بررسی بهینه‌سازی سیستم‌های کنترل تهویه مطبوع با استفاده از هوش مصنوعی برای بهبود بهره‌وری انرژی

نویسنده: عرفان کریمی

خلاصه

یکی از بحران‌های پیش روی زندگی بشری، بحران انرژی است. یکی از دلایل مهم آن، غیرقابل تجدید بودن عمده منابع انرژی می‌باشد و همچنین تبدیل انرژی از حالت منبع انرژی به انرژی جنبشی سبب گرمایش زمین و آلودگی هوا می‌شود. تلاش دانشمندان جهت دستیابی به منابع انرژی تجدیدپذیر و نامتناهی هنوز به نتایج قابل اعتمادی نرسیده است و همچنان انرژی‌های فسیلی به دلیل سهولت و کم بودن هزینه تمام‌شده به عنوان اصلی‌ترین منبع تولید برق و سایر انرژی‌های مکانیکی به حساب می‌آید. با توجه به شرایط موجود، کاهش مصرف انرژی و تلاش جهت افزایش بازدهی تجهیزات و مدیریت مصرف آنها به عنوان اصلی‌ترین سیاست انرژی در دنیا در نظر گرفته شده است.

یکی از بزرگترین بخش‌های مصرف انرژی، ساختمان‌ها هستند. ساختمان‌ها تقریباً ۳۰ درصد از مصرف انرژی جهان را بر عهده دارند و تقریباً ۴۰ درصد از کل انرژی ساختمان توسط سیستم تهویه مطبوع (سرمایش و گرمایش) مصرف می‌شود. مدیریت مصرف انرژی در بخش تهویه مطبوع بسیار مهم و از طرفی بسیار حساس می‌باشد، دلیل آن نیز رابطه مستقیم سطح آرامش انسان با وضعیت تهویه ساختمان است که این مسئله شامل دمای هوا، میزان رطوبت، میزان هوای تازه و سایر موارد وابسته می‌باشد.

یکی از مهم‌ترین مسائل در مدیریت انرژی در بخش سیستم تهویه مطبوع، شرایط کنترل آنها می‌باشد. به طور کلی سیستم‌های کنترل معمول و سنتی در تهویه مطبوع به سه رده طبقه‌بندی می‌شوند:

۱.     سیستم کنترل دو حالته. (Tow Position on/off)

۲.     سیستم کنترل شناوری.(Floating)

۳.     سیستم کنترل مشتق انتگرالی. (PID)

مشکل سیستم‌های معمول کنترل در تهویه مطبوع این است که به طور کلی به صورت عکس‌العملی فعالیت می‌کنند. یعنی پس از تغییر دما و شرایط محیط مثلاً بخاطر حضور بیشتر افراد یا تغییر ساعت روز, سنسورها تغییرات را به سیستم ارسال می کنند و پس از آن سیستم کنترل سنتی تغییرات مورد نظر جهت رسیدن به شرایط مطلوب آسایشی را اعمال میکند.

در این مقاله هدف ما تعریف سیستم هوش مصنوعی جهت بهینه‌سازی فرآیند کنترل تهویه مطبوع و در نتیجه کاهش مصرف انرژی و افزایش سطح آسایش می‌باشد.

سیستم هوش مصنوعی در این مقاله :

·       وظیفه برداشت اطلاعات در پروژه بوسیله حسگر های خود در ساعت ها و روزهای سال را دارد.

·       وظیفه دارد تا با بررسی و کاوش در داده ها الگوی کلی رفتاری سیستم را بدست بیاورد.

·       وظیفه دارد وضعیت زمان های اوج نیاز بار تهویه مطبوع را با توجه به الگوهای بدست آمده پیش بینی نماید.

·       وظیفه دارد تا با تجهیزات و روش ها تعریف شده , الگوی پیش بینی رفتاری نیاز تهوی مطبوع ساختمان را بدست بیاورد.

·       وظیفه دارد با استفاده از داده های هواشناسی شرایط محیط بیرون را پیش بینی و نسبت به آن الگوی کنترلی مناسب را اجرا کند.

·       وظیفه دارد تا با تعریف بهینه ترین استراتژی نسبت به شوک ها و نیاز ها تهویه ساختمان پاسخ دهد.

