ANN PID Controller

Design des optimalen PID -Controllers für die Geschwindigkeitssteuerung des Gleichstrommotors mithilfe künstlicher neuronaler Netzwerk.

ABSTRAKT

Das Hauptziel dieses Projekts ist es, die Geschwindigkeit des bürstenlosen Gleichstrommotors mithilfe des ANN -Controllers (künstlichen Neural Network) und des PID -Controllers zu steuern. Eine detaillierte Analyse wird auf der Grundlage der Simulationsergebnisse beider Methoden durchgeführt. Ein neuronales Steuerungssteuerungssystem des bürstenlosen Gleichstrommotors wurde durch Analyse des mathematischen Modells des BLDC-Motors entwickelt. Die Identifizierung des Anlagenmodells erfolgt in der Simulink -Software von MATLAB, um den Ann -Block des BLDC Motor Drive -Systems zu identifizieren. Das Referenzkontrollmodell ist so konzipiert, dass die idealen Werte der Steuerungsparameter angeben, wenn das Steuerungssystem auf das Befehlssignal reagiert. Die Leistungsergebnisse des PID -Controllers und des ANN -Controllers werden mit der Ausgabe des Referenzmodells des BLDC -Motorantriebssystems in der MATLAB -Simulink -Umgebung verglichen. Die vergleichende Studie kommt zu dem Schluss, dass die Ann -basierte Geschwindigkeitskontrollmethode das Überschwingen beseitigt und die Absetzzeit der Systemreaktion verringert. Es wird beobachtet, dass die Ann -basierten Simulationsergebnisse näher an der idealen Referenzsteuermodellantwort als PID -basiert sind.

Motivation und Ziel

Heutzutage hat das Gebiet der Steuerung des Stromversorgung im Allgemeinen und die Motorkontrolle im Besonderen im Großen und Ganzen im Großen und Ganzen untersucht. Die neuen Technologien werden darauf angewendet, um das komplizierte Technologiesystem zu entwerfen. Eine dieser neuen Technologien ist das künstliche neuronale Netzwerk (ANNS), das auf dem operativen Prinzip des Nervenneuralen Menschen basiert. Es besteht aus einer großen Anzahl hochverkleideter Verarbeitungselemente (Neuronen), die im Einklang arbeiten, um spezifische Probleme zu lösen. Anns lernen wie Menschen mit gutem Beispiel voran. Eine ANN ist für eine bestimmte Anwendung, wie z. B. Mustererkennung oder Datenklassifizierung, durch einen Lernprozess konfiguriert. Das Lernen in biologischen Systemen beinhaltet Anpassungen an den Verbindungen, die zwischen den Neuronen bestehen. Dies gilt auch für Anns. Es gibt eine Reihe von Artikeln, die ANNS -Anwendungen verwenden, um das mathematische DC -Motormodell zu identifizieren. Dann wird dieses Modell angewendet, um die Motordrehzahl zu steuern. Die invertierende Vorwärtsann mit zwei Eingangsparametern für die adaptive Steuerung von DC-Motorn ANNs werden allgemein angewendet, da das gesamte ANN-Signal in eine Richtung übertragen wird, wie im automatischen Steuerungssystem, die Fähigkeit von ANNs, die Probe von Anfang an zu lernen, von Systemtheoretern realisiert, dass die meisten realen dynamischen Systeme nichtlinear sind. Die Linearisation solcher Systeme rund um die Gleichgewichtszustände ergeben jedoch lineare Modelle, die mathematisch gehorsam sind. Insbesondere basierend auf dem Überlagerungsprinzip kann die Ausgabe des Systems für jede willkürliche Eingabe berechnet werden, und abwechselnd in Kontrollproblemen kann der Eingang, der die Ausgabe in gewissem Sinne optimiert, auch relativ leicht bestimmt werden. In den meisten Anpassungsproblemen, bei denen angenommen wird, dass die Anlagenparameter unbekannt sind, macht die Tatsache, dass letztere linear auftreten, das Schätzungsverfahren unkompliziert. Die Tatsache, dass die meisten nichtlinearen Systeme bisher von linearen Modellen in ihren normalen Betriebsbereichen zufriedenstellend angenähert werden könnten, hat sie auch in praktischen Kontexten attraktiv gemacht. Es ist dieser kombinierte Effekt der einfachen Analyse und der praktischen Anwendbarkeit, die den großen Erfolg linearer Modelle ausmacht und sie seit über vier Jahrzehnten zum Thema intensiver Studie macht. In den letzten Jahren haben eine schnell fortschreitende Technologie und ein Wettbewerbsmarkt in vielen Fällen in Regionen im staatlichen Bereich gearbeitet, in denen lineare Näherungen nicht mehr zufriedenstellend sind. Um mit solchen nichtlinearen Problemen fertig zu werden, wurde die Identifizierung und Kontrolle unter Verwendung künstlicher neuronaler Netzwerke, die ausschließlich auf gemessenen Eingaben und Ausgaben basieren, Forschungen durchgeführt.

