ANN PID Controller

تصميم وحدة تحكم PID الأمثل للتحكم في سرعة محرك DC باستخدام الشبكة العصبية الاصطناعية.

خلاصة

الهدف الأساسي لهذا المشروع هو التحكم في سرعة محرك DC بدون فرش باستخدام وحدة تحكم الشبكة العصبية الاصطناعية (ANN) ووحدة تحكم PID. يتم إجراء تحليل تفصيلي بناءً على نتائج محاكاة كلتا الطريقتين. تم تصميم نظام التحكم في السرعة القائم على التحكم العصبي في محرك DC بدون فرش عن طريق تحليل النموذج الرياضي لمحرك BLDC. يتم تحديد نموذج النبات في برنامج Simulink من MATLAB لتحديد كتلة ANN لنظام محرك BLDC. تم تصميم نموذج التحكم المرجعي لإعطاء القيم المثالية لمعلمات التحكم عندما يستجيب نظام التحكم لإشارة الأمر. تتم مقارنة نتائج أداء وحدة التحكم PID ووحدة تحكم ANN مع إخراج النموذج المرجعي لنظام محرك محرك BLDC في بيئة MATLAB Simulink. تخلص الدراسة المقارنة إلى أن طريقة التحكم في السرعة المستندة إلى ANN تقلل من التجاوز ، وتقلل من وقت تسوية استجابة النظام. ويلاحظ أن نتائج المحاكاة المستندة إلى ANN أقرب إلى استجابة نموذج التحكم المرجعي المثالي من PID.

الدافع والهدف

في الوقت الحاضر ، كان مجال التحكم في نظام الطاقة الكهربائية بشكل عام والتحكم في المحرك على وجه الخصوص يبحث على نطاق واسع. يتم تطبيق التقنيات الجديدة على هذه من أجل تصميم نظام التكنولوجيا المعقدة. واحدة من هذه التقنيات الجديدة هي الشبكة العصبية الاصطناعية (ANNS) والتي تستند إلى مبدأ التشغيل للإنسان العصبي العصبي. وهي تتألف من عدد كبير من عناصر المعالجة المترابطة للغاية (الخلايا العصبية) التي تعمل في انسجام تام لحل مشاكل محددة. آن ، مثل الناس ، تعلم بالقدوة. يتم تكوين ANN لتطبيق معين ، مثل التعرف على الأنماط أو تصنيف البيانات ، من خلال عملية التعلم. يتضمن التعلم في النظم البيولوجية تعديلات على الروابط الموجودة بين الخلايا العصبية. هذا صحيح في آنز كذلك. هناك عدد من المقالات التي تستخدم تطبيقات ANNS لتحديد نموذج محرك DC الرياضي. ثم ، يتم تطبيق هذا النموذج للتحكم في سرعة المحرك. يتم تطبيق ANN المقلوب مع معلمتين إدخالتين للتحكم التكيفي في محرك DC ANNs على نطاق واسع لأن جميع إشارة ANN تنتقل في اتجاه واحد ، كما هو الحال في نظام التحكم تلقائيًا ، فإن قدرة ANNS على تعلم العينة ، منذ البداية ، تم تحقيقها من قبل منظري الأنظمة أن معظم الأنظمة الديناميكية في العالم الحقيقي غير خطية. ومع ذلك ، فإن الخطية لمثل هذه الأنظمة حول حالات التوازن تعطي نماذج خطية ، والتي مطيعة رياضيا. على وجه الخصوص ، استنادًا إلى مبدأ التراكب ، يمكن حساب إخراج النظام لأي مدخلات تعسفية ، وبالحرف ، في مشاكل التحكم ، يمكن أيضًا تحديد الإدخال ، الذي يحسن الإخراج بمعنى ما ، بسهولة نسبية. في معظم مشاكل التحكم التكيفية ، حيث يُفترض أن معلمات النبات غير معروفة ، فإن حقيقة أن هذا الأخير يحدث خطيًا يجعل إجراء التقدير واضحًا. حقيقة أن معظم الأنظمة غير الخطية حتى الآن يمكن تقريبها بشكل مرضٍ من خلال النماذج الخطية في نطاقات العمليات العادية جعلتها جذابة في السياقات العملية أيضًا. هذا التأثير المشترك لسهولة التحليل والتطبيق العملي هو الذي يفسر النجاح الكبير للنماذج الخطية وجعلها موضوع دراسة مكثفة لأكثر من أربعة عقود. في السنوات الأخيرة ، تطلب التقنية المتقدمة السريعة والسوق التنافسي أن تعمل أنظمة في كثير من الحالات في المناطق في مجال الدولة حيث لم تعد التقديرات الخطية مرضية. للتعامل مع مثل هذه المشكلات غير الخطية ، تم إجراء الأبحاث على تحديد هويتها والتحكم فيها باستخدام الشبكات العصبية الاصطناعية القائمة بالكامل على المدخلات والمخرجات المقاسة.