·       وظیفه دارد سطح آسایش ساکنین ساختمان را در کنار بهینه سازی مصرف انرژی در حالت مناسب و پایدار نگه دارد.

طرح چالش

با توجه به تقاضای بالا و نیاز به افزایش عرضه انرژی، بهره‌وری انرژی بسیار مهم می‌شود. منابع انرژی محدود اثرات گسترده‌ای در حوزه‌هایی از اقتصاد یک خانواده تا روابط بین‌الملل دارند. بنابراین، به دلیل مصرف بالای انرژی، ساختمان‌ها در خط مقدم تحقیقات بهره‌وری انرژی قرار دارند. سیستم تهویه مطبوع ابزاری است که معمولاً برای حفظ آسایش حرارتی در ساختمان‌ها استفاده می‌شود. از آنجایی که فرایند تامین گرمایش و سرمایش در ساختمان‌های بزرگ به سرعت رخ نمی‌دهد، ناتوانی در پاسخ به تغییرات ناگهانی در شرایط اشغال ناگهانی، سیستم‌های کنترل تهویه مطبوع سنتی را به خصوص در ساختمان‌های بزرگ، از نظر مصرف انرژی و تامین آسایش ناکارآمد می‌سازد.

سیستم‌های کنترل سنتی و پیشرفته

سیستم‌های کنترل سنتی (Traditional Control System: TCS) شامل کنترل‌های دو حالته، شناوری و مشتق انتگرالی هستند. ساختار ساده، پیاده‌سازی آسانتر و هزینه‌های اولیه پایینتر از مهمترین مزیت‌های سیستم‌های کنترل سنتی است. اما این سیستم‌ها معایبی مانند دقت پایین، ضعف در پاسخ به شوک‌ها و بهره‌وری پایین انرژی دارند. علاوه بر این، آنها با محیط خارجی تعامل نمی‌کنند یا نسبت به متغیرهای ورودی عکس العمل خوبی ندارند.

در مقابل، سیستم‌های کنترل پیشرفته (Advanced Control System: ACS) شامل استراتژی‌های هوش مصنوعی یادگیری مبتنی بر شبکه عصبی (ANN) و منطق فازی (FL) هستند که می‌توانند نتایج بهتری را برای برنامه‌های کنترل تهویه مطبوع به دست آورند. از آنجایی که احساس انسان از آسایش حرارتی ذهنی است، و احساس مطلوب از شرایط در بین ساکنان و در طول زمان میتواند متفاوت باشد، قوانین زبانی، که منطق فازی بر اساس آنها استوار است، برای توصیف سیستم های تهویه مطبوع مناسب هستند و بنابراین برای افزایش آسایش حرارتی ایده آل هستند.

همچنین همراه با الگوریتم‌های کنترل پیش‌بینی مدل (Model predictive control: MPC)، الگوریتم‌های کنترل فازی در چارچوب سلسله مراتبی برای کنترل دستگاه تهویه مطبوع پیاده‌سازی می‌شوند.

مزیت اصلی جایگزینی الگوریتم شبکه عصبی و منطق فازی به جای الگوریتم‌های سنتی مانند PID برای کنترل سیستم تهویه مطبوع در این است که این روش‌ها به طور موثرتری می‌توانند احساس آسایش حرارتی ذهنی انسان را مدنظر قرار دهند. در ادامه به چندین دلیل کلیدی برای این موضوع اشاره می‌کنیم:

۱.     تطابق با احساس ذهنی آسایش حرارتی:

انسان‌ها از طریق حس‌های خود به شرایط محیطی واکنش نشان می‌دهند و احساس آسایش حرارتی یک احساس ذهنی است که می‌تواند بین افراد مختلف و حتی برای یک فرد در طول زمان تغییر کند. شبکه‌های عصبی و منطق فازی می‌توانند با یادگیری و تطبیق با این تغییرات، کنترل دقیق‌تری ارائه دهند.

۲.     قوانین زبانی و منطق فازی :

منطق فازی از قوانین زبانی استفاده می‌کند که به زبان طبیعی انسان نزدیک‌تر هستند. این قوانین زبانی می‌توانند پیچیدگی‌های سیستم تهویه مطبوع و تاثیرات آن بر احساس آسایش را بهتر توصیف کنند. به عنوان مثال، عبارات زبانی مانند "کمی گرم" یا "بسیار سرد" می‌توانند به راحتی در منطق فازی به کار روند.