Umriss des Projekts

1. Das mathematische Modell des PID -Controllers und des BLDC -Motors wurde abgeleitet.
2. Unter Verwendung des Modells wurde in MATLAB ein herkömmlicher Controller zur Datenerfassung entworfen.
3. Ein neuronaler Netzwerkcontroller wurde auch mit MATLAB für beaufsichtigte Zwecke des maschinellen Lernens entwickelt.
4. Das neuronale Netzwerk wurde dann mit 80% der gesammelten Daten aus MATLAB durch einen Back-Propagations-Algorithmus trainiert.
5. Das geschulte neuronale Netzwerk wird dann an den verbleibenden Daten getestet, die von MATLAB gesammelt wurden, basierend darauf, auf welchen Schritt 4 bei Bedarf wiederholt wird.
6. Der traditionelle PID-Controller wird durch den neuronalen Netzwerkcontroller ersetzt und in Echtzeit getestet.
7. Schließlich wird die Leistung des vorgeschlagenen Controllers mit der Leistung des herkömmlichen Bldc -Motorcontrollers für Geschwindigkeit und Genauigkeit verglichen.

Zweck, Umfang und Anwendbarkeit

ZWECK

• Um die Geschwindigkeit des DC -Motors abzuschätzen und ihn zu steuern, kann Ann die Geschwindigkeit der Sensoren im Steuerungssystemmodell ersetzen. Mit Ann müssen wir die Parameter des Motors beim Entwerfen des Steuerungssystems nicht berechnen. Es kann zeigen, dass ein nennenswerter Vorteil eines Steuerungssystems unter Verwendung von ANNs, wenn die Parameter des DC -Motors während des Betriebs der Motoren variabel sind. Die zufriedenstellende Fähigkeit der Systemsteuerung mit Anns und ANN -Anwendung kann bei der adaptiven Steuerung in der Steuerungssystemmaschine mit der komplizierten Last verwendet werden. Um die Geschwindigkeit des DC -Motors zu steuern, verwendeten Experten PID -Controller, die die Ann glückten, um die Geschwindigkeitsgenauigkeit zu verbessern.

UMFANG

• Eine annbasierte adaptive Controller -Leistung ist überlegen, die noch einige Einschränkungen gibt, was Verbesserungsraum bietet. Solche möglichen Verbesserungen sind nachstehend als mögliche Anweisungen für weitere Arbeiten angegeben. In der vorliegenden Arbeit werden die Anzahl der versteckten Schichten und die Anzahl der Neuronen in der verborgenen Schicht durch Versuch und Irrtum ausgewählt, wobei bedenkt, dass je kleiner die Zahl ist, desto besser in Bezug auf Speicher und Zeit, die zur Implementierung der Ann genommen wurde. Weitere Untersuchungen können durchgeführt werden, um die optimale Anzahl versteckter Schichten und die Anzahl der Neuronen in der versteckten Schicht zu ermitteln. Die Aktualisierungsfunktion der Gewichte und Verzerrungen des ANN kann sowohl die Parameteränderungen als auch die Störungen während des Betriebs kompensieren. Die Verwendung der adaptiven Lernrate im vorgeschlagenen Controller verringert die Möglichkeit des Überschwingens insbesondere während der vorübergehenden Bedingungen. Die Feedback -Bestimmung in der modifizierten Ann Motorstruktur verbessert auch die Stabilität des Systems.

ANWENDBARKEIT

• Obwohl die Leistung der adaptiven Controller überlegen ist, fehlen sie immer noch einige Einschränkungen, was Verbesserungsraum bietet. Wie wir wissen, steigt das Marktpotential mit zunehmender Effizienz des Systems. Daher können weitere Untersuchungen durchgeführt werden, um die Effizienz des Gesamtsystems während des Betriebs zu verbessern. Darüber hinaus kann das effiziente Design des Controllers im Vergleich zu den verfügbaren Systemen einen Wettbewerbsvorteil verschaffen.

ANERKENNUNG

Ich habe mich in diesem Projekt bemüht. Es wäre jedoch nicht möglich gewesen, ohne dass viele Personen wie Santanu , Arka , Soumik , Ishan , Bhaswardeep die Unterstützung und Hilfe von vielen Personen wie Santanu, Arka, möglich gewesen wäre. Ich möchte meinen aufrichtigen Dank an sie alle ausdehnen. Ich möchte meinen Projektleitfaden „Dr. Asim Halder“ aufrichtig bedanken, dass ich die Möglichkeit habe, an diesem Thema zu arbeiten. Es wäre nie möglich, dass wir dieses Projekt ohne seine innovativen Ideen und seine unerbittliche Unterstützung und Ermutigung auf dieses Niveau bringen. Ich möchte allen meinen Gruppenkollegen auch besondere Dank und Wertschätzung für ihre freundliche Zusammenarbeit, Unterstützung und Ermutigung geben, was mir sehr geholfen hat, mein Projekt innerhalb des begrenzten Zeitrahmens abzuschließen.