشخیص و اندازه گیری اعم از سنسور به دست می آید. هر کدام از آنها نیازمند دقت ویژه و پوشش سنسوری و یک مجموعه ی استنتاجی هستند که سیستم را به یافتن نتایج دقیق تر و قابل اعتماد تری توسط اندازه گیری های چند سنسور که به طور مناسب تعبیه شده و با روش های پیشرفته با یکدیگر تلفیق می شوند، سوق می دهد. بدین منظور سیستمی باید طراحی شود تا مقدار صحیح اندازه گیری در هر لحظه با مقدار اندازه گیری مقایسه شده و در صورت تفاوت زیاد با مقدار صحیح اصلاح صورت پذیرد.  شبكه هاي عصبي مصنوعي تا حدودي از مغز انسان الگوبرداري شده اند و همان گونه كه مغز انسان ميتواند با استفاده از تجربيات قبلي و مسائل از پيش يادگرفته، مسائل جديد را تحليل و تجزيه نمايد، شبكه هاي عصبي نيز در صورت آموزش قادرند بر مبناي اطلاعاتي كه به ازاي آن ها آموزش ديده اند، جواب هاي قابل قبول ارائه دهند و نيز مي توان از آن ها به طور نامحدود در ارائه جواب به اطلاعاتي كه قبلا با آن ها مواجه نبوده اند، استفاده نمود. از این رو از این شبکه ها و از ترکیب آنها با سیستم فازی استفاده شده تا یک مرجع صحیحی از عملکرد سنسور مورد نظر ایجاد شده و همواره به عنوان یک مرجع در کنار مقدار اندازه گیری قرار گیرد که در صورت تشخیص وجود عیب،  سیستم های تشخیص به کمک ترکیب اطلاعات چند سنسوری به کار افتاده و رفع عیب صورت پذیرد.

آنچه در این کد خواهید آموخت

1- ایجاد سنسور مجازی با استفاده از شبکه عصبی و شبکه عصبی فازی

2-مدل سازی سیستم بویلر نیروگاه نکا با استفاده از simulink

3- استخراج ویژگی با استفاده از فرمول های آماری

4- انتخاب ویژگی با استفاده از روش های IDE  و ReliefF

5- ترکیب اطلاعات در سطح ویژگی 

6- کلاس بندی خطا با استفاده از روش های SVM، ANN و Naive Bayesian

7- ترکیب اطلاعات در سطح تصمیم با استفاده از روش Dempster shafer

8-جایگزینی سنسور دارای خطا با سنسور مجازی

نکات و الزامات

1- این برنامه در تمام نسخه های متلب قابل اجرا است

2- آشنایی اولیه با مکانیک کنترل ، ترمودینامیک ، تشخیص و رفع خطا و سیستم های تخمینگر

3- آشنایی با simulink 

4- آشنایی با زبان  برنامه نویسی matlab