۳.     توانایی مدیریت عدم قطعیت و تغییرات دینامیک:

منطق فازی و شبکه‌های عصبی قابلیت مدیریت عدم قطعیت و تغییرات دینامیک در شرایط محیطی را دارند. این ویژگی به سیستم تهویه مطبوع اجازه می‌دهد تا به تغییرات سریع در شرایط محیطی یا نیازهای ساکنان به شکل موثری پاسخ دهد.

۴.     افزایش رضایت ساکنان:

با استفاده از منطق فازی، سیستم تهویه مطبوع می‌تواند به طور مداوم خود را با نیازها و ترجیحات ساکنان تطبیق دهد، که منجر به افزایش رضایت و آسایش حرارتی آن‌ها می‌شود. این تطبیق‌پذیری باعث می‌شود که افراد در محیط احساس راحتی بیشتری داشته باشند.

۵.     کاهش مصرف انرژی:

کنترل بهینه‌تر شرایط حرارتی بر اساس نیازهای واقعی و ذهنی ساکنان می‌تواند به کاهش مصرف انرژی منجر شود. سیستم‌های مبتنی بر منطق فازی می‌توانند به شکل هوشمندانه‌تر و با بهره‌وری بیشتری عمل کنند، که این امر هم به نفع محیط زیست و هم به نفع اقتصادی کاربران است.

در مجموع، استفاده از الگوریتم‌های شبکه عصبی و منطق فازی در سیستم‌های تهویه مطبوع به دلیل توانایی‌های بالا در مدیریت پیچیدگی‌ها و تطابق با نیازهای ذهنی و روانی انسان‌ها، می‌تواند آسایش حرارتی را به طور قابل توجهی افزایش دهد و همزمان کارایی انرژی را بهبود بخشد.

تعریف شرایط اشغال فضا

تمرکز اصلی این مطالعه الگوی اشغال فضا (Occupancy Pattern) و پیش‌بینی آن است. پیش‌بینی اشغال فضا بوسیله الگوهای مناسب می‌تواند کاهش قابل ملاحظه‌ای را در مصرف انرژی تهویه مطبوع به همراه داشته باشد. این روش شامل استفاده از حسگرهای ساده اشغال فضا و دوربین‌های شمارش تعداد نفرات در نقاط مهم ساختمان است. به عنوان مثال، در روزی که سیستم پیش‌بینی پر شدن یک سالن آمفی‌تئاتر را دارد، می‌تواند با استراتژی مناسب، فضای مورد نظر را آماده حضور نفرات نماید. در سیستم سنتی، پس از حضور نفرات و سنجش دمای محیط، سیستم با یک شوک حرارتی روبرو شده و در گرمترین ساعت روز اجباراً می بایست از حداکثر توان خود جهت رساندن دما به حالت آسایش استفاده کند.

هدف مقاله

هدف این مقاله افزایش بهره‌وری سیستم‌های تهویه مطبوع معمول در ساختمان‌ها بوسیله توانایی پیش‌بینی پیشرفته توسط روش‌های هوش مصنوعی است. این مقاله تلاش دارد یک مکانیسم کنترل تهویه مطبوع مبتنی بر هوش مصنوعی ایجاد کند که از اطلاعات جمع‌آوری‌شده توسط سنسورها و دوربین‌ها در ساختمان و پیش‌بینی‌های آب و هوای واقعی بوسیله سیستم های آنلاین استفاده کند و به طور مداوم توانایی خود را برای افزایش بهره‌وری انرژی در یک ساختمان بهبود بخشد.

۱.     دوربین شناسایی جمعیت و تشخیص فضا

۲.     نفرات حاضر در فضای اشغال شده

۳.     سنسورهای داخلی (دما,رطوبت,دی اکسید کربن و ..)

۴.     اطلاعات دریافتی از سایت های پیش بینی هواشناسی

۵.     مرکز دریافت و جمع آوری و تحلیل هوش مصنوعی

۶.     کنترلر هوا رسان

۷.     کانال هوای برگشت

۸.     کانال هوای ورودی به فضای اشغال شده

طراحی و توسعه سیستم کنترل تهویه مطبوع مبتنی بر هوش مصنوعی

هوش مصنوعی در این مقاله متمرکز بر چهار بخش است:

۱.     پیش بینی اشغال فضاها در ساختمان بوسیله داده برداری و داده کاوی.

