ANN PID Controller

Diseño de controlador PID óptimo para el control de velocidad del motor DC mediante el uso de una red neuronal artificial.

ABSTRACTO

El objetivo principal de este proyecto es controlar la velocidad del motor de CC sin escobillas utilizando el controlador de la red neuronal artificial (ANN) y el controlador PID. El análisis detallado se realiza en función de los resultados de la simulación de ambos métodos. Un sistema de control de velocidad basado en el control neural del motor DC sin escobillas se diseña analizando el modelo matemático del motor BLDC. La identificación del modelo de planta se realiza en el software Simulink de MATLAB para identificar el bloque ANN del sistema de accionamiento de motor BLDC. El modelo de control de referencia está diseñado para dar los valores ideales de los parámetros de control cuando el sistema de control responde a la señal de comando. Los resultados de rendimiento del controlador PID y el controlador ANN se comparan con la salida del modelo de referencia del sistema de accionamiento del motor BLDC en el entorno Simulink MATLAB. El estudio comparativo concluye que el método de control de velocidad basado en ANN elimina el sobreimpulso, reduce el tiempo de asentamiento de la respuesta del sistema. Se observa que los resultados de la simulación basados en ANN están más cerca de la respuesta del modelo de control de referencia ideal que la basada en PID.

Motivación y objetivo

Hoy en día, el campo del control del sistema de energía eléctrica en el control general y del motor en particular ha estado investigando ampliamente. Las nuevas tecnologías se aplican a estas para diseñar el complicado sistema tecnológico. Una de estas nuevas tecnologías es la red neuronal artificial (ANN) que se basa en el principio operativo del ser humano neural. Se compone de una gran cantidad de elementos de procesamiento altamente interconectados (neuronas) que trabajan al unísono para resolver problemas específicos. Anns, como la gente, aprende con el ejemplo. Una ANN está configurada para una aplicación específica, como el reconocimiento de patrones o la clasificación de datos, a través de un proceso de aprendizaje. El aprendizaje en sistemas biológicos implica ajustes a las conexiones que existen entre las neuronas. Esto también es cierto para Anns. Hay una serie de artículos que utilizan aplicaciones ANNS para identificar el modelo matemático de motor DC. Luego, este modelo se aplica para controlar la velocidad del motor. La inversión invertida ANN con dos parámetros de entrada para el control adaptativo de los ANN motor DC se aplican en términos generales porque toda la señal ANN se transmite en una dirección, lo mismo que en el sistema de control automáticamente, la capacidad de ANN para aprender la muestra, desde el principio, los teóricos de los sistemas han realizado que la mayoría de los sistemas dinámicos del mundo real son no lineales. Sin embargo, la linealización de tales sistemas alrededor de los estados de equilibrio produce modelos lineales, que son matemáticamente obedientes. En particular, según el principio de superposición, la salida del sistema se puede calcular para cualquier entrada arbitraria, y alternativamente, en problemas de control, la entrada, que optimiza la salida en algún sentido, también se puede determinar con relativa facilidad. En la mayoría de los problemas de control adaptativo, donde se supone que los parámetros de la planta son desconocidos, el hecho de que este último ocurra linealmente hace que el procedimiento de estimación sea sencillo. El hecho de que la mayoría de los sistemas no lineales hasta ahora puedan ser aproximados satisfactoriamente por modelos lineales en sus rangos de operación normales también los ha hecho atractivos en contextos prácticos. Es este efecto combinado de la facilidad de análisis y la aplicabilidad práctica lo que explica el gran éxito de los modelos lineales y los ha convertido en el tema del estudio intensivo durante más de cuatro décadas. En los últimos años, una tecnología que avanza rápidamente y un mercado competitivo han requerido sistemas para operar en muchos casos en regiones en el espacio estatal donde las aproximaciones lineales ya no son satisfactorias. Para hacer frente a tales problemas no lineales, la investigación ha estado en marcha en su identificación y control utilizando redes neuronales artificiales basadas completamente en entradas y salidas medidas.