الخطوط العريضة للمشروع

1. تم اشتقاق النموذج الرياضي لوحدة التحكم PID ومحرك BLDC.
2. باستخدام النموذج ، تم تصميم وحدة تحكم تقليدية في MATLAB لجمع البيانات.
3. كما تم تصميم وحدة تحكم الشبكة العصبية مع MATLAB لأغراض التعلم الآلي الخاضع للإشراف.
4. ثم تم تدريب الشبكة العصبية باستخدام 80 ٪ من البيانات التي تم جمعها من MATLAB بواسطة خوارزمية الانتشار الخلفية.
5. ثم يتم اختبار الشبكة العصبية المدربة على البيانات المتبقية التي تم جمعها من MATLAB ، بناءً على تكرار الخطوة 4 إذا لزم الأمر.
6. يتم استبدال وحدة تحكم PID التقليدية بوحدة تحكم الشبكة العصبية واختبارها في الوقت الفعلي.
7. أخيرًا ، سيتم مقارنة أداء وحدة التحكم المقترحة بأداء وحدة تحكم محرك BLDC التقليدية للسرعة والدقة.

الغرض والنطاق والتطبيق

غاية

• لتقدير سرعة محرك DC والتحكم فيه ، يمكن لـ ANN استبدال سرعة المستشعرات في نموذج أنظمة التحكم. باستخدام ANN ، لا يتعين علينا حساب معلمات المحرك عند تصميم نظام التحكم. قد يتم الكشف عن ميزة ملموسة لنظام التحكم باستخدام ANNS عندما تكون معلمات محرك DC متغيرًا أثناء تشغيل المحركات. يمكن استخدام القدرة المرضية للتحكم في النظام مع تطبيق ANNS و ANN في التحكم التكيفي في جهاز نظام التحكم مع الحمل المعقد. للتحكم في سرعة محرك DC ، استخدم الخبراء وحدة تحكم PID لحسن الحظ ANN لتحسين دقة السرعة.

نِطَاق

• إن أداء وحدة التحكم التكيفية المستندة إلى ANN متفوق على أنه لا يزال يفتقر إلى بعض القيود ، مما يوفر مجالًا للتحسين. يتم الإشارة إلى هذه التحسينات المحتملة أدناه ، كإجراءات محتملة لمزيد من العمل. في العمل الحالي ، يتم اختيار عدد الطبقات المخفية وعدد الخلايا العصبية في الطبقة المخفية عن طريق التجربة والخطأ ، مع الأخذ في الاعتبار أنه كلما كان الرقم أصغر ، كان ذلك أفضل من حيث الذاكرة والوقت المستغرق لتنفيذ ANN. يمكن إجراء مزيد من البحث للعثور على العدد الأمثل من الطبقات المخفية وعدد الخلايا العصبية في الطبقة المخفية. يمكن أن تعوض ميزة تحديث الأوزان والتحيزات من ANN عن كل من تغييرات المعلمة والاضطرابات أثناء التشغيل. إن استخدامات معدل التعلم التكيفي في وحدة التحكم المقترحة تقلل من إمكانية التجاوز بشكل خاص خلال الظروف العابرة. إن توفير التغذية المرتدة في بنية محرك ANN المعدلة يعزز أيضًا استقرار النظام.

قابلية التطبيق

• على الرغم من أن أداء وحدات التحكم التكيفية متفوقة ، إلا أنه لا يزال يفتقر إلى بعض القيود ، مما يوفر مجالًا للتحسين. كما نعلم ، تزداد إمكانات السوق مع زيادة كفاءة النظام. وبالتالي ، يمكن إجراء مزيد من البحث لتحسين كفاءة النظام العام أثناء التشغيل. علاوة على ذلك ، قد يعطي التصميم الفعال لوحدة التحكم ميزة تنافسية مقارنة بالأنظمة المتاحة.

شكر وتقدير

لقد بذلت جهود في هذا المشروع. ومع ذلك ، لم يكن ذلك ممكنًا بدون دعم ومساعدة العديد من الأفراد مثل Santanu و Arka و Soumik و Ishan و Bhaswardeep . أود أن أقدم خالص شكري لهم جميعًا. أود أن أعرب عن امتناني الصادق لدليل مشروعي "Dr. Asim Halder" لإعطائي الفرصة للعمل في هذا الموضوع. لن يكون من الممكن أبدًا أن نأخذ هذا المشروع إلى هذا المستوى دون أفكاره المبتكرة ودعمه وتشجيعه بلا هوادة. أود أيضًا أن أقدم شكرًا خاصًا وتقديرًا لجميع زملائي في المجموعة لتعاونهم ، ودعمهم ، والتشجيع الذي ساعدني كثيرًا على إكمال مشروعي في الإطار الزمني المحدود.