۲.     پیش بینی اشغال فضاها بر اساس ساعت و روز سال.

۳.     پیش بینی شرایط آب هوایی بیرون بوسیله استفاده از داده های آنلاین پیش بینی آب و هوایی.

۴.     یافتن و انتخاب بهترین استراتژی جهت پاسخ به نیاز تهویه مطبوع ساختمان و بهینه کردن مصرف انرژی.

استفاده از الگوریتم شبکه عصبی

استفاده از الگوریتم شبکه عصبی (ANN) در کنترل سیستم تهویه مطبوع به دلیل قابلیت‌های منحصر به فردش، مزایای بسیاری دارد. برای درک بهتر این موضوع، ابتدا چند مفهوم کلیدی را با مثال‌های ساده توضیح دهیم.

پارامترهای مهم در شبکه عصبی

شبکه‌های عصبی مصنوعی (ANN) می‌توانند با توجه به عوامل مختلفی که بر شرایط محیطی و تعداد افراد در یک ساختمان تأثیر می‌گذارند، عملکرد بهتری نسبت به روش‌های سنتی داشته باشند. این عوامل شامل موارد زیر هستند:

۱.     دما: مثال: در تابستان، تعداد بازدیدکنندگان مرکز خرید بیشتر از زمستان است، زیرا مردم تمایل دارند در هوای گرم به مکان‌های خنک‌تر بروند.

۲.     رطوبت: مثال: در روزهایی که رطوبت بالاست، افراد بیشتر احساس گرما می‌کنند. بنابراین، سیستم تهویه باید به گونه‌ای تنظیم شود که این احساس را کاهش دهد.

۳.     وضعیت آب و هوا: مثال: در روزهای بارانی یا برفی، کمتر کسی به مراکز خرید یا ادارات می‌رود، بنابراین نیاز به تنظیم تهویه ممکن است کمتر باشد.

۴.     زمان روز: مثال: در یک ساختمان اداری، تعداد افراد در ساعات اداری بیشتر است و بعد از ساعات کاری کاهش می‌یابد. سیستم تهویه باید بتواند به سرعت با این تغییرات سازگار شود.

۵.     روزهای خاص: مثال: در تعطیلات عمومی یا مذهبی، مراکز تجاری ممکن است تعداد بیشتری بازدیدکننده داشته باشند. این اطلاعات می‌تواند به سیستم تهویه کمک کند تا از پیش برنامه‌ریزی مناسبی داشته باشد.

مزایای استفاده از شبکه عصبی

۱.     یادگیری از مثال‌ها: مثال: برخلاف سیستم‌های سنتی که باید برای هر وضعیت خاص برنامه‌ریزی شوند، شبکه عصبی می‌تواند از داده‌های گذشته یاد بگیرد. مثلاً اگر در گذشته در روزهای بارانی تعداد بازدیدکنندگان کاهش یافته، شبکه عصبی این الگو را یاد می‌گیرد و در آینده تهویه را متناسب با آن تنظیم می‌کند.

۲.     تحمل خطا: مثال: حتی اگر داده‌ها ناقص یا نادرست باشند، شبکه عصبی می‌تواند به خوبی عمل کند و بهترین تصمیم ممکن را بگیرد.

۳.     توانایی کار با داده‌های پیچیده: مثال: شبکه عصبی می‌تواند ارتباطات پیچیده بین دما، رطوبت و تعداد افراد را تشخیص دهد و بهترین تنظیمات را برای تهویه فراهم کند.

۴.     پیش‌بینی با استفاده از داده‌های آنلاین: یکی از قابلیت‌های بسیار مفید شبکه‌های عصبی این است که می‌توانند از داده‌های آنلاین سایت‌های پیش‌بینی هوا استفاده کنند تا شرایط محیطی آینده را پیش‌بینی و بهینه‌سازی کنند: مثال: فرض کنید شبکه عصبی می‌تواند داده‌های پیش‌بینی هوا را از سایت‌های معتبر دریافت کند. اگر پیش‌بینی شود که فردا هوا گرم و خشک خواهد بود، سیستم تهویه مطبوع می‌تواند از پیش تنظیمات مناسب را انجام دهد تا محیط داخل ساختمان خنک و راحت بماند. این پیش‌بینی و تنظیمات پیش‌دستانه می‌تواند منجر به افزایش کارایی سیستم و صرفه‌جویی در مصرف انرژی شود.