Esquema del proyecto

1. Se ha derivado el modelo matemático del controlador PID y del motor BLDC.
2. Usando el modelo, se ha diseñado un controlador convencional en MATLAB para la recopilación de datos.
3. Un controlador de red neuronal también se ha diseñado con MATLAB para fines de aprendizaje automático supervisado.
4. La red neuronal ha sido capacitada utilizando el 80% de los datos recopilados de MATLAB mediante un algoritmo de propagación posterior.
5. La red neuronal entrenada se prueba en los datos restantes recopilados de MATLAB, en función de lo cual se repite el paso 4 si es necesario.
6. El controlador PID tradicional se reemplaza con el controlador de red neuronal y se prueba en tiempo real.
7. Finalmente, el rendimiento del controlador propuesto se comparará con el rendimiento del controlador de motor BLDC convencional para la velocidad y la precisión.

Propósito, alcance y aplicabilidad

OBJETIVO

• Para estimar la velocidad del motor de CC y controlarlo, ANN puede reemplazar la velocidad de los sensores en el modelo de sistemas de control. Usando ANN, no tenemos que calcular los parámetros del motor al diseñar el sistema de control. Se puede revelar que una ventaja apreciable de un sistema de control que usa ANN cuando los parámetros del motor de CC son variables durante la operación de los motores. La capacidad satisfactoria del control del sistema con ANNS y la aplicación ANN se puede utilizar en el control adaptativo en la máquina del sistema de control con la carga complicada. Para controlar la velocidad del motor DC, los expertos usaron el controlador PID fortuna de la ANN para mejorar la precisión de la velocidad.

ALCANCE

• Un rendimiento del controlador adaptativo basado en Ann es superior que aún carece de algunas limitaciones, lo que proporciona margen de mejora. Tales posibles mejoras se indican a continuación, como posibles instrucciones para trabajos adicionales. En el presente trabajo, el número de capas ocultas y el número de neuronas en la capa oculta se eligen mediante prueba y error, teniendo en cuenta que cuanto más pequeño sea el número, mejores ITI en términos de memoria y tiempo tomados para implementar la ANN. Se puede hacer más investigaciones para encontrar el número óptimo de capas ocultas y el número de neuronas en la capa oculta. La función de actualización de pesos y sesgos de la ANN puede compensar tanto los cambios de parámetros como las perturbaciones durante la operación. Los usos de la tasa de aprendizaje adaptativo en el controlador propuesto reducen la posibilidad de exagerar, particularmente durante las condiciones transitorias. La disposición de retroalimentación en la estructura del motor ANN modificada también mejora la estabilidad del sistema.

APLICABILIDAD

• Aunque el rendimiento de los controladores adaptativos es superior, todavía carece de algunas limitaciones, lo que proporciona margen de mejora. Como sabemos, el potencial de mercado aumenta con el aumento de la eficiencia del sistema. Por lo tanto, se puede hacer más investigaciones para mejorar la eficiencia del sistema general durante la operación. Además, el diseño eficiente del controlador puede dar una ventaja competitiva en comparación con los sistemas disponibles.

RECONOCIMIENTO

He hecho esfuerzos en este proyecto. Sin embargo, no hubiera sido posible sin el amable apoyo y la ayuda de muchas personas como Santanu , Arka , Soumik , Ishan , Bhaswardeep . Me gustaría extender mi sincero agradecimiento a todos ellos. Me gustaría expresar mi sincera gratitud a mi guía de proyectos "Dr. Asim Halder" por darme la oportunidad de trabajar en este tema. Nunca sería posible para nosotros llevar este proyecto a este nivel sin sus ideas innovadoras y su implacable apoyo y aliento. También me gustaría agradecer especial y apreciaciones a todos mis compañeros de grupo por su amable cooperación, apoyo y aliento que me ayudó mucho a completar mi proyecto dentro del período de tiempo limitado.