شبکه‌های عصبی مصنوعی به دلیل توانایی‌هایشان در یادگیری و تطبیق با شرایط مختلف، برای کنترل سیستم‌های تهویه مطبوع بسیار مناسب هستند. این سیستم‌ها می‌توانند با توجه به شرایط محیطی و اجتماعی، به بهترین شکل ممکن تنظیم شوند تا آسایش حرارتی بیشتری فراهم کنند و همزمان از مصرف انرژی بهینه استفاده کنند.

به زبان ساده، استفاده از شبکه‌های عصبی در سیستم تهویه مطبوع مانند داشتن یک مغز هوشمند در دستگاه است که می‌تواند بهترین تصمیم‌ها را برای راحتی و آسایش شما بگیرد.

سناریوهای کنترل تهویه مطبوع برای شبیه‌سازی انرژی

هدف اصلی ایجاد سناریوهای کنترل تهویه مطبوع بهبود عملکرد سیستم تهویه مطبوع همراه با کاهش مصرف انرژی است. اگرچه پیشرفت های زیادی در سیستم های تهویه مطبوع حاصل شده است، ولی بخش بزرگی از ساختمان ها دارای سنتی ترین نوع سیستم کنترل هستند که به صورت دستی توسط یک متصدی (سرایدار یا مشابه) مسئول روشن و خاموش کردن سیستم اداره می شود. رایج ترین کنترل سیستم تهویه مطبوع بر اساس اندازه گیری شرایط محیطی از طریق سنسورهای دما است. جدی ترین نقص سنسورها از نظر مصرف انرژی، عدم سرعت و تناسب شدت در سیستم کنترل است.

بسیاری از ساختمان ها هر روز در ساعت هایی دچار شلوغی کوتاه‌مدت می‌شوند. پاسخ سیستم کنترل دما به دلیل افزایش ناگهانی تراکم افراد فرآیند کندتری دارد و تا زمانی که سیستم پاسخ دهد و فضا به دمای مطلوب برسد، اکثر افراد از قبل ساختمان را ترک کرده اند. علاوه بر این، سیستم‌های اتوماسیون ساختمان سنتی به سنسورهای حضور افراد مجهز نیستند و فقط از روی سنسورهای دما خود را کنترل و تنظیم می کنند که پاسخگویی سیستم را به تاخیر می‌اندازد.

بوسیله سیستم هوش مصنوعی، مکانیسم کنترل تهویه مطبوع ما اطلاعات اشغال فضاهای پیش‌بینی‌شده و حداکثر تعداد افراد در روز را می‌گیرد و قدرت و استراتژی سیستم تهویه مطبوع را با توجه به میزان اشغال در طول زمان پیش بینی و تنظیم می‌کند.

در سناریو بهینه شده توسط هوش مصنوعی، بر خلاف سیستم های مبتنی بر حسگر، سیستم تهویه مطبوع به طور خودکار به تغییرات در اشغال فضاها و بدون زمان تاخیر پاسخ می دهد. الگوریتم کنترل، یک برنامه زمان‌بندی نقطه تنظیم تهویه مطبوع برای کنترل سیستم با توجه به شرایط آب و هوایی واقعی (که توسط سرویس‌های پیش‌بینی آب‌وهوا ارائه می‌شود) و تعداد افراد پیش‌بینی‌شده ارائه می‌کند. سنسورهای موجود همچنان می توانند برای نظارت بر دمای داخلی، رطوبت و مقدار CO2 در زمان واقعی استفاده شوند. اگر پارامترهای آسایش حرارتی واقعی از مقادیر مورد نظر بیشتر شود، سیستم کنترل خود را با توجه به سنسورها تنظیم می کند تا راحتی حرارتی فراهم شود.

بهینه‌سازی سیستم‌های تهویه مطبوع با استفاده از هوش مصنوعی و داده‌های مختلف

تصویر به وضوح مراحل پیشرفت یک سیستم تهویه مطبوع از یک سیستم ساده تا یک سیستم هوشمند و بهینه را نشان می‌دهد. هر مرحله از بهبود سیستم، شامل اضافه شدن سنسورها و الگوریتم‌های پیش‌بینی است که به کنترل دقیق‌تر و بهره‌وری بیشتر انرژی منجر می‌شود. با استفاده از تکنیک‌های هوش مصنوعی، سیستم می‌تواند به طور هوشمند زمان و شدت عملکرد سیستم تهویه مطبوع را بر اساس پیش‌بینی‌های مختلف تنظیم کند که در نهایت به صرفه‌جویی در انرژی و بهبود آسایش کاربران منجر می‌شود.

مرحله یک: سیستم سنتی

·       سیستم تهویه مطبوع و کنترلر: در این مرحله، سیستم تهویه مطبوع (سیستم تهویه مطبوع) و یک کنترلر ساده نشان داده شده است.

·       سنسور دما: تنها سنسور موجود در این سیستم یک سنسور دما است که اطلاعات دما را به کنترلر ارسال می‌کند.

·       عملکرد: کنترلر بر اساس دمای کنونی تصمیم می‌گیرد که سیستم تهویه مطبوع روشن یا خاموش شود. این روش کنترلی ساده و بدون توجه به دیگر عوامل محیطی و پیش‌بینی‌ها عمل می‌کند.

مرحله دو: اضافه شدن سنسور حضور نفرات

·       سنسور حضور: در این مرحله، یک سنسور حضور (Occupancy Sensor) به سیستم اضافه شده است.

·       عملکرد: علاوه بر دمای محیط، سیستم اکنون می‌تواند حضور یا عدم حضور افراد در فضا را تشخیص دهد. این اطلاعات به کنترلر ارسال می‌شود تا سیستم تهویه مطبوع تنها زمانی که فضا اشغال شده است، فعال شود. این روش به بهبود کارایی سیستم و صرفه‌جویی در انرژی کمک می‌کند.

مرحله سه: پیش‌بینی اشغال فضا و اطلاعات هواشناسی

·       پیش‌بینی اشغال: سیستم پیشرفته‌تر شده و شامل یک الگوریتم پیش‌بینی اشغال (Predicted Occupancy) است.

·       اطلاعات هواشناسی: اطلاعات پیش‌بینی هواشناسی نیز به سیستم اضافه شده است.

·       عملکرد: سیستم اکنون می‌تواند پیش‌بینی کند که چه زمانی فضا اشغال خواهد شد و با استفاده از اطلاعات هواشناسی، تصمیمات بهینه‌تری برای کنترل سیستم تهویه مطبوع بگیرد. به عنوان مثال، می‌تواند از پیش تهویه مطبوع را فعال کند تا قبل از اشغال شدن فضا، دمای مطلوب را فراهم کند.

مرحله چهار : پیش‌ سرمایش

·       پیش‌خنک‌سازی: مرحله نهایی شامل قابلیت پیش‌خنک‌سازی (Pre-Cooling) است.

·       عملکرد: در این مرحله، سیستم با استفاده از الگوریتم کنترل پیشرفته، زمان مناسب برای فعال‌سازی سیستم تهویه مطبوع را پیش‌بینی کرده و از پیش‌خنک‌سازی استفاده می‌کند تا دمای محیط را قبل از اشغال شدن فضا به حد مطلوب برساند. این روش به حداکثر بهره‌وری انرژی و راحتی کاربران کمک می‌کند.

نتیجه‌گیری

پیش‌بینی تعداد نفرات در فضای اشغال شده با دقت بالایی قابل محاسبه است. این میزان دقت, با یک مجموعه داده اولیه و محدود به دست می‌آید و باید انتظار داشت که دقت تخمین با مجموعه داده‌های قوی‌تر در طول زمان افزایش یابد. هوش مصنوعی شبکه عصبی به پارامترهای مختلف پاسخ داده و امکان استفاده در تمام طول سال را فراهم می‌کند. استراتژی کنترل با کمک هوش مصنوعی شبکه عصبی، مصرف انرژی را کاهش داده و بر قابلیت اطمینان و هزینه عملیاتی تأثیر مثبتی دارد. این مطالعه می‌تواند نقش عمده‌ای در هدایت ابزار کنترل ساکن-محور مبتنی بر هوش مصنوعی برای توسعه پایدار داشته باشد، که می‌تواند به عنوان یک مکانیسم کنترلی مستقل با بهبود استفاده